趙振兵，齊鴻雨，聶禮強(qiáng)

(1.華北電力大學(xué) 電氣與電子工程學(xué)院，河北 保定 071003；2. 山東大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山東 青島 266237)

輸電線路是我國(guó)能源互聯(lián)網(wǎng)最重要的基礎(chǔ)設(shè)施之一，其運(yùn)行狀態(tài)的安全穩(wěn)定是電能傳輸?shù)闹匾疤?，也是我?guó)能源發(fā)展的重要保障。隨著我國(guó)電網(wǎng)的不斷發(fā)展，各個(gè)電壓等級(jí)的輸電線路正處于快速建設(shè)中。截至2016年底，我國(guó)國(guó)家電網(wǎng)66 kV及以上電壓等級(jí)輸電線路總長(zhǎng)88.91萬(wàn) km，當(dāng)年增長(zhǎng)6.68萬(wàn) km；南方電網(wǎng)110 kV及以上電壓等級(jí)輸電線路總長(zhǎng)21.2萬(wàn) km，當(dāng)年增長(zhǎng)1.30萬(wàn) km；內(nèi)蒙古電網(wǎng)110 kV及以上電壓等級(jí)輸電線路總長(zhǎng)3.77萬(wàn) km。截至2017年，全國(guó)220 kV及以上電壓等級(jí)的輸電線路總長(zhǎng)為68.77萬(wàn) km，500 kV及以上電壓等級(jí)的輸電線路總長(zhǎng)為23.67萬(wàn) km[1]?！笆濉逼陂g，國(guó)家電網(wǎng)將新增110 kV及以上電壓等級(jí)線路40.1萬(wàn) km，較“十二五”末增長(zhǎng)45%[2]?？梢?jiàn)，在加快建設(shè)輸電線路的同時(shí)，輸電線路已有極大的覆蓋范圍。由于輸電線路長(zhǎng)期處在復(fù)雜的地理位置、不可預(yù)知?dú)夂蜃兓淖匀画h(huán)境條件下，且與周圍的動(dòng)物活動(dòng)和人類活動(dòng)緊密關(guān)聯(lián)，因而輸電線路有較高的可能性出現(xiàn)故障，從而不可避免地導(dǎo)致跳閘事故的發(fā)生。

影響輸電線路安全運(yùn)行的主要因素有雷擊[3-6]、鳥害[7-9]、外力[10-11]、山火[12-13]、風(fēng)偏[14-15]、冰害[16-18]等，經(jīng)過(guò)對(duì)這些引起輸電線路跳閘的常見(jiàn)因素進(jìn)行長(zhǎng)期研究，研究者們提出了許多有效的防治方法，使現(xiàn)狀有了明顯的改善[19-21]，但問(wèn)題依然突出。2016年我國(guó)國(guó)家電網(wǎng)輸電線路發(fā)生線路跳閘與故障停運(yùn)總體情況見(jiàn)表1。

表1 2016年國(guó)家電網(wǎng)輸電線路跳閘與故障停運(yùn)情況Tab.1 Tripping and fault outage of transmission lines of state grid in 2016

由表1可知，500 kV輸電線路的跳閘次數(shù)最多。圖1所示為2016年度不同跳閘原因?qū)е碌奶l次數(shù)統(tǒng)計(jì)情況。從圖1可知，導(dǎo)致輸電線路跳閘的因素主要是雷擊[22-23]，跳閘次數(shù)占比52.5%，其次為鳥害、外力、風(fēng)害、冰害(占比依次為14.3%、14.1%、11.4%、6.8%)等其他原因[24-25]，以及相對(duì)少數(shù)的不明原因。

圖1 各原因引起的跳閘次數(shù)Fig.1 Tripping times caused by various reasons

輸電線路的基層運(yùn)檢人員數(shù)量增長(zhǎng)緩慢，而影響電網(wǎng)安全的風(fēng)險(xiǎn)因素長(zhǎng)期存在，使得輸電線路規(guī)?？焖贁U(kuò)大與人工運(yùn)檢效率提升緩慢的矛盾日益突出，傳統(tǒng)運(yùn)檢模式無(wú)法適應(yīng)電網(wǎng)發(fā)展與體制變革的要求。為了改善上述輸電線路中長(zhǎng)期存在的問(wèn)題，構(gòu)建智能運(yùn)檢體系是破解線路運(yùn)檢發(fā)展難題的必由之路[26]。

