基于深度學(xué)習(xí)的輸電線路部件缺陷檢測研究＊

饒成成 豐江波 王昊

（1.廣東電網(wǎng)有限責(zé)任公司機(jī)巡管理中心，廣東廣州 510000；2.南方電網(wǎng)數(shù)字電網(wǎng)研究院有限公司，廣東廣州 510700）

0.引言

輸電線路的運行穩(wěn)定是電力系統(tǒng)運行安全的重要保障，高壓輸電線路是我國電力輸送的主要來源介質(zhì)，在國家能源安全方面起著重要作用[1]。隨著外界自然條件因素的不斷變化，線路的超負(fù)荷運轉(zhuǎn)情況時常發(fā)生，給電力設(shè)備的安全問題帶來了極大挑戰(zhàn)。國家電網(wǎng)正積極提升電力設(shè)備智能化水平和能源配置能力。運用傳統(tǒng)方法定期巡檢輸電線路，需要作業(yè)人員登塔檢測，其檢測效率和安全性難以保障。深度學(xué)習(xí)的檢測技術(shù)有了很大的進(jìn)展和突破，目標(biāo)檢測也逐漸從人工檢測過渡到大數(shù)據(jù)深度學(xué)習(xí)檢測的過程[2]。因此，對基于深度學(xué)習(xí)的輸電線路部件缺陷檢測進(jìn)行研究。

1.輸電線路部件缺陷檢測

1.1 基于深度學(xué)習(xí)的目標(biāo)檢測網(wǎng)絡(luò)識別電路部件

深度學(xué)習(xí)目標(biāo)檢測網(wǎng)絡(luò)對目標(biāo)的識別過程主要分為以下幾步，首先通過輸電線路部件圖片提取特征塊，利用基礎(chǔ)網(wǎng)絡(luò)的區(qū)域建設(shè)網(wǎng)絡(luò)生成提議區(qū)域，并利用分類函數(shù)區(qū)別目標(biāo)區(qū)域與干擾環(huán)境背景。將基礎(chǔ)網(wǎng)絡(luò)中提取的部件特征與利用邊框回歸函數(shù)修正的提議區(qū)域的特征信息綜合，輸入最后的全連接層，通過計算修正的提議區(qū)域和全連接層的特征向量，進(jìn)行信息采集的分類，并重復(fù)上述修正提議區(qū)域的過程，最后得到確定的檢測框。

1.2 利用輸電線路圖像增廣數(shù)據(jù)

本文針對已有的某地區(qū)數(shù)據(jù)集進(jìn)行擴(kuò)充，該數(shù)據(jù)集包含了十余個不同電壓等級，不同桿塔類型輸電線路的桿塔關(guān)鍵點圖像，其中關(guān)鍵點圖像中包括了輸電桿塔的基礎(chǔ)、地線掛點、絕緣子掛點等重要部位圖像[3]。但無人機(jī)航拍的高壓輸電塔均處于外界自然環(huán)境中，拍攝時間和角度以及天氣狀況的不同都會引起圖像亮度的變化。輸電線路走向及輸電塔的朝向也不統(tǒng)一，雖然拍攝時盡量避免拍攝角度和方向正對著太陽光，但因輸電線路的關(guān)鍵部位朝向無法改變，造成逆光現(xiàn)象。亮度調(diào)整是將圖像像素的強度增強或減小，調(diào)整對比度，從而控制某個區(qū)域的顯示精度。亮度和對比度的調(diào)整可以通過下式實現(xiàn)：

式中，x為圖像某處的像素灰度值，y為調(diào)整對比度的增益值，z為調(diào)整對比度的偏置值。調(diào)整數(shù)據(jù)圖像中亮度與對比度的變化如圖1所示。

圖1 亮度與對比度調(diào)整前后對比

由圖1所示，在輸電塔圖像基礎(chǔ)上調(diào)節(jié)亮度和對比度，擴(kuò)充更加清晰的圖像數(shù)據(jù)。由于輸電線路電壓較高，對大氣具有嚴(yán)重的電暈放電現(xiàn)象，在放電過程中會產(chǎn)生高頻電磁輻射，當(dāng)無人機(jī)距離輸電塔較近時，采用圖像系統(tǒng)和信號傳輸系統(tǒng)均會受到一定的干擾，使圖像的成像質(zhì)量下降，會出現(xiàn)噪聲，因此在進(jìn)行數(shù)據(jù)擴(kuò)增時，采用高斯噪聲的方式進(jìn)行模擬。無人機(jī)在拍攝圖像時為了獲得更好的拍攝效果，會避免一些桿塔部位的遮擋，不停地變換角度尋找合適位置拍攝，放射變換可以很好地模擬這種情況，由于射電線路的關(guān)鍵部件通常為豎直或傾斜度很小的排列，因此可采用反轉(zhuǎn)與小角度扭曲的方式進(jìn)行數(shù)據(jù)增廣。

