張凡 范亞雷 劉文達(dá) 蔡濤

摘? 要： 高壓線路異物纏繞極易引發(fā)區(qū)域大面積停電，導(dǎo)致停運(yùn)事故，智能異物檢測算法是未來智能電力巡檢系統(tǒng)的關(guān)鍵模塊之一。通過整理近年人工處理高壓線異物時(shí)備案的原始圖片數(shù)據(jù)，對數(shù)據(jù)進(jìn)行規(guī)范化處理和人工標(biāo)注，建立“高壓線異物檢測數(shù)據(jù)集”，研究一種高壓線異物檢測算法，該算法基于SSD模型，并有針對性地對數(shù)據(jù)集使用K?means聚類的方法獲取先驗(yàn)框參數(shù)，以此替代默認(rèn)值。實(shí)驗(yàn)結(jié)果在測試集上的平均準(zhǔn)確率為86.69%，定位準(zhǔn)確率為69.2%，表明所提算法可有效地對高壓線上的異物進(jìn)行檢測和定位。

關(guān)鍵詞： 異物檢測; 高壓線; 數(shù)據(jù)集構(gòu)建; 參數(shù)設(shè)置; 模型訓(xùn)練; 結(jié)果分析

中圖分類號： TN345?34; TP391.4? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）08?0036?05

High?voltage line foreign object detection algorithm

ZHANG Fan1，2， FAN Yalei2，3， LIU Wenda2，3， CAI Tao2，3

（1. Hubei Collaborative Innovation Center for High?Efficiency Utilization of Solar Energy， Hubei University of Technology， Wuhan 430068， China;

2. Hubei Power Grid Intelligent Control and Equipment Engineering Technology Research Center， Hubei University of Technology， Wuhan 430068， China;

3. Hubei Key Laboratory for High?Efficiency Utilization of Solar Energy and Operation Control of Energy Storage， Hubei University of Technology， Wuhan 430068， China）

Abstract： The high?voltage line foreign object winding is easy to cause large?area regional blackout， resulting in the outage accidents. The intelligent foreign object detection algorithm is one of the key modules of the future intelligent power inspection system. The original picture data recorded in the manual processing of high?voltage line foreign objects in recent years is arranged， which is normalized and labeled manually， and the "high?voltage line foreign object detection data set" is established. A high?voltage line foreign object detection algorithm is studied. The algorithm is based on the SSD model， and the K?means clustering method is used to obtain the prior box parameters of the data set， so as to replace the default value. The average accuracy of the experimental results on the testing set is 86.69%， and the positioning accuracy is 69.2%. The algorithm can detect and locate foreign objects on the high?voltage line effectively.

Keywords： foreign object detection; high?voltage line; construct database; model training; result analysis

