謝偉，沈曉峰，李軼，張成，賀潤平，王哲斐

(1.國網(wǎng)上海市電力公司青浦供電公司, 上海 201799；2.上海四量電子科技有限公司，上海 201315)

隨著經(jīng)濟(jì)的不斷發(fā)展，我國電網(wǎng)規(guī)模日益龐大，輸電環(huán)節(jié)作為其中電壓等級(jí)相對(duì)最高、橫跨物理距離最遠(yuǎn)的部分，一直都是構(gòu)筑堅(jiān)強(qiáng)電網(wǎng)過程中的重中之重[1-4]。

在中高壓輸電通道中，架空線作為主要的傳輸載體，具有分布廣泛、通道情況復(fù)雜的特點(diǎn)[5-6]。因此，針對(duì)輸電線路的安全巡視與防護(hù)較為困難。常見的輸電線路安全威脅主要包括冰雪雷電等惡劣天氣、林區(qū)高樹、違章建筑、大型工程機(jī)械等，其中人為的外力撞擊占比接近25%，在這些外力撞擊中工程機(jī)械占比接近80%[7-8]。外力撞擊不僅會(huì)產(chǎn)生永久故障點(diǎn)使得輸電線路跳閘，造成系統(tǒng)穩(wěn)定性下降甚至負(fù)荷丟失，并且會(huì)對(duì)當(dāng)事人的人身安全產(chǎn)生嚴(yán)重威脅，危害極大[9]。因此，對(duì)輸電線路采取有效的狀態(tài)監(jiān)測措施是非常必要的。

目前，各輸電運(yùn)檢單位采取的狀態(tài)監(jiān)測措施主要包括3種：

a)人工巡視線路。這種方式雖然防護(hù)效果較好，但由于輸電線路跨度太大，需要的人力成本非常高，難以保證防護(hù)覆蓋面。

b)線路周圍架設(shè)紅外、激光傳感器。當(dāng)有異物進(jìn)入監(jiān)測范圍時(shí)，即觸發(fā)報(bào)警設(shè)備。這種設(shè)備雖然靈敏度高，但容易受到環(huán)境影響造成誤報(bào)，使得運(yùn)檢人員無法判斷是否需要進(jìn)行現(xiàn)場處理。

c)在輸電通道內(nèi)架設(shè)攝像頭，將通道內(nèi)畫面實(shí)時(shí)傳輸?shù)奖O(jiān)控中心，由工作人員進(jìn)行實(shí)時(shí)監(jiān)控。這種方式雖然較人工巡視線路顯著提升了效率，但仍需工作人員時(shí)刻觀看監(jiān)控畫面，難以保證監(jiān)控的可靠性。

隨著物聯(lián)網(wǎng)技術(shù)和人工智能技術(shù)的發(fā)展，輸電線路狀態(tài)監(jiān)測逐漸實(shí)現(xiàn)了由人工離線監(jiān)測向機(jī)器智能在線監(jiān)測的轉(zhuǎn)變。例如：通過激光監(jiān)測技術(shù)實(shí)時(shí)監(jiān)測外來物體引起的高壓線磁場強(qiáng)度變化，進(jìn)而關(guān)聯(lián)人工智能算法實(shí)現(xiàn)安全預(yù)警，但這種方法對(duì)于外來物體類型的識(shí)別精度較低，難以為工作人員提供準(zhǔn)確預(yù)警信息[10]；通過紅外傳感器進(jìn)行異物探測，但這種方法受環(huán)境影響較為明顯[11]；使用攝像頭采集圖像，然后利用圖像處理及識(shí)別算法實(shí)現(xiàn)防撞預(yù)警，其效果相比其他方法有了顯著的提升，但僅使用視頻圖像作為特征參量，識(shí)別精度仍有提升空間[12-13]。

本文針對(duì)輸電線路狀態(tài)監(jiān)測方法存在的問題，提出基于粒子群優(yōu)化(particle swarm optimization，PSO)算法-反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)特征識(shí)別的輸電線路外力破壞檢測方法。該方法通過監(jiān)控?cái)z像、微波測距2個(gè)模塊，識(shí)別輸電線路周邊的運(yùn)動(dòng)目標(biāo)，進(jìn)而提取該目標(biāo)的三維特征量——H直方圖、樣本最小矩形和微波測距結(jié)果，通過這3個(gè)特征量完成PSO-BP模式識(shí)別算法的學(xué)習(xí)與識(shí)別，從而精準(zhǔn)判斷檢測到的異物是否對(duì)線路產(chǎn)生安全威脅，方便工作人員及時(shí)進(jìn)行處理。最后，通過實(shí)驗(yàn)對(duì)本文方法用于輸電線路狀態(tài)監(jiān)測的有效性進(jìn)行驗(yàn)證。

