馬藝峰

摘要：近年來(lái)，隨著經(jīng)濟(jì)的不斷發(fā)展，各地區(qū)的電力需求迅速增加，電網(wǎng)規(guī)模也在擴(kuò)大。由于輸電線路分散、斷裂、絕緣子損壞等原因造成的輸電故障，給企業(yè)和工業(yè)生產(chǎn)造成了不可挽回的經(jīng)濟(jì)損失，給人們的日常生活帶來(lái)了極大的不便。因此，有必要對(duì)輸電線路進(jìn)行定期安全檢查。由于輸電線路地形復(fù)雜、交通條件不方便、高寒氣候惡劣，傳統(tǒng)的人工檢查輸電線路存在時(shí)間長(zhǎng)、人力物力消耗大、檢查人員安全保障低、人員技能限制檢查結(jié)果等問(wèn)題。

關(guān)鍵詞：無(wú)人機(jī);輸電線路;深度卷積神經(jīng)網(wǎng)絡(luò)算法;缺陷圖像識(shí)別

針對(duì)無(wú)人機(jī)巡檢輸電線路過(guò)程中，存在人工識(shí)別缺陷圖像工作量大、效率低的問(wèn)題，利用深度卷積神經(jīng)網(wǎng)絡(luò)算法開發(fā)無(wú)人機(jī)巡檢數(shù)據(jù)智能管理平臺(tái)，滿足無(wú)人機(jī)飛行作業(yè)管理應(yīng)用的需要。利用無(wú)人機(jī)巡視輸電線的便利性，探究了基于無(wú)人機(jī)圖像識(shí)別的無(wú)人機(jī)立體智能巡檢應(yīng)用平臺(tái)的系統(tǒng)結(jié)構(gòu)，采用深度卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)無(wú)人機(jī)日常巡檢產(chǎn)生的海量圖像或視頻數(shù)據(jù)進(jìn)行預(yù)處理識(shí)別。

一、無(wú)人機(jī)立體智能巡檢運(yùn)用平臺(tái)

無(wú)人機(jī)立體智能巡檢應(yīng)用平臺(tái)包括“無(wú)人機(jī)巡視子系統(tǒng)”，“無(wú)線通信鏈路”和“缺陷圖像智能識(shí)別子系統(tǒng)”3個(gè)部分，如圖1所示。“無(wú)人機(jī)巡視子系統(tǒng)”和“缺陷圖像智能識(shí)別子系統(tǒng)”通過(guò)“無(wú)線通信鏈路”進(jìn)行數(shù)據(jù)的傳輸。在應(yīng)用層通過(guò)接口組件方式與第三方系統(tǒng)平臺(tái)實(shí)現(xiàn)應(yīng)用集成、界面集成、數(shù)據(jù)集成，以滿足基于無(wú)人機(jī)的輸電線路巡檢業(yè)務(wù)應(yīng)用需求?！盁o(wú)人機(jī)巡視子系統(tǒng)”包括無(wú)人機(jī)飛行控制和數(shù)據(jù)管理兩個(gè)過(guò)程。其中，無(wú)人機(jī)飛行包含從地面飛行至高壓輸電塔等巡視目標(biāo)以及從巡視目標(biāo)返回地面兩個(gè)過(guò)程，涉及禁飛區(qū)域的識(shí)別、飛行路線的確定和障礙物避險(xiǎn)等。數(shù)據(jù)管理是指無(wú)人機(jī)飛行至巡檢目標(biāo)時(shí)采集數(shù)據(jù)的階段，其中包括數(shù)據(jù)采集、數(shù)據(jù)傳輸、數(shù)據(jù)儲(chǔ)存與數(shù)據(jù)清除四個(gè)部分?！盁o(wú)線通信聯(lián)路”負(fù)責(zé)傳輸無(wú)人機(jī)飛行控制信號(hào)、無(wú)人機(jī)高清相機(jī)控制信號(hào)和高清數(shù)據(jù)的回傳控制信號(hào)等，分別實(shí)現(xiàn)無(wú)人機(jī)實(shí)時(shí)的飛行操作控制、圖像視頻的拍攝控制及實(shí)時(shí)高清數(shù)據(jù)的回傳。通過(guò)研發(fā)適用于無(wú)人機(jī)實(shí)時(shí)傳輸?shù)?G無(wú)線專網(wǎng)通訊裝置，實(shí)現(xiàn)了基于4G無(wú)線專網(wǎng)的輸電線路巡檢數(shù)據(jù)自動(dòng)化采集技術(shù)。

圖1無(wú)人機(jī)立體智能巡檢應(yīng)用平臺(tái)