0? 引? 言

變電站和高壓走廊是電力網(wǎng)中重要的組成部分，我國的電力設(shè)施多分布在人煙較少的郊區(qū)和植被茂密的農(nóng)村地帶，電力電纜和高壓鐵塔安置在這些地區(qū)難免會受到“異物”侵?jǐn)_。一般常見的電力設(shè)備異物纏繞多是由風(fēng)箏纏繞、氣球纏繞、條幅纏繞以及農(nóng)業(yè)大棚碎片纏繞引起。若是在大風(fēng)天氣或者多雨的潮濕氣候下，塑料布被風(fēng)吹起造成兩股高壓線纏繞，纏繞在高壓電線上的風(fēng)箏線因雨水導(dǎo)電造成短路事故，引發(fā)跳閘停電事故并損壞設(shè)備。更嚴(yán)重的是，異物纏繞造成電力設(shè)備對地放電距離縮減，極易對經(jīng)過電力設(shè)備底下的行人造成電擊傷害。根據(jù)統(tǒng)計(jì)，近年來由于外部因素所導(dǎo)致的電力線路跳閘或者故障停運(yùn)的事故呈現(xiàn)逐年遞增的勢態(tài)。截止2015年，國家電網(wǎng)公司330 kV及以上輸電線路外力破壞占總故障跳閘的15.8%，而異物短路占外破跳閘總數(shù)[1]的55.4%?？梢妼τ诋愇餀z測技術(shù)的需求已經(jīng)迫在眉睫。目前我國大部分地區(qū)還是采用傳統(tǒng)的人工巡檢方式，主要是巡檢人員通過步行或者騎行的方式沿輸電線路巡視，檢測工具則大多依靠人眼直接觀察、佩戴望遠(yuǎn)鏡等。但是，由于巡檢時(shí)間過長、巡檢設(shè)備較多和巡檢路線大多崎嶇難行等因素的綜合，極易使得巡檢人員產(chǎn)生疲累、厭倦的負(fù)面情緒，因而漏檢的狀況時(shí)有發(fā)生。根據(jù)中國電科院的統(tǒng)計(jì)顯示，每年由于漏檢造成的直接經(jīng)濟(jì)損失[2]都要超過26億元?？梢灶A(yù)見，為了跟上當(dāng)下社會對電力系統(tǒng)的發(fā)展需求，為了保證優(yōu)質(zhì)的供電質(zhì)量確保電力設(shè)施安全可靠運(yùn)行，使用智能巡檢來代替?zhèn)鹘y(tǒng)的人工巡檢已經(jīng)成為發(fā)展趨勢。智能巡檢設(shè)備主要以搭載攝像頭的無人機(jī)或巡檢車為主，按照設(shè)定好的巡檢路線對沿途電力設(shè)備進(jìn)行圖像采集。通過對采集到的圖像進(jìn)行處理，進(jìn)而判斷圖像中是否存在異物纏繞的情況，當(dāng)檢測到異物時(shí)及時(shí)通知維護(hù)人員前來清除，保護(hù)電力設(shè)備運(yùn)行。經(jīng)典的目標(biāo)檢測算法是背景差法和幀差法。其中背景差法更適合在攝像角度固定的監(jiān)控?cái)z像設(shè)備上使用，這并不符合巡檢移動時(shí)背景不斷變化場景中的應(yīng)用;而幀差法則是先建立檢測線路的背景模板，通過實(shí)時(shí)采樣的圖像與背景模板逐一比較從而得到結(jié)果。但是，即使巡檢設(shè)備每次的檢查點(diǎn)相同，巡檢設(shè)備的攝像頭也難以保證航向角和云臺角度與模板視角一致，這些差異極易被算法判斷為變化的前景異物，從而產(chǎn)生誤判[3]。綜上可知，傳統(tǒng)方法的缺陷在于無法克服尺度、平移和旋轉(zhuǎn)對檢測任務(wù)的影響。尺度不變特征轉(zhuǎn)換（Scale Invariant Feature Transform，SIFT）是一種局部特征描述子，可在圖像中檢測出關(guān)鍵點(diǎn)，因此對尺度、平移和旋轉(zhuǎn)甚至亮度變化保持不變性，對于采樣視角的變化也有一定程度的穩(wěn)定性。但是此方法需要建立待測區(qū)域的模板圖像庫，當(dāng)場景變化就需要將建立庫的工作重復(fù)一次，不具備良好的適應(yīng)性。

依賴于計(jì)算機(jī)視覺的發(fā)展和深度學(xué)習(xí)在目標(biāo)檢測領(lǐng)域的應(yīng)用發(fā)展。目前圖像目標(biāo)檢測方法主要分為兩類：基于候選框的R?CNN[4]，F(xiàn)aster R?CNN[5];基于回歸方法的YOLO（You Only Look Once）[6]，SSD（Single Shot MultiBox Detector）[7]等。其中主要用到深度神經(jīng)網(wǎng)絡(luò)模型都是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）。本文選擇在TensorFlow平臺上實(shí)現(xiàn)SSD算法完成異物檢測任務(wù)，首先為此建立專用于異物檢測的“高壓線異物檢測數(shù)據(jù)集”;然后在訓(xùn)練數(shù)據(jù)集上用K?means聚類得到的參數(shù)設(shè)置先驗(yàn)框的寬高比;接著在預(yù)訓(xùn)練模型上利用遷移學(xué)習(xí)和微調(diào)的方式實(shí)現(xiàn)異物檢測網(wǎng)絡(luò);最后給出在不同的先驗(yàn)框的寬高比參數(shù)設(shè)置下異物纏繞的檢測定位對比結(jié)果。

