麥俊佳，曾懿輝，胡壯麗，冼世平

(廣東電網(wǎng)有限責(zé)任公司佛山供電局，廣東 佛山528000)

近年來，隨著航空工業(yè)技術(shù)與定位技術(shù)的不斷進(jìn)步，輸電線路運(yùn)維巡視方法也逐漸多樣化[1-2]，有人機(jī)、無人機(jī)等機(jī)巡方式以其高效、精確、適用范圍廣等特點(diǎn)在輸電線路運(yùn)維中逐步推廣應(yīng)用[3-7]。然而輸電線路機(jī)巡在減少運(yùn)維人員現(xiàn)場巡視工作量的同時(shí)，也采集了大量的輸電線路設(shè)備航拍照片，目前這些照片依然需要專業(yè)人員逐張查看，查找缺陷。這種方法工作量大，耗時(shí)耗力，效率低下，還存在著漏檢的情況[8]。圖像識別技術(shù)的發(fā)展為輸電線路航拍照片查看與處理提供了新的思路[9-13]。

近年來國內(nèi)外眾多專家學(xué)者對輸電線路圖像識別技術(shù)做了大量的研究。李昭廷等提出了遠(yuǎn)程在線系統(tǒng)的覆冰厚度圖像測量方法，更直觀地觀察輸電線路覆冰情況[14-15]。Zhao等提出利用多片卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)特征提取方法進(jìn)行絕緣子狀態(tài)檢測，以劃分正常與缺陷絕緣子[16]；王子昊對深度學(xué)習(xí)在輸電鐵塔關(guān)鍵部件缺陷檢測中的應(yīng)用進(jìn)行了研究，較為全面地闡述了對于輸電線路航拍照片中的絕緣子和銷釘2類部件的缺陷識別技術(shù)[17]；Tao等構(gòu)建了2級深度卷積神經(jīng)網(wǎng)絡(luò)對輸電航拍照片中的玻璃絕緣子缺陷進(jìn)行識別[18]。雖然較多的學(xué)者已對圖像識別技術(shù)在輸電線路部件缺陷檢測中的應(yīng)用進(jìn)行了較為詳細(xì)的分析，但該類研究大多集中在少數(shù)的幾類缺陷，如絕緣子片缺失和銷釘缺失缺陷，而且往往只對單一種類缺陷識別技術(shù)進(jìn)行分析，缺乏對該技術(shù)進(jìn)行系統(tǒng)的分析及應(yīng)用研究，對于其他復(fù)雜缺陷或多類缺陷綜合識別應(yīng)用方面的研究鮮有描述。

本文在學(xué)習(xí)總結(jié)國內(nèi)外相關(guān)研究的基礎(chǔ)上，進(jìn)一步探索改進(jìn)，提出基于深度學(xué)習(xí)的輸電線路航拍照片目標(biāo)檢測應(yīng)用系統(tǒng)及方法，重點(diǎn)介紹了系統(tǒng)結(jié)構(gòu)、工作流程、關(guān)鍵技術(shù)及應(yīng)用分析。該系統(tǒng)的實(shí)現(xiàn)會極大提高輸電線路機(jī)巡照片處理效率，有效地解決輸電專業(yè)巡檢照片處理方面的實(shí)際問題，具有較強(qiáng)的實(shí)際意義。

1 系統(tǒng)結(jié)構(gòu)