1 系統(tǒng)概述

基于PSO-BP特征識(shí)別的輸電線路外力破壞檢測系統(tǒng)硬件主要包括2個(gè)部分：輸電線路現(xiàn)場部分，包括微波測距模塊、監(jiān)控?cái)z像模塊、前端處理模塊、感應(yīng)取電模塊和通信模塊；后臺(tái)部分，包括后臺(tái)處理系統(tǒng)。系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)結(jié)構(gòu)

該系統(tǒng)在運(yùn)轉(zhuǎn)過程中，首先通過微波測距模塊和監(jiān)控?cái)z像模塊獲取目標(biāo)樣本信息，然后通過前端處理模塊檢測運(yùn)動(dòng)目標(biāo)，提取H直方圖、樣本最小矩形和微波測距結(jié)果三維特征量，最終通過通信模塊進(jìn)行數(shù)據(jù)傳輸。以上硬件模塊的供能通過感應(yīng)取電模塊實(shí)現(xiàn)，輸電線路的感應(yīng)電可以有效解決前端硬件的供能問題。

本文輸電線路現(xiàn)場部分裝置實(shí)物如圖2所示。裝置各模塊通過有線方式級(jí)聯(lián)，整合封裝后體積較小，可適應(yīng)各類輸電線路現(xiàn)場環(huán)境的安裝。

圖2 裝置實(shí)物

三維特征量信息傳輸?shù)胶笈_(tái)，通過后臺(tái)處理系統(tǒng)中內(nèi)置的PSO-BP算法進(jìn)行模式識(shí)別，即可輸出識(shí)別結(jié)果。輸出的結(jié)果可以直接用于設(shè)定好的威脅處理機(jī)制，方便機(jī)器或工作人員對(duì)輸電線路周圍具有威脅的物體進(jìn)行及時(shí)處置，實(shí)現(xiàn)輸電線路的防撞。工作人員可以對(duì)本次識(shí)別過程進(jìn)行確認(rèn)，將確認(rèn)的結(jié)果輸入到PSO-BP模型中，作為模型的一次學(xué)習(xí)，逐漸提升模型輸出結(jié)果的可靠性。采用前后端配合的系統(tǒng)模式，系統(tǒng)僅儲(chǔ)存并傳輸檢測到的運(yùn)動(dòng)目標(biāo)的三維特征量，節(jié)約前端處理系統(tǒng)的內(nèi)存資源和前后端之間的通信資源；采用感應(yīng)取電的供電模式，解決前端系統(tǒng)的供能問題。以上措施減少了系統(tǒng)的造價(jià)及運(yùn)營費(fèi)用，提升了系統(tǒng)應(yīng)用的經(jīng)濟(jì)性。

2 運(yùn)動(dòng)目標(biāo)檢測

對(duì)目標(biāo)區(qū)域進(jìn)行不間斷的實(shí)時(shí)監(jiān)測會(huì)占用大量內(nèi)存資源，目標(biāo)區(qū)域的背景也會(huì)對(duì)威脅樣本的識(shí)別產(chǎn)生影響。因此，對(duì)目標(biāo)區(qū)域中的運(yùn)動(dòng)目標(biāo)進(jìn)行檢測是必要的，可以使系統(tǒng)僅針對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行圖像存儲(chǔ)、處理與識(shí)別，節(jié)約系統(tǒng)資源，提高識(shí)別精度。

運(yùn)動(dòng)目標(biāo)檢測方法主要包括背景幀差法、相鄰幀差法等。其中，相鄰幀差法的檢測實(shí)時(shí)性更好，其主要算法原理是通過將連續(xù)2幀圖像進(jìn)行差分運(yùn)算，然后利用閾值設(shè)定來識(shí)別發(fā)生變化的像素，這些像素構(gòu)成的集合即為運(yùn)動(dòng)目標(biāo)的圖像。

設(shè)st(x,y)為t時(shí)刻圖像中(x,y)坐標(biāo)處的像素值，則t時(shí)刻的像素差

Dt(x,y)=|st(x,y)-st-1(x,y)|.

