深度學習在輸電線路工程驗收智能缺陷識別中的應用

鄒 捷，許瑞慶，習雨同

（國網江西省電力有限公司建設分公司，江西南昌 330043）

0 引言

近些年來，隨著電網建設的不斷加速，傳統(tǒng)輸變電工程的人力竣工驗收模式會在一定程度上制約工期，同時由于城市農村發(fā)展建設，可用征地走廊越來越有限，導致在驗收過程許多關鍵點沒有得到有效控制，給后期輸電線路建設帶來不便，因此有必要提高驗收效率和準確度。無人機技術的不斷發(fā)展，給項目管理工作提供了新的平臺與視角，可實現輸電線路的高效和自動化開展，以便及時發(fā)現輸電設備的緊急或重大缺陷。

通過無人機端采集大量圖像數據可提高驗收效率，但是實現對大批量的數據進行智能化缺陷分析歸類就顯得尤為重要，需要根據驗收工程建立相應桿塔模型庫和缺陷庫，進行比對分析，從根本上優(yōu)化圖像識別還原算法才能真正地使得線路工程缺陷驗收分析數字化。

1 無人機立體智能驗收應用平臺

“無人機立體智能驗收系統(tǒng)平臺”包括無人機飛行控制系統(tǒng)和數據管理系統(tǒng)。其中，無人機飛行控制系統(tǒng)包含從地面飛行至輸電線路巡視目標以及從驗收巡視目標返回地面兩個過程，涉及禁飛區(qū)域的識別、飛行路徑的確定和障礙物避險、飛行巡視路徑自動規(guī)劃等。數據管理是指無人機飛行任務結束后返回，將采集的數據進行過濾清除，數據分類預識別，缺陷智能識別，缺陷問題智能分類、自動導出驗收報告、深度學習自動優(yōu)化缺陷庫等。

2 輸電線路缺陷圖像智能識別

2.1 線路工程典型缺陷

通過統(tǒng)計大量線路工程驗收工作中不同缺陷種類發(fā)生的頻率，得到了11種最為常見的缺陷，常見缺陷大致分為金具及絕緣子、桿塔、導線三大類，具體典型的有鳥巢、導線異物、絕緣子自爆、絕緣子污穢、導地線斷散股、銷釘缺失、均壓環(huán)傾斜及損壞、螺母缺失、防振錘損壞、放電間隙損壞、線夾傾斜共計11種細類別缺陷，據統(tǒng)計，其中銷釘缺失、均壓環(huán)傾斜及損壞占金具缺陷的70%，鳥巢及塔位施工垃圾占桿塔缺陷的75%，導線異物和導地線斷散股占導線缺陷的80%。而目前針對這些缺陷的識別通常采用人工航拍巡視的方法，然而人工識別缺陷圖像存在工作量大、效率低的問題，因此有研究者引入了傳統(tǒng)的圖像分類方法來對輸電線路工程驗收過程中巡檢圖像的故障進行檢測分類，他們將檢測過程一共分為了圖像特征提取、圖像分割、圖像目標定位和圖像故障分類四個步驟。文獻[1]著重研究了在非下采樣輪廓波變換條件下的絕緣子提取方法；文獻[2-3]則重點研究了在巡視照片中典型防震錘和絕緣子圖像定位技術；文獻[4-6]主要研究絕緣子在航拍巡檢圖像中的分離算法；文獻[7-12]主要研究了對巡視圖像中絕緣子故障、導線斷股、間隔棒故障、覆冰等缺陷隱患的檢測。同時比較傳統(tǒng)HOG+SVM、DPM[13-14]等算法，這些算法在目標圖像處理中比較容易受到大小、形態(tài)、背景、目標材質等因素的影響，且計算過程也較為耗時，因此在實際工程中也難以應用。因此有學者引入了深度學習技術來解決這些問題，深度學習類技術通過對大量巡查圖像數據的卷積神經網絡的訓練，最終生成一個支持多目標的識別分類模型，相比于傳統(tǒng)的圖像處理方法，深度學習技術具有特征提取能力強、抗干擾能力強和表達能力強等優(yōu)點。在文獻[15]中，作者采用AlexNet作為圖像特征提取的網絡結構，并使用隨機森林算法來對變壓器、絕緣子等已標注的圖像進行識別分類。在文獻[13-14]、[16-17]中，作者使用的Faster R-CNN算法則有別于傳統(tǒng)的將目標檢測任務分為多個子任務的方式，該算法實現了鳥巢、絕緣子破損等多類輸電線路巡視圖像故障和缺陷的端到端的識別檢測，并能夠對圖像中的故障進行準確的分類和定位，很好的避免了圖片細節(jié)損失的弊端。

