招志強 陳建文

摘要：針對配電線路終端故障檢測“快、準、穩(wěn)”的需求，為實現(xiàn)復雜現(xiàn)場遙感監(jiān)測和故障檢測，以最大限度確定配電網(wǎng)運行安全。研究構(gòu)建了輕型無人機遙感系統(tǒng)，采用Phantom 4 Advanced型四旋八翼碳纖維輕質(zhì)化無人機，以ARM9微處理器作為地面導航的主控模塊，使用GPS信息自動規(guī)劃航拍路徑，融合Lightbridge圖傳技術(shù)和無線通信技術(shù)進行遙感圖像的傳輸，以實現(xiàn)低耗、高效的遙感監(jiān)測;同時，為提高多尺度目標、小故障點的檢測精度，引入了一種融合RPN結(jié)構(gòu)的改進FasterRCNN，通過多尺度訓練、相似性度匹配、OHEM樣本均衡機制等改進FasterRCNN，以優(yōu)化故障檢測方法的魯棒性，最后，通過對比實驗，所設計方法在故障檢測結(jié)果的完整度和準確性上均具有明顯優(yōu)勢，可滿足配電線路終端故障應急處理的要求。

關(guān)鍵詞：多源干擾;遙感圖像;配電線路;故障檢測

中圖分類號：TM755;V279

文獻標識碼：A

文章編號：1001-5922（2020）12-0176-05

0 引言

無人機遙感監(jiān)測因靈活性強、操作簡便、環(huán)境適應性強等，成為配電線路終端故障實時監(jiān)測的首選方式，而限于多源環(huán)境干擾及長距離、大范圍的監(jiān)測需求，研究將以提升無人機的續(xù)航、即時飛停、海量存儲的航拍控制性作為重點。同時，基于人工智能技術(shù)的進步，對無人機遙感監(jiān)測圖像的智能分析日漸成熟，一類為Faster RCNN、Mask R- CNN，一類為YOLO、SSD回歸的目標監(jiān)測算法[1]，兩類均可用于無人機遙感圖像數(shù)據(jù)的智能分析。FasterRCNN因具有高精準的檢測特性，更適用于配電線路終端故障的檢測需求，但傳統(tǒng)檢測使用RPN進行候選區(qū)域劃分時，均需要使用獨立的卷積神經(jīng)網(wǎng)絡提取特征圖，訓練時間長且占用過大內(nèi)存，而將各個獨立使用的網(wǎng)絡整合至一個卷積神經(jīng)網(wǎng)絡，可規(guī)避該問題;同時，基于配電線路終端早期故障檢測點小、尺度多樣，以最高特征圖進行故障檢測，容易出現(xiàn)漏檢、錯檢問題，且基于故障點所占比例較小，負樣本空間過大，引致了Faster RCNN樣本失衡問題，為此，研究將以這方面的不足作為故障檢測方法設計的重點。

1 配電線路終端的無人機遙感檢測系統(tǒng)

配電線路周圍多配設通訊、電力鐵塔及線路，容易受到多種干擾源的影響，為靈活進行飛行控制、調(diào)整拍攝視角，以獲取多目標的遙感圖像，研究選用起飛靈活的旋翼無人機，從整體上，無人機遙感監(jiān)測系統(tǒng)由無人機、航拍系統(tǒng)、飛行控制及地面監(jiān)測等4大模塊構(gòu)成。

1）輕型旋翼無人機：為適應大范圍、復雜環(huán)境下配電線路多目標、多尺寸的故障目標檢測需求，研究選用由碳纖維材料制成的大疆精靈Phantom 4 Ad-vanced輕型無人機，其配設的FlightAutonomy系統(tǒng)，可實現(xiàn)無GPS信號下的精準懸停，能夠適應各類配電線路終端故障檢測的各類復雜場景。

2）航拍系統(tǒng)：無人機配有2000萬像素的相機以及可實時調(diào)控鏡頭方向的云臺，且機身前方的雙目視覺傳感器，檢測距離高達30m，在15m范圍內(nèi)的障礙物前可自動調(diào)整飛行模式、懸?；蚶@行嘲。航線規(guī)劃是航拍的關(guān)鍵，其應該覆蓋故障點范圍的平面，應該根據(jù)配電線路高程變化動態(tài)調(diào)整航線高度，飛行過低則續(xù)航時間要求過高，飛行過低則遙感成像不清晰。