(1)

設(shè)定閾值M，可得用以判定該像素是否為運(yùn)動(dòng)目標(biāo)像素的結(jié)果值rt(x,y)：

(2)

rt(x,y)=1時(shí)，將該像素點(diǎn)加入運(yùn)動(dòng)目標(biāo)像素集合。

(3)

rt′(x,y)=1時(shí)，在t時(shí)刻的像素點(diǎn)(x,y)為運(yùn)動(dòng)目標(biāo)像素集合S的元素。

運(yùn)動(dòng)目標(biāo)像素集合S生成后，即可縮小樣本目標(biāo)范圍，方便下一步對(duì)樣本目標(biāo)進(jìn)行H直方圖、樣本最小矩形等特征量的提取。

3 多維目標(biāo)特征提取

為了提升識(shí)別精度，設(shè)置目標(biāo)的三維特征量——H直方圖、樣本最小矩形和微波測距結(jié)果，分別描述識(shí)別目標(biāo)的顏色特征、形狀特征和動(dòng)態(tài)特征，使機(jī)器學(xué)習(xí)算法可以精準(zhǔn)識(shí)別輸電線路周圍異物類型，及時(shí)預(yù)警。

3.1 微波測距

視覺傳感器采集的圖像只能識(shí)別目標(biāo)類型，無法判斷目標(biāo)與線路之間的距離，容易誤判尚未構(gòu)成威脅的目標(biāo)。因此，本文的系統(tǒng)中加入微波測距模塊，對(duì)線路周邊的異物進(jìn)行實(shí)時(shí)微波測距。

微波測距結(jié)果作為目標(biāo)特征量之一，在數(shù)據(jù)庫建立及模式識(shí)別的過程中均作為輸入量，以保證易產(chǎn)生威脅目標(biāo)處于威脅范圍之內(nèi)時(shí)，系統(tǒng)再進(jìn)行精準(zhǔn)報(bào)警，減少系統(tǒng)誤報(bào)次數(shù)，提高輸電線路防撞在線監(jiān)測的可靠性。

3.2 最小矩形提取

架空輸電線路與地面之間的距離較遠(yuǎn)，因此人為外力撞擊通常都是由于附近高大作業(yè)機(jī)械違規(guī)施工造成的，該類機(jī)械在作業(yè)時(shí)的形狀具有顯著特點(diǎn)。例如圖3所示的大型吊車，其長寬比顯著區(qū)別于其他可移動(dòng)目標(biāo)。

因此，本文對(duì)運(yùn)動(dòng)目標(biāo)檢測環(huán)節(jié)識(shí)別出的樣本進(jìn)行最小矩形外框提取。具體做法為：對(duì)運(yùn)動(dòng)目標(biāo)像素集合S中的像素點(diǎn)進(jìn)行兩兩歐氏距離遍歷求和，取其中距離最大的2個(gè)像素點(diǎn)作為對(duì)角線兩端端點(diǎn)，繪制出目標(biāo)樣本的最小矩形。最小矩形提取的效果如圖3所示，本文算法較為準(zhǔn)確地提取到了吊車機(jī)械臂的形狀。

圖3 最小矩形提取

提取到最小矩形后，即可計(jì)算矩形的長寬比例，該數(shù)據(jù)作為數(shù)據(jù)庫和模式識(shí)別過程中的輸入量，可以有效識(shí)別大型機(jī)械吊車的存在。

3.3 H直方圖

在可能威脅到輸電線路的大型作業(yè)車輛中，黃色涂裝和綠色涂裝的車輛占比較高。據(jù)江蘇某輸電運(yùn)檢部門統(tǒng)計(jì)，造成輸電線路故障的大型作業(yè)機(jī)械中，95%的涂裝顏色為黃色和綠色。因此，通過識(shí)別運(yùn)動(dòng)目標(biāo)顏色這一特征量，可以有效提高大型作業(yè)機(jī)械的識(shí)別精度，提升防撞在線監(jiān)測的可靠性。

本文針對(duì)運(yùn)動(dòng)目標(biāo)像素集合S中的像素點(diǎn)，進(jìn)行色調(diào)-飽和度-強(qiáng)度(hue-saturation-value，HSV)分析。在顏色分析中，根據(jù)色調(diào)值H繪制集合S的H直方圖。

通常圖片的像素點(diǎn)是由紅-綠-藍(lán)(red-green-blue，RGB)三基色像素描述的，每種基色取值范圍為0～255。RGB像素轉(zhuǎn)化為H值的公式為：

(4)

