摘 要：在架空輸電線路的巡檢工作中，由于人工巡檢方式效率較低，難以滿足現(xiàn)代電網(wǎng)需求，因此本文基于無人機機載AI模塊對架空輸電線路巡檢技術(shù)進行研究。首先，采用YOLOv3算法構(gòu)建AI模塊算法，對輸電線路圖像進行精確識別。其次，對損失函數(shù)進行優(yōu)化，提高模型的預(yù)測準確性。最后，基于上述方法對架空輸電線路巡檢過程進行規(guī)劃。測試結(jié)果表明，本文所研究的AI模塊在輸電線路巡檢過程中能夠檢測架空輸電線路中存在的缺陷，應(yīng)用效果較好，能夠達到最初設(shè)計目標，說明本研究為架空輸電線路的巡檢提供了一種高效的解決方案。

關(guān)鍵詞：無人機；機載AI模塊；架空輸電線路；巡檢

中圖分類號：TM 74" " " " " " 文獻標志碼：A

隨著電力網(wǎng)絡(luò)持續(xù)擴大，架空輸電線路的巡檢工作越來越重要。常規(guī)的人工巡檢方法存在效率低、人力成本高以及難以覆蓋復(fù)雜地形等問題[1]。因此，開發(fā)一種高效、智能且安全的巡檢技術(shù)已成為電力行業(yè)的迫切需求。

隨著無人機技術(shù)的發(fā)展，引入機載AI模塊進一步提升了無人機巡檢的智能化水平[2]。采用先進的圖像識別和算法技術(shù)，機載AI模塊能夠?qū)旊娋€路進行自動識別、定位和缺陷檢測，提高了巡檢的準確性和效率。

本文研究基于無人機機載AI模塊的架空輸電線路巡檢技術(shù)，詳細介紹了基于YOLOv3算法的AI模塊算法，分析其在圖像識別中的應(yīng)用。分析損失函數(shù)預(yù)測誤差以及模型優(yōu)化方法，提高AI模塊的識別準確率。利用技術(shù)應(yīng)用測試驗證該技術(shù)在輸電線路巡檢中的實際應(yīng)用效果。本研究為電力行業(yè)提供一種高效、智能和安全的巡檢方案，保障電力網(wǎng)絡(luò)安全運行。

1 基于YOLOv3算法的AI模塊算法

為了對輸電線路進行精確識別與檢測，本文引入YOLOv3算法中的圖像識別網(wǎng)絡(luò)模型，將其應(yīng)用于AI模塊中，以提升圖像處理速度，實時回傳檢測結(jié)果，自動生成檢測報告[3]。

1.1 基于YOLOv3算法對機載AI模塊進行圖像識別

無人機巡檢的核心技術(shù)是圖像處理與目標檢測，YOLOv3算法具有實時性和魯棒性，其準確性高，因此備受重視。為精準定位巡檢目標并快速識別缺陷，采用YOLOv3算法構(gòu)建機載AI模塊，將目標檢測轉(zhuǎn)化為單次前向傳播回歸問題，顯著提升識別效率。YOLOv3算法網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

采用圖1中的YOLOv3模型結(jié)構(gòu)，將輸入圖像劃分為網(wǎng)格。在每個網(wǎng)格范圍內(nèi)預(yù)測固定數(shù)量的邊界框，為每個邊界框匹配1個置信度得分，匯總網(wǎng)格中各個邊界的置信度得分。

在YOLOv3的目標檢測算法中，每個網(wǎng)格單元i都需要預(yù)測一系列邊界框。根據(jù)中心坐標預(yù)測值來確定txi和tyi這些邊界框的位置和尺寸。寬度和高度預(yù)測值twi和thi反映了邊界框的寬度和高度相對于整個圖像的縮放因子[4]。YOLOv3算法的目標檢測框架如圖2所示。

除了位置和尺寸信息外，YOLOv3還為每個邊界框預(yù)測了1個置信度值cib，這個值結(jié)合了邊界框內(nèi)存在目標的概率和邊界框預(yù)測的準確性。算法還預(yù)測了每個邊界框內(nèi)目標的類別概率Pr，表示在目標存在的情況下，該目標屬于某個特定類別的可能性。將預(yù)測框中心約束在特定網(wǎng)格內(nèi)，這個過程如公式（1）～公式（4）所示。

bx=σ（tx）+cx （1）

by=σ（ty）+cy " （2）

bw=pwetwnbsp; " " （3）

bh=pheth " " " "（4）

式中：bx和by分別為邊界框的中心坐標；σ為Sigmoid函數(shù)，其作用是將tx和ty控制在[0，1]；bw和bh分別為邊界框的寬度和高度；cx和cy分別為網(wǎng)格單元左下角x坐標和右下角y坐標；pw和ph分別為先驗框的寬度和高度；etw和eth分別為先驗框左上角tw坐標和右上角tk坐標，tw和th分別為w坐標和h坐標的寬度和高度實測值。

