根据提供的文件信息，本篇论文主要研究了输电线路图像中绝缘子串的实时定位方法。绝缘子作为高压线路上的重要组成部分，其正常工作对于保障电力系统的稳定运行至关重要。由于绝缘子长期处于户外，容易因为多种原因导致故障，因此定期检测和维修工作显得尤为必要。传统的检测方式依赖于人工巡检，这种方法效率低下且具有一定风险。随着计算机视觉技术与无人机的广泛应用，自动化识别和检测技术已成为发展趋势。然而，在自然环境下对绝缘子进行定位检测依然存在诸多挑战，主要包括：绝缘子材质不同导致的颜色和形状变化、绝缘子对光照变化敏感导致纹理非均匀性、无人机拍摄时绝缘子尺寸小且背景大、以及拍摄角度和高度对绝缘子形状和大小的影响。
为解决这些问题，本文提出了一种基于散射变换和卷积神经网络（CNN）的实时定位方法。散射变换具有对弹性形变稳定性高、能够抑制光照干扰的特点，而CNN则因其强大的学习能力，在图像识别领域有着广泛的应用。本文采用的改进YOLOv2网络，是一种单阶段的目标检测算法，具有速度快、精度高的优点。
本文的研究方法具体分为以下几个步骤：通过散射变换提取不同尺度和方向上的系数，用于抑制图像中的光照等干扰因素。接着，计算格拉姆矩阵以增强低频系数的边缘纹理特征。根据训练集数据计算网络特征图尺寸后，使用改进的YOLOv2网络对绝缘子串进行初步定位。通过集成学习得到最终的定位结果。集成学习是一种通过结合多个模型以提升预测精度的算法，它能够综合不同算法的判断结果，进而获得更可靠的输出。
为了验证所提方法的有效性，文章通过实验对比了改进的YOLOv2网络与传统YOLOv2网络在绝缘子串定位方面的性能。实验结果表明，新提出的定位方法在保证实时计算的前提下，相较于原始YOLOv2网络，召回率提高了8.6%。
除此之外，文章还指出，绝缘子定位检测本质上是一个目标检测问题。已有的研究主要集中在图像处理算法上，早期的研究包括利用形态学方法或转换到HSI空间来去除背景噪声干扰。后续有研究通过霍夫变换检测椭圆或直线定位绝缘子串的位置。这些方法虽然取得了一定的效果，但在实时性、准确性和鲁棒性方面仍有不足。本文提出的基于散射变换和YOLOv2网络的方法在这些方面具有明显的优势。
本文的研究不仅对于输电线路绝缘子串的定位检测技术有重大的贡献，而且在计算机视觉、深度学习应用于实际工业检测方面提供了创新的思路和方法。通过这些先进技术的应用，可以大幅提高检测效率，减少人工巡检的成本和风险，并为电力系统的稳定运行提供了技术保障。
