第４５卷第４期２０２３年７月
沈　阳　工　业　大　学　学　报ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ
Ｖｏｌ ４５Ｎｏ ４Ｊｕｌ ２０２３
收稿日期：２０２２－０５－２０．
基金项目：国家自然科学基金项目（５１７７７０２７）；国家电网冀北公司科技项目（７１０１０３１９００ＴＤ）．作者简介：刘　敏（１９８７－），男，山西朔州人，高级工程师，硕士，主要从事输电巡检管理等方面的研究．
檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪殏
殏
殏
殏
信息科学与工程　
ｄｏｉ：１０．７６８８／ｊ．ｉｓｓｎ．１０００－１６４６．２０２３．０４．１４
基于深度学习的输电线路耐张线夹
倾斜缺陷定量检测
刘　敏１，２ａ，王红旭２ｂ，周国亮２ｂ
，陈双辉３，凌德泉３
（１ 北京师范大学系统科学学院，北京１００８７５；２ 国网冀北电力有限公司ａ 技能培训中心，ｂ 检修中心，北京１０００５３；３ 南京土星信息科技有限公司研发部，南京２１００００）
摘　要：针对输电线路中耐张线夹的倾斜缺陷，未能准确地去模糊处理所获取输电线路图像的问题，提出了基于深度学习的输电线路耐张线夹倾斜缺陷定量检测方法．结合冲击波滤波器与双边滤波器对获取的输电线路图像去噪处理，通过正则化方法估计模糊核．同时利用引导滤波器分解去模糊后的输电线路图像来获得细节层与基本层，分别进行伽马变换．将预处理后的输电线路图像输入至深度学习网络中，提取耐张线夹的倾斜缺陷特征，完成对缺陷的定量检测．实验结果表明，所提方法的准确率可保持在９
０％以上，且召回率、ＡＰ值及Ｆ１指标均较高，具有良好的检测性能．关　键　词：深度学习网络；输电线路；耐张线夹；倾斜缺陷；图像去模糊；图像增强；定量检
测；滤波器
中图分类号：ＴＮ９１１ ７３  　文献标志码：Ａ  　文章编号：１０００－１６４６（２０２３）０４－０４４２－０５
Ｑｕａｎｔｉｔａｔｉｖｅｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎｄｅｅｐｌｅａｒｎｉｎｇｔｅｃｈｎｏｌｏｇｙｆｏｒｉｎｃｌｉｎａｔｉｏｎｄｅｆｅｃｔｓｏｆｓｔｒａｉｎｃｌａｍｐｓ
ＬＩＵＭｉｎ１，２ａ，ＷＡＮＧＨｏｎｇ ｘｕ２ｂ，ＺＨＯＵＧｕｏ ｌｉａｎｇ２ｂ，ＣＨＥＮＳｈｕａｎｇ ｈｕｉ３，ＬＩＮＧＤｅ ｑｕａｎ
３
（１．ＳｃｈｏｏｌｏｆＳｙｓｔｅｍｓＳｃｉｅｎｃｅ，ＢｅｉｊｉｎｇＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１００８７５，Ｃｈｉｎａ；２ａ．ＴｒａｉｎｉｎｇＣｅｎｔｅｒ，２ｂ．ＭａｉｎｔｅｎａｎｃｅＣｅｎｔｅｒ，ＳｔａｔｅＧｒｉｄＪｉｂｅｉＥｌｅｃｔｒｉｃＰｏｗｅｒＣｏ．Ｌｔｄ．，Ｂｅｉｊｉｎｇ１０００５３，Ｃｈｉｎａ；３．ＤｅｐａｒｔｍｅｎｔｏｆＲ
＆Ｄ，ＮａｎｊｉｎｇＳａｔｕｒｎＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙＣｏ．Ｌｔｄ．，Ｎａｎｊｉｎｇ２１００００，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｔｈａｔｔｈｅｉｎｃｌｉｎａｔｉｏｎｄｅｆｅｃｔｓｏｆｓｔｒａｉｎｃｌａｍｐｉｎｔｈｅｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｃａｎｎｏｔａｃｃｕｒａｔｅｌｙｐｅｒｆｏｒｍｔｈｅｄｅｂｌｕｒｒｉｎｇｏｆａｃｑｕｉｒｅｄｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｉｍａｇｅｓ，ａｑｕａｎｔｉｔａｔｉｖｅｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｄｅｅｐｌｅａｒｎｉｎｇｆｏｒｔｈｅｉｎｃｌｉｎａｔｉｏｎｄｅｆｅｃｔｓｏｆｓｔｒａｉｎｃｌａｍｐｓｉｎｔｈｅｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｗａｓｐｒｏｐｏｓｅｄ．Ｔｈｅｏｂｔａｉｎｅｄｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｉｍａｇｅｓｗｅｒｅｄｅｎｏｉｓｅｄｂｙｃｏｍｂｉｎｉｎｇｓｈｏｃｋｗａｖｅｆｉｌｔｅｒａｎｄｂｉｌａｔｅｒａｌｆｉｌｔｅｒ，ａｎｄｔｈｅｆｕｚｚｙｋｅｒｎｅｌｗａｓｅｓｔｉｍａｔｅｄｂｙａｒｅｇｕｌａｒｉｚａｔｉｏｎｍｅｔｈｏｄ．Ａｔｔｈｅｓａｍｅｔｉｍｅ，ｔｈｅｇｕｉｄｅｄｆｉｌｔｅｒｗａｓｕｓｅｄｔｏｄｅｃｏｍｐｏｓｅｔｈｅｄｅｂｌｕｒｒｅｄｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｉｍａｇｅｓｔｏｏｂｔａｉｎｂｏｔｈｄｅｔａｉｌａｎｄｂａｓｉｃｌａｙｅｒｓ，ａｎｄｔｈｅＧａｍｍａｔｒａｎｓｆｏｒｍｗａｓｐｅｒｆｏｒｍｅｄｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｐｒｅｐｒｏｃｅｓｓｅｄｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｉｍａｇｅｓｗｅｒｅｉｎｐｕｔｉｎｔｏｔｈｅｄｅ
ｅｐｌｅａｒｎｉｎｇｎｅｔｗｏｒｋ，ａｎｄｔｈｅｉｎｃｌｉｎａｔｉｏｎｄｅｆｅｃｔｆｅａｔｕｒｅｓｏｆｓｔｒａｉｎｃｌａｍｐｓｗｅｒｅｅｘｔｒａｃｔｅｄｔｏｆｉｎｉｓｈｔｈｅｑｕａｎｔｉｔａｔｉｖｅｄｅｔｅｃｔｉｏｎｏｆｔｈｅｄｅｆｅｃｔｓ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｃｃｕｒａｃｙｏｆａｓ ｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃａｎｂｅｍａｉｎｔａｉｎｅｄａｂｏｖｅ９０％，ｔｈｅｒｅｃａｌｌｒａｔｅ，ＡＰｖａｌｕｅａｎｄＦ１ｉｎｄｅｘａｒｅａｌｌｒｅｌａｔｉｖｅｌｙｈｉｇｈｅｒｆｏｒｓａｔｉｓｆａｃｔｏｒｙｄｅｔｅｃｔｉｏｎｐｅｒｆｏｒｍａｎｃｅ．
Ｋｅｙｗｏｒｄｓ：ｄｅｅｐｌｅａｒｎｉｎｇｎｅｔｗｏｒｋ；ｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅ；ｓｔｒａｉｎｃｌａｍｐ；ｉｎｃｌｉｎａｔｉｏｎｄｅｆｅｃｔ；ｉｍａｇｅｄｅｂｌｕｒｒｉｎｇ；
ｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔ；ｑｕａｎｔｉｔａｔｉｖｅｄｅｔｅｃｔｉｏｎ；ｆｉｌｔｅｒ
Copyright ©博看网. All Rights Reserved.