輸電線路航拍照片目標(biāo)檢測應(yīng)用系統(tǒng)主要運(yùn)用基于深度卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)技術(shù)來構(gòu)建。卷積神經(jīng)網(wǎng)絡(luò)提供了1種端到端的深度學(xué)習(xí)模型，收集一定量的原始圖像數(shù)據(jù)，進(jìn)行相應(yīng)的處理后輸入到模型訓(xùn)練框架中，經(jīng)過反復(fù)迭代即可生成合格的圖像識別模型。通過調(diào)用該識別模型，可對輸入圖像的特征進(jìn)行提取和分類，由此完成大量圖像數(shù)據(jù)的智能化分析和識別[19-20]。輸電線路航拍照片的自然背景十分復(fù)雜，而且原始照片尺寸較大，信息眾多，很難直接識別出銷釘級的缺陷；因此設(shè)計(jì)了1個(gè)2級缺陷檢測框架，即構(gòu)建具有2級深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的缺陷識別模型，檢測框架結(jié)構(gòu)如圖1所示。試驗(yàn)表明，該檢測框架能有效識別出多類輸電設(shè)備部件缺陷(如螺栓銷釘缺失、玻璃絕緣子自爆、復(fù)合絕緣子均壓環(huán)脫落等)，雖然對于較大類型的缺陷，其識別時(shí)間將比常規(guī)只經(jīng)過1級缺陷檢測框架識別時(shí)間有所增加，但其識別準(zhǔn)確率明顯提高，檢出率明顯提升，檢測效果更好，更具實(shí)用價(jià)值。

圖1 系統(tǒng)總體結(jié)構(gòu)框架Fig.1 System overall structure frame

該檢測框架主要由一次裁剪層、第一級識別網(wǎng)絡(luò)、二次裁剪層、第二級識別網(wǎng)絡(luò)和圖片標(biāo)記層5個(gè)部分組成，其中一次裁剪層用于裁剪輸入的原始航拍照片。常見的輸電線路航拍照片為5 000×4 000像素照片，本文均以該類圖像進(jìn)行分析。由于原始圖片尺寸較大，為保證圖像識別效果，系統(tǒng)以2 500×2 500像素大小尺寸裁剪，初次裁剪將從原始圖片的正中間截取圖片，再依次從左上方、右上方、左下方和右下方截取2 500×2 500像素圖片。由于該4個(gè)方向已經(jīng)覆蓋整張航拍照片，故保證了圖像中所有部件均可識別，即使輸電部件位于初次裁剪的邊緣位置，也可在4個(gè)方向的裁剪圖像中較為完整地顯示出來。裁剪所得圖片將依次輸入至第一級識別網(wǎng)絡(luò)。

第一級識別網(wǎng)絡(luò)用于識別輸電設(shè)備部件，在一次裁剪層輸出的照片中識別定位輸電設(shè)備部件(如地線線夾、復(fù)合絕緣子、玻璃絕緣子、防震錘等具體設(shè)備部件)，最終輸出1個(gè)或多個(gè)包含設(shè)備部件的矩形框的坐標(biāo)、部件標(biāo)簽以及識別置信度信息，該信息將輸入到二次裁剪層。同時(shí)對于部件識別結(jié)果還可進(jìn)一步進(jìn)行反事故措施分析，即結(jié)合輸電線路重要交叉跨越區(qū)段表格，統(tǒng)計(jì)重要區(qū)段鐵塔類型、掛點(diǎn)類型、絕緣子串?dāng)?shù)量等信息，若存在重要交叉跨越區(qū)段地線單掛點(diǎn)、復(fù)合絕緣子單串等情況，則說明該區(qū)段線路反事故措施沒有落實(shí)到位，以此形成待實(shí)施反事故措施清單。

二次裁剪層依據(jù)第一級識別網(wǎng)絡(luò)得到的信息對輸電設(shè)備進(jìn)行截取，如對輸入圖片中的地線線夾、復(fù)合絕緣子、玻璃絕緣子、防震錘等具體設(shè)備部件進(jìn)行裁剪，截取輸入至第二級識別網(wǎng)絡(luò)。

第二級識別網(wǎng)絡(luò)用于識別上一級網(wǎng)絡(luò)截取的設(shè)備部件照片，檢測定位具體缺陷(如螺栓銷釘缺失、玻璃絕緣子自爆、復(fù)合絕緣子均壓環(huán)脫落等缺陷)，最終輸出1個(gè)或多個(gè)包含部件缺陷的矩形框的坐標(biāo)、部件標(biāo)簽以及識別置信度等信息。

圖片標(biāo)記層依據(jù)第二級識別網(wǎng)絡(luò)得到的信息對輸電設(shè)備缺陷(如輸入圖片中的螺栓銷釘缺失、玻璃絕緣子自爆、復(fù)合絕緣子均壓環(huán)脫落等)進(jìn)行標(biāo)記，最終形成缺陷識別結(jié)果圖片。