式中：R為紅色色調(diào)值；G為綠色色調(diào)值；B為藍(lán)色色調(diào)值；V為紅、綠、藍(lán)色調(diào)最大值；Q為紅、綠、藍(lán)色調(diào)最小值。

以圖3中的運(yùn)動(dòng)物體為例，其H直方圖如圖4所示。該圖展示了圖3中運(yùn)動(dòng)物體的像素集合中，不同H值對(duì)應(yīng)的像素點(diǎn)個(gè)數(shù)。其中，每個(gè)像素點(diǎn)都可用式(4)計(jì)算出其對(duì)應(yīng)的H值。

圖4 H直方圖

在數(shù)據(jù)庫建立及模式識(shí)別過程中，將H直方圖對(duì)應(yīng)的H值分布向量作為輸入量，利用顏色特征進(jìn)一步提升威脅樣本的識(shí)別精度。

4 基于PSO-BP的特征識(shí)別與學(xué)習(xí)

4.1 算法策略

在威脅樣本的識(shí)別環(huán)節(jié)，本文選取BP神經(jīng)網(wǎng)絡(luò)作為模式識(shí)別算法[14-15]。同時(shí)，為了提升算法性能，在神經(jīng)網(wǎng)絡(luò)初值選取的過程中，使用PSO算法進(jìn)行優(yōu)化選取，構(gòu)成了PSO-BP模式識(shí)別算法。

在算法實(shí)現(xiàn)過程中，首先需要準(zhǔn)備一定數(shù)量的樣本示例，包括威脅樣本與非威脅樣本，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。當(dāng)系統(tǒng)在實(shí)際運(yùn)行過程中發(fā)現(xiàn)運(yùn)動(dòng)目標(biāo)時(shí)，即自動(dòng)生成目標(biāo)的多維特征并輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中進(jìn)行識(shí)別。工作人員將該識(shí)別結(jié)果反饋給系統(tǒng)，使該次識(shí)別過程可以作為神經(jīng)網(wǎng)絡(luò)的一次學(xué)習(xí)過程，逐漸增強(qiáng)系統(tǒng)的識(shí)別精確度。

4.2 BP神經(jīng)網(wǎng)絡(luò)算法架構(gòu)

BP神經(jīng)網(wǎng)絡(luò)包含輸入層、隱含層和輸出層3層數(shù)據(jù)結(jié)構(gòu)[16-19]。輸入層輸入的數(shù)據(jù)包含H值分布向量、最小矩形長寬比和微波測距結(jié)果，輸入層神經(jīng)元的個(gè)數(shù)與輸入的數(shù)據(jù)維度一致；隱含層的神經(jīng)元數(shù)目并不固定，通過實(shí)驗(yàn)進(jìn)行優(yōu)化調(diào)節(jié)；輸出層輸出的數(shù)據(jù)是輸入樣本與數(shù)據(jù)庫中與之最相似樣本的相似度。識(shí)別結(jié)果有2種情況：

a)識(shí)別出的樣本為非威脅樣本，那么該次識(shí)別結(jié)果為非威脅樣本。

b)識(shí)別出的樣本為威脅樣本，那么：當(dāng)相似度超過了設(shè)定的閾值時(shí)，則識(shí)別結(jié)果為威脅樣本；當(dāng)相似度低于設(shè)定的閾值時(shí)，則識(shí)別結(jié)果為非威脅樣本。

本文BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

輸入層-隱含層、隱含層-輸出層的鏈接函數(shù)分別使用sigmoid函數(shù)和線性傳播函數(shù)。

本文神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法使用牛頓法的改進(jìn)算法——Levenberg-Marquardt算法，具有收斂快、精度高的特點(diǎn)，訓(xùn)練迭代公式為

xk+1=xk-[JTJ+μI]-1JTe.

(5)

式中：J為雅克比矩陣；μ為權(quán)重系數(shù)；e為誤差向量；I為單位向量；xk為算法第k次迭代輸出結(jié)果。

4.3 基于PSO的網(wǎng)絡(luò)初始化

BP神經(jīng)網(wǎng)絡(luò)每層結(jié)構(gòu)都包含若干神經(jīng)元，這些神經(jīng)元在迭代計(jì)算的過程中代表某一權(quán)重值參與計(jì)算。因此，神經(jīng)元初值的選取對(duì)于神經(jīng)網(wǎng)絡(luò)的尋優(yōu)精確度和收斂速度有較大的影響。為了提升本文BP神經(jīng)網(wǎng)絡(luò)的算法性能，使用PSO算法對(duì)各神經(jīng)元的初值進(jìn)行優(yōu)化設(shè)置[20-22]。

用向量L表示粒子，那么L中包含所有神經(jīng)元的權(quán)重值，同時(shí)L也是粒子在空間中的坐標(biāo)。設(shè)粒子在空間中的速度為P，PSO算法的迭代方程為：

Pid(m+1)=

wPid(m)+c1a(pbest(m)-Lid(m))+

c2a(gbest(m)-Lid(m)),

(6)

Lid(m+1)=Lid(m)+Pid(m+1).