  输电线路正常、有序的运行是国家经济稳定
的基础［
１］．随着电力技术的发展，输电线路与主要交通干道及城市的距离越来越远，而对其线路
耐张线夹倾斜缺陷的检测难度也逐步增大［２］
．由
于图像处理技术、电力技术、航空技术与光学技术的发展，航拍路线巡检逐渐成为了输电线路耐张线夹倾斜缺陷检测的主要方向．
裴慧坤等［３］
通过分段灰度线性变换方法来
消除图像中存在的噪声，以增强图像信息，并利用尺度不变特征变换（ＳＩＦＴ）配准算法对输电路线图像进行拼接处理．同时在Ｒｏｂｅｒｔｓ算法的基础上，实现了对耐张线夹倾斜缺陷的检测．但该方法无法提高输电线路图像的清晰度，故其检测结果
的准确率与召回率均较低．李斌等［４］利用Ｐｅａｒｓｏｎ
相关系数，根据故障点电流与反向、正向差电流间的关系来获得缺陷的相关信息，进而实现对耐张线夹倾斜缺陷检测．但由于其并未对输电线路图像进行去模糊处理，因此检测结果的ＡＰ值较低．
周步祥等［５］则利用多小波消除原始信号中存在
的噪声，并采用集合经验模态分解（ＥＥＭＤ）方法处理去噪后的信号．同时在排列熵原理的基础上获取耐张线夹倾斜缺陷的特征，再将其输入至极限学习机中，从而完成缺陷检测．然而该方法获取的特征精准度较低，由此导致检测结果的Ｆ１指标也偏低．
为了解决上述方法中存在的问题，文中提出了基于深度学习（ｄｅｅｐｌｅａｒｎｉｎｇ，ＤＬ）的输电线路耐张线夹倾斜缺陷定量检测方法．
１　图像预处理
１ １　去模糊处理
图像模糊过程表达式为
ｇ＝ｍ ｆ
＋ｎ　（１）式中：ｍ为模糊核；ｆ为清晰图像函数；ｎ为高斯噪声；ｇ为模糊图像函数．
模糊阶跃信号的边缘可通过冲击波滤波器［
６］
得以恢复，即
Ｒｔ＋１＝Ｒｔ－ｓｉｇｎ（ΔＲｔ）ｍａｇ（ Ｒｔ
）ｄｔ　（２）式中：Ｒｔ为ｔ时刻获取的图像；ｍａｇ（ Ｒｔ
）为梯度幅值；Δ为拉普拉斯算子；
ｄｔ为时间步长．用ｇ′表示经过预处理后的模糊图像，通过离散
滤波提取图像中存在的高频信息ｙ＝［ ｘｇ′， ｙｇ′］［７］
，则空间不变，模糊核所对应的能量函数定义为λ．
根据全分辨率模糊图像，通过非盲去卷积算
法及模糊核ｍ对图像进行复原处理［８］
，并获得清
晰图像ｆ．正则化模型对图像进行复原处理表达式为
Ｇ＝ｍ
ｆ ｍ－ｇ２２＋λＴＶ（ｆ）　（３）
式中：ＴＶ（ｆ）＝∑ｉ
（Δｈｉｆ）２＋（Δｖｉｆ）槡２
为正则化参数；Δｈｉ
为水平一阶差分算子；Δｖｉ为垂直一阶差分算子．
１ ２　图像增强
所提方法通过引导滤波对复原后的图像进行增强处理，即引导滤波用线性关系描述输电线路
图像中的相似度与邻域像素点［９］
，
并对其做局部滤波操作．在此基础上获得全局滤波结果，进而实现对输电线路图像的增强处理．
原始输电线路图像被描述为ｐ＝ｑ＋ｅ，其中，ｅ为细节层，主要反映输电线路图像的噪声信息与纹理细节信息；ｑ为基础层，主要负责描述输电线路中存在的轮廓部分．
可用与引导图像Ｉ相关的模型来表示基础层ｑ，并利用ｑ描述结果图像，且采用ｐ描述待滤波
的输电线路图像．
此时，引导滤波的局部线性模型可表示为
ｑｉ＝ａｋＩｉ＋ｂｋ
　（４）式中：ｋ为像素点，其存在于引导图像中；ａｋ、ｂｋ为线性系数．
计算线性系数ａｋ、ｂｋ是引导滤波的核心，拟合函数输出值与输入图像ｐ之间的差值可通过线
性回归的方法减小［１０］
．而代价函数Ｅ（ａｋ，ｂｋ
）在局部窗口ｗｋ中的表达式为
　Ｅ（ａｋ，ｂｋ）＝∑ｉ∈ｗｋ
［（ａｋＩｉ＋ｂｋ－ｐｉ）２＋εａ２ｋ