1.3 改進(jìn)非極大值抑制算法檢測部件缺陷

非極大抑制算法是用來去除冗余的檢測框的算法，這個算法是對局部區(qū)域的最大搜索，去除區(qū)域內(nèi)不是同類別的矩形框。非極大抑制算法在目標(biāo)追蹤、數(shù)據(jù)挖掘、紋理分析和目標(biāo)識別中被廣泛應(yīng)用。深度學(xué)習(xí)檢測網(wǎng)絡(luò)一般會在圖片中生成很多冗余的檢測框，首先需要去除得分較低的預(yù)測框，去除后圖片中仍然存在著一些重疊的預(yù)測框，針對上述問題，再使用非極大值抑制算法去除剩下冗余的預(yù)測框。非極大值抑制的原理是去除預(yù)測框列表中得分最高的預(yù)測框，再計算剩余的檢測框與最終檢測結(jié)果的交并比指標(biāo)，去除閾值較高的檢測框，重復(fù)這一過程，直到預(yù)測框列表中的框全部移除，這時最終列表中的框就是網(wǎng)絡(luò)輸出的預(yù)測框。新邊界框指標(biāo)包含兩個框中心距離的信息、相交時的位置信息，以及相交面積和面積比。根據(jù)現(xiàn)有的研究知識，提出新邊界框指標(biāo)代替算法中的交并比指標(biāo)，新邊界框指標(biāo)對兩個框之間的距離過于敏感導(dǎo)致交并比指標(biāo)在相同位置的數(shù)值遠(yuǎn)大于新邊界框指標(biāo)，針對這一問題，提出將新邊界框指標(biāo)圖像看作為交并比指標(biāo)圖像壓縮過的指標(biāo)圖像，在壓縮中帶有損失，使新邊界框指標(biāo)頂部圖像不是嚴(yán)格的圓錐形，由此提出壓縮映射原理把新邊界框指標(biāo)還原成交并比指標(biāo)，采用一次函數(shù)如下式：

式中，IoU為交并比指標(biāo)，QIoU為新邊界框指標(biāo)，Aloss為變換損失補償，k為壓縮比例系數(shù)，d為一次函數(shù)的偏移值。該算法通過壓縮映射與損失補償?shù)姆椒ǖ玫叫逻吔缈蛑笜?biāo)和交并比指標(biāo)間的映射關(guān)系。

2.實驗論證分析

為了驗證本文方法的檢測效果，在數(shù)據(jù)增廣后的數(shù)據(jù)集的基礎(chǔ)上進(jìn)行實驗，利用本文改進(jìn)的非極大值抑制算法，以輸電線路中關(guān)鍵部件絕緣子為研究對象，首先在傳統(tǒng)的目標(biāo)檢測網(wǎng)絡(luò)進(jìn)行測試，比較兩種方法的檢測準(zhǔn)確率，公式如下：

式中，W為輸電線路部件檢測的準(zhǔn)確率，N1、N2分別為正常絕緣子和缺陷絕緣子的正確檢測數(shù)值，M1、M2分別為正常絕緣子和缺陷絕緣子的錯誤檢測數(shù)值。本文方法實驗結(jié)果如表1所示。

表1 兩種方法檢測部件缺陷對比表

由表1可以看出，本文方法比傳統(tǒng)方法的正確檢測數(shù)據(jù)更多，經(jīng)計算得到的傳統(tǒng)方法對絕緣子測試集分類的準(zhǔn)確率為88.74%，本文方法的檢測率為94%，比傳統(tǒng)方法的檢測率高5.26%。

3.結(jié)語

高壓輸電線路的穩(wěn)定運行是人們的日常工作和生活中的用電保障，本文基于深度學(xué)習(xí)目標(biāo)檢測網(wǎng)絡(luò)識別電路部件，利用輸電線路圖像增廣了數(shù)據(jù)集的相關(guān)數(shù)據(jù)，并利用改進(jìn)的非極大值抑制算法對輸電線路部件缺陷進(jìn)行檢測，進(jìn)一步保證了檢測識別率，取得了一定的研究成果。但同時也存在著一定的不足，如由于時間和精力的限制，數(shù)據(jù)采集樣本還不夠豐富，在不同季節(jié)環(huán)境下采集到的輸電線路部件數(shù)據(jù)有待補充，相關(guān)算法還存在一定的提升空間。