3）遙感圖像采集：無人機5h超長續(xù)航的遙控器集成Lightbridge高清圖傳技術(shù)，可在7km內(nèi)傳輸和控制遙感圖像，配置的5.5英寸1080P顯示屏可高清觀測遙感圖像，且內(nèi)置的DJG04可實時查看、編輯和分享遙感圖像;而為擴充無人機遙感圖像存儲量，另增設Sdram、Flash兩存儲器，其中Sdrarn選用8MB的64kx16bit的HY57V641620芯片，用于存儲航拍程序運行中的中間數(shù)據(jù)，F(xiàn)lash采用2MB的256kx16bit的SST39VF400芯片[3-4]，用來存航拍視頻。完成遙感圖像采集后，采用無線通信模式，利用編碼正交頻分復用方式來規(guī)避多徑效應，以實現(xiàn)遙感圖像與地面監(jiān)測站的遠距離傳輸，滿足配電線路長距離監(jiān)測需求。

4）地面監(jiān)測：該模塊主要向無人機發(fā)送定點航拍的任務指令，控制器航拍軌跡，并接收配電線路終端的遙感監(jiān)測圖像，而復雜環(huán)境下無人機遙感監(jiān)測下，需要實現(xiàn)靈活飛停、自主定點航拍的功能，為此，該地面控制采用并行處理能力的ARM9200微處理器，其通過內(nèi)部程序輸出PWM驅(qū)動脈沖，可協(xié)同操控多個無人機的舵機[5]，用以完成大范圍、多目標的遙感監(jiān)測任務。

2 配電線路終端的故障檢測方法

2.1 Fast RCNN故障檢測方法

Fast RCNN主要由特征提取網(wǎng)絡、RPN區(qū)域建議網(wǎng)絡和Fast RCNN故障檢測等3大模塊構(gòu)成[6]，配電線路終端故障檢測時，可先將獲取的遙感圖像數(shù)據(jù)集輸入卷積神經(jīng)網(wǎng)絡的卷積層，此處選定ResNet50深度殘差網(wǎng)絡對遙感圖像進行特征提取，獲得最高特征圖后，采用反池化法對其進行采樣，生成低特征圖，并與原各層特征圖將融合;而后，利用RPN區(qū)域建議網(wǎng)生成候選區(qū)域，將其映射至融合的特征圖中，得到相應的特征值，便可基于“注意力”機制，指引FastRCNN在候選框中進行故障檢測，利用ROI池化層生成固定尺寸的特征圖輸入至全連接層中，引入探測softmax分類概率和邊框回歸生成配電線路終端故障所屬類別概率和區(qū)域坐標[7]，即可實現(xiàn)故障檢測?；贔ast RCNN的配電線路終端故障檢測方法如圖1所示。

2.2 基于RPN生成候選區(qū)域

在Faster RCNN檢測模型中，Selective Search為提取候選框方法，但其耗時高，而RPN本質(zhì)是“基于滑窗的無類別obejct檢測器”，可將物體檢測整個流程融人Faster RCNN，耗時低，為此，研究采用RPN網(wǎng)絡生成候選區(qū)域，首先將無人機遙感檢測圖像輸入ResNet50卷積網(wǎng)絡，采用3x3的卷積核以滑動窗口的形式生成候選目標位置，并以每個位置為中心映射至原圖上得到9個錨定框[8]，如此，便得到大量的錨定框。為從中篩選出對配電線路終端故障檢測最有效的建議區(qū)域，需要利用探測softmax和邊框回歸對RPN候選框進行聯(lián)合訓練，具體步驟如下：

1）采用探測softmax分類方法，以錨定框與真實框之間的IOU比值，為每個錨點分配一個二進制的標簽，正標簽分配給IOU比例值高于0.7的錨定框，將負標簽分配給所有IOU比例值小于0.3的錨定框，以區(qū)分前景（物體）和背景[9]。

2）為讓多任務損失目標函數(shù)最小，以將錨定框映射至與真實框更趨近回歸框，首先，設配電線路終端故障遙感監(jiān)測圖像的損失函數(shù)為[10]：

根據(jù)IOU值可剔除多數(shù)無用錨定框，為簡化Fast-er RCNN檢測模型，去除冗余，可使用NMS非極大值抑制方法將選出的錨定框進行是“前景（物體）”值排序，保留得分最高的，刪除與其重疊面積過大的其他錨定框。