(7)

式中：Pid(m)為第m次迭代時(shí)粒子i在維度d上的速度；Lid(m)為粒子位置；pbest為局部最優(yōu)值；gbest為全局最優(yōu)值；a為[0，1]間的隨機(jī)數(shù)；c1、c2、w為調(diào)節(jié)系數(shù)。

為了提升PSO算法的尋優(yōu)能力與速度，本文對(duì)w值進(jìn)行修正，表達(dá)式為

(8)

式中：mmax為最大迭代次數(shù)；wmax、wmin分別為w的最大值、最小值。

通過式(8)的修正，可以使PSO算法在尋優(yōu)初期時(shí)步長較大，在尋優(yōu)后期逐漸縮小步長，同時(shí)兼顧尋優(yōu)速度及精確度。

5 實(shí)驗(yàn)驗(yàn)證

5.1 實(shí)驗(yàn)設(shè)置

為了驗(yàn)證本文輸電線路狀態(tài)監(jiān)測方法的有效性，在現(xiàn)場使用攝像模塊和微波測距模塊采集樣本，結(jié)合歷史數(shù)據(jù)留存的樣本，共建立包含不同機(jī)械設(shè)備、不同區(qū)域、不同角度的976個(gè)數(shù)據(jù)庫樣本。其中含有威脅樣本和非威脅樣本，用以訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型。樣本示例如圖6所示。

圖6 實(shí)驗(yàn)樣本示例

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，另外準(zhǔn)備273個(gè)樣本用以進(jìn)行算法測試，其中威脅樣本76個(gè)，非威脅樣本197個(gè)，較為符合現(xiàn)實(shí)中樣本分類的比例。

5.2 實(shí)驗(yàn)結(jié)果及分析

現(xiàn)場使用攝像模塊采集運(yùn)動(dòng)目標(biāo)圖像，利用本文運(yùn)動(dòng)目標(biāo)檢測算法生成各運(yùn)動(dòng)目標(biāo)的像素集合S。為了檢驗(yàn)算法有效性，同步對(duì)運(yùn)動(dòng)目標(biāo)圖像進(jìn)行人工框取，生成檢驗(yàn)集合S′，將其與集合S進(jìn)行像素相似度對(duì)比，結(jié)果見表1。

表1 不同類型運(yùn)動(dòng)目標(biāo)檢測準(zhǔn)確率

從表1可以看出，本文運(yùn)動(dòng)目標(biāo)檢測算法對(duì)于大型吊車的檢測準(zhǔn)確率可達(dá)95%左右，這是因?yàn)榈踯嚨醣鄹叨容^高，其背景圖像較為干凈，易于識(shí)別，并且檢測準(zhǔn)確率與運(yùn)動(dòng)物體的顏色關(guān)聯(lián)性較小。對(duì)于普通作業(yè)車輛和其他物體，其所占像素?cái)?shù)量較少，且對(duì)應(yīng)的背景較為復(fù)雜，因此檢測準(zhǔn)確率稍低。

5.3 多維特征識(shí)別結(jié)果及分析

通過5.1節(jié)中設(shè)置的實(shí)驗(yàn)，對(duì)本文基于PSO-BP特征識(shí)別的輸電線路外力破壞檢測方法的有效性進(jìn)行測試。如4.2節(jié)中所述，判定監(jiān)測樣本是否為威脅樣本，需要將系統(tǒng)輸出的相似度與閾值進(jìn)行比對(duì)，因此該閾值的設(shè)置對(duì)于識(shí)別準(zhǔn)確率的影響是較為明顯的。圖7展示了在不同閾值下識(shí)別準(zhǔn)確率的變化趨勢(shì)。為了驗(yàn)證本文PSO-BP算法的性能，選取BP神經(jīng)網(wǎng)絡(luò)算法和K值鄰近(K nearest neighbor，KNN)算法進(jìn)行對(duì)比測試。