近年來(lái)，我國(guó)大力推進(jìn)以現(xiàn)代信息技術(shù)為核心的輸電線路智能化巡檢技術(shù)，目的是實(shí)現(xiàn)重要輸電設(shè)備的狀態(tài)監(jiān)測(cè)、狀態(tài)評(píng)估、狀態(tài)檢修和風(fēng)險(xiǎn)預(yù)警，以及實(shí)現(xiàn)在線評(píng)估診斷與決策[27-28]。提升輸電線路狀態(tài)評(píng)估的智能化水平，以積極的方式防治與應(yīng)對(duì)輸電事故的發(fā)生，對(duì)我國(guó)能源互聯(lián)網(wǎng)安全有重要意義。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中的一個(gè)重要方法，因具有逐層信息處理、分布式的豐富模型特征、足夠的模型復(fù)雜度等特點(diǎn)[29]，該方法能夠有效提取到數(shù)據(jù)中更本質(zhì)的特征，在語(yǔ)音、圖像、視頻等信息的處理任務(wù)上展現(xiàn)出了優(yōu)越的性能；因此，基于深度學(xué)習(xí)的輸電線路視覺(jué)檢測(cè)作為輸電線路智能化發(fā)展的關(guān)鍵技術(shù)，具有重要研究?jī)r(jià)值。

基于此，本文首先綜述了國(guó)內(nèi)外基于深度學(xué)習(xí)的視覺(jué)檢測(cè)方法與輸電線路視覺(jué)檢測(cè)方法研究現(xiàn)狀；然后，針對(duì)輸電線路中能夠應(yīng)用深度學(xué)習(xí)進(jìn)行視覺(jué)檢測(cè)的主流巡檢方式，對(duì)工作原理、特點(diǎn)以及結(jié)合深度學(xué)習(xí)過(guò)程中的主要問(wèn)題進(jìn)行分析，同時(shí)對(duì)深度學(xué)習(xí)在輸電線路視覺(jué)巡檢應(yīng)用中的關(guān)鍵問(wèn)題進(jìn)行總結(jié)；最后，對(duì)該研究領(lǐng)域的未來(lái)發(fā)展方向進(jìn)行探討。

1 研究現(xiàn)狀

1.1 基于深度學(xué)習(xí)的視覺(jué)檢測(cè)方法研究現(xiàn)狀

2006年，深度學(xué)習(xí)概念被首次提出，采用更多層的神經(jīng)網(wǎng)絡(luò)構(gòu)建自編碼器實(shí)現(xiàn)自監(jiān)督與有監(jiān)督結(jié)合的訓(xùn)練方式[30]。2012年，基于深度卷積神經(jīng)網(wǎng)絡(luò)(deeply convolutional neural network，DCNN)構(gòu)建的AlexNet[31]首次應(yīng)用于ImageNet[32]圖像識(shí)別大賽，掀起了第2次人工智能研究的浪潮。DCNN[33]是一種針對(duì)二維圖像處理的深度人工神經(jīng)網(wǎng)絡(luò)，提取的圖像特征具有很強(qiáng)的辨別力與魯棒性，其局部感知、參數(shù)共享等模型特點(diǎn)有效降低了算法的環(huán)境要求，目前在基于深度學(xué)習(xí)的視覺(jué)檢測(cè)中被廣泛應(yīng)用。

