无人机航拍绝缘子自爆缺陷基于深度Q网络与强化学习的像素级自主识别方法

《Measurement and Control》：Pixel-Level autonomous identification method for self-explosion defects of aerial insulators based on Deep Q-Network and reinforcement learning

　　

无人机（Unmanned Aerial Vehicle，UAV）对绝缘子进行可见光巡检时，常因光照、植被和大气条件等干扰导致图像退化。传统检测方法只能实现故障检测，无法对损伤区域做像素级定量测量。为此，研究人员提出一种基于深度Q网络（Deep Q-Network，DQN）和强化学习（Reinforcement Learning，RL）的无人机航拍绝缘子自爆缺陷像素级自主识别方法。研究人员将暗通道去雾（dark channel dehazing）与双边保边去噪（bilateral edge-preserving denoising）相结合以增强绝缘子图像；采用基于改进CV模型的方法实现绝缘子串准确定位与分割；通过结合绝缘子蓝通道显著性与霍夫变换（Hough transform）计算倾角，并构造自适应椭圆水平集提取图像中绝缘子目标区域。分割后图像送入基于DQN与RL构建的绝缘子自爆缺陷像素级自主识别模型，提取自爆缺陷多尺度特征并生成粗缺陷概率图；对掩膜中边界模糊像素进行筛选，建立DQN强化学习交互环境；以分割交并比（Intersection over Union，IoU）作为奖励，动态调整像素阈值并优化缺陷轮廓。校正后概率融合生成二值缺陷掩膜，转换损伤面积，实现缺陷像素级识别。实验表明，该方法可在高干扰现场工况下实现绝缘子自爆缺陷像素级自主识别，并输出准确量化损伤尺寸，为输电线路精细化故障分级与运维提供可靠定量数据支撑。

《Measurement and Control》刊载的该研究面向高压输电线路运维场景。玻璃绝缘子长期暴露于风沙、雾霾、覆冰与温差环境，易发生自爆，导致伞裙脱落、芯棒外露、爬电距离下降，进而引发污闪、雷击跳闸等电网安全事故。传统登塔人工巡检效率低、高空风险大；无人机（Unmanned Aerial Vehicle，UAV）航拍虽成本低、覆盖广，但航拍图像受雾、背光、植被杂波影响，存在图像退化、背景复杂、自爆目标微小、边界模糊等问题。现有基于YOLO、Faster R-CNN的方法多为边界框级检测，无像素级掩膜输出，不能量化损伤面积；具备分割能力的方法又常因反卷积或固定多尺度融合产生伪影，在光照与背景扰动下误报率高；且多数方法采用固定分类阈值，边界像素不确定性会造成面积量化误差。因此，研究人员开展像素级自主识别研究，以同时实现绝缘子定位分割与自爆缺陷面积量化。

为开展研究，研究人员采用经增强后的无人机航拍绝缘子图像，并利用蓝通道显著性与霍夫变换获取绝缘子串位置与倾角，再基于改进CV（Chan-Vese，水平集图像分割模型）模型完成绝缘子区域分割；样本方面，研究人员通过预制缺陷样品的现场测试确定经验系数α=0.32，用于等效盐密距（Equivalent Salt Deposit Density，ESDD）修正。

关键技术方法包括：一、复合预处理，融合中值滤波、暗通道先验与双边保边去噪，抑制椒盐噪声并校正亮度与雾效；二、改进CV水平集分割，以蓝通道显著性粗定位、霍夫变换求倾角、自适应椭圆水平集初始化，输出干净绝缘子前景掩膜；三、改进Mask R-CNN，以ResNet-50为骨干，结合特征金字塔网络（Feature Pyramid Network，FPN）、轴向可变形RoIAlign与空洞空间金字塔池化（Atrous Spatial Pyramid Pooling，ASPP）提取多尺度粗缺陷概率图；四、不确定边界像素筛选，仅取概率0.35—0.65且梯度超阈值的1%—3%像素进入强化学习；五、Double DQN与优先经验回放，以5个离散阈值偏移为动作，以分割交并比（IoU）增量为奖励，动态细化缺陷边界并输出高精度二值掩膜。

