基于深度學(xué)習(xí)的輸電線路絕緣子缺陷視覺檢測(cè)技術(shù)

廣州城建職業(yè)學(xué)院機(jī)電工程學(xué)院 牟海榮

輸電線路的安全穩(wěn)定運(yùn)行是電力系統(tǒng)可靠性的關(guān)鍵。絕緣子作為輸電線路的重要組成部分，其健康狀態(tài)直接影響到輸電安全。傳統(tǒng)的絕緣子檢查方法依賴于人工巡檢，耗時(shí)耗力且易受主觀因素和外部環(huán)境影響。近年來，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，其在圖像識(shí)別領(lǐng)域的應(yīng)用為提高檢測(cè)的準(zhǔn)確性和效率提供了新的可能。

1 輸電線路絕緣子缺陷視覺檢測(cè)中實(shí)施深度學(xué)習(xí)的經(jīng)驗(yàn)分析

1.1 項(xiàng)目背景與初衷

某輸電線路工程輸電線路延伸數(shù)百公里，穿行于山川與城鎮(zhèn)之間。運(yùn)維數(shù)據(jù)顯示，輸電線路絕緣子處于完好無損狀態(tài)是確保安全輸電的關(guān)鍵，過往依賴人工巡檢，面臨諸多挑戰(zhàn)：一是高空作業(yè)的安全風(fēng)險(xiǎn)；二是人工識(shí)別的主觀誤差；三是效率問題，平均每公里需耗時(shí)2h，誤差率高達(dá)5%?？紤]到絕緣子缺陷類型多樣，包括裂紋、磨損和污穢等，人工檢測(cè)難以覆蓋所有細(xì)節(jié)。

在2022年度該段輸電線路共發(fā)生絕緣子故障事故17起，造成的直接經(jīng)濟(jì)損失估計(jì)超過50萬元。面對(duì)日益增長(zhǎng)的維護(hù)需求，傳統(tǒng)方法已無法滿足高效、精確的檢測(cè)需求?；诖耍瑳Q定引入基于深度學(xué)習(xí)的視覺檢測(cè)技術(shù)，旨在通過建立智能化檢測(cè)系統(tǒng)，提高缺陷識(shí)別的準(zhǔn)確率，減少人力成本，降低安全風(fēng)險(xiǎn)。通過前期調(diào)研，發(fā)現(xiàn)深度學(xué)習(xí)在圖像處理方面的強(qiáng)大潛力，特別是卷積神經(jīng)網(wǎng)絡(luò)（CNN）在特征提取方面的高效性，對(duì)于視覺檢測(cè)來說，能夠極大地提高識(shí)別的準(zhǔn)確性和效率。因此，啟動(dòng)了以深度學(xué)習(xí)為核心的絕緣子缺陷視覺檢測(cè)技術(shù)項(xiàng)目，期望通過技術(shù)創(chuàng)新為輸電線路維護(hù)工作帶來革命性的提升。

1.2 搭建深度學(xué)習(xí)模型

1.2.1 深度學(xué)習(xí)模型構(gòu)建思路

構(gòu)建的深度學(xué)習(xí)模型旨在對(duì)絕緣子的缺陷進(jìn)行高精度識(shí)別[1]，模型構(gòu)建分為數(shù)據(jù)準(zhǔn)備、模型設(shè)計(jì)、訓(xùn)練與驗(yàn)證以及部署四個(gè)階段。

在數(shù)據(jù)準(zhǔn)備階段，收集了過去兩年內(nèi)絕緣子圖像數(shù)據(jù)共計(jì)約10萬張，其中包含已標(biāo)注的缺陷圖像80000張和無缺陷圖像20000張。利用圖像處理軟件如OpenCV 對(duì)原始圖像進(jìn)行預(yù)處理，包括去噪、對(duì)比度增強(qiáng)和尺寸歸一化，以確保輸入數(shù)據(jù)的質(zhì)量[2]。數(shù)據(jù)分為訓(xùn)練集（70%）、驗(yàn)證集（15%）和測(cè)試集（15%）；在模型設(shè)計(jì)階段，選用TensorFlow 和Keras 框架構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)（CNN）。模型結(jié)構(gòu)包括四個(gè)卷積層，每個(gè)卷積層后接最大池化層、兩個(gè)全連接層以及一個(gè)輸出層。使用ReLU 作為激活函數(shù)以增強(qiáng)模型的非線性表達(dá)能力，采用Softmax 在輸出層進(jìn)行多分類。