本系統(tǒng)框架主要應(yīng)用飛槳(PaddlePaddle)開源深度學(xué)習(xí)平臺進(jìn)行搭建。PaddlePaddle是高效、靈活、支持多種語言接口的深度學(xué)習(xí)開源開放平臺，它具有簡單易用、靈活高效、占用內(nèi)存小、速度快等優(yōu)點(diǎn)，與其他深度學(xué)習(xí)平臺框架相比，運(yùn)用該框架可較為輕松高效地搭建圖像識別模型。

2 系統(tǒng)工作流程

輸電線路航拍照片目標(biāo)檢測應(yīng)用系統(tǒng)主要運(yùn)用圖像識別技術(shù)對輸電線路航拍照片進(jìn)行識別，分別完成照片中的輸電設(shè)備部件識別定位和缺陷識別定位，其中輸電設(shè)備部件識別定位還可進(jìn)一步延伸開展輸電線路反事故措施情況統(tǒng)計(jì)。系統(tǒng)工作流程如圖2所示。

圖2 系統(tǒng)工作流程Fig.2 System work flow chart

首先輸入前期采集的輸電線路航拍照片，系統(tǒng)自動(dòng)遍歷照片，截取2 500×2 500像素尺寸大小的圖片。初次裁剪將從原始圖片的正中間截取，再依次從左上方、右上方、左下方和右下方截取2 500×2 500像素圖片。

然后系統(tǒng)對遍歷是否完成進(jìn)行判斷。若遍歷完成則將截取圖片依次輸入至第一級識別網(wǎng)絡(luò)結(jié)構(gòu)，對設(shè)備部件進(jìn)行識別；若遍歷沒有完成，則繼續(xù)以固定尺寸遍歷圖片并截取。對于第一級識別網(wǎng)絡(luò)依次輸入的圖片：若存在1張以上圖片識別成功則獲取識別部件類型和數(shù)量，并在截取圖片中進(jìn)行標(biāo)記，再以部件尺寸大小截取保存圖片，同時(shí)在數(shù)據(jù)庫部件識別結(jié)果表中記錄識別結(jié)果；若所有輸入圖片均識別失敗，則保存不識別的原始圖片，并在數(shù)據(jù)庫部件識別結(jié)果表中記錄識別結(jié)果，對于不識別的結(jié)果可人工判別與標(biāo)注，完善數(shù)據(jù)集，增量訓(xùn)練形成新的部件識別模型。

接著對于已經(jīng)識別截取保存的部件圖片，運(yùn)用第二級識別網(wǎng)絡(luò)對部件缺陷進(jìn)行識別，系統(tǒng)自動(dòng)標(biāo)記缺陷位置，在數(shù)據(jù)庫缺陷識別結(jié)果表中記錄識別結(jié)果，以此完成航拍照片缺陷識別。而對于數(shù)據(jù)庫部件識別結(jié)果表中記錄的設(shè)備部件信息，系統(tǒng)根據(jù)日常運(yùn)維統(tǒng)計(jì)的輸電線路重要交叉跨越區(qū)段統(tǒng)計(jì)表格，自動(dòng)比較得出輸電線路重要交叉跨越區(qū)段塔型、掛點(diǎn)類型、絕緣子數(shù)量統(tǒng)計(jì)表格，若線路在重要交叉跨越區(qū)段內(nèi)存在直線桿塔地線單掛點(diǎn)的情況，系統(tǒng)再自動(dòng)提取形成待實(shí)施反事故措施清單，以此完成輸電線路反事故措施智能統(tǒng)計(jì)。

最終歸類匯總所有數(shù)據(jù)和分析結(jié)果，完成輸電線路航拍照片綜合識別分析。

3 系統(tǒng)關(guān)鍵技術(shù)

輸電線路航拍照片目標(biāo)檢測應(yīng)用系統(tǒng)關(guān)鍵技術(shù)包括數(shù)據(jù)擴(kuò)增方法、輸電設(shè)備部件定位網(wǎng)絡(luò)核心算法、缺陷識別定位網(wǎng)絡(luò)核心算法和模型訓(xùn)練方法等，下面分別進(jìn)行重點(diǎn)闡述。