進(jìn)而解決了在4G專網(wǎng)環(huán)境下，以無(wú)人機(jī)為主的智能裝備在巡檢過(guò)程中所采集的照片數(shù)據(jù)、視頻數(shù)據(jù)以及GPS位置等信息的實(shí)時(shí)傳輸與安全傳輸?shù)膯?wèn)題?！叭毕輬D像智能識(shí)別子系統(tǒng)”接收到實(shí)時(shí)數(shù)據(jù)后，實(shí)現(xiàn)高壓輸電塔和輸電線實(shí)時(shí)數(shù)據(jù)的顯示。同時(shí)，利用深度卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理分類識(shí)別。并對(duì)圖像有缺陷的位置進(jìn)行標(biāo)注，最終將識(shí)別結(jié)果反饋，指導(dǎo)檢修消缺決策。與此同時(shí)，將結(jié)果和原始圖像數(shù)據(jù)進(jìn)行備份，并通過(guò)4G網(wǎng)絡(luò)發(fā)送給控制中心，由專家對(duì)結(jié)果進(jìn)行人工確認(rèn)。

二、輸電線路缺陷圖像檢測(cè)

深度學(xué)習(xí)模型采用層次化特征的表達(dá)方式對(duì)圖像進(jìn)行描述，主要包括受限玻爾滋蔓機(jī)制、深度信念網(wǎng)絡(luò)、自動(dòng)編譯器、卷積神經(jīng)網(wǎng)絡(luò)和生物啟

發(fā)式模型等。利用深度卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)電力設(shè)備巡檢產(chǎn)生的海量圖像或視頻數(shù)據(jù)進(jìn)行預(yù)處理，優(yōu)化分析與分類識(shí)別。并對(duì)圖像有缺陷的位置進(jìn)行標(biāo)注，最終將識(shí)別結(jié)果反饋，指導(dǎo)檢修消缺決策。此外，還可結(jié)合專家反饋對(duì)識(shí)別模型進(jìn)行優(yōu)化，逐步提升缺陷查找效率及準(zhǔn)確率。通過(guò)建立深度學(xué)習(xí)監(jiān)督訓(xùn)練，鳥巢、絕緣子自爆、銷釘脫落、螺栓松動(dòng)、均壓環(huán)傾斜塔材缺失、異物、導(dǎo)地線損傷的智能識(shí)別。

1.典型缺陷圖像智能解譯體系。典型缺陷圖像智能解譯體系具有自學(xué)習(xí)能力，能在實(shí)際應(yīng)用中通過(guò)數(shù)據(jù)積累不斷的提高智能識(shí)別的精度，最終達(dá)到項(xiàng)目目標(biāo)要求。典型缺陷圖像智能解譯體系流程圖，如圖2所示。

基于深度學(xué)習(xí)的輸電設(shè)備典型缺陷圖像智能解譯體系：首先使用多目標(biāo)識(shí)別算法從無(wú)人機(jī)巡檢照片或視頻中識(shí)別出目標(biāo)設(shè)備;然后，使用深度學(xué)習(xí)分類器對(duì)目標(biāo)設(shè)備是否有缺陷以及缺陷類型進(jìn)行判斷?；谏疃葘W(xué)習(xí)的輸電設(shè)備典型缺陷圖像智能解譯方法包括如下步驟：（1）Faster-Rcnn樣本制作。將一定規(guī)模的無(wú)人機(jī)輸電線路巡視圖像（1000張以上）進(jìn)行人工標(biāo)注，標(biāo)出圖中所有的輸電設(shè)備名稱和位置。從中隨機(jī)選取總數(shù)9/10的圖片作為訓(xùn)練數(shù)據(jù)集，另外的1/10圖片作為測(cè)試數(shù)據(jù)集。（2）Faster-Rcnn模型訓(xùn)練。將步驟（1）帶有標(biāo)簽的數(shù)據(jù)輸入到Faster-Rcnn中對(duì)模型訓(xùn)練。訓(xùn)練使用隨機(jī)梯度下降方法對(duì)模型參數(shù)進(jìn)行更新，迭代20萬(wàn)步，最終完成模型訓(xùn)練。（3）Faster-Rcnn模型測(cè)試與修正。使用步驟（1）的測(cè)試數(shù)據(jù)集對(duì)訓(xùn)練完成的Faster-Rcnn模型進(jìn)行測(cè)試，得到其準(zhǔn)確率。依據(jù)準(zhǔn)確率高低判斷是否要添加數(shù)據(jù)和更改訓(xùn)練參數(shù)繼續(xù)訓(xùn)練模型。（4）輸電設(shè)備缺陷分類器樣本制作。針對(duì)每一種輸電設(shè)備，收集包含正常輸電設(shè)備與存在缺陷的輸電設(shè)備的樣本，并為每張圖片打上缺陷種類標(biāo)簽。取總數(shù)9/10的圖片作為訓(xùn)練數(shù)據(jù)集，另外的1/10圖片作為測(cè)試數(shù)據(jù)集。（5）訓(xùn)練輸電設(shè)備缺陷分類器。針對(duì)每一種輸電設(shè)備訓(xùn)練分類器使用步驟（3）中制作的訓(xùn)練樣本數(shù)據(jù)訓(xùn)練分類器。（6）輸電設(shè)備缺陷分類器測(cè)試與修正。針對(duì)每一種