1? 數(shù)據(jù)集的構(gòu)建

目前用于目標(biāo)識別和檢測賽事的通用數(shù)據(jù)集圖片都整理成較為清晰、拍攝角度相對固定的圖片。與此不同的是，特定的目標(biāo)檢測任務(wù)的數(shù)據(jù)集構(gòu)建需要從零開始，人工對圖片進(jìn)行篩選，使其能更好地契合深度學(xué)習(xí)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)律。

1.1? 原始數(shù)據(jù)的篩選

首先，整理近年來人工清除高壓設(shè)備上異物纏繞的備案圖片，獲取原始數(shù)據(jù)，這部分工作主要是依賴人工篩選。

1） 將風(fēng)箏纏繞、氣球纏繞、條幅纏繞以及農(nóng)業(yè)大棚碎片纏繞這類頻繁引發(fā)停運(yùn)事故的圖片作為整理收集工作的主要目標(biāo)，如圖1所示。

2） 對同一異物，選取不同的拍攝角度、不同的遠(yuǎn)近景采集到的圖片。多種方位的采集有助于在訓(xùn)練網(wǎng)絡(luò)時(shí)減少過擬合現(xiàn)象，如圖2所示。

3） 在同一類高壓電氣設(shè)備上，對于不同的纏繞異物進(jìn)行整理，如圖3所示。

4） 巡檢任務(wù)大多是全天候執(zhí)行，為了提高算法對不同光照強(qiáng)度下異物檢測的泛化能力，對不同時(shí)段、不同天氣環(huán)境下采集到的圖片進(jìn)行整理，如圖4所示。

1.2? 原始數(shù)據(jù)的規(guī)范化

因?yàn)樵紙D片是從不同的記錄設(shè)備上整理得到，圖片的命名和格式各不相同，在此需要統(tǒng)一圖片名稱并且將所有的圖片格式都轉(zhuǎn)換成“.jpg”格式。同時(shí)對圖片的名字進(jìn)行重命名，統(tǒng)一規(guī)定為從“000001”開始的6位數(shù)序號排序，結(jié)果如圖5所示。

在完成以上初步處理之后，針對不同設(shè)備所采集到的圖片存在大小差異明顯、像素過大導(dǎo)致算法讀入數(shù)據(jù)緩慢等問題，進(jìn)一步對圖片的寬度做規(guī)范化處理。統(tǒng)一以寬度500像素作為規(guī)范的標(biāo)準(zhǔn)大小，僅在單一的度量方向上規(guī)范化，避免原圖中寬高比為1∶2和2∶1的長方形圖片在某個(gè)特定方向上壓縮變形，從而導(dǎo)致圖像中的目標(biāo)物失真，目標(biāo)的特征失去準(zhǔn)確性。

1.3? 數(shù)據(jù)集的標(biāo)注和格式轉(zhuǎn)換

對以上處理后的原始圖片進(jìn)行人工標(biāo)注，進(jìn)而生成“.xml”文件，標(biāo)注工具選擇Labelimg軟件。對圖片中出現(xiàn)的風(fēng)箏纏繞、氣球纏繞、條幅纏繞以及農(nóng)業(yè)大棚碎片纏繞統(tǒng)一用“foreignobj”標(biāo)簽標(biāo)注，如圖6所示。