上述的深度學習類的輸電線路缺陷圖像識別分類算法雖然較傳統(tǒng)的圖像處理算法具有一定的優(yōu)勢，但也依舊具有一定的局限性，一方面上述算法的研究主要圍繞鳥巢、絕緣子破損等常見故障以及防震錘、絕緣子、均壓屏蔽環(huán)等電力線路部件缺陷，依舊是選擇了部分缺陷種類進行檢測，缺陷覆蓋范圍還存在一定不足。一方面隨著深度學習技術的不斷發(fā)展和進步，上述算法也依舊存在很大的優(yōu)化空間。因此本文提出引入基于R-FCN的輸電線路工程驗收圖像缺陷識別方法，全卷積目標檢測器R-FCN方法可通過生成選擇性池化和位置區(qū)域敏感得分圖的方式直接得到識別候選框的分類與數據回歸結果，其算法系統(tǒng)中的檢測子網絡由全連接層簡化成了池化操作，這樣能大大提高了運行速度，能夠滿足線路驗收工程缺陷識別的計算需要。應用該算法對11類缺陷圖像目標進行數據識別和學習，并與Faster R-CNN[18]、YOLOv3[19]的方法進行對比。

2.2 典型缺陷圖像智能解譯體系

基于深度學習的輸電線路工程典型缺陷圖像智能解譯體系如圖1所示。

圖1 典型缺陷圖像智能解譯體系流程圖

2.2.1 工程驗收缺陷數據集的構建

本文數據集主要來源于線路工程驗收過程中無人機所拍攝的圖片，圖片在季節(jié)上涵蓋了春、夏、秋、冬4個季節(jié)，拍攝地點和地形多樣化，多方位拍攝角度，且無人機采集的圖片具有很高的分辨率，樣本覆蓋大量實際工程。

首先對輸電線路工程無人機驗收工作發(fā)現的缺陷種類進行統(tǒng)計匯總，得到11種常見缺陷類別，并從圖像集中挑選相應缺陷類別的5 000張圖片，圖像集涵蓋多種輸電線路驗收工作場景，之后依據目標和缺陷類別對圖像集中的目標及缺陷逐一進行人工標注。其中圖像對應的標注信息共包含鳥巢、銷釘缺失、導線異物、絕緣子自爆、絕緣子污穢、導地線斷散股、均壓環(huán)傾斜及損壞、螺母缺失、防振錘損壞、放電間隙損壞、線夾傾斜，共計11種類別缺陷。圖2-圖4為三類典型輸電線路航拍巡查場景的缺陷示例，依次為絕緣子污穢、導地線斷散股、鳥巢缺陷。

圖2 某220 kV線路工程39號塔絕緣子臟污缺陷

圖3 某220 kV線路工程18號塔散股缺陷

圖4 某200 kV線路工程16號塔鳥巢缺陷

最后，將標注好的圖片集按照缺陷類別比例進行隨機劃分，其中4 000張圖片指定為訓練集，用于算法模型訓練，1 000張圖片指定為測試集，用于算法模型評估。

2.2.2 模型算法對比選擇

結合實際輸電線路工程驗收對輸電線路巡視圖像缺陷識別的速率和準確率的實際需求，本文提出一種基于R-FCN[11]算法的輸電線路巡檢圖像部件及故障檢測方法，構建11類輸電線路工程驗收智能缺陷識別數據集，并將該方法與目前主流的兩個有代表性的圖像目標檢測算法進行實驗效果對比，這兩個算法分別是Faster R-CNN算法、YOLOv3算法，其中Faster RCNN算法此前被廣泛的應用于輸電線路巡檢圖像目標檢測，設定三種算法在IoU閾值為0.5情況下，比較其mAP（mean Average Precision，平均精度均值）差異。

2.3 模型訓練學習方法

本文算法的基礎網絡為ResNet-101，其中模型的訓練采用MXNet 1.1.0深度學習框架，硬件GPU采用英偉達的NVIDIA GeForce Titan Xp顯卡。其中模型權重的初始化采用微軟常見目標數據集（Microsoft Common Objects in Context，MS COCO）預訓練模型。模型訓練數據集圖像分辨率大小統(tǒng)一歸一化為800*1200大小，同時采用小批量梯度下降法（mini-batch SGD），每個批次（batch）大小為2張圖像，學習率分為兩個，在前2000 batch時為的預熱（warm-up）學習策略，后續(xù)則采用為的學習率，其中學習率衰減策略采用階梯式衰減。衰減系數為0.1，衰減批次分別為22，000、26，800、32，000，一共訓練36，000個批次。

