譚興華，楊 東，張 輝，郭振華

（河南四達檢測技術有限公司，許昌461000）

張力夾固定在傳輸線上后，不能拆卸[1]，壓接質(zhì)量的好壞直接影響到輸電線路運行的安全性和可靠性[2]。一般來說，張力夾的缺陷都是由于長期使用中出現(xiàn)的質(zhì)量問題造成的，一旦出現(xiàn)質(zhì)量問題，會導致更嚴重的社會影響。由此可見，檢測張力鉗的質(zhì)量是非常重要的[3]。文獻[4]利用X 射線無損探傷技術，實現(xiàn)耐張線夾的缺陷檢測，但是其存在安裝難度高與輻射強等缺點；文獻[5]通過融合重點部位特征，利用深度可分離卷積提取特征，再通過多尺度特征融合方法實現(xiàn)檢測，但是其存在無法精準檢測內(nèi)部缺陷的缺點。

X 射線數(shù)字成像技術安裝儀器難度較高，且工作強度較大，檢測時間較長，另外因為射線具有強烈的輻射性，檢驗人員必須穿著特殊的防輻射服進行登高作業(yè)，危險性較高。無人機檢測方法檢測效率高且地理環(huán)境影響較小，但是該檢測方法只能觀測到線路外觀完好程度，不能檢測到電纜或金具內(nèi)部，因此也不能保證檢驗的準確性。為解決這一問題，提出基于無人機與X 射線數(shù)字成像技術的輸電線路耐張線夾檢測方法，充分利用兩者的優(yōu)點，精準檢測耐張線夾的缺陷，為維修人員提供準確的數(shù)據(jù)支持。

1 基于無人機與X 射線數(shù)字成像技術的輸電線路耐張線夾檢測方法

將無人機作為飛行平臺，在其內(nèi)部安裝X 射線數(shù)字成像儀器，二者配合使用完成輸電線路耐張線夾檢測，解決無人機無法檢測內(nèi)部與X 射線數(shù)字成像儀器檢測過程繁瑣等問題[6]。利用無人機在輸電線路耐張線夾附近進行巡檢，通過X 射線數(shù)字成像儀器采集耐張線夾內(nèi)部圖像信息，依據(jù)其層級識別模型的圖像處理方法獲取耐張線夾的缺陷類別，輸出檢測結(jié)果[7]。無人機搭載X 射線數(shù)字成像儀器的輸電線路耐張線夾巡檢流程如圖1所示。

圖1 輸電線路耐張線夾檢測流程Fig.1 Detection flow chart of tension clamp of transmission line

具體步驟如下：

步驟1明確X 射線數(shù)字成像技術巡檢任務，確定耐張線夾為X 射線數(shù)字成像技術巡檢對象。

步驟2采集巡檢區(qū)域資料，勘察巡檢區(qū)域，規(guī)劃巡檢路徑。

步驟3制定飛行計劃，保證無人機飛行安全，完成工作人員工作需求。

步驟4利用X 射線數(shù)字成像儀器采集耐張線夾圖像信息，依據(jù)現(xiàn)場情況及時調(diào)整無人機位置，使X 射線數(shù)字成像儀器采集更加清晰的圖像信息。

步驟5通過層級識別模型處理采集的圖像信息，獲取耐張線夾缺陷類別檢測結(jié)果[8]。

步驟6輸出檢測報告。

1.1 X 射線數(shù)字成像技術

X 射線數(shù)字成像儀器依據(jù)X 射線數(shù)字成像技術實現(xiàn)耐張線夾的檢測。X 射線數(shù)字成像技術可有效采集耐張線夾內(nèi)部材料與厚度等信息。X 射線數(shù)字成像儀器由X 射線發(fā)射儀、成像板與圖像處理技術三部分組成，利用第一部分發(fā)射X 射線；通過第二部分接收成像數(shù)據(jù)；利用第三部分分析成像數(shù)據(jù)，獲取檢測結(jié)果[9]；其操作流程如圖2所示。

圖2 操作流程Fig.2 Operation flow chart

具體步驟如下：

步驟1在無人機內(nèi)部安裝X 射線數(shù)字成像儀器。

步驟2開啟X 射線儀，發(fā)射X 射線。

步驟3利用成像板完成數(shù)字成像，獲取耐張線夾圖像信息。

步驟4通過層級識別模型處理圖像信息，判斷是否需要調(diào)整無人機位置，若無需調(diào)整位置，則輸出檢測結(jié)果。

1.2 層級識別模型的圖像處理方法

利用層級識別模型處理采集的圖像信息，處理流程如圖3所示。

圖3 圖像處理流程Fig.3 Image processing flow chart

利用Faster R-CNN 算法構(gòu)建耐張線夾區(qū)域定位模型，利用該模型分析采集的圖像，預測精準的耐張線夾區(qū)域邊界框；利用Yolov3 算法與RetinaNet 算法構(gòu)建耐張線夾檢測模型，將區(qū)域邊界框作為其輸入，精準檢測耐張線夾缺陷類別，獲取其坐標位置，并還原至原圖像坐標[10]。

