Page 78 - 无损检测2024年第八期

周 飞，等：

基于 RetinaNet 算法的输电线路耐张线夹压接缺陷图像检测方法

为目标检测模块，在螺栓的目标检测模块中引入区 根据该判别公式，逐个判定原始图像中每个像
域注意力机制，然后分析模块中螺栓残差块特征，融 素点的色彩状态。基于判定结果，得到图像像素点
合多尺度特征并进行分析，得到输电线路螺栓的缺 的灰度值等级，将满足判别公式的像素点灰度值定
陷检测结果，但该方法检测精度较低。刘兰兰等 [3] 义为“1”，反之则定义为“0”。
针对巡检工作中的输电线路缺陷检测方法进行研 计算图像像素点灰度值等级的均值，即 [5-7]
究，采用高清摄像头，实时获取输电线路图像，并采 t P
μ 0 ∑ i i （2）
=
用超分辨率的神经网络重构相应的图像。其首先基 i =0 ω 0
于重构后的图像构建缺陷检测模型，并在该模型中 t σ 2 P
嵌入卷积块注意力机制；然后定义该模型的损失函 μ 1 ∑ i i （3）
=
i = +1 ω 1
t
数，并基于此优化模型的收敛能力；再利用强化后的
式中： μ 和μ 分别表示图像中灰度值等级为“0”和
模型分析输电线路中的小目标模块，并通过重叠定 0 1
为“1”的像素点概率均值；i为图像像素点；t为一维
位的方法进一步缩小检测范围；最后结合特征放大
特征矢量；P 为错分概率；σ 为类间方差；ω 和ω 分
处理过程，分析输电线路模块中的新增浅层特征，由 i 0 1
别为两种灰度值等级的熵值。
此得到输电线路的缺陷检测结果，但该方法检测实
基于计算所得的均值，标定耐张线夹压接的轮
时性较差。刘开培等 针对输电线路中的绝缘子缺
[4]
廓边缘分割阈值，将图像信息划分为前景和背景，保
陷检测方法进行研究，首先设置无人机目标检测点，
留出目标检测部位的轮廓线像素点。轮廓边缘的分
获取绝缘子部位的图像信息；然后基于无人机回传
割阈值计算方法可表示为
的图像信息，重构绝缘子的运行场景，设计深度学习
L -1 μ
目标检测算法，再利用该算法，将绝缘子的背景区域 H =arg max ∑ E ln 0
特征投影压缩处理，并根据压缩节点聚焦绝缘子缺 i =1+1 0 μ （4）
1
陷特征部位；最后结合自适应调整机制，分析绝缘子 式中：H为轮廓边缘的最优分割阈值；L为图像边长
缺陷部位的当前状态，得出最终的缺陷检测结果，该 像素数；E 为耐张线夹压接图像总熵；argmax指通
0
方法的检测成本较高。 过计算图像边长的像素点和图像总熵，找出使轮廓
考虑到上述缺陷检测方法无法满足当前输电 边缘最大的分割阈值。
线路运维领域的需要以及耐张线夹压接安全状态 按照式（4）计算所得的分割阈值，划分出图像
的检测需求，笔者采用RetinaNet算法，提出了一种 中的耐张线夹压接轮廓边缘像素区域。基于缺陷检
输电线路耐张线夹压接缺陷图像检测方法。该方 测需求，笔者对该轮廓边缘进行清晰化处理。
法通过分析输电线路耐张线夹压接图像特征，结合 计算耐张线夹压接图像轮廓边缘的倾角差值，
RetinaNet算法得出其缺陷检测结果。 即 [8-9]

1 耐张线夹压接缺陷图像检测方法设计 d =k θ 1 - θ 2 （5）
CH
()
1.1 重构耐张线夹压接图像
式中：d为倾角差值；k为连线斜率； θ 和θ 分别为同
1
2
采用高清成像设备获取输电线路中耐张线夹
一连线上的轮廓倾角；C(H)为基于所计算最优分割
的压接图像，并通过清晰化轮廓的处理过程重构该 阈值下的轮廓像素点数量。
图像。
根据式（5）的计算结果，在原图像轮廓中补偿
基于该图像中每个像素点的色彩分布情况，采
倾角差值，将轮廓清晰化。在此基础上，采用二维傅
用RGB（三原色）通道数值分布的方法设置图像色
里叶逆变换的方法重构出轮廓清晰的耐张线夹压接
彩的判别公式，即
图像，即 [10]

（1） （6）
式中：f (x，y)为重构的耐张线夹压接图像；r为检测
式中：r，g，b分别对应图像中三个色彩通道的通道 的耐张线夹的压接缺陷；k ，k 分别为两个轴向上的
y
x
数值。 连线斜率；e为投影误差。
44
2024 年 第 46 卷 第 8 期
无损检测