基于深度學(xué)習(xí)的無人機(jī)巡檢架空輸電線路金具銹蝕缺陷檢測方法

張家盛，梁進(jìn)興

(1.華中科技大學(xué)能源與動力工程學(xué)院，湖北 武漢 430074；2.南方電網(wǎng)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(tǒng)中重要組成部分[1]，承擔(dān)著電能傳輸?shù)闹饕饔?，是輸電系統(tǒng)的核心設(shè)備，架空路線的安全健康運(yùn)行是穩(wěn)定安全電力輸送的重要保障[2]。在長時間的運(yùn)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(hù)作用[3]，若不及時處理該類缺陷會導(dǎo)致大規(guī)模電網(wǎng)停電甚至是人員安全事故發(fā)生[4]。對這類設(shè)備進(jìn)行監(jiān)測和健康狀態(tài)評估，制定檢修運(yùn)維策略，進(jìn)而更好維護(hù)設(shè)備安全確保其能夠可靠地持續(xù)運(yùn)行，是供電部門的迫切需求[5]。

傳統(tǒng)的對架空電力線路設(shè)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(fèi)時費(fèi)力[6]。目前，采用無人機(jī)對架空線路進(jìn)行巡檢的方式已經(jīng)逐步普及應(yīng)用，將拍攝的架空路線圖像回傳進(jìn)行人工分析，但是對大量數(shù)據(jù)進(jìn)行手工對比核實(shí)仍然是不小的工作量且容易出現(xiàn)紕漏[7]。當(dāng)下對缺陷的圖像、視頻進(jìn)行自動識別和處理還處于發(fā)展階段[8]，隨著生產(chǎn)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(jī)器學(xué)習(xí)方法，其中深度神經(jīng)網(wǎng)絡(luò)算法由于其強(qiáng)泛化能力和自學(xué)習(xí)性而被廣泛關(guān)注。

近年來學(xué)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(tǒng)圖像識別技術(shù)對架空線路絕緣子裂縫進(jìn)行識別；秦帥兵[12]采用深度學(xué)習(xí)方法對架空異物進(jìn)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(jìn)行研究；繆希仁等[14]基于深度網(wǎng)絡(luò)對輸電線路防鳥刺部件進(jìn)行識別與故障檢測；廖金[15]等采用深度學(xué)習(xí)方法對絕緣子掉串進(jìn)行識別。金具銹蝕類缺陷是架空線路主要的缺陷，而當(dāng)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(biāo)小等特點(diǎn)，提出基于深度學(xué)習(xí)的無人機(jī)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(biāo)檢測

圖像缺陷目標(biāo)檢測包含分類和定位兩項(xiàng)任務(wù)。首先判斷圖像中是否包含目標(biāo)類別，接著在圖中標(biāo)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(yù)處理、特征提取與選擇、尋找目標(biāo)區(qū)域、分類決策五大步驟。早期圖像智能檢測技術(shù)大多是基于手工特征提取建構(gòu)的，需要設(shè)計復(fù)雜的提取算法尋找目標(biāo)區(qū)域，再送入分類器當(dāng)中進(jìn)行識別。深度卷積網(wǎng)絡(luò)可以自動學(xué)習(xí)分類特征方法，因診斷效果好、泛化能力強(qiáng)、魯棒性強(qiáng)等特點(diǎn)而被廣泛應(yīng)用于圖像目標(biāo)檢測。

圖1 圖像目標(biāo)檢測過程

1.2 基于改進(jìn)YOLO深度學(xué)習(xí)的檢測模型

目前用于目標(biāo)識別、檢測的神經(jīng)網(wǎng)絡(luò)模型有多種，比如Faster-RCNN、Mask-RCNN、YOLO等。其中YOLO(You Only Look Once)網(wǎng)絡(luò)是一種典型的單階段目標(biāo)檢測網(wǎng)絡(luò)，因?qū)崟r性好的特點(diǎn)而被運(yùn)用于目標(biāo)檢測。YOLO目標(biāo)檢測網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示，主要分為三個部分:主干特征提取網(wǎng)絡(luò)，作用是對圖片進(jìn)行初步的特征提??；加強(qiáng)特征提取網(wǎng)絡(luò)SPP和PANet；預(yù)測網(wǎng)絡(luò)Yolo Head。

圖2 YOLO網(wǎng)絡(luò)結(jié)構(gòu)