］（５）
式中，ε为规整化因子．线性系数ａｋ、ｂｋ的计算表
达式为
ａｋ＝
１
ｗ∑ｉ∈ｗｋ
Ｉｉｐｉ－珔μｋ珔ｐｋ
σ２
ｋ
＋εｂｋ＝珔ｐｋ－ａｋ珔μ{
ｋ
　（６）
式中：ｗ为窗口内存在的像素总量；珔μｋ、珔ｐｋ分别
为引导图像与输入图像在ｗｋ窗口中的均值；σ２
ｋ
为Ｉ在ｗｋ内的方差．
利用高频增强方法增强图像的过程可描述为Ｒｏｕｔ（ｉ，ｊ）＝Ｒ（ｘ，ｙ）＋αＨｐ
［Ｒ（ｉ，ｊ）］　（７）式中：Ｒ（ｉ，ｊ）为原始输电线路图像；Ｈｐ为图像锐化函数；Ｒｏｕｔ（ｉ，ｊ）为输出的输电线路图像；α为比例因子，其主要作用是对图像的细节增强效果加以控制．
根据上述分析，所提方法使用引导滤波对输
３
４４第４期  　刘　敏，等：基于深度学习的输电线路耐张线夹倾斜缺陷定量检测Copyright ©博看网. All Rights Reserved.
电线路图像进行增强处理的过程为：将原始输电线路图像输入引导滤波器中，并对其进行分解处理，以获得细节图和基础图；再通过伽马变换对细节图与基础图进行压缩处理，且将两个部分根据一定的比例加以合并，最终实现图像增强．具体的流程如图１所示
．
图１　图像增强流程图Ｆｉｇ １　Ｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔｐｒｏｃｅｓｓ
２　输电线路耐张线夹倾斜缺陷检测
将增强后的输电线路图像输入至深度学习网络中
［１１］
，便可实现对耐张线夹倾斜缺陷的定量检
测．其主要过程是在网络中划分输入的输电线路图像，并获得Ｓ×Ｓ个网格．所有网格在深度学习网络中的主要目的是检测落入网格中心点的目标，再采用卷积神经网络处理所输入的线路图
像［１２］
以获得特征图，进而实现对缺陷的定量检
测．缺陷检测流程如图２所示．
为提高检测准确率，需适当修改网络结构．对目标进行预测时，通常在卷积层中存储预测信息，而每个点在卷积层中均存在多种形状的候选框．通过候选框对检测目标的尺寸大小、位置坐标进行预测，并计算卷积层中存在的通道数量，即
Ｃｃｏｎｖ２３＝Ａａｎｃｈｏｒｓ（Ｃｃｌａｓｓｅｓ＋Ｃｃｏｏｒｄｓ＋
１）　（８）
式中：Ａａｎｃｈｏｒｓ为候选框的总数；Ｃｃｌａｓｓｅｓ为目标种类数量；Ｃｃｏｏｒｄｓ为目标预测参数的数量．为了对输电线路的耐张线夹倾斜缺陷进行检测，需要将通道数量设置为１
．
图２　缺陷检测流程图Ｆｉｇ ２　Ｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｆｌｏｗｃｈａｒｔ
在训练过程中根据参照目标的形状及尺寸设定候选框的长度与宽度，从而提高检测结果的精度，其计算表达式为
Ｌ＝Ｏｏｂｊｅｃｔ＿ｈｉｇｈＰｐｉｃ＿ｈｉｇｈ
·
Ｓｓｉｚｅ
３２Ｗ＝Ｑｏｂｊｅｃｔ＿ｗｉｄｔｈＤｐｉｃ＿ｗｉｄｔｈ
·
Ｓｓｉｚｅ
{
３２　（９）
式中：Ｌ为候选框的长度；Ｏｏｂｊｅｃｔ＿ｈｉｇｈ为目标高度；
Ｐｐｉｃ＿ｈｉｇｈ为检测图像的高度；Ｓｓｉｚｅ为输入卷积神经网络的输电线路图像尺寸；Ｗ为候选框的宽度；Ｑｏｂｊｅｃｔ＿ｗｉｄｔｈ为目标宽度；Ｄｐｉｃ＿ｗｉｄｔｈ
为检测图像的宽度．３　实验与结果