1.2.1 耐張線夾區(qū)域定位模型

利用Faster R-CNN 算法構(gòu)建耐張線夾區(qū)域定位模型，提升檢測精度[11]；該模型的損失包含兩個部分，分別是區(qū)域生成網(wǎng)絡與Fast R-CNN，分類損失與回歸損失屬于兩者的損失類型，表達公式如下：

式中：i 為各圖像集合內(nèi)錨的索引；pi為錨內(nèi)不存在缺陷的概率，在pi=1 情況下表示包含缺陷，在pi=0情況下表示不包含缺陷；pi*為實際錨內(nèi)不存在缺陷的概率；qi為預測耐張線夾區(qū)域邊界框的坐標參數(shù)；qi*為在pi=1 情況下和anchor 相應的實際邊界框坐標參數(shù)；pi*Lr為在pi=1 情況下anchor 的回歸損失；｛Pi｝與｛qi｝為分類層與回歸層的輸出；Nc與Nr為兩種損失的數(shù)量；λ 為權(quán)重。

兩種損失的損失函數(shù)表達公式如下：

式中：R 為smooth 函數(shù)的參數(shù)，其表達公式如下：

式中：z 為圖像。

區(qū)域預測邊界框回歸計算的方法如下：

式中：w 為預測的寬；x 與y 為預測核心位置；h 為預測的高；下標a 為錨框信息；上標* 為耐張線夾真實區(qū)域邊界框信息。

各q 內(nèi)均存在兩個部分，分別是分類器dq與回歸器fq，其中fq是由對應IoU 閾值uq改進獲取，且uq＞uq-1。uq在損失函數(shù)L（xq，g）內(nèi)學習，L（xq，g）的表達公式如下：

式中：g 為預測耐張線夾區(qū)域邊界框的基礎真實對象；bq為在uq條件時的預測耐張線夾區(qū)域邊界框標簽；bq=fq-1（xq-1，bq-1）；預測耐張線夾區(qū)域邊界框回歸的u 與分類的u 完全一致。

1.2.2 耐張線夾檢測模型

利用Yolov3 算法與RetinaNet 算法構(gòu)建耐張線夾檢測模型，提升檢測速度[12]。該模型的損失函數(shù)表達公式如下：

式中：s2為模型網(wǎng)格大小，通過各網(wǎng)格形成的B 個候選框，獲取對應的耐張線夾缺陷邊界框[13]；為第i個網(wǎng)格的第j 個anchor box 是否需要管理該object的參數(shù)；為無需管理該object 的參數(shù)；為置信度，通過網(wǎng)格缺陷邊界框是否需要檢測某個耐張線夾獲取的值，如果需要檢測，則=1，如果無需檢測，則=0[14]；為第i 個網(wǎng)格的第j 個anchor box 出現(xiàn)目標耐張線夾的概率。

利用RetinaNet 算法解決耐張線夾檢測模型不平衡現(xiàn)象，該算法中包含F(xiàn)ocal loss 損失函數(shù)，其表達公式如下：

式中：?為平衡因子，其作用是平衡樣本間的差距，但不能平衡難度較低與較大樣本；γ 為平衡難度較低樣本權(quán)重降低速率的調(diào)整因子，在γ＝0 情況下，說明損失函數(shù)屬于交叉熵損失，在γ＞0 且不斷提升的情況下，平衡因子也隨之提升。

通過加權(quán)平均融合方法融合層級識別模型內(nèi)的算法，其步驟如下：

步驟1利用非極大值抑制方法（non maximum suppression，NMS），確定兩個模型輸出邊界框u 值，其取值均為0.4。

步驟2按照耐張線夾區(qū)域定位模型與耐張線夾檢測模型的精準性為其賦予不同權(quán)重，兩個模型的權(quán)重之和是1。

步驟3各模型的權(quán)重與其對應模型的置信度相乘，獲取新的耐張線夾缺陷邊界框得分[15]。

步驟4利用NMS 確定融合后新的耐張線夾缺陷邊界框得分的u 值，取值是0.4，輸出耐張線夾缺陷檢測結(jié)果。

2 實驗分析

以某部分輸電線路的耐張線夾為實驗對象，該部分輸電線路包含612 個耐張線夾，其型號是NY18525N，外徑是46 mm，內(nèi)徑是29.6 mm，利用本文方法對該部分輸電線路的耐張線夾展開檢測，本文方法檢測耐張線夾的透照參數(shù)如表1所示。