輸電設(shè)備的缺陷分類器，使用步驟（3）中的測(cè)試數(shù)據(jù)測(cè)試其準(zhǔn)確率。依據(jù)準(zhǔn)確率高低，判斷接下來(lái)是否需要添加樣本或修改訓(xùn)練參數(shù)繼續(xù)進(jìn)行訓(xùn)練。（7）模型使用。將（1）～（6）步驟訓(xùn)練好的FasterRcnn模型以及針對(duì)每種輸電設(shè)備的缺陷分類器組合使用。將每次無(wú)人機(jī)巡檢得到的輸電線路設(shè)備照片首先送入Faster-Rcnn提取出其中包含輸電設(shè)備的區(qū)域，并判斷每塊區(qū)域所包含的輸電設(shè)備的種類。然后，依據(jù)種類將其送入該種設(shè)備的缺陷分類器，判斷是否具有缺陷及缺陷類型。若有缺陷，則將缺陷設(shè)備所在位置以及缺陷類型，在輸電線路設(shè)備照片中標(biāo)注出來(lái)。（8）模型參數(shù)更新。在已有的機(jī)器識(shí)別結(jié)果中抽取部分典型的圖片，重新制作新的訓(xùn)練樣本。在原有模型的基礎(chǔ)上不斷更新Faster-Rcnn以及缺陷分類器的模型參數(shù)，使得模型不斷優(yōu)化，準(zhǔn)確率不斷提高。

2.基于Faster-Rcnn算法的多目標(biāo)物體識(shí)別方法。多目標(biāo)物體識(shí)別方法，采用Faster-Rcnn算法，可以同時(shí)從一張無(wú)人機(jī)巡檢圖片中識(shí)別出所有需要進(jìn)行缺陷識(shí)別的設(shè)備，且精確找出目標(biāo)在圖片中的位置。Faster-Rcnn算法主要分為3個(gè)步驟：1）使用卷積神經(jīng)網(wǎng)絡(luò)從原始圖片中提取圖片的卷積特征。2）使用RegionProposalNetwork提取可能存在目標(biāo)設(shè)備的候選區(qū)域。3）針對(duì)步驟2）中提取的候選區(qū)域，使用ROIpoolinglayer（ROIpoolinglayer層將每個(gè)候選區(qū)域的特征圖均勻分成M×N塊，對(duì)每塊進(jìn)行maxpooling）

從原始圖片的卷積特征圖中提取特征向量，將每個(gè)候選區(qū)域的特征向量送入分類器進(jìn)行分類，判斷其所屬的設(shè)備種類。同時(shí)，精確回歸出包含輸電設(shè)備的矩形區(qū)域的坐標(biāo)。

3.卷積神經(jīng)網(wǎng)絡(luò)模型。卷積神經(jīng)網(wǎng)絡(luò)模型屬于多層的神經(jīng)網(wǎng)絡(luò)，每一層的神經(jīng)網(wǎng)絡(luò)由多個(gè)二維平面構(gòu)成，每一個(gè)平面又包含多個(gè)神經(jīng)元。一般，包含卷積操作和池化操作。卷積神經(jīng)網(wǎng)絡(luò)的輸入是數(shù)字圖像，之后卷積層和池化層交替進(jìn)行。卷積神經(jīng)網(wǎng)絡(luò)能通過(guò)兩種方式降低參數(shù)的數(shù)目，分別是局部視野感知與參數(shù)共享。卷積層得到的特征圖即為，輸入圖像和卷積核運(yùn)算加上一個(gè)偏置后再通過(guò)激活函數(shù)所得的結(jié)果。

總之。無(wú)人機(jī)立體智能巡檢應(yīng)用平臺(tái)研究關(guān)鍵點(diǎn)及難點(diǎn)在于，基于深度卷積神經(jīng)網(wǎng)絡(luò)算法的巡檢圖像輸電設(shè)備缺陷識(shí)別技術(shù)研究。該技術(shù)針對(duì)輸電桿塔的高清圖像，利用Faster-Rcnn算法完成對(duì)輸電設(shè)備缺陷的自動(dòng)識(shí)別，并進(jìn)行缺陷種類的分類。從而能夠極大程度上縮小人工識(shí)別缺陷圖像的工作量，且提高了巡視效率和質(zhì)量。

參考文獻(xiàn)：

[1]張萍.輸電線路缺陷在線監(jiān)控系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn).2018.[2]韓小方.基于無(wú)人機(jī)圖像識(shí)別技術(shù)的輸電線路缺陷檢測(cè)的分析.2019.