为验证文中基于深度学习的输电线路耐张线夹倾斜缺陷定量检测方法的整体有效性，对其进行相关测试．实验选取了５０００Ｈｚ频率取样，采用数字仿真技术对滤波器进行频域滤波，并使用快速傅里叶变换技术对信号进行检测，１ ０Ｇｂｐｓ网卡，采样频率为２４ｋＨｚ，视频帧数为２５．实验运行环境为：ＷｉｎｄｏｗｓＸＰ，双核Ｉｎｔｅｌ（Ｒ）Ｃｏｒｅ（ＴＭ）ｉ３ＣＰＵ＠２ ４０ＧＨｚ处理器，４ ０ＧＢ内存．实验选用一条２２０ｋＶ的高压输电线作为地区配电网络，且以高压传输为基础构建了仿真实验系统．实验采集图片的总数为５０张，其中输电线路线夹倾斜缺陷实例图如图３所示．
此外，还选择文献［３］、文献［４］中的方法与所提算法进行对比，实验的详细流程如图４所示．
４４４沈　阳　工　业　大　学　学　报  第４５卷
Copyright ©博看网. All Rights Reserved.
图３　输电线路线夹倾斜缺陷实例图Ｆｉｇ ３　Ｉｎｓｔａｎｃｅｄｉａｇｒａｍｏｆｉｎｃｌｉｎａｔｉｏｎｄｅｆｅｃｔｓ
ｏｆｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｃｌａｍ
ｐ
图４　输电线路耐张线夹倾斜缺陷定量检测方法流程Ｆｉｇ ４　Ｆｌｏｗｃｈａｒｔｏｆｑｕａｎｔｉｔａｔｉｖｅｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄ
ｆｏｒｉｎｃｌｉｎａｔｉｏｎｄｅｆｅｃｔｏｆｓｔｒａｉｎｃｌａｍｐｏｆｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅ
将准确率、召回率、ＡＰ值及Ｆ１值作为评价指标对方法的有效性进行评估．３种方法检测准确率及召回率对比结果如图５～６所示
．
图５　检测准确率测试结果Ｆｉｇ ５　Ｔｅｓｔｒｅｓｕｌｔｓｏｆｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃ
ｙ
正则化降低准确率图６　召回率测试结果
Ｆｉｇ ６　Ｒｅｃａｌｌｔｅｓｔｒｅｓｕｌｔｓ
由图５可知，３种方法的检测准确率均随着图像数量的增加不断下降．通过对比发现，所提方法的准确率下降幅度较小，且均接近于９０％．由此表明，本文方法可实现多数量图像的检测．而其余两种算法的准确率下降幅度均较大，说明了二者并不适用于多图像的缺陷检测．由图６可知，在相同图像数量条件下，所提方法的召回率远高于两种对比方法．说明了在对输电线路耐张线夹倾斜缺陷检测的过程中，该方法的检测性能较优．
ＡＰ值为通过召回率与准确率所绘制的Ｐ Ｒ曲线对应的面积，其值越高表明检测效果越优．实验迭代次
数设为５次，３种算法的对比结果如图７所示
．
图７　不同方法的ＡＰ值Ｆｉｇ ７　ＡＰｖａｌｕｅｏｆｄｉｆｆｅｒｅｎｔｍｅｔｈｏｄｓ
从图７中可以看出，与文献［３］及文献［４］方法相比，所提方法的ＡＰ值较高，证明其具有良好的检测效果．该方法对输电线路图像进行了去模糊处理，从而增强了图像的清晰度．由此便可获取更多图像中所存在的细节信息以用于缺陷检测，进而提高了此方法的ＡＰ值．
为了更全面地比较３种方法的性能，还对三者的Ｆ１指标进行了统计．
该指标的计算表达式为Ｆ１＝２ＲｐｒｅｃｉｓｉｏｎＺｒｅｃａｌｌ
Ｒｐｒｅｃｉｓｉｏｎ＋Ｚｒｅｃａｌｌ
　（１０）式中：Ｒｐｒｅｃｉｓｉｏｎ为真实值；Ｚｒｅｃａｌｌ
为指标系数．利用式（１０）计算不同方法的Ｆ１指标值，
对比结果如５
４４第４期  　刘　敏，等：基于深度学习的输电线路耐张线夹倾斜缺陷定量检测Copyright ©博看网. All Rights Reserved.