采用輕量化的模型MobileNet替換YOLO的主干特征提取網(wǎng)絡(luò)，同時不犧牲過多的準(zhǔn)確率，對模型進(jìn)行改進(jìn)并加速計算。該網(wǎng)絡(luò)的核心思想是使用深度可分離卷積塊取代傳統(tǒng)的卷積塊，在MobileNet模型中[17]，傳統(tǒng)的卷積被分解為深度卷積和點(diǎn)積兩部分:深度卷積將標(biāo)準(zhǔn)卷積分成兩個獨(dú)立的層，分別用于過濾組合；點(diǎn)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(jìn)的深度可分離卷積塊結(jié)構(gòu)如圖3所示。

圖3 深度可分離卷積塊結(jié)構(gòu)

2 金具銹蝕缺陷圖像預(yù)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(diǎn)，不可能對缺陷部位進(jìn)行各個角度精準(zhǔn)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(wǎng)絡(luò)模型如果不經(jīng)過預(yù)處理，而只采用原始圖像進(jìn)行訓(xùn)練并學(xué)習(xí)，會出現(xiàn)模型泛化能力、魯棒性下降的情況。

2.2 圖像預(yù)處理方法

考慮到銹蝕圖像實(shí)際特點(diǎn)，對圖像進(jìn)行旋轉(zhuǎn)、調(diào)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(shù)據(jù)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(shí)驗(yàn)與分析

3.1 數(shù)據(jù)集建立及評價指標(biāo)

本實(shí)驗(yàn)使用某供電局巡檢拍攝的架空線路高分辨率圖像作為訓(xùn)練樣本與測試樣本。由于沒有公開的數(shù)據(jù)集，訓(xùn)練樣本有限，為了解決銹蝕圖像背景大、目標(biāo)小、不同拍攝條件差異大等問題，提高模型的魯棒性，運(yùn)用圖像預(yù)處理方法擴(kuò)充訓(xùn)練樣本。其中534張銹蝕缺陷圖像作為訓(xùn)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(xùn)練樣本相同。

實(shí)驗(yàn)中采用精準(zhǔn)率(P)、召回率(R)和AP值作為評價指標(biāo)。精準(zhǔn)率為被認(rèn)為是缺陷樣本中為真實(shí)缺陷樣本的比重，召回率為真實(shí)缺陷樣本中被認(rèn)為是缺陷樣本的比重。記TP為正確識別為缺陷的樣本數(shù)，F(xiàn)P為被錯誤識別為缺陷樣本數(shù)，F(xiàn)N為未被識別的缺陷樣本數(shù)。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(biāo)和橫坐標(biāo)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(yīng)縱坐標(biāo)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(biāo)。

3.2 模型訓(xùn)練參數(shù)與模型識別定位

模型訓(xùn)練采用兩步法結(jié)合遷移學(xué)習(xí)策略:第一步冷凍主干特征提取網(wǎng)絡(luò)訓(xùn)練40世代，批量大小為4，梯度下降更新其余網(wǎng)絡(luò)參數(shù)；第二步解凍主干特征提取網(wǎng)絡(luò)訓(xùn)練40世代，對所有參數(shù)進(jìn)行梯度下降更新，批量大小為8。初始學(xué)習(xí)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(xùn)練完成后生成pth模型文件，測試時導(dǎo)入網(wǎng)絡(luò)模型參數(shù)對測試圖像進(jìn)行分類和定位，當(dāng)預(yù)測定位框和目標(biāo)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(jié)果

模型檢測結(jié)果的P、R、P-R曲線如圖5所示，圖中可以發(fā)現(xiàn)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(dāng)置信度閾值取0.5的時候，P為0.92，當(dāng)置信度為0.5時，R為0.84。結(jié)果反映模型的精準(zhǔn)率較高，在檢測有銹蝕缺陷的數(shù)據(jù)中準(zhǔn)確率達(dá)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(jié)果統(tǒng)計

取部分典型銹蝕缺陷位置的檢測結(jié)果如表1和圖6所示，檢測成功的部位用紅色矩形框標(biāo)注出來，數(shù)字表示的是檢測算法矩形框與目標(biāo)矩形框重合的比例，可以認(rèn)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(biāo)注出來，模型有較好的診斷效果，泛化能力較強(qiáng)，可以為架空巡檢中設(shè)備的健康狀態(tài)評估提出指導(dǎo)建議。

表1 典型銹蝕缺陷表

圖6 檢測結(jié)果及放大圖樣

4 結(jié)語

本文基于深度學(xué)習(xí)，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(shí)現(xiàn)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(jīng)驗(yàn)、費(fèi)時費(fèi)力的問題，為設(shè)備健康狀態(tài)評估提供指導(dǎo)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(kuò)充模型檢測類別的多樣性，提高實(shí)際復(fù)雜條件下診斷的泛化準(zhǔn)確性，對進(jìn)一步提高輸電設(shè)備故障智能診斷能力和設(shè)備管理水平有重要意義。