張家盛，梁進興

(1.華中科技大學能源與動力工程學院，湖北 武漢 430074；2.南方電網公司桂林供電局，廣西 桂林 541000)

0 引言

架空輸電線路是電力系統中重要組成部分[1]，承擔著電能傳輸的主要作用，是輸電系統的核心設備，架空路線的安全健康運行是穩(wěn)定安全電力輸送的重要保障[2]。在長時間的運行過程中，架空線路上起連接作用的金具、防震錘等金屬材料表面的防銹涂層會逐漸老化而失去保護作用[3]，若不及時處理該類缺陷會導致大規(guī)模電網停電甚至是人員安全事故發(fā)生[4]。對這類設備進行監(jiān)測和健康狀態(tài)評估，制定檢修運維策略，進而更好維護設備安全確保其能夠可靠地持續(xù)運行，是供電部門的迫切需求[5]。

傳統的對架空電力線路設備銹蝕狀態(tài)的監(jiān)測采用的是目視巡視和檢查的方式，工作量大且費時費力[6]。目前，采用無人機對架空線路進行巡檢的方式已經逐步普及應用，將拍攝的架空路線圖像回傳進行人工分析，但是對大量數據進行手工對比核實仍然是不小的工作量且容易出現紕漏[7]。當下對缺陷的圖像、視頻進行自動識別和處理還處于發(fā)展階段[8]，隨著生產管理要求的提高[9]，自動化缺陷檢測成為研究趨勢[10]。目前自動化缺陷檢測通常采用機器學習方法，其中深度神經網絡算法由于其強泛化能力和自學習性而被廣泛關注。

近年來學者對架空輸電線路圖像缺陷自動檢測做了不少研究，蔣志佳[11]采用傳統圖像識別技術對架空線路絕緣子裂縫進行識別；秦帥兵[12]采用深度學習方法對架空異物進行自動化檢測；王剛[13]對架空輸電線路本體缺陷圖像自動識別進行研究；繆希仁等[14]基于深度網絡對輸電線路防鳥刺部件進行識別與故障檢測；廖金[15]等采用深度學習方法對絕緣子掉串進行識別。金具銹蝕類缺陷是架空線路主要的缺陷，而當下對該類缺陷自動識別的研究并不充分，所以本文針對巡檢架空線路銹蝕圖像環(huán)境背景大、目標小等特點，提出基于深度學習的無人機巡檢架空線路金具銹蝕缺陷檢測方法。

1 金具銹蝕缺陷檢測模型搭建

1.1 圖像缺陷目標檢測

圖像缺陷目標檢測包含分類和定位兩項任務。首先判斷圖像中是否包含目標類別，接著在圖中標記出該類別所在位置[16]。該過程如圖1所示，主要包括圖像信息采集、圖像信息預處理、特征提取與選擇、尋找目標區(qū)域、分類決策五大步驟。早期圖像智能檢測技術大多是基于手工特征提取建構的，需要設計復雜的提取算法尋找目標區(qū)域，再送入分類器當中進行識別。深度卷積網絡可以自動學習分類特征方法，因診斷效果好、泛化能力強、魯棒性強等特點而被廣泛應用于圖像目標檢測。

圖1 圖像目標檢測過程

1.2 基于改進YOLO深度學習的檢測模型

目前用于目標識別、檢測的神經網絡模型有多種，比如Faster-RCNN、Mask-RCNN、YOLO等。其中YOLO(You Only Look Once)網絡是一種典型的單階段目標檢測網絡，因實時性好的特點而被運用于目標檢測。YOLO目標檢測網絡的結構如圖2所示，主要分為三個部分:主干特征提取網絡，作用是對圖片進行初步的特征提??；加強特征提取網絡SPP和PANet；預測網絡Yolo Head。

圖2 YOLO網絡結構

采用輕量化的模型MobileNet替換YOLO的主干特征提取網絡，同時不犧牲過多的準確率，對模型進行改進并加速計算。該網絡的核心思想是使用深度可分離卷積塊取代傳統的卷積塊，在MobileNet模型中[17]，傳統的卷積被分解為深度卷積和點積兩部分:深度卷積將標準卷積分成兩個獨立的層，分別用于過濾組合；點積使用1×1卷積輸出組合到深度卷積。通過分解，計算量減少和模型規(guī)模變小，改進的深度可分離卷積塊結構如圖3所示。