表1 透照參數(shù)Tab.1 Transillumination parameters

平衡因子與調(diào)整因子的取值對于本文方法檢測的精準性至關重要，在該部分輸電線路內(nèi)隨機選取一個耐張線夾，測試本文方法在不同平衡因子與調(diào)整因子取值時，其檢測的平均精度均值，選取最佳的平衡因子與調(diào)整因子取值，測試結(jié)果如圖4與圖5所示。

圖4 不同平衡因子取值時平均精度均值測試結(jié)果Fig.4 Test results of average accuracy with different balance factors

圖5 不同調(diào)整因子取值時平均精度均值測試結(jié)果Fig.5 Test results of average precision with different adjustment factors

根據(jù)圖4可知，隨著平衡因子的不斷提升，本文方法檢測耐張線夾的平均精度均值呈先增長后下降的趨勢，當平衡因子取值為0.25 時，平均精度均值達到最高。實驗證明，在平衡因子取值為0.25時，本文方法檢測耐張線夾的精準性最高。

根據(jù)圖5可知，隨著調(diào)整因子的逐漸增長本文方法檢測耐張線夾的平均精度均值也呈先增長后下降的趨勢，當調(diào)整因子取值為2.0 時，平均精度均值達到最高。實驗證明，在調(diào)整因子取值為2.0 時，本文方法檢測耐張線夾的精準性最高。

利用本文方法獲取該部分輸電線路耐張線夾區(qū)域邊界框，某一耐張線夾區(qū)域邊界框定位結(jié)果如圖6所示。

圖6 耐張線夾區(qū)域邊界框定位結(jié)果Fig.6 Positioning results of boundary box in tension clamp area

根據(jù)圖6可知，本文方法能夠精準定位耐張線夾的區(qū)域，獲取其區(qū)域定位邊界框，且清晰度高，為后續(xù)耐張線夾檢測提供既精準又清晰的區(qū)域定位邊界框，提升其檢測精度。

利用本文方法依據(jù)耐張線夾區(qū)域定位邊界框檢測該部分輸電線路耐張線夾，耐張線夾檢測結(jié)果如7 所示。

根據(jù)圖7可知，本文方法能夠有效獲取耐張線夾圖像，進而獲取缺陷邊界框，通過分析缺陷邊界框完成耐張線夾的缺陷類別檢測。

圖7 耐張線夾檢測結(jié)果Fig.7 Test results of strain clamp

利用本文方法檢測不同電壓等級時該部分輸電線路中的612 個耐張線夾的質(zhì)量，耐張線夾主要包含上一實驗中獲取的4 種缺陷類型，不同電壓等級時耐張線夾檢測結(jié)果如表2所示。

表2 耐張線夾檢測結(jié)果Tab.2 Test results of strain clamp

根據(jù)表2可知，本文方法能夠有效檢測出不同電壓等級時耐張線夾的不同缺陷類型，不同電壓等級時該部分輸電線路內(nèi)耐張線夾的合格率在51.5%～76.5%之間。實驗證明，在不同電壓等級時，本文方法能夠有效檢測出耐張線夾的缺陷類型，為工作人員維修耐張線夾提供決策依據(jù)。

將X 射線無損探傷檢測方法與多尺度特征融合檢測方法作為本文方法的對比方法，這兩種方法分別來源于文獻[4]與文獻[5]方法，利用3 種方法檢測330 kV 電壓等級時各缺陷類型的耐張線夾，統(tǒng)計3 種方法檢測的查全率、查準率與平均精度均值，統(tǒng)計結(jié)果如表3所示。

表3 統(tǒng)計結(jié)果Tab.3 Statistical results

根據(jù)表3可知，在檢測不同缺陷類型的耐張線夾時，本文方法的平均查全率與查準率分別是97.3%與98.7%，其余兩種方法這兩個指標分別是82.4%、74.4%與81.7%、84.8%，針對這兩個指標本文方法明顯高于其余兩種方法；在檢測不同缺陷類型的耐張線夾時，本文方法的平均精度均值也高于其余兩種方法。實驗證明，本文方法在檢測耐張線夾缺陷類型方面具備較優(yōu)的檢測效果。

3 結(jié)語

依據(jù)耐張線夾的實際應用情況可知，其質(zhì)量問題會直接導致輸電線路出現(xiàn)故障，嚴重影響用戶供電質(zhì)量。為此研究精準、高效的無損檢測方法屬于一種必然趨勢，本文提出一種基于無人機與X 射線數(shù)字成像技術的輸電線路耐張線夾檢測方法，通過結(jié)合兩種技術，彌補彼此不足，提高耐張線夾檢測效果。