3 RPN+Faster RCNN故障檢測方法的優(yōu)化設計

3.1 多尺度、小目標的RPN訓練

無人機遙感監(jiān)測下配電線路終端的目標尺寸不一，而傳統(tǒng)的Faster RCNN對遙感圖像多采用固定尺寸，對于多尺寸檢測目標的適用性較差，為此，研究在將無人機遙感監(jiān)測圖像輸入RstNet50特征提取網(wǎng)絡之前，根據(jù)故障檢測目標成像清晰度，隨機調(diào)整圖片大小，生成多尺寸進行RPN訓練，以適用故障檢測目標的多尺度特征，提升檢測準確性。

同時，無人機遙感監(jiān)測時，需要檢測出絕緣子、變壓器、桿塔等等多目標故障，而小目標因分辨率低、遮擋、形變等多源干擾，RPN無網(wǎng)絡中默認的錨點參數(shù)無法召回故障點較小的目標，僅可對最高層特征圖進行特征提取及分類，很容易丟失低層特征圖中的小目標故障點，影響配電線路終端早期故障的識別。針對此，為實現(xiàn)低層特征圖對小目標的識別性，研究基于RPN網(wǎng)絡生成一系列的目標候選位置，并賦予其置信度得分，而后，利用NMS篩選局部極大值，將具有較高置信得分的候選目標作為特征模板，而較低置信得分的候選目標因無法與其他目標或背景區(qū)分，需與特征模板進行相似度匹配，以實現(xiàn)對初步局部極大值的進一步篩選，若匹配，就可加入檢測之中，以避免小目標故障漏檢的問題。這其中，特征模板與底層特征圖中的候選目標相似度匹配步驟如下：

1）構(gòu)建模板的圖像特征。利用卷積神經(jīng)ResNet50通過逐層卷積將原始的無人機遙感監(jiān)測圖像層層映射，因各層特征對原始遙感圖像的表達能力不同，為了提取更具故障檢測力特征作為模板，需要分析各層特征對不同類別的區(qū)分度。

2）將卷積層的特征尺度設為Kx WxH，其中，K為該層卷積特征圖的數(shù)量，W×H為特征圖的大小[13]，研究選用漢明距離表示高低層特征之間的距離，距離越大，則相似度匹配越高，公式為：

3.2 基于OHEM機制的RPN訓練樣本均衡

Faster RCNN故障檢測時，因配電線路終端故障點目標在遙感監(jiān)測圖像中所占比例較少，存在負樣本過多的問題，造成正負樣本失衡，RPN網(wǎng)絡在進行分類時容易將錯誤目標誤判為正確的且置信分數(shù)較高的樣本，此即為困難樣本。以往的均衡方式是使用特定比例的正負樣本進行分類器訓練，而后，再用測試集進行檢測，提取困難樣本加入初始訓練集中重新訓練，但每次訓練所需的固定模型在卷積神經(jīng)網(wǎng)絡中無法實現(xiàn)。為此，研究引入OHEM機制，來解決FasterRCNN網(wǎng)絡框架RPN訓練中負樣本過多的問題，將Faster RCNN的ROI池化層以后設定為ROI網(wǎng)絡，通過OHEM機制的引入，將原有的1個ROI網(wǎng)絡拓展為可共享網(wǎng)絡參數(shù)的2個ROI網(wǎng)絡，一個為只讀，根據(jù)式（1）計算全部候選區(qū)域的loss值并排序，選定loss值較大的部分候選區(qū)作為困難樣本，將其輸入另一個ROI網(wǎng)絡進行訓練，并輸出預測的配電線路終端故障的分類結(jié)果和位置，該方法不依托于正負樣本的比例來解決失衡問題，可提升Faster RCNN故障檢測的準確性。

4 故障監(jiān)測方法的應用分析

4.1 檢測準確性分析

無人遙感監(jiān)測下配電線路終端故障檢測結(jié)果準確性，可利用目視解譯將其與已知參數(shù)數(shù)據(jù)進行比較，但該方法無法量化，所以，研究引入完整度和準確度來評價故障檢測的結(jié)果。

完整度計算公式為：

式（6）中，TP為檢測出的配電線路終端故障數(shù)量，TN為未檢測出的配電線路終端故障數(shù)量。

準確度計算公式為：

式（7）中，TP為正確檢測出的配電線路終端故障數(shù)量，TN為錯誤檢測出的配電線路終端故障數(shù)量。

為驗證RPN+FasterRCNN故障檢測方法優(yōu)化前后的準確性，選用能見度較好、風力4級以下的2019年5月2日、8月10日、10月2日等3次獲得的500張遙感監(jiān)測圖像，通過多尺寸、相似度匹配、OHEM樣本均衡機制等改進FasterRCNN，對配電線路終端故障進行檢測，對比其與原始的FasterRCNN方法的差異，所得結(jié)果如表l所示。