2013年，文獻(xiàn)[34]采用AlexNet的網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)對(duì)圖像局部區(qū)域回歸以及構(gòu)建多尺度的方法，將DCNN首次應(yīng)用于目標(biāo)檢測(cè)任務(wù)。同年，基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)(region-base convolutional neural network，R-CNN)[35]被提出，借鑒滑動(dòng)窗口的思想，利用支持向量機(jī)(support vector machine，SVM)[36]對(duì)DCNN提取的深度特征進(jìn)行分類，是基于區(qū)域建議方法與DCNN相結(jié)合的目標(biāo)檢測(cè)基礎(chǔ)框架。針對(duì)R-CNN的效率問(wèn)題，何凱明等人提出空間金字塔池化(spatial pyramid pooling，SPP)網(wǎng)絡(luò)SPP-Net[37]，將原本需要進(jìn)行2 000次的區(qū)域特征提取過(guò)程壓縮到一次完成，并通過(guò)SPP處理使得不同區(qū)域特征能夠映射到統(tǒng)一大小，消除了大量的重復(fù)計(jì)算，很大程度加快了檢測(cè)效率。在SPP-Net的基礎(chǔ)上，F(xiàn)ast R-CNN[38]提出了感興趣區(qū)域池化(region of interest pooling，RoI Pooling)對(duì)動(dòng)態(tài)區(qū)域大小進(jìn)行歸一化，并且用softmax函數(shù)替換SVM對(duì)區(qū)域進(jìn)行分類，同時(shí)構(gòu)建回歸器對(duì)目標(biāo)的位置進(jìn)行回歸。最后，將它們的損失進(jìn)行加和，構(gòu)建多任務(wù)學(xué)習(xí)模型。為了更進(jìn)一步提高模型的性能，F(xiàn)aster R-CNN[39]針對(duì)區(qū)域建議方法進(jìn)行設(shè)計(jì)，利用共享DCNN構(gòu)建區(qū)域建議網(wǎng)絡(luò)(region proposal network，RPN)，對(duì)候選區(qū)域進(jìn)行初步的分類處理，且不引來(lái)額外的網(wǎng)絡(luò)體積增加，成為了目前目標(biāo)檢測(cè)的主流檢測(cè)模型。至此，基于區(qū)域建議的兩級(jí)目標(biāo)檢測(cè)基本框架較為成功地建立起來(lái)。以將更深的網(wǎng)絡(luò)應(yīng)用到目標(biāo)檢測(cè)中為出發(fā)點(diǎn)，基于區(qū)域的全卷積網(wǎng)絡(luò)(region-base fully convolutional network，R-FCN)[40]構(gòu)建基于全卷積的目標(biāo)檢測(cè)網(wǎng)絡(luò)，提出位置敏感得分圖(position sensitive score map)，對(duì)區(qū)域的特征進(jìn)行優(yōu)化處理，將感興趣區(qū)域分為多個(gè)子區(qū)域，分別計(jì)算每個(gè)子區(qū)域在每個(gè)類別上的得分，通過(guò)利用得分圖進(jìn)行投票和softmax函數(shù)計(jì)算，得到每個(gè)區(qū)域的分類結(jié)果。