3.1 數(shù)據(jù)擴(kuò)增方法

缺陷識別中難以避免的問題是正負(fù)樣本的嚴(yán)重不均衡性，即完整無缺陷圖像的數(shù)量遠(yuǎn)遠(yuǎn)大于有缺陷圖像的數(shù)量?；谏疃染矸e網(wǎng)絡(luò)的目標(biāo)檢測模型如果直接利用正負(fù)樣本不均衡的數(shù)據(jù)集進(jìn)行訓(xùn)練，那么訓(xùn)練出來的模型會發(fā)生偏移，缺陷檢測結(jié)果會很不理想，因此針對缺陷樣本數(shù)據(jù)有必要進(jìn)行數(shù)據(jù)擴(kuò)增[17]。

具體數(shù)據(jù)擴(kuò)增流程如下：①利用Labelme開源圖像標(biāo)注工具對缺陷部件圖片(如帶有缺陷的地線線夾、復(fù)合絕緣子等部件輪廓)進(jìn)行標(biāo)注，形成樣本數(shù)據(jù)集；②運(yùn)用該樣本數(shù)據(jù)集，訓(xùn)練U-Net全卷積神經(jīng)網(wǎng)絡(luò)模型；③將少數(shù)缺陷部件圖片輸入至訓(xùn)練好的U-Net全卷積神經(jīng)網(wǎng)絡(luò)模型，對缺陷部件進(jìn)行語義分割，輸出分割結(jié)果；④利用仿射變換技術(shù)將已經(jīng)分割的缺陷部件變換為具有不同尺度、角度的多個(gè)缺陷部件圖像數(shù)據(jù)；⑤利用圖像背景融合技術(shù)將這些不同尺度、角度的缺陷部件與不同背景圖像進(jìn)行融合，從而得到更多的缺陷樣本圖像。

其中U-Net是運(yùn)用于圖像分割的全卷積神經(jīng)網(wǎng)絡(luò)，它采用了編碼-譯碼架構(gòu)。編碼過程通過池化層逐漸減少位置信息，抽取抽象特征；譯碼過程逐漸恢復(fù)位置信息。一般譯碼與編碼間有直接的連接，因此能夠更好地恢復(fù)目標(biāo)細(xì)節(jié)[17]。該網(wǎng)絡(luò)只使用少量數(shù)據(jù)，就可以訓(xùn)練出較好的全卷積神經(jīng)網(wǎng)絡(luò)模型。仿射變換是圖像樣本擴(kuò)增的常用方法之一，它通過一系列的原子變換的復(fù)合(包括平移、縮放、翻轉(zhuǎn)、旋轉(zhuǎn)和剪切等等)來實(shí)現(xiàn)，通過參數(shù)的隨機(jī)設(shè)置，可以將已經(jīng)分割的缺陷部件變換為具有不同尺度、角度的多個(gè)缺陷部件圖像數(shù)據(jù)。背景融合技術(shù)主要應(yīng)用了泊松融合算法融合已分割的缺陷部件圖像和背景圖像，其主要根據(jù)背景圖像的梯度信息以及缺陷部件圖像的邊界信息，利用插值的方法構(gòu)建成邊緣過渡區(qū)域內(nèi)的圖像像素，以此保證背景圖像中的缺陷部件邊緣過渡平滑，使背景與缺陷能夠更好地融合在一起。

因缺陷部件圖片數(shù)量較少，也可從樣本中選取數(shù)量較少的一部分圖片進(jìn)行仿射變換增加樣本數(shù)量，進(jìn)一步完善U-Net全卷積神經(jīng)網(wǎng)絡(luò)模型，提高語義分割效果。玻璃絕緣子自爆缺陷數(shù)據(jù)擴(kuò)增示意圖如圖3所示，通過圖像分割、仿射變換和圖像背景融合技術(shù)使得缺陷樣本數(shù)據(jù)得到了較好的擴(kuò)增，形成可靠的缺陷樣本數(shù)據(jù)集。