結(jié)合置信度值和類別概率值，可以計算每個邊界框內(nèi)目標的最終得分，確定包括目的的邊界框，對圖像中的目標進行精確檢測。

1.2 損失函數(shù)預(yù)測誤差

在架空輸電線路巡檢中，基于YOLOv3的機載AI模塊利用損失函數(shù)評估預(yù)測性能，衡量預(yù)測與實際差異[5]。優(yōu)化損失函數(shù)，該模塊能顯著提升對輸電線路以及其潛在缺陷的識別精度，保證巡檢效果。

YOLOv3算法融合多尺度特征，在3個不同尺度的輸出層中精準預(yù)測各種大小的目標[6]，全面評估預(yù)測準確性，提升模型性能，保證目標檢測的精準度和效率。

坐標損失是YOLOv3優(yōu)化模型精度的關(guān)鍵部分，其使用均方誤差評估預(yù)測與真實邊界框的位置差異，如公式（5）所示。

（5）

式中：Lcoord為均方誤差；S2為網(wǎng)格的數(shù)量；B為每個網(wǎng)格預(yù)測的邊界框數(shù)量；i為第i個網(wǎng)格單元；j為第j個邊界框；Iijobj為第i個網(wǎng)格單元的第j個邊界框是否負責(zé)預(yù)測某個目標，負責(zé)為1，不負責(zé)為0；xi、yi、wi和hi分別為真實邊界框的中心坐標、寬度和高度；、、和分別為預(yù)測邊界框的中心坐標、寬度和高度；λcoord為坐標損失的權(quán)重系數(shù)。

置信度損失的作用是評估模型對邊界框內(nèi)是否存在目標的預(yù)測準確性，其使用交叉熵損失函數(shù)來計算，如公式（6）所示。

（6）

式中：Iconf為交叉熵損失函數(shù)；Ci和分別為真實和預(yù)測的置信度得分；λnoord為無目標邊界框的置信度損失的權(quán)重系數(shù)；Iijnoobj為第i個網(wǎng)格單元的第j個邊界框不負責(zé)預(yù)測某個目標，不負責(zé)為1，負責(zé)為0。

分類損失的作用是衡量模型對目標類別的預(yù)測準確性，其使用交叉熵損失函數(shù)來計算，如公式（7）所示。

（7）

式中：Lclass為分類損失；classes為所有可能的目標類別集合；pi（c）為真實的目標類別概率分布，對目標c來說，如果第i個網(wǎng)格的第j個邊界框包括該類別的目標，那么pi（c）=1，如果不包括那么為0；為模型預(yù)測的目標類別概率分布，為模型認為第i個網(wǎng)格的第j個邊界框內(nèi)目標屬于類別c的概率。

綜上所述，綜合預(yù)測誤差如公式（8）所示。

L=Lcoord+Lconf+Lclass " " " " （8）

式中：L為預(yù)測誤差。

1.3 架空輸電線路巡檢過程

在架空輸電線路的巡檢過程中，無人機機載AI模塊集成了YOLOv3算法，保證巡檢過程的實時性和準確性。

在巡檢過程中，AI模塊可以根據(jù)識別結(jié)果自動調(diào)整無人機的飛行軌跡和拍攝角度，獲取更加全面、清晰的圖像數(shù)據(jù)。AI模塊還可以對巡檢數(shù)據(jù)進行實時分析和處理，及時發(fā)現(xiàn)并報告潛在缺陷或異常情況，保障電力網(wǎng)絡(luò)安全、穩(wěn)定地運行。架空輸電線路巡檢流程如圖3所示。

無人機根據(jù)預(yù)設(shè)的航線和航點進行自主飛行，并使用搭載的攝像頭實時獲取輸電線路圖像。AI模塊應(yīng)用YOLOv3算法對圖像進行目標識別，一旦檢測到缺陷，例如線路斷裂或絕緣子破損，模塊就會根據(jù)缺陷的類別和置信度進行判斷。如果置信度高于預(yù)設(shè)閾值，那么該缺陷即被視為真實故障，并自動記錄其位置、類型和置信度等信息，生成包括詳細信息的巡檢報告。如果置信度低于閾值，疑似出現(xiàn)缺陷，AI模塊就會將相關(guān)信息回傳至服務(wù)器進行二次識別，以保證識別的準確性。

在這個過程中，無人機不僅能夠?qū)旊娋€路全面、高效地進行巡檢，還能夠自動生成詳細的巡檢報告，為后續(xù)故障處理和維護工作提供支持。

2 技術(shù)應(yīng)用測試

為了驗證本文所提的基于無人機機載AI模塊的架空輸電線路巡檢技術(shù)的實際應(yīng)用效果，對集成了YOLOv3算法的AI模塊進行測試，評估本文技術(shù)的應(yīng)用性能，測試巡檢過程中的缺陷檢測精度。本次應(yīng)用測試所使用的測試數(shù)據(jù)集包括有缺陷和無缺陷的絕緣子圖像各300張。以文獻[1]中的基于無人機低空攝影技術(shù)的架空輸電線路智能巡檢技術(shù)以及文獻[2]中的基于人工智能的輸電線路無人機巡檢技術(shù)為對比技術(shù)，進行測試。