為了更進(jìn)一步提升檢測(cè)的效率，文獻(xiàn)[41]針對(duì)檢測(cè)模型的速度問(wèn)題，提出單級(jí)檢測(cè)框架YOLO(you only look once)，從輸入到輸出僅進(jìn)行一次邊界框的回歸與區(qū)域的分類。與基于區(qū)域建議方法的兩級(jí)檢測(cè)框架相比，它們的共同點(diǎn)是都采用DCNN提取圖像的視覺(jué)特征，區(qū)別在于YOLO沒(méi)有目標(biāo)區(qū)域建議機(jī)制，僅在網(wǎng)絡(luò)的尾部利用固定區(qū)域的深度特征對(duì)目標(biāo)位置進(jìn)行回歸與類別置信度計(jì)算。為了解決YOLO對(duì)區(qū)域的相對(duì)模糊處理帶來(lái)的準(zhǔn)確率瓶頸，SSD(single shot multibox detector)[42]將Anchor機(jī)制引入模型，同時(shí)采用特征融合與多尺度預(yù)測(cè)方法構(gòu)建了一個(gè)速度與準(zhǔn)確率更好的端到端單級(jí)檢測(cè)框架。YOLOv2[43]針對(duì)YOLO的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化設(shè)計(jì)，利用殘差網(wǎng)絡(luò)結(jié)構(gòu)、多尺度訓(xùn)練、特征融合、基于k-means的先驗(yàn)框生成等方法，改善了相對(duì)簡(jiǎn)略的約束框處理帶來(lái)的低召回率和樣本不平衡問(wèn)題，同時(shí)優(yōu)化了模型的深度特征提取能力，在公共數(shù)據(jù)集COCO(common objects in context)[44]與PASCAL VOC 2012[45]上獲得了比上一代更快速、準(zhǔn)確率更高的性能表現(xiàn)。隨著基礎(chǔ)模型研究的發(fā)展，YOLOv3[46]利用53層的DarkNet-53作為主干網(wǎng)絡(luò)，并構(gòu)建特征金字塔，同時(shí)利用多尺度預(yù)測(cè)和更多尺度的先驗(yàn)框生成，進(jìn)一步提高了檢測(cè)準(zhǔn)確率。而多分類的softmax函數(shù)被替換為logistic函數(shù)則令YOLOv3能夠執(zhí)行目標(biāo)的多標(biāo)簽檢測(cè)。單級(jí)目標(biāo)檢測(cè)框架相對(duì)于兩級(jí)目標(biāo)檢測(cè)框架速度更快，由于模型直觀簡(jiǎn)練，成為現(xiàn)代工程應(yīng)用中目標(biāo)檢測(cè)任務(wù)首要考慮的模型之一。

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)是一種數(shù)據(jù)驅(qū)動(dòng)的智能學(xué)習(xí)型算法，能夠自動(dòng)學(xué)習(xí)到可進(jìn)行有效定位和分類的深度特征；但符合條件的高質(zhì)量有監(jiān)督數(shù)據(jù)總是有限的，特別是自然場(chǎng)景中獲取的數(shù)據(jù)都呈現(xiàn)出長(zhǎng)尾分布，比如缺陷數(shù)據(jù)。為了能夠在有限的數(shù)據(jù)下提高檢測(cè)的性能，數(shù)據(jù)增廣是一個(gè)能夠有效提高有限數(shù)據(jù)下模型檢測(cè)能力的外部方法。傳統(tǒng)的數(shù)據(jù)增廣方法有幾何變換、噪聲擾動(dòng)、顏色變換、對(duì)比度擾動(dòng)、灰度增強(qiáng)與亮度變化等，將數(shù)據(jù)通過(guò)一些較為規(guī)則的映射來(lái)擴(kuò)充數(shù)據(jù)集的規(guī)模，從而使得模型的泛化能力一定程度的提高。這些通用的數(shù)據(jù)增廣方法的局限性在于：進(jìn)行數(shù)據(jù)增強(qiáng)時(shí)，未考慮內(nèi)容本身的整體數(shù)值分布變化；在對(duì)不同的數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)的同時(shí)，未結(jié)合已有數(shù)據(jù)的先驗(yàn)數(shù)據(jù)特征進(jìn)行數(shù)據(jù)增強(qiáng)。即這些方法增加的變化是一種針對(duì)圖像整體而言的變化；而針對(duì)圖像中的語(yǔ)義目標(biāo)所對(duì)應(yīng)的二維視覺(jué)表征而言，并沒(méi)有實(shí)際的類目標(biāo)樣本被擴(kuò)充。這些問(wèn)題指出了通過(guò)擴(kuò)充目標(biāo)檢測(cè)數(shù)據(jù)集中語(yǔ)義目標(biāo)、針對(duì)數(shù)據(jù)集自身特點(diǎn)的數(shù)據(jù)增廣方式所蘊(yùn)含的更多價(jià)值。