圖3 數(shù)據(jù)擴(kuò)增Fig.3 Data amplification

3.2 輸電設(shè)備部件定位網(wǎng)絡(luò)核心算法

輸電線路航拍照片的自然背景復(fù)雜多樣，設(shè)備部件眾多，而且部件在照片中的占比相對較小，綜合考慮檢出率和準(zhǔn)確率，第一級識別網(wǎng)絡(luò)選擇檢出率較高的快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(fast region-CNN，F(xiàn)ast R-CNN)算法實(shí)現(xiàn)輸電設(shè)備部件的識別和定位。

Fast R-CNN結(jié)構(gòu)如圖4所示，其具體步驟如下：①采用選擇性搜索算法(selective search)提取2 000個(gè)候選框興趣區(qū)域(region of interesting，ROI)；②通過1個(gè)卷積神經(jīng)網(wǎng)絡(luò)直接對全圖進(jìn)行特征提取得到feature map；③把候選框ROI映射到卷積神經(jīng)網(wǎng)絡(luò)的最后一層卷積feature map上；④使用1個(gè)ROI池化層(ROI pooling layer)在全圖特征上摘取每一個(gè)候選框?qū)?yīng)的特征；⑤對候選框中提取出的特征，使用分類器判別是否屬于1個(gè)特定類，對于屬于某一特征的候選框，用回歸器進(jìn)一步調(diào)整其位置。

圖4 Fast R-CNN結(jié)構(gòu)Fig.4 Fast R-CNN structure

Fast R-CNN多任務(wù)損失函數(shù)

L(p,u,tu,v)=

Lcls(p,u)+λf(u)Lloc(tu,v).

(1)

式中：Lcls為分類損失函數(shù)；Lloc為回歸損失函數(shù)；p為每個(gè)ROI輸出離散概率分布；tu為預(yù)測邊界框的回歸平移縮放參數(shù)，其中u為分類類別；v為真實(shí)邊界框的平移縮放參數(shù)；λ為用以平衡2個(gè)損失函數(shù)的超參數(shù)；函數(shù)f(u)表示背景候選區(qū)域不參與回歸損失[21-22]，不需要對背景候選區(qū)域進(jìn)行回歸操作，當(dāng)u≥1時(shí)f(u)=1，其他情況時(shí)f(u)=0，其中約定u=0為背景分類。

3.3 缺陷識別定位網(wǎng)絡(luò)核心算法

輸電設(shè)備部件截取圖片背景相對簡單，雖然缺陷部位在圖片中占比也較小，但缺陷數(shù)量相對較少，缺陷部位也比較固定，綜合考慮速度和精度，第二級識別網(wǎng)絡(luò)選擇對小部件檢測率較高、均衡性較好的YOLOv3算法實(shí)現(xiàn)輸電設(shè)備部件具體缺陷的識別和定位。

YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示，其將輸入圖像分成S×S個(gè)網(wǎng)格，每個(gè)網(wǎng)格負(fù)責(zé)預(yù)測多個(gè)邊界框及其置信度，以及多個(gè)類別的概率。其中邊界框的大小與位置用(x，y，w，h)4個(gè)值表示，(x，y)為邊界框的中心坐標(biāo)，(w，h)為邊界框的寬與高。置信度包含2個(gè)方面：一是這個(gè)邊界框含有目標(biāo)的可能性大??；二是這個(gè)邊界框的準(zhǔn)確度。前者記為P，當(dāng)該邊界框是背景，即不包含目標(biāo)時(shí)P=0，而當(dāng)該邊界框包含目標(biāo)時(shí)P=1。邊界框的準(zhǔn)確度用預(yù)測框與實(shí)際框(ground truth)的交并比(intersection over union，IOU)來表示，記為kIOU，因此置信度定義為PkIOU。YOLOv3網(wǎng)絡(luò)將物體檢測作為回歸問題進(jìn)行求解[17]，通過上述卷積計(jì)算和后處理過濾最后得到預(yù)測結(jié)果。其中YOLOv3以殘差網(wǎng)絡(luò)Darknet-53為基礎(chǔ)分類網(wǎng)絡(luò)，該網(wǎng)絡(luò)模型的主要特點(diǎn)有以下3點(diǎn)：①能夠輸出3種不同尺度的特征圖，實(shí)現(xiàn)多尺度預(yù)測；②采用logistic分類器代替Softmax分類器，以確保能夠在不降低準(zhǔn)確率的前提下完成多標(biāo)簽分類；③損失函數(shù)采用二值交叉熵(binary cross-entropy loss)。