表１所示．
表１　不同方法的Ｆ
１
指标
Ｔａｂ １　Ｆ
１
ｉｎｄｉｃａｔｏｒｓｏｆｄｉｆｆｅｒｅｎｔｍｅｔｈｏｄｓ
迭代次数
Ｆ
１
指标
所提方法文献［３］方法文献［４］方法
１０ ９５０ ７３０ ７６
２０ ９６０ ７２０ ７７
３０ ９４０ ７４０ ７６
４０ ９６０ ７１０ ７８
５０ ９６０ ７３０ ７４
  根据表１中的数据可知，所提方法在测试过
程中可获得较高的Ｆ
１
值，验证了其整体有效性．４　结　论
本文提出了基于深度学习的耐张线夹倾斜缺陷定量检测方法．该方法将预处理后的输电线路图像输入至深度学习网络中，以获取耐张线夹倾斜缺陷的特征，并由此完成缺陷检测．所提方法的准确率下降幅度较小，且准确率均接近９０％，可实现多数量图像的检测；召回率远高于对比方法，在对输电线路耐张线夹倾斜缺陷检测的过程中，该方法的检测性能较优；所提算法ＡＰ值较高，具有良好的检测效果，且在测试过程中可获得较高
的Ｆ
１
值，性能较好．经实验证明，本方法的综合检测性能较为理想．
参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：
［１］党存禄，孙海斌．含ＴＣＳＣ的输电线路运行可靠性评估［Ｊ］．电子设计工程，２０２１，２９（４）：１８１－１８５．
（ＤＡＮＧＣｕｎ ｌｕ，ＳＵＮＨａｉ ｂｉｎ．Ｒｅｌｉａｂｉｌｉｔｙｅｖａｌｕａｔｉｏｎ
ｏｆｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｓｗｉｔｈＴＣＳＣ［Ｊ］．ＥｌｅｃｔｒｏｎｉｃＤｅ
ｓｉｇｎＥｎｇｉｎｅｅｒｉｎｇ，２０２１，２９（４）：１８１－１８５．）
［２］陈秋良．高压输电线路线夹失效机理及设计改进研究［Ｄ］．武汉：武汉大学，２０１９．
（ＣＨＥＮＱｉｕ ｌｉａｎｇ．Ｆａｉｌｕｒｅｍｅｃｈａｎｉｓｍａｎｄｄｅｓｉｇｎｉｍ
ｐｒｏｖｅｍｅｎｔｏｆｃｌａｍｐｓｆｏｒｈｉｇｈ ｖｏｌｔａｇｅｔｒａｎｓｍｉｓｓｉｏｎ
ｌｉｎｅ［Ｄ］．Ｗｕｈａｎ：ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙ，２０１９．）
［３］裴慧坤，杨兴，侯立．同塔双回特高压输电线路红外图像检测研究［Ｊ］．中国电子科学研究院学报，
２０１９，１４（２）：２１２－２１７．
（ＰＥＩＨｕｉ ｋｕｎ，ＹＡＮＧＸｉｎｇ，ＨＯＵＬｉ ｑｕｎ．Ｉｎｆｒａｒｅｄ
ｉｍａｇｅｄｅｔｅｃｔｉｏｎｏｆｄｏｕｂｌｅｃｉｒｃｕｉｔＵＨＶｔｒａｎｓｍｉｓｓｉｏｎ
ｌｉｎｅｓｏｎｔｈｅｓａｍｅｔｏｗｅｒ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｈｉｎａＡｃａｄｅ
ｍｙｏｆＥｌｅｃｔｒｏｎｉｃｓａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，２０１９，
１４（２）：２１２－２１７．）
［４］李斌，张纪航，刘海金，等．基于波形相似度分析的直流输电线路故障测距［Ｊ］．电力自动化设备，
