本文是一篇 电气工程论文，本文通过深入研究胶囊网络的基本原理和结构，以及对YOLOv8算法的改进，提出一种基于CBAM-CapsNet与改进YOLOv8算法相结合的方法，实现对绝缘子破损部位的故障检测，为电力系统的稳定运行提供有力的技术支撑。
第一章 绪论
1.1 研究背景及意义
我国目前的现代化进程正保持中高速发展，在这一过程中，电力系统的发展发挥了重要作用，同时也面临着新的重大挑战[1-2]。一个是我国日益增长的用电需求，目前我国的能源结构正在重大转型，生产力也在快速提高，对电力能源的需求在近年来日益增长，尤其是在新能源产品的技术、生产和使用方面取得了重大突破，如动力和储能电池、新能源汽车的成产和充电、光伏以及风能等新能源发电等方面，对用电量的持续增加起到较大的推动作用，2023年中国动力和储能电池的产量较上年增长42.5%，达到778GWh，生产过程中耗电约331亿度，新能源车产量达到944万辆，生产用电约249亿度。同时，随着用电量的大幅增长，电力系统的负荷也相应增加，对更多输送容量和更高电压等级也提出更高的要求，电力系统的可靠性面临新的要求和挑战，这就需要电力系统中使用更安全可靠的用电设备，以及用电设备新的故障检测技术和方法[3]。
绝缘子作为电力系统的输电线路中的关键组成部分，其作用主要是用来支撑导线以及防止电流通过塔架回流到地面[4]，对电力系统稳定性产生影响，并危及人员和财产安全，保证电力系统的安全和稳定运行。然而，绝缘子由于长期暴露在自然环境中，受各种外界因素以及自身寿命影响，如雷电、强风、污染、老化、机械应力等，一旦绝缘子出现故障，不仅会造成线路输电效率下降、电力损失增加，还可能导致电力系统发生严重的安全事故，如短路、断线等，甚至严重会导致火灾和大面积停电等，进而影响到整个社会的正常运作和经济发展，因此绝缘子作为电力系统输电线路中的中的重要机械支撑和绝缘部件，其安全可靠性需要得到重视和相应的先进技术支持。
1.2 国内外研究现状
近年来，在图像识别绝缘子故障检测方面，通常采用基于传统图像处理方法，以及基于深度学习的绝缘子故障检测方法[6]。
1.2.1 基于传统方法的绝缘子故障检测
在目标检测方面，传统方法主要依赖人工手动提取的特征进行目标识别，如梯度直方图特征(Histogram of Oriented Gradient，HOG)[8]、局部二值模式特征(Local Binary Pattern，LBP)[9]、尺度不变特征(Scale Invariant Feature Transform，SIFT)[10]等。
传统的目标检测算法具体通过图像预处理、特征提取、目标区域候选生成、特征分类、非极大值抑制、目标检测输出一系列步骤实现目标的自动识别。虽然这些方法已经应用的非常广泛，但在识别小目标物体时可能会出现误检或漏检等现象。
文献[11]归类了破损绝缘子以及其背景的特征，通过最大类间方差的方法对图像进行分割，并通过小波模数最大值确定图像边缘，继而通过Hough变换快速检测其中的不完整椭圆，最后根据这些椭圆的参数判断是否为破损绝缘子。文献[12]在确定绝缘子图像边缘时，是采用片状线性灰度变换以及子采样等值变换的方法，通过计算图像的局部阈值对图像进行分割，从而对绝缘子进行定位。文献[13]在获得绝缘子纹理描述符时，是通过对捕捉的绝缘子角点进行模糊聚类，得到其聚类中心，进而通过CV模型确定绝缘子边缘。文献[14]采用纵向扫描确定绝缘套管，同时通过DBSCAN聚类算法分割绝缘套筒，进而获得绝缘子伞裙的特征描述符。文献[15]通过结合采取定向梯度直方图描述符和支持向量机等红外分类器，进行绝缘子定位。文献[16]提出一种改进Gentle Adaboost算法，将弱分类器训练整合为强分类器，获得Harr特征向量，对绝缘子红外图像进行定位。文献[17]通过分段Hough变换对图像进行预处理，检测类似绝缘子形状的目标，然后通过仿生不变矩，对其进行识别和定位。文献[18]通过结合颜色特征和支持向量检测绝缘子的健康状态。首先进行图像分割，获取RGB和HSV空间的颜色特征。然后通过SVM多阀分类器进行绝缘子表面污染情况检测。文献[19]在进行目标特征提取时，通过PCA和PHOG模型，并对符合的特征向量进行加权操作，最后利用SVM检测绝缘子。文献[20]提出一种基于LBP的优化算法，能够增强其识别旋转目标时的准确性，实现对绝缘子的定位。
第二章 图像预处理与数据增强
2.1 图像预处理
2.1.1 图像增强
图像增强是通过各种方法和技术手段将增强图像中感兴趣的区域，提高数字图像的品质，比如增强目标外形轮廓的对比度、突出目标边缘等，通过过滤非关键信息，同时尽可能保留重要信息，使图像更适合利用特定的方法和应用的理解和分析，便于后续处理[42]。通常采用灰度化及直方图均衡化的方法对图像进行增强处理[43]。