圖5 YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 YOLOv3 network structure

YOLOv3的損失函數(shù)

(2)

(3)

(4)

式(2)—(4)中：lloc為預(yù)測框與真實(shí)邊界框的位置誤差；lcfd、lcls分別為置信度誤差、分類誤差；Iij表示第i個(gè)網(wǎng)格的第j個(gè)候選框是否負(fù)責(zé)這個(gè)對象，如果負(fù)責(zé)則Iij=1，否則為0；Iij,n表示第i個(gè)網(wǎng)格的第j個(gè)候選框是否沒有目標(biāo)，如果沒有則Iij,n=1，否則為0；λn為權(quán)重系數(shù)；Cij為置信度；Cij,r為訓(xùn)練中的置信度真實(shí)值，其取值是由網(wǎng)格的邊界框有沒有負(fù)責(zé)預(yù)測某個(gè)對象決定的，如果負(fù)責(zé)則Cij,r=1，否則Cij,r=0；S2為網(wǎng)格總數(shù)；B為每個(gè)網(wǎng)格產(chǎn)生的候選框的數(shù)量；Pij(c)為第i個(gè)網(wǎng)格的第j個(gè)候選框預(yù)測結(jié)果為類別c的概率，Pij,r(c)為其真實(shí)值(0或1)[23-24]。

3.4 模型訓(xùn)練方法

目標(biāo)檢測模型的訓(xùn)練有一系列的步驟，根據(jù)不同算法網(wǎng)絡(luò)結(jié)構(gòu)的差異，模型訓(xùn)練步驟也所區(qū)別，但核心思想大體相同。簡單概括就是：利用一定規(guī)則在訓(xùn)練圖片上產(chǎn)生一系列的候選區(qū)域，然后使用卷積神經(jīng)網(wǎng)絡(luò)提取圖片特征并預(yù)測候選區(qū)域的位置和類別，將預(yù)測值和真實(shí)標(biāo)注值進(jìn)行比較計(jì)算可以建立起損失函數(shù)，從而開啟端到端的訓(xùn)練。利用PaddlePaddle深度學(xué)習(xí)平臺可快速搭建模型框架，顯著簡化了訓(xùn)練操作。簡化后的訓(xùn)練操作流程如圖6所示。

圖6 模型訓(xùn)練操作流程Fig.6 Model training operation flow chart

具體操作步驟如下：①利用labelImg開源圖像標(biāo)注工具軟件對原始圖片進(jìn)行標(biāo)注，形成樣本數(shù)據(jù)集；②利用PaddlePaddle深度學(xué)習(xí)平臺和對應(yīng)目標(biāo)檢測算法訓(xùn)練模型，即輸入樣本數(shù)據(jù)集，通過迭代訓(xùn)練形成對應(yīng)識別模型；③輸入新的圖片作為測試數(shù)據(jù)集，檢測訓(xùn)練模型準(zhǔn)確率和檢出率，判斷模型訓(xùn)練效果；④若模型評估合格，則說明訓(xùn)練模型較好，完成模型訓(xùn)練。若評估不合格，則提取不識別或識別錯(cuò)誤結(jié)果，人工判別原因(如光線、拍攝角度、模型訓(xùn)練過擬合等等可能造成不識別或識別錯(cuò)誤原因)，并根據(jù)不同原因采取不同的解決措施：若由于光線、拍攝角度等原因造成不識別問題，則增加同類圖片進(jìn)行標(biāo)注，形成新的樣本數(shù)據(jù)集，增量訓(xùn)練形成新模型；若由于模型過度訓(xùn)練或樣本數(shù)據(jù)集噪聲過多造成過擬合問題，則采用正則化、減少訓(xùn)練次數(shù)、增加真實(shí)樣本等等手段解決。解決問題形成新模型后，再循環(huán)輸入測試圖片重新識別評估，由此不斷完善訓(xùn)練模型，得出準(zhǔn)確的圖片識別模型。