在模型訓(xùn)練與驗(yàn)證階段，使用交叉熵作為損失函數(shù)，采用Adam 優(yōu)化器進(jìn)行參數(shù)調(diào)整。訓(xùn)練過程中實(shí)施了早停法（early stopping）以避免過擬合，同時(shí)進(jìn)行數(shù)據(jù)增強(qiáng)以擴(kuò)充數(shù)據(jù)集并提高模型的泛化能力。訓(xùn)練在NVIDIA Tesla V100 GPU 上進(jìn)行，共迭代了50個(gè)周期（epoch）；模型部署前在測(cè)試集上進(jìn)行了最終驗(yàn)證。測(cè)試結(jié)果顯示，模型在識(shí)別各類絕緣子缺陷上的準(zhǔn)確率達(dá)到了93%，誤報(bào)率降至2%以下。

1.2.2 基于深度模型對(duì)輸電線路絕緣子缺陷進(jìn)行視覺檢測(cè)的原理

原始圖像預(yù)處理環(huán)節(jié)。收集的原始圖像包括從不同角度、不同光照條件下拍攝的絕緣子圖片[3]。這些圖片可能含有噪聲、光照不均和背景干擾等問題。預(yù)處理的目的是減少這些問題對(duì)深度學(xué)習(xí)模型識(shí)別能力的影響。圖像去噪可以移除圖片中的隨機(jī)噪聲，對(duì)比度增強(qiáng)使得缺陷特征更加明顯，尺寸歸一化確保所有圖片輸入模型前具有統(tǒng)一的尺寸，便于CNN 的處理。

數(shù)據(jù)集的分配特征。訓(xùn)練集（70%）用于訓(xùn)練模型，是模型學(xué)習(xí)識(shí)別特征的主要數(shù)據(jù)來源。驗(yàn)證集（15%）不參與訓(xùn)練，用于模型的性能評(píng)估和超參數(shù)的調(diào)整，如通過驗(yàn)證集的表現(xiàn)來決定是否停止訓(xùn)練（early stopping）。測(cè)試集（15%）在模型訓(xùn)練完成后用來評(píng)估模型的泛化能力，即模型在未見過的數(shù)據(jù)上的表現(xiàn)如何。

模型訓(xùn)練與驗(yàn)證階段。上文提到的交叉熵?fù)p失函數(shù)（Cross-Entropy Loss）公式為：式中：y表示“真實(shí)的標(biāo)簽”，y^表示模型預(yù)測(cè)的概率分布。針對(duì)多分類問題，交叉熵能夠衡量模型預(yù)測(cè)概率分布與真實(shí)標(biāo)簽之間的差異。上文提到的Adam 優(yōu)化器是一種基于一階梯度的優(yōu)化算法，主要用于計(jì)算梯度的一階矩估計(jì)和二階矩估計(jì)，并據(jù)此更新模型參數(shù)。與“參數(shù)更新”有關(guān)的原理如下式中：θ表示模型參數(shù)，η表示學(xué)習(xí)率，分別表示梯度的一階矩估計(jì)及二階矩估計(jì)，?表示一個(gè)“很小很小的實(shí)數(shù)”，主要作用是避免出現(xiàn)“0作為除數(shù)”的情況。

構(gòu)建深度學(xué)習(xí)分析模型后還需設(shè)定“損失函數(shù)值”，用于表示“模型在給定數(shù)據(jù)集上的平均損失”。之所以如此，是因?yàn)槟Ｐ皖A(yù)測(cè)與實(shí)際值之間的差異需以量化結(jié)果加以呈現(xiàn)。如此一來，模型訓(xùn)練過程中，損失函數(shù)值下降，則可以直觀認(rèn)為模型的預(yù)測(cè)結(jié)果與真實(shí)標(biāo)簽越來越接近[4]。如表1所示，為構(gòu)建深度學(xué)習(xí)的分析模型后，在訓(xùn)練過程中相關(guān)指標(biāo)的變化情況。從中可以看到，虛擬分析結(jié)果顯示，模型構(gòu)建后能夠?yàn)檩旊娋€路絕緣子缺陷的自動(dòng)化識(shí)別提供有效技術(shù)手段，大幅提升巡檢效率和準(zhǔn)確性。