像素级识别的工程应用价值

研究人员指出，像素级预测缺陷掩膜Y可计算物理面积?=?·∑_i=1^H∑_j=1^WY(i,j)，?为像素到毫米比例系数，由飞行高度与相机内参预标定；?超阈值可触发紧急缺陷预警。自爆损裙后等效爬电距离与污层电导分布改变，故ESDD修正因子η_ESDD=1+α·A_defect/A_total，α=0.32，校正后ESDD_corr=ESDD_raw×η_ESDD，使污秽严重度评估在结构损伤后仍准确。

航拍图像预处理与增强

研究人员以中值滤波抑制椒盐噪声，建立大气散射模型I′(x)=J(x)·I_a(x)+Z·[1?I_a(x)]，用暗通道先验估透射图I?_a(x)=1?ω·min_c∈{R,G,B}[min_y∈Ψ(x)o^c(y)/Z^c]，最终增强图J_e(x)=（I?_a(x)?Z）/max[I?_a(x),I?₀]+Z，I?₀=0.1防止噪声放大。

基于改进CV模型的绝缘子串精确定位与分割

研究人员用蓝通道显著性R(x,y)=max{0,λ_Bo_e^B(x,y)?λ_Ro_e^R(x,y)?λ_Go_e^G(x,y)}粗定位，Otsu二值化取最大连通域质心(x₀,y₀)；霍夫变换ρ=x cos θ+y sin θ，取前K线投票加权得倾角θ_g=∑_k=1^KΠ_k·θ_k/∑_k=1^KΠ_k；以质心与倾角建自适应椭圆(x?x₀)cosθ_g+(y?y₀)sinθ_g平方/σ₁²+其余/σ₂²=1，转符号距离函数作?₀，按??/??=δ(?)[λ₁·div(??/|??|)?λ₂?λ₃(J_e?o₁)²+λ₄(J_e?o₂)²]演化，收敛得二值掩膜M，再裁出绝缘子子图X_ins=Crop(J_e,BBox(M))。

基于Deep Q-Network与强化学习的绝缘子自爆缺陷像素级自主识别模型

研究人员以改进Mask R-CNN输出粗概率Θ_x=Sigmoid[λ?^T?(x)+ι]；以X_u={x|0.35< />_x<0.65,‖?Θ_x‖>ε_g}筛边界模糊像素；DQN状态为七维向量s_t=(Θ_x,?J_e(x)₂,ξ_x,Ξ_x^Tw,e_t?1,δ_t?1,?_x)^T，动作空间A={?0.12,?0.04,0,+0.04,+0.12}，执行后ψ_t(x)=ln(Θ_x/(1?Θ_x))+?·a_t，以IoU奖励驱动Double DQN优化，融合粗概率与校正概率得最终缺陷掩膜并换算面积。

讨论部分总结

研究人员讨论指出，边界框检测法缺像素输出，分割法易因反卷积与固定融合产生伪影和误报，固定阈值会带来面积量化误差；其方法用CV水平集抗倾斜细长目标，用改进Mask R-CNN捕多尺度微缺陷，用DQN把边界细化转成离散控制问题，在状态空间、训练稳定性与样本效率上优于策略梯度类方法。文内实验显示DQN比PPO、SAC收敛更快且终期IoU更高。

研究结论翻译

实验结果表明，所提方法可在高干扰现场工况下实现无人机航拍绝缘子自爆缺陷的像素级自主识别，并输出准确量化损伤尺寸；该方法可为输电线路精细化故障分级与运维提供可靠定量数据支持。研究人员将暗通道去雾、双边保边去噪、改进CV水平集、蓝通道显著性与霍夫变换、改进Mask R-CNN及Double DQN结合，完成了从图像增强、绝缘子分割到缺陷像素细化的闭环，证明了以IoU为奖励的强化学习可用于绝缘子自爆缺陷轮廓自适应校正，对输电线无人机智能巡检具有工程应用意义。