最終整理標(biāo)記圖片357張，其中285張劃分為訓(xùn)練和驗(yàn)證集，72張劃分為測試集。并且生成數(shù)據(jù)劃分文件：測試集“test.txt”、 訓(xùn)練集“train.txt”、 訓(xùn)練和驗(yàn)證集“trainval.txt”、 驗(yàn)證集“val.txt”。按照PASCAL VOC（The PASCAL Visual Object Classes）數(shù)據(jù)集的數(shù)據(jù)存放結(jié)構(gòu)完成最終數(shù)據(jù)集的建立。將“.xml”文件放進(jìn)“Annotations”，“.jpg”文件放進(jìn)“JPEGImages”，“.txt”文件放進(jìn)“ImageSets＼Main”。最后進(jìn)行數(shù)據(jù)格式轉(zhuǎn)換，將訓(xùn)練集和測試集的每張圖片對應(yīng)的“.xml”格式文件轉(zhuǎn)換為更符合TensorFlow處理的二進(jìn)制數(shù)據(jù)編碼方案，即TFRecord格式文件[8]。

2? 使用K?means聚類結(jié)果設(shè)置先驗(yàn)框默認(rèn)參數(shù)

SSD算法采用在不同大小的特征圖上預(yù)先按照一定的寬高比設(shè)置先驗(yàn)框參數(shù)。如圖7所示，在淺層特征圖上更容易發(fā)現(xiàn)小目標(biāo)，而深層的特征圖則負(fù)責(zé)檢測大目標(biāo)。在SSD原始算法中，先驗(yàn)框的寬高比參數(shù)默認(rèn)設(shè)置為{1，2，3，1/2，1/3}。但是在特定場景下，如異物檢測任務(wù)中，異物的寬高比會呈現(xiàn)較大的數(shù)值，雖然SSD網(wǎng)絡(luò)可以通過學(xué)習(xí)適當(dāng)?shù)恼{(diào)整邊界，但若是為網(wǎng)絡(luò)選擇更好的先驗(yàn)框，可以使網(wǎng)絡(luò)更容易學(xué)習(xí)以便預(yù)測更好的預(yù)測框[9]。

SSD的預(yù)測框是通過對預(yù)測值解碼得到的，解碼過程即式（1），可以觀察到預(yù)測值[l]直接影響預(yù)測框位置，式（1）決定整個(gè)預(yù)測框中心水平或者豎直偏移。預(yù)測偏移值[l]應(yīng)該是向由式（2）編碼得到的偏移值[g∧]靠近，因此選取更加合適的先驗(yàn)框尺寸可以使得計(jì)算出的真實(shí)偏移值不會有太大的波動，而是在一個(gè)較小的范圍內(nèi)變化，預(yù)測值更容易得到好的結(jié)果。

式中：[bcx]，[bcy]是預(yù)測框的中心坐標(biāo);[dcx]，[dcy]是先驗(yàn)框的中心坐標(biāo);[gcx]，[gcy]是標(biāo)注框的中心坐標(biāo);[lcx]，[lcy]是算法預(yù)測值;[g∧cx]，[g∧cy]是標(biāo)注框與先驗(yàn)框間的偏移量。

通過K?means聚類得到的5類結(jié)果，聚類中心的數(shù)值為：0.57，1.35，2.39，4.6，6.2。分析數(shù)值規(guī)律可以發(fā)現(xiàn)，異物的形狀還是以1∶1，1∶2和2∶1為主，不同于通用數(shù)據(jù)集的是多了一些寬高比為4.6和6.2的形狀，這表明橫向跨度較大的目標(biāo)也存在于訓(xùn)練集中。

3? 異物檢測模型訓(xùn)練

3.1? 深度學(xué)習(xí)開發(fā)環(huán)境的配置

在Windows系統(tǒng)下搭建TensorFlow?gpu平臺，配置CUDA 9.1，cuDNN 7.0，Python 3.6軟件環(huán)境。計(jì)算機(jī)的硬件配置：CPU為InterIntel 酷睿i7?8700，內(nèi)存容量8 GB，GPU為NVIDIA GeForce GTX 1060。