２０１９，３９（９）：２７－３２．
（ＬＩＢｉｎ，ＺＨＡＮＧＪｉ ｈａｎｇ，ＬＩＵＨａｉ ｊｉｎ，ｅｔａｌ．Ｆａｕｌｔｌｏ
ｃａｔｉｏｎｏｆＨＶＤＣｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｓｂａｓｅｄｏｎｗａｖｅｆｏｒｍ
ｓｉｍｉｌａｒｉｔｙａｎａｌｙｓｉｓ［Ｊ］．ＥｌｅｃｔｒｉｃＰｏｗｅｒＡｕｔｏｍａｔｉｏｎ
Ｅｑｕｉｐｍｅｎｔ，２０１９，３９（９）：２７－３２．）
［５］周步祥，廖敏芳，潘晨．ＥＥＭＤ ＰＥ与ＥＬＭ相结合的输电线路故障检测方法［Ｊ］．水电能源科学，２０１９，
３７（１０）：１４５－１４９．
（ＺＨＯＵＢｕ ｘｉａｎｇ，ＬＩＡＯＭｉｎ ｆａｎｇ，ＰＡＮＣｈｅｎ．
ＴｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｓｆａｕｌｔｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎＥＥＭＤ ＰＥ
ｃｏｕｐｌｅｄｗｉｔｈＥＬＭ［Ｊ］．ＷａｔｅｒＲｅｓｏｕｒｃｅｓａｎｄＰｏｗｅｒ，
２０１９，３７（１０）：１４５－１４９．）
［６］郑江龙．基于震源子波振幅谱特征的滤波器设计及应用［Ｊ］．地球物理学进展，２０２０，３５（５）：２０４０－
２０４６．
（ＺＨＥＮＧＪｉａｎｇ ｌｏｎｇ．Ｃｕｓｔｏｍｆｉｌｔｅｒｄｅｓｉｇｎｅｄｂａｓｅｄｏｎ
ｔｈｅａｍｐｌｉｔｕｄｅｓｐｅｃｔｒｕｍｏｆｓｏｕｒｃｅｗａｖｅｌｅｔａｎｄｉｔｓａｐ
ｐｌｉｃａｔｉｏｎ［Ｊ］．ＰｒｏｇｒｅｓｓｉｎＧｅｏｐｈｙｓｉｃｓ，２０２０，３５（５）：
２０４０－２０４６．）
［７］花玉，王娜，赵克友．含未知输入的离散线性系统新型递归滤波方法［Ｊ］．机械制造与自动化，２０２１，５０
（２）：２０５－２０９．
（ＨＵＡＹｕ，ＷＡＮＧＮａ，ＺＨＡＯＫｅ ｙｏｕ．Ｎｏｖｅｌｒｅｃｕｒ
ｓｉｖｅｆｉｌｔｅｒｉｎｇｆｏｒｄｉｓｃｒｅｔｅｌｉｎｅａｒｓｙｓｔｅｍｓｗｉｔｈｕｎｋｎｏｗｎ
ｉｎｐｕｔｓ［Ｊ］．ＭａｃｈｉｎｅＢｕｉｌｄｉｎｇ＆Ａｕｔｏｍａｔｉｏｎ，２０２１，５０
（２）：２０５－２０９．）
［８］李?，李建增，王哲．基于先验优化的一致性模糊盲复原算法［Ｊ］．北京邮电大学学报，２０１９，４２（２）：
６３－６９．
（ＬＩＺｈｅ，ＬＩＪｉａｎ ｚｅｎｇ，ＷＡＮＧＺｈｅ．Ｃｏｎｓｉｓｔｅｎｔｂｌｕｒ
ｂｌｉｎｄｒｅｓｔｏｒａｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｐｒｉｏｒｏｐｔｉｍｉｚａｔｉｏｎ
［Ｊ］．ＪｏｕｒｎａｌｏｆＢｅｉｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＰｏｓｔｓａｎｄＴｅｌｅ
ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０１９，４２（２）：６３－６９．）