表1 基于深度學(xué)習(xí)的分析模型在訓(xùn)練過程中相關(guān)指標(biāo)變化情況

1.3 實(shí)地應(yīng)用與效果分析

在完成深度學(xué)習(xí)模型的構(gòu)建和訓(xùn)練后，將其部署到實(shí)際的輸電線路巡檢無人機(jī)上。在過去的三個(gè)月中，無人機(jī)巡檢系統(tǒng)已經(jīng)覆蓋了超過500公里的輸電線路，并生成了約3000張絕緣子的高清圖像供模型分析。相關(guān)結(jié)果如下。

在第一個(gè)月的試運(yùn)行階段，模型成功識(shí)別出其中95%的絕緣子缺陷，包括微小裂紋、污損和閃絡(luò)痕跡等。與人工巡檢相比模型顯著減少了漏檢率，同時(shí)準(zhǔn)確率從人工巡檢的約85%提升至93%；深度分析結(jié)果顯示，模型在光照條件較差或絕緣子背景復(fù)雜的圖像中的表現(xiàn)略有下降，準(zhǔn)確率降至約90%。這一發(fā)現(xiàn)促使針對(duì)這類情況進(jìn)一步優(yōu)化模型，如增加這類圖像在訓(xùn)練集中的比例，以提高模型的魯棒性；在部署模型的第二個(gè)月對(duì)模型進(jìn)行了迭代更新，準(zhǔn)確率提升到95%。誤報(bào)率也由最初的2%下降到了1.5%。這一改進(jìn)顯著增加了運(yùn)維團(tuán)隊(duì)對(duì)自動(dòng)化巡檢系統(tǒng)的信任，并開始縮減人工巡檢的頻次。表2所示為基于深度學(xué)習(xí)的分析模型應(yīng)用后，針對(duì)輸電線路絕緣子缺陷的巡檢效率及準(zhǔn)確性對(duì)比結(jié)果。

表2 深度學(xué)習(xí)模型實(shí)地應(yīng)用前后的巡檢效率及準(zhǔn)確性對(duì)比

總體來看，該模型的應(yīng)用顯著提升了輸電線路絕緣子缺陷檢測(cè)的效率和準(zhǔn)確性，減少了人力成本和維護(hù)成本。未來計(jì)劃將這一系統(tǒng)推廣至更多的輸電線路，以進(jìn)一步提高整個(gè)電網(wǎng)的運(yùn)行效率[5]。

2 項(xiàng)目實(shí)施過程中有關(guān)深度學(xué)習(xí)的挑戰(zhàn)與解決方案

2.1 核心挑戰(zhàn)

完成基于深度學(xué)習(xí)的檢測(cè)模型的構(gòu)建并應(yīng)用之后，發(fā)現(xiàn)實(shí)施過程中數(shù)據(jù)質(zhì)量和模型訓(xùn)練是兩大核心挑戰(zhàn)：其一，數(shù)據(jù)質(zhì)量方面的挑戰(zhàn)主要體現(xiàn)在數(shù)據(jù)的多樣性和標(biāo)注的準(zhǔn)確性上。由于原始圖像來源于多個(gè)地區(qū)，不同季節(jié)和天氣條件下拍攝的絕緣子圖像存在較大差異，對(duì)模型的泛化能力提出了高要求。為了解決這個(gè)問題，技術(shù)人員采集了盡可能多樣化的圖像數(shù)據(jù)，并通過數(shù)據(jù)增強(qiáng)技術(shù)如旋轉(zhuǎn)、縮放、剪切和顏色調(diào)整等方式進(jìn)一步擴(kuò)充數(shù)據(jù)集，增強(qiáng)模型對(duì)于不同條件下圖像的識(shí)別能力。

其二，由于標(biāo)注高質(zhì)量的數(shù)據(jù)需要專業(yè)的電力設(shè)備檢修人員，成本較高且容易引入人為誤差，經(jīng)常會(huì)對(duì)訓(xùn)練數(shù)據(jù)的質(zhì)量構(gòu)成威脅。為了提高標(biāo)注數(shù)據(jù)的準(zhǔn)確性和降低成本，引入了半自動(dòng)化的標(biāo)注流程，利用已經(jīng)訓(xùn)練得到的模型初步識(shí)別絕緣子缺陷，然后由專業(yè)人員進(jìn)行復(fù)核和校正，既保證了數(shù)據(jù)標(biāo)注的質(zhì)量，又提高了標(biāo)注效率。