為了更準確地描述模型性能，采用精度均值A(chǔ)m來評價模型準確度，計算過程如公式（9）所示。

（9）

式中：Tp為真正例，即模型正確預(yù)測為有缺陷的圖像數(shù)量；Fp為假正例，即模型錯誤預(yù)測為有缺陷的無缺陷圖像數(shù)量；Tn為真反例，即模型正確預(yù)測為無缺陷的圖像數(shù)量；Fn為假反例，即模型錯誤預(yù)測為無缺陷的有缺陷圖像數(shù)量。

基于上述準備進行應(yīng)用測試，得到應(yīng)用不同技術(shù)的檢測精度（見表1）。

根據(jù)表1中的結(jié)果進行分析，將本文技術(shù)與文獻[1]技術(shù)和文獻[2]技術(shù)進行對比可知，本文技術(shù)在架空輸電線路巡檢中的性能表現(xiàn)優(yōu)異。在表1中，本文技術(shù)的精度均值達到0.978，遠高于文獻[2]技術(shù)的0.917，略高于文獻[1]技術(shù)的0.958。在有缺陷絕緣子的識別方面，本文技術(shù)的精度為0.983，說明模型在識別關(guān)鍵缺陷方面能力出色。無缺陷絕緣子的識別精度也達到0.973，說明模型在區(qū)分正常與異常狀態(tài)方面的準確性。

為了進一步驗證本文技術(shù)的應(yīng)用效率，對應(yīng)用不同技術(shù)的圖像處理時間進行統(tǒng)計，以單張圖像處理均時以及平均處理速度為指標，得到應(yīng)用不同技術(shù)的檢測效率（見表2）。

由表2可知，不同技術(shù)在圖像處理效率和速度方面的差異。其中，本文技術(shù)的單張圖像處理均時僅為8.7 ms，與文獻[1]技術(shù)的9.6 ms和文獻[2]技術(shù)的11.3 ms相比，本文技術(shù)在處理速度方面表現(xiàn)出色。在平均處理速度方面，本文技術(shù)達到了每秒27.5 幀/s，雖然略低于文獻[1]技術(shù)的29 幀/s，但是明顯高于文獻[2]技術(shù)的33.5 幀/s。雖然文獻[2]技術(shù)的平均處理速度較高，但是其單張圖像處理時間較長，可能影響實際應(yīng)用的連續(xù)性和流暢性。綜上所述，本文技術(shù)在保持較高處理速度的同時，顯著縮短了單張圖像的處理時間，有效提升了巡檢系統(tǒng)的整體效率。

測試結(jié)果充分驗證了本文技術(shù)在輸電線路巡檢中的準確性、高效性以及可靠性，為未來架空輸電線路智能巡檢提供了有力的技術(shù)支持。

3 結(jié)論

本文研究結(jié)合無人機與基于YOLOv3算法的AI模塊完成架空輸電線路的智能化巡檢。在圖像識別方面，AI模塊能夠準確識別輸電線路圖像，并優(yōu)化損失函數(shù)來顯著降低預(yù)測誤差，提升模型性能。在技術(shù)應(yīng)用測試中，AI模塊顯示了出色的缺陷檢測能力，對輸電線路安全運行具有重要意義。本文還探討了AI模塊在巡檢過程中的實際應(yīng)用效果。研究結(jié)果表明，基于無人機機載AI模塊研究的架空輸電線路巡檢技術(shù)在實際應(yīng)用過程中效果較好，能夠滿足預(yù)期需求。

參考文獻

[1]劉宏杰，陳泊遠.基于無人機低空攝影技術(shù)的架空輸電線路智能巡檢方法[J].電工技術(shù)，2024（3）：80-83.

[2]魯杰，陳建，寧巖，等.基于人工智能的輸電線路無人機巡檢技術(shù)分析[J].中國高新科技，2022（16）：44-46.

[3]嚴峻超，徐建軍，徐軍波，等.基于“一線兩向”模式下的無人機輸電線路高效巡檢方式研究[J].電子制作，2023，31（12）：106-109.

[4]朱濤，朱偉，石一輝，等.基于無人機集群控制輸電線路巡檢技術(shù)研究[J].電力設(shè)備管理，2024（4）：114-116.

[5]劉振華.架空輸電線路無人機遠程自主巡檢關(guān)鍵技術(shù)研究和應(yīng)用[J].中文科技期刊數(shù)據(jù)庫（全文版）工程技術(shù)，2022（6）：153-156.

[6]聞洪峰.基于AI技術(shù)的無人機機載前端智能識別技術(shù)研究[J].信息技術(shù)與信息化，2023（5）：208-211.