圖7 算法測試準(zhǔn)確率

從圖7可以看出，各算法的識(shí)別準(zhǔn)確率隨著閾值的增長先增后降，PSO-BP、BP神經(jīng)網(wǎng)絡(luò)、KNN算法的最大識(shí)別準(zhǔn)確率分別為95.97%、91.94%、87.55%，對(duì)應(yīng)的閾值分別為86%、80%、78%。當(dāng)閾值為極大值或極小值時(shí)，失去了篩選作用，識(shí)別準(zhǔn)確率均分別歸于威脅樣本占比和非威脅樣本占比。

以上結(jié)果說明，本文使用的PSO-BP算法性能最優(yōu)，不僅識(shí)別準(zhǔn)確率高，且對(duì)應(yīng)的閾值最大，說明模式識(shí)別過程輸出的樣本相似度高，需要高閾值來進(jìn)行篩選。對(duì)于PSO-BP算法，使用低閾值反而會(huì)增加誤檢數(shù)量，降低識(shí)別準(zhǔn)確率；而高閾值并不會(huì)帶來過多的漏檢數(shù)量，保證了識(shí)別準(zhǔn)確率。

為了驗(yàn)證本文多維特征識(shí)別策略的有效性，分別單獨(dú)使用1個(gè)特征量進(jìn)行識(shí)別測試，測試結(jié)果如圖8所示。從圖8的結(jié)果可以看出，單一使用H值分布向量、最小矩形長寬比和微波測距結(jié)果作為特征量進(jìn)行識(shí)別，最大識(shí)別準(zhǔn)確率分別為83.88%、79.49%、77.29%，對(duì)應(yīng)的閾值為73%、62%、57%。H值分布向量、最小矩形長寬比2個(gè)特征量可以較好地描述大型作業(yè)車輛的特點(diǎn)，因此具有相對(duì)較高的識(shí)別準(zhǔn)確率，但與本文的多維特征識(shí)別方法相比仍有明顯差距，驗(yàn)證了本文算法測試的有效性。

圖8 單維特征識(shí)別準(zhǔn)確率

圖9展示了本文算法對(duì)于不同類型樣本的識(shí)別準(zhǔn)確率。從圖9可以看出，黃色涂裝吊車、綠色涂裝吊車和其他物體的識(shí)別準(zhǔn)確率分別達(dá)到97.56%、96.77%、92.17%，說明本文算法對(duì)于大型吊車的識(shí)別準(zhǔn)確率較高。這是因?yàn)樵?個(gè)特征量中，H值分布向量、最小矩形長寬比可以直接反映大型機(jī)械的顏色特點(diǎn)和形狀特點(diǎn)。如前文所述，輸電線路人為撞擊故障中80%的故障來源于大型機(jī)械，因此本文在實(shí)際應(yīng)用中的識(shí)別作用較為可靠。

圖9 不同類型樣本識(shí)別準(zhǔn)確率

6 結(jié)論

本文針對(duì)輸電線路狀態(tài)監(jiān)測，提出了基于PSO-BP特征識(shí)別的輸電線路外力破壞檢測方法。該方法通過攝像頭模塊和微波測距模塊等，實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)檢測和三維特征提取，包括H直方圖、樣本最小矩形、微波測距結(jié)果。特征量在作為識(shí)別輸入量的同時(shí)，也作為數(shù)據(jù)庫對(duì)PSO-BP模型進(jìn)行訓(xùn)練。采用PSO-BP算法計(jì)算輸出威脅樣本相似度，通過閾值的篩選即可準(zhǔn)確識(shí)別該目標(biāo)物體是否為威脅物體。通過實(shí)驗(yàn)的驗(yàn)證，得到以下結(jié)論：

a)本文算法主要針對(duì)人為撞擊因素進(jìn)行識(shí)別，可以實(shí)現(xiàn)95.97%的識(shí)別精確度，對(duì)于吊車等大型機(jī)械的識(shí)別精確度可達(dá)97%左右，說明本文選取的三維特征可以較好地描述大型機(jī)械的特點(diǎn)。

b)3個(gè)特征量單獨(dú)用于識(shí)別時(shí)，其精確度明顯低于三維特征識(shí)別，驗(yàn)證了本文多維特征識(shí)別算法策略的有效性。

c)在輸電線路的外力撞擊事故中，80%來源于大型工程機(jī)械，這正是本文算法識(shí)別精度最高的威脅樣本類型。因此，本算法在輸電線路運(yùn)檢工作中的實(shí)用性較好。