RPN網絡層錨框（anhor）[18]的寬高比例為0.5、1、2共三種，錨框基礎尺寸為2、4、8、16、32共五種，二者組合共計15種錨框。

如圖5所示為R-FCN算法的網絡結構，與Faster RCNN算法相比該算法主要從以下兩個方面進行了優(yōu)化改進，首先由于池化操作會導致目標位置信息的丟失，因此算法采用PSROIPooling“位置敏感”的區(qū)域池化層（Position Sensitive Region Of Interest Pooling Layer）來替換ROIPooling層；其次在區(qū)域池化層之前通過卷積神經網絡生成目標屬于每個類別概率大小和相對位置的分值，然后通過PSROIPooling層將得到的這兩個分值映射為相同的大小，之后再對映射后的分值求他們的平均值就可得到圖像每個區(qū)域屬于不同類別的概率和相對位置。

圖5 R-FCN網絡結構

其中R-FCN算法與Faster R-CNN算法的RPN網絡層參數和學習率參數取值一樣。而YOLOv3算法的圖像樣本分辨率大小設為800×800。模型訓練共進行4000個批次，其中前1000個批次采用逐漸增大的動態(tài)學習率，學習率衰減策略為階梯式衰減，衰減批次為2500及3200，衰減系數為0.1，后續(xù)批次的學習率為0.001，其中每個批次取64張圖像；在此采用在MS COCO數據集上聚類得到的9組錨框。

3 實驗結果與分析

3.1 模型評估

在特定交并比（IOU，Intersection over Union）閾值條件下，召回率（Recall）和準確率（Precision）是衡量一個算法模型性能好壞的基本指標，然而召回率和準確率卻都受置信度閾值的影響，他們之間此消彼長，因此單單考慮其中的一個性能指標是無法對算法模型有一個準確評價。因此本文采用平均準確率AP（Average Precision）來作為評價算法精度的指標，即在不同召回率下的準確率均值。同時算法的綜合評價指標采用的是平均準確率在不同類別間的均值mAP（mean Average Precision）。

3.2 模型結果及對比

按照11類缺陷對測試集進行分類，并用于檢測和測算YOLOv3算法、Faster R-CNN算法和R-FCN算法的目標平均準確率AP，從得到的所有缺陷的AP值來看，如表1所示R-FCN算法均優(yōu)于其他兩類算法。

表1 R-FCN算法及對比算法的目標檢測AP

在IoU閾值為0.5時，YOLOv3算法、Faster R-CNN算法和R-FCN算法的mAP（記作mAP@0.5，下同）如表2所示。R-FCN算法的mAP與Faster R-CNN高約4%，比YOLOv3 800算法的mAP高約7%。

表2 R-FCN及對比算法目標檢測mAP及推理時間對比%

可見R-FCN的目標定位相比Faster R-CNN和YOLOv3算法更加準確，R-FCNN算法在部分典型缺陷識別效果如圖6-圖8所示。

圖6 絕緣子臟污識別

圖7 鳥巢識別

圖8 散斷股識別

3.3 典型缺陷識別率分析

針對線路工程典型缺陷進行識別準確率分析。本文提出引用的R-FCN算法在11種輸電線路缺陷識別中，鳥巢、防振錘損壞、絕緣子自爆等缺陷的識別具有較高的缺陷檢出率，平均識別準確率達到90%，其原因是該類缺陷較背景因素影響較小及缺陷結構特征同時較為明顯。同時導線異物、導地線散斷股、銷釘缺失等缺陷檢出率較低，原因可能如下：1）缺陷類別目標較??；2）缺陷結構特征不夠明顯，且缺陷訓練數據集不足；3）缺陷標注中外界背景因素干擾過多。

4 結語

本文圍繞輸電線路工程驗收應用中缺陷識別的智能化展開，針對工程驗收這一特定場景，對工程中典型缺陷進行研究分析，提出了一種基于R-FCN的計算方法，通過在同一訓練集和測試集上的識別結果對比，證明了在輸電線路工程驗收巡視圖像多目標故障檢測方面的有效性，該方法在絕緣子自爆、防震錘損壞、鳥巢等典型缺陷具有較高的識別精度，可以滿足智能化驗收工作的要求，能夠提高驗收過程中的缺陷的識別準確度，有利于對工程質量的高保證要求，同時減少投運后運行維護巡檢缺陷和隱患的發(fā)生。