其中對于前文所述第一級識別網(wǎng)絡(luò)輸電設(shè)備部件的識別模型，采用Fast R-CNN算法進(jìn)行訓(xùn)練，并采用在目標(biāo)檢測領(lǐng)域被廣泛使用的平均精度均值(mean average precision，MAP)進(jìn)行評估。對于第二級識別網(wǎng)絡(luò)運(yùn)用YOLOv3算法訓(xùn)練輸電設(shè)備部件缺陷的識別模型，針對不同的輸電設(shè)備部件缺陷只需準(zhǔn)備對應(yīng)的缺陷樣本數(shù)據(jù)集集中訓(xùn)練，進(jìn)行具體部件缺陷識別時(shí)只需統(tǒng)一調(diào)用該模型即可。對于缺陷識別，由于檢測目標(biāo)較小，評價(jià)方面直接統(tǒng)計(jì)檢出率。理論上評價(jià)指標(biāo)越高越好，但實(shí)際應(yīng)用中考慮到算力和算法限制，本文的模型平均精度均值或檢出率只需達(dá)到80%，即可認(rèn)為具備實(shí)用價(jià)值。對于訓(xùn)練迭代次數(shù)、學(xué)習(xí)率、正則化等詳細(xì)參數(shù)配置，需要綜合考慮目標(biāo)任務(wù)、硬件性能、算法算力等影響因素，而且為達(dá)到最優(yōu)檢測效果，需根據(jù)實(shí)際檢測情況不斷優(yōu)化調(diào)整，具體的參數(shù)設(shè)置本文不再詳細(xì)說明。

4 系統(tǒng)應(yīng)用實(shí)踐

為了驗(yàn)證輸電線路航拍照片目標(biāo)檢測應(yīng)用系統(tǒng)的有效性，分別訓(xùn)練了輸電設(shè)備部件識別模型和玻璃絕緣子自爆、金具銷釘缺失缺陷識別模型。其中對于輸電設(shè)備部件識別模型，在輸電線路航拍照片庫中選取了20條線路共5 454張圖片作為訓(xùn)練集進(jìn)行訓(xùn)練，通過訓(xùn)練可識別地線單掛點(diǎn)、雙掛點(diǎn)、復(fù)合絕緣子、玻璃絕緣子、線夾、避雷器、防震錘等7類部件；對于玻璃絕緣子自爆缺陷識別模型，選取了105張缺陷絕緣子圖片并通過前文所述的數(shù)據(jù)擴(kuò)增方法得到了320張缺陷絕緣子圖片；對于金具銷釘缺失缺陷識別模型，選取了226張缺陷金具圖片并通過前文所述的數(shù)據(jù)擴(kuò)增方法得到了570張缺陷金具圖片。選取這些圖片作為訓(xùn)練集進(jìn)行缺陷識別模型訓(xùn)練。

本次測試按照系統(tǒng)工作流程，在輸電線路航拍照片庫中選取了10條線路共3 245張圖片進(jìn)行部件識別，選取了86張缺陷絕緣子圖片和125張缺陷金具圖片分別輸入2級缺陷檢測框架進(jìn)行缺陷識別。為了驗(yàn)證該缺陷檢測框架的有效性，設(shè)計(jì)了對比試驗(yàn)，同樣將所選圖片僅輸入1級缺陷檢測框架(第二級識別網(wǎng)絡(luò))進(jìn)行缺陷識別。其中對于部件識別，采用目標(biāo)檢測領(lǐng)域被廣泛使用的平均精度均值和檢測速度——單張檢測時(shí)間進(jìn)行評估。對于缺陷識別，由于檢測目標(biāo)較小，則直接統(tǒng)計(jì)檢出率和檢測速度。各目標(biāo)訓(xùn)練集、測試集、識別平均精度均值或檢出率和檢測速度匯總見表1。