由表1可知，改進的FasterRCNN的完整度，準確度分別達到了91.98%、94.37%，較未改進前的配電線路終端故障檢測有明顯的提升，這是因為通過多尺寸、底層特征圖小目標與高層特征圖相似度匹配后，其對于小目標故障點的漏檢率顯著改善;且引入OHEM機制，使用困難樣本進行標準RIO網(wǎng)絡訓練，有效解決了正負樣本失衡的問題，改善了錯檢的問題。

4.2 改進設計的效果

為檢驗FasterRCNN故障檢測方法優(yōu)化設計的有效性，將分析3種改進策略不同組合下的配電線路終端故障檢測效果，結(jié)果如表2所示。

由表2可知，改進設方法1和2相比，通過對無人機遙感監(jiān)測圖像的多尺度訓練，配電線路終端故障檢測準確度提升了0.93%;改進方法2和3相比，通過底層特征圖與特征模板的相似度匹配，使得RPN+FasterRCNN的網(wǎng)絡模型對于小目標故障檢測的魯棒性更優(yōu)，對應的配電線路終端故障檢測準確度提升了1.03%;改進方法2和4對比，通過OHEM困難樣本機制引入，可均衡訓練網(wǎng)絡中正負樣本，優(yōu)化故障目標的檢測率，可見，上述針對RPN+FasterRCNN故障檢測模型的3種優(yōu)化設計方案，任意一種均能夠提升配電線路終端故障的檢測準確性。

5 結(jié)語

無人機遙感監(jiān)測具有高效、宏觀、高分辨率的優(yōu)勢性，在配電線路終端故障檢測和應急處理中應用廣泛，而上述提出的無人機遙感監(jiān)測，創(chuàng)新點在于擴增了存儲量、簡化了起飛操控、并改進了圖傳技術(shù)，實現(xiàn)了在復雜、多源干擾下場景的遙感圖像的快速采集及回傳;同時，在故障檢測方法上，所提出的改進RPN+Faster-RCNN網(wǎng)絡模型，從多層面優(yōu)化了對不同故障目標的監(jiān)測敏感度，相較于以往的先檢測故障線路電流波形再進行聚類分析、診斷故障的算法，效率和準確性更優(yōu)。

參考文獻

[1]謝樺，陳昊，張沛，配電線路多源數(shù)據(jù)挖掘時變故障概率計算[J/OL].電力系統(tǒng)及其自動化學報，2020（ 09）：63-67.

[2]鄒敬龍，配電線路故障在線監(jiān)測裝置自動化檢測技術(shù)的實際應用[J].機電工程技術(shù)，2019，48（12）：213-215.

[3]王偉賢，李鐘慎.lOkV配電線路防雷改造探索[J].國外電子測量技術(shù)，2019，38（ 12）：107-110.

[4]王超洋，樊紹勝，劉錚，等，基于改進FasterRCNN的配網(wǎng)架空線路異常狀態(tài)檢測[J].電力學報，2019，34（04）：322-329.

[5]陳晨，楊晶，吳亮.無人機遙感監(jiān)測下大氣污染源追蹤定位仿真[J].計算機仿真，2019，36（06）：32-35.

[6]沈偉奇，崔風情，陳士俊，等，基于雷達探測的輸配電線路綜合驅(qū)鳥系統(tǒng)研究[J].電子測量技術(shù)，2019，42（11）：1-4.

[7]王勇軍，李智，孫山林，等.輕小型無人機遙感組網(wǎng)飛行的高程安全監(jiān)測冗余容錯算法研究[J].地球信息科學學報，2019，21（04）：542-551.

[8]陳丹，林清泉，基于級聯(lián)式Faster RCNN的三維目標最優(yōu)抓取方法研究[J].儀器儀表學報，2019，40 （04）：229-237.

[9]高明，趙振剛，李英娜，等，基于光纖傳感的輸電線路桿塔傾斜監(jiān)測研究[J].電子測量與儀器學報，2018，32（12）：51-59.

[10]李輝，鐘平，戴玉靜，等，基于深度學習的輸電線路銹蝕檢測方法的研究[J].電子測量技術(shù)，2018，41（22）：54-59.