2.2 解決方案

模型訓(xùn)練方面，面臨的挑戰(zhàn)包括訓(xùn)練時(shí)間長(zhǎng)、資源消耗大以及過擬合的風(fēng)險(xiǎn)。針對(duì)這些問題，采用的解決方案分“兩步走”：為了提高訓(xùn)練效率，使用高性能計(jì)算資源，并在訓(xùn)練過程中使用分布式訓(xùn)練策略，將訓(xùn)練任務(wù)分散到多個(gè)GPU 上并行處理。其中原理是在多個(gè)處理器（如GPU 或CPU）上并行執(zhí)行深度學(xué)習(xí)模型的訓(xùn)練任務(wù)，具體執(zhí)行的數(shù)據(jù)并行策略有兩種：其一，數(shù)據(jù)并行。每個(gè)GPU 得到模型的一個(gè)副本，訓(xùn)練過程中各自處理不同的數(shù)據(jù)子集。在每次訓(xùn)練迭代后，各個(gè)GPU 上的梯度被匯總并同步從而更新模型參數(shù)。這種方式可以有效減少單個(gè)GPU 的內(nèi)存負(fù)擔(dān)，并縮短訓(xùn)練時(shí)間；其二，模型并行。此為一種將模型的不同部分放在不同GPU 上的策略，每個(gè)GPU 只處理模型的一部分。如此一來，針對(duì)單一GPU 無法容納整個(gè)模型的情況能夠取得特殊效果。

為了避免過擬合，在模型中引入了正則化技術(shù)如Dropout 和權(quán)重衰減。同時(shí)采用了早停技術(shù)（early stopping），即當(dāng)驗(yàn)證集上的性能不再提升時(shí)停止訓(xùn)練。所謂“過擬合”是指模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)很好、但在未見過的數(shù)據(jù)上表現(xiàn)不佳。造成此種現(xiàn)象的原因是，模型學(xué)習(xí)了訓(xùn)練數(shù)據(jù)中的噪聲和細(xì)節(jié)，但卻沒有抓住數(shù)據(jù)的真正分布。

為解決這個(gè)問題技術(shù)人員采取了如下措施：Dropout。此為一種常用的正則化技術(shù)，主要原理是，在訓(xùn)練過程中隨機(jī)地“丟棄”（即暫時(shí)移除）一部分網(wǎng)絡(luò)連接?；谠摷夹g(shù)的特性，可將之視為一種減少神經(jīng)元間復(fù)雜協(xié)同適應(yīng)的方式，其特征是“逐漸提高自身的魯棒特性”；權(quán)重衰減（L2正則化）。通過在損失函數(shù)中添加一個(gè)與權(quán)重值平方成正比的項(xiàng)，可以抑制權(quán)重值的增長(zhǎng)，防止模型過于復(fù)雜化，傾向于學(xué)習(xí)更簡(jiǎn)單的模型；早停（Early Stopping）。在訓(xùn)練過程中，技術(shù)人員重點(diǎn)監(jiān)控模型在一個(gè)獨(dú)立的驗(yàn)證集上的表現(xiàn)。當(dāng)驗(yàn)證集上的性能在連續(xù)幾個(gè)epoch 內(nèi)不再提升時(shí)就停止訓(xùn)練，可以防止模型在訓(xùn)練集上過度優(yōu)化，從而達(dá)到更好的泛化效果。

通過對(duì)上述策略的綜合應(yīng)用，成功克服了數(shù)據(jù)質(zhì)量與模型訓(xùn)練方面的挑戰(zhàn)，確保了模型的準(zhǔn)確性和實(shí)用性，大幅度提高了對(duì)輸電線路絕緣子缺陷的視覺檢測(cè)效果，能夠在缺陷以及故障發(fā)生后的第一時(shí)間迅速確認(rèn)具體位置并及時(shí)檢修，對(duì)保障輸電網(wǎng)絡(luò)的正常運(yùn)行具有積極意義[6]。

綜上所述，盡管在數(shù)據(jù)處理和模型優(yōu)化方面遇到了一系列挑戰(zhàn)，但通過精心設(shè)計(jì)的解決策略，這些問題得到了有效解決。未來隨著技術(shù)進(jìn)一步成熟和數(shù)據(jù)資源的豐富，深度學(xué)習(xí)模型將持續(xù)優(yōu)化，預(yù)計(jì)能在更廣范圍內(nèi)推廣應(yīng)用，為電力系統(tǒng)的智能化運(yùn)維提供更強(qiáng)有力的技術(shù)支撐。