［９］张承泓，李范鸣，吴滢跃．基于自适应引导滤波的子带分解多尺度Ｒｅｔｉｎｅｘ红外图像增强［Ｊ］．红外技
术，２０１９，４１（４）：３２３－３２８．
（ＺＨＡＮＧＣｈｅｎｇ ｈｏｎｇ，ＬＩＦａｎ ｍｉｎｇ，ＷＵＹｉｎｇ ｙｕｅ．
Ｉｎｆｒａｒｅｄｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔｂａｓｅｄｏｎａｄａｐｔｉｖｅｇｕｉｄｅｄ
ｆｉｌｔｅｒａｎｄｓｕｂ ｂａｎｄｄｅｃｏｍｐｏｓｅｄｍｕｌｔｉ ｓｃａｌｅｒｅｔｉｎｅｘ
［Ｊ］．ＩｎｆｒａｒｅｄＴｅｃｈｎｏｌｏｇｙ，２０１９，４１（４）：３２３－３２８．）［１０］张婧婧，李勇伟．基于超声波的多元线性回归测量模型研究［Ｊ］．电子科技，２０１７，３０（７）：５８－６１．
（ＺＨＡＮＧＪｉｎｇ ｊｉｎｇ，ＬＩＹｏｎｇ ｗｅｉ．Ｒｅｓｅａｒｃｈｏｎｔｈｅ
ｍｏｄｅｌｏｆｍｕｌｔｉｐｌｅｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎｂａｓｅｄｏｎｕｌｔｒａｓｏｎｉｃ
［Ｊ］．ＥｌｅｃｔｒｏｎｉｃＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２０１７，３０
（７）：５８－６１．）
［１１］王瑾，裴亮．基于深度学习的电网调控系统异常检测与多阶段风险预警［Ｊ］．沈阳工业大学学报，
２０２１，４３（６）：６０１－６０７．
（ＷＡＮＧＪｉｎ，ＰＥＩＬｉａｎｇ．Ａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎａｎｄ
ｍｕｌｔｉ ｓｔａｇｅｒｉｓｋｐｒｅ ｗａｒｎｉｎｇｔｅｃｈｎｏｌｏｇｙｏｆｐｏｗｅｒｇｒｉｄ
ｃｏｎｔｒｏｌｓｙｓｔｅｍｂａｓｅｄｏｎｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．Ｊｏｕｒｎａｌｏｆ
ＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，２０２１，４３（６）：
６０１－６０７．）
［１２］陈培培．基于卷积神经网络的输电线路目标检测研究［Ｄ］．长春：东北师范大学，２０２０．
（ＣＨＥＮＰｅｉ ｐｅｉ．Ｒｅｓｅａｒｃｈｏｎｔｒａｎｓｍｉｓｓｉｏｎｌｉｎｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｄ］．
Ｃｈａｎｇｃｈｕｎ：ＮｏｒｔｈｅａｓｔＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，２０２０．）
（责任编辑：景　勇　英文审校：尹淑英）
６
４
４沈　阳　工　业　大　学　学　报  第４５卷
Copyright©博看网. All Rights Reserved.

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。