(1)灰度化处理
灰度化是将彩色图片转换成黑白图片的过程，即把含有三个颜色通道的图片转变为只含一个颜色通道的图片[44]，同时保持图片形状不变。这样做同时也有利于减小图片文件的大小，有助于减少后期处理图片时的计算成本，避免颜色失真。灰度化主要通过三种方法实现：最大值法、平均值法和加权平均值法。
最大值法：这种方法通过选择绝缘子图像三个颜色通道中亮度的最大值来实现灰度化，即：R =G =B=max(R,G,B)，使得处理后的图像具有较高的亮度。
平均值法：此方法计算三个颜色通道亮度的平均值来实现灰度化。即：R =G =B=(R +G +B)/3，结果是一幅较为柔和的黑白图像。
2.2 图像边缘提取
2.2.1 边缘提取基本原理
当图像从一个物体的表面转换到另一个物体的表面，或者从物体表面到背景时，图像的灰度级别或颜色会发生显著变化，这种变化可能是突变的或是渐变的，而这些变化处的点集合就形成了边缘。边缘提取的原理基于图像中灰度级别(亮度)或颜色变化的检测，这些变化通常表示图像中物体的边界。边缘提取算法主要依赖于图像梯度的计算，梯度是一个向量，表示在该点图像亮度变化的幅度和方向。利用这一特点可以有效地进行图像分割[51]。
(1)一阶导数的边缘算子
一阶导数的边缘算子利用图像亮度梯度的一阶导数来检测边缘，主要基于这样一个原理：图像中边缘的位置通常对应于亮度变化剧烈的地方，即梯度较大的区域。这些算子通过计算图像在每个像素点上的梯度大小，来确定边缘的位置。通常采用Roberts算子、Sobel算子和Prewitt算子等。
(2)二阶导数的边缘算子
常见的边缘检测算法基于二阶导数过零点的原理，二阶导数边缘算子基于图像梯度的二阶导数来检测边缘，边缘被认为是梯度变化率(即亮度变化的变化)的极值点。然而，这些算子抗噪声干扰效果较差，可能会导致不良结果。
(3)其他边缘算子
前两种方法都是直接利用微分算子来计算测量的图像边界，Canny算子是另一种满足一定约束条件时推导出来的算子，是一种多步骤的边缘检测方法，包括高斯平滑、梯度计算、非极大值抑制和双阈值边缘连接等步骤，旨在减少错误检测同时保持边缘位置的准确性。
第三章 基于CBAM-CapsNet的绝缘子状态识别 .................. 32
3.1 胶囊网络基本原理 .................. 32
3.1.1 胶囊网络结构 ................................... 32
3.1.2 动态路由算法及损失 ....................... 34
第四章 基于改进YOLOv8的绝缘子破损定位 ...................... 47
4.1 YOLOv8算法 ............................ 47
4.1.1 C2f模块 ............................. 48
4.1.2 Neck层 ............................. 49
第五章 结论与展望 .................... 66
第四章 基于改进YOLOv8的绝缘子破损定位
4.1 YOLOv8算法
YOLOv8算法在YOLOv5和YOLOv7算法基础上改进而来，依旧由输入层、主干网络、特征融合层和三个解耦头构成，结构如图4-1所示。
(1)Backbone：仍然采用YOLOv5的CSPDarknet架构，通过将YOLOv5中的C3模块更换为C2f模块，实现模型的轻量化而不牺牲检测精度。同时，YOLOv8采用YOLOv5架构中的SPPF模块； (2)PAN-FPN：YOLOv8采用PAN-FPN的架构设计，移除YOLOv5上采样阶段CBS中的1×1卷积，并且将YOLOv5中的C3模块替换成C2f模块；
(3)Anchor-Free：YOLOv8抛弃以往的Anchor-Base，使用Anchor-Free的思想；
(4)损失函数：YOLOv8的分类使用的VFL Loss，回归使用DFL Loss与CIoU Loss：
(5)样本匹配：YOLOv8匹配策略由静态匹配改为Task Aligned的Assigner匹配方式。
如图4-1为YOLOv8的网络框架图，首先，将输电线路图像转换为640640的RBG图像后，可以通过YOLOv8来对该RGB图像进行预处理。然后，将处理后的RGB图像输入到CBS网络中。CBS网络由卷积、归一化和SiL U激活函数组成，在这一过程中，卷积层提取图像的纹理和颜色信息，归一化处理帮助解决反向传播时的梯度消失