圖3 深度可分離卷積塊結構

2 金具銹蝕缺陷圖像預處理

2.1 銹蝕圖像特征

由于輸電巡檢時高空作業(yè)的特點，不可能對缺陷部位進行各個角度精準拍攝，因而拍攝的圖像存在環(huán)境背景占比較大、缺陷的部位占比小的問題，且不同拍攝角度、不同光線條件下拍出的缺陷圖像會有較大差別。深度網絡模型如果不經過預處理，而只采用原始圖像進行訓練并學習，會出現模型泛化能力、魯棒性下降的情況。

2.2 圖像預處理方法

考慮到銹蝕圖像實際特點，對圖像進行旋轉、調色、拉伸、剪切、濾波等操作，盡量模擬不同拍攝角度、不同光線條件，增廣數據集以提高模型的魯棒性，部分圖像操作如圖4所示。

圖4 圖像處理方法

3 實驗與分析

3.1 數據集建立及評價指標

本實驗使用某供電局巡檢拍攝的架空線路高分辨率圖像作為訓練樣本與測試樣本。由于沒有公開的數據集，訓練樣本有限，為了解決銹蝕圖像背景大、目標小、不同拍攝條件差異大等問題，提高模型的魯棒性，運用圖像預處理方法擴充訓練樣本。其中534張銹蝕缺陷圖像作為訓練樣本，63張作為測試樣本，像素為4 000 px×3 000 px，測試樣本尺度與訓練樣本相同。

實驗中采用精準率(P)、召回率(R)和AP值作為評價指標。精準率為被認為是缺陷樣本中為真實缺陷樣本的比重，召回率為真實缺陷樣本中被認為是缺陷樣本的比重。記TP為正確識別為缺陷的樣本數，FP為被錯誤識別為缺陷樣本數，FN為未被識別的缺陷樣本數。計算式為:

P和R會隨著置信度閾值變化而變化，將P和R分別作為縱坐標和橫坐標可以得到P-R曲線，AP值為該曲線的積分值，公式(2)中p為曲線對應縱坐標值，dr為積分算子。在檢測中，P和R要盡可能最大，以保證檢測算法的性能，AP值可以作為評估算法性能的指標。

3.2 模型訓練參數與模型識別定位

模型訓練采用兩步法結合遷移學習策略:第一步冷凍主干特征提取網絡訓練40世代，批量大小為4，梯度下降更新其余網絡參數；第二步解凍主干特征提取網絡訓練40世代，對所有參數進行梯度下降更新，批量大小為8。初始學習率為10-3，優(yōu)化策略為Adam優(yōu)化器，模型輸入重采樣大小為736×736。

訓練完成后生成pth模型文件，測試時導入網絡模型參數對測試圖像進行分類和定位，當預測定位框和目標位置框的重疊部分面積比超過0.5時，可以判斷模型較為精確地定位到具體金具銹蝕缺陷位置，基本滿足檢測要求。

3.3 模型檢測結果

模型檢測結果的P、R、P-R曲線如圖5所示，圖中可以發(fā)現P曲線隨著置信度變大有先升高再下降后升高的趨勢；R曲線隨著置信度變大緩慢下降，在置信度0.6左右位置下降速度變快；當置信度閾值取0.5的時候，P為0.92，當置信度為0.5時，R為0.84。結果反映模型的精準率較高，在檢測有銹蝕缺陷的數據中準確率達到92%以上，整個測試集上漏檢率為16%，AP計算值為91.34%，模型具有較好的檢測性能。

圖5 檢測結果統計

取部分典型銹蝕缺陷位置的檢測結果如表1和圖6所示，檢測成功的部位用紅色矩形框標注出來，數字表示的是檢測算法矩形框與目標矩形框重合的比例，可以認為其是檢測框的置信水平。由圖可知，該深度模型可以將銹蝕缺陷正確檢測并標注出來，模型有較好的診斷效果，泛化能力較強，可以為架空巡檢中設備的健康狀態(tài)評估提出指導建議。

表1 典型銹蝕缺陷表

圖6 檢測結果及放大圖樣

4 結語

本文基于深度學習，提出了一種針對架空輸電線路金具銹蝕缺陷檢測的方法。該方法實現了架空輸電線路金具銹蝕缺陷的快速自動檢測，解決了判斷過程中依賴經驗、費時費力的問題，為設備健康狀態(tài)評估提供指導性建議。

該方法對輸電線路金具銹蝕缺陷檢測提供一定參考，診斷效果較好，但仍需擴充模型檢測類別的多樣性，提高實際復雜條件下診斷的泛化準確性，對進一步提高輸電設備故障智能診斷能力和設備管理水平有重要意義。