從表1中可以看出：部件識別的平均精度均值達(dá)到92.5%，單張檢測時(shí)間約2 s；2級缺陷檢測框架識別的玻璃絕緣子自爆和金具銷釘缺失缺陷檢出率均在80%以上，單張檢測時(shí)間約2.5 s；只經(jīng)過1級缺陷檢測框架識別的玻璃絕緣子自爆缺陷檢出率為65.3%，單張檢測時(shí)間約0.6 s，金具銷釘缺失缺陷檢出率為39.7%，單張檢測時(shí)間約1 s。從表1可以得出以下2個(gè)結(jié)論：①部件識別模型平均精度均值較高，滿足實(shí)際應(yīng)用要求；②2級缺陷檢測框架雖然較1級缺陷檢測框架識別時(shí)間有所增加，但其檢出率明顯提高，尤其對于較小缺陷檢測效果更好，更具實(shí)用價(jià)值。

表1 識別成效Tab.1 Recognition effect

對于部件識別測試，部分識別結(jié)果如圖7所示。通過圖7(c)、(d)對比可以說明，在一定光線變化范圍內(nèi)，圖片識別結(jié)果受光照影響并不明顯。對于輸電線路航拍照片，極大多數(shù)照片均在天氣良好條件下拍攝，因此在實(shí)際應(yīng)用中識別結(jié)果受光照、天氣和背景等外部因素影響并不明顯。

圖7 部件識別結(jié)果Fig.7 Component identification results

對于缺陷識別測試，部分玻璃絕緣子自爆缺陷識別結(jié)果如圖8所示，部分金具銷釘缺少缺陷識別結(jié)果如圖9所示。圖8(a)展示的是經(jīng)過2級缺陷檢測框架識別結(jié)果，圖8(b)展示的是只經(jīng)過1級缺陷檢測框架識別結(jié)果，從圖8(a)、(b)對比可以說明，對于相同部件缺陷識別，2級缺陷檢測框架較1級缺陷檢測框架識別置信度明顯提高，識別效果更好。圖9(a)、(b)均為2級缺陷檢測框架識別結(jié)果，通過圖9(a)、(b)對比同樣可以說明在實(shí)際應(yīng)用中識別結(jié)果受光照、天氣和背景等外部因素影響并不明顯。

圖8 玻璃絕緣子自爆缺陷識別結(jié)果Fig.8 Identification results of glass insulator self explosion defects

圖9 金具銷釘缺少缺陷識別結(jié)果Fig.9 Identification results of lack of hardware pin

相比常規(guī)的人工查閱輸電線路航拍照片作業(yè)方式，本文提出的輸電設(shè)備部件識別模型、玻璃絕緣子自爆缺陷識別模型和金具銷釘缺少缺陷識別模型能更加高效地處理航拍照片，提升了處理效率，保證了作業(yè)效果的同時(shí)減少了數(shù)據(jù)處理工作量。

5 結(jié)束語

本文針對人工查閱輸電線路航拍照片作業(yè)量大、效率低等問題，提出基于深度學(xué)習(xí)的輸電線路航拍照片目標(biāo)檢測應(yīng)用系統(tǒng)及方法，重點(diǎn)介紹了系統(tǒng)結(jié)構(gòu)、工作流程、關(guān)鍵技術(shù)及應(yīng)用分析，并通過應(yīng)用實(shí)踐證明了系統(tǒng)的有效性。該系統(tǒng)的實(shí)現(xiàn)可有效地提高輸電線路航拍照片處理效率，解決輸電專業(yè)巡檢照片處理方面的實(shí)際問題，具有很好的應(yīng)用前景。該系統(tǒng)還將進(jìn)一步朝著智能化和自動(dòng)化的方向發(fā)展[25]，通過大量圖像信息的智能識別和分析，為輸電線路運(yùn)維提供基礎(chǔ)的數(shù)據(jù)保障，為輸電線路的檢修運(yùn)維決策提供更加全面準(zhǔn)確的依據(jù)。