Ian Goodfellow等人提出生成式對(duì)抗網(wǎng)絡(luò)(generative adversarial network，GAN)[47]，首次將深度學(xué)習(xí)應(yīng)用于圖像生成當(dāng)中。GAN構(gòu)建模型對(duì)已有數(shù)據(jù)進(jìn)行學(xué)習(xí)，利用生成器對(duì)目標(biāo)數(shù)據(jù)進(jìn)行生成，并使用鑒別器對(duì)生成數(shù)據(jù)真假度進(jìn)行評(píng)估，在生成器與鑒別器對(duì)抗的訓(xùn)練過(guò)程中，使得生成器能夠生成與訓(xùn)練數(shù)據(jù)相似的目標(biāo)樣本。由于CNN對(duì)于計(jì)算機(jī)視覺(jué)的有效性，Alec Radford等人構(gòu)建深度卷積生成式對(duì)抗網(wǎng)絡(luò)(deep convolution generative adversarial networks，DCGAN)[48]，將其應(yīng)用于圖像生成當(dāng)中。BigGAN[49]通過(guò)對(duì)生成器進(jìn)行正交正則化改進(jìn)，大大提高了生成器的生成圖像質(zhì)量，將GAN的應(yīng)用能力再次提高。Nvidia提出StyleGAN[50]，以風(fēng)格遷移為任務(wù)核心構(gòu)建GAN，在人臉生成上取得了當(dāng)時(shí)最好的效果，在保證語(yǔ)義目標(biāo)高質(zhì)量生成的基礎(chǔ)上，對(duì)目標(biāo)所處的環(huán)境也能夠達(dá)到良好的變換效果。通過(guò)基于深度學(xué)習(xí)方法進(jìn)行有效的圖像增廣，能夠在數(shù)據(jù)有限以及樣本不平衡的不理想情況中，提高檢測(cè)模型的有效性。

在目標(biāo)檢測(cè)用于提取深度特征的主干網(wǎng)絡(luò)選擇上，目標(biāo)檢測(cè)網(wǎng)絡(luò)會(huì)同時(shí)考慮網(wǎng)絡(luò)深度、模型復(fù)雜度、任務(wù)難度以及計(jì)算能力的限制等，通過(guò)綜合考慮進(jìn)行主干網(wǎng)絡(luò)的選擇，網(wǎng)絡(luò)的深度不是決定模型性能表現(xiàn)的唯一因素。常用主干網(wǎng)絡(luò)如Vgg-16[51]、ResNet[52]、YOLOv3的DarkNet、InceptionNet以及Inception-ResNet[53]等。

1.2 輸電線路視覺(jué)檢測(cè)方法研究現(xiàn)狀

輸電線路視覺(jué)檢測(cè)任務(wù)按傳感器獲取數(shù)據(jù)與進(jìn)行檢測(cè)的時(shí)間間隔，可以分為在線視覺(jué)檢測(cè)和離線視覺(jué)檢測(cè)[54]。在線視覺(jué)檢測(cè)通過(guò)可見(jiàn)光傳感器、紅外傳感器、紫外傳感器等設(shè)備對(duì)輸電線路運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)的監(jiān)督，其設(shè)備的安裝要求、運(yùn)行成本、維護(hù)成本相對(duì)較高[55]。離線視覺(jué)檢測(cè)通過(guò)周期性的單次測(cè)量獲取輸電線路的視覺(jué)數(shù)據(jù)，在整體檢測(cè)完畢后進(jìn)行數(shù)據(jù)清洗與數(shù)據(jù)分析。對(duì)于覆蓋面積廣泛的輸電線路而言，其靈活性更高且適用范圍更廣，在大范圍區(qū)域的檢測(cè)上成本相對(duì)較低[56-59]。

輸電線路中基于視覺(jué)的檢測(cè)任務(wù)可按檢測(cè)對(duì)象的相對(duì)尺度大小分為4種類型：桿塔級(jí)視覺(jué)檢測(cè)、部件級(jí)視覺(jué)檢測(cè)、部位級(jí)視覺(jué)檢測(cè)以及元件級(jí)視覺(jué)檢測(cè)。桿塔級(jí)的視覺(jué)檢測(cè)任務(wù)主要是對(duì)桿塔等相對(duì)尺度較大的視覺(jué)目標(biāo)進(jìn)行整體的檢測(cè)(比如桿塔的定位、桿塔塔身范圍的檢測(cè)等)，檢測(cè)對(duì)象尺度相對(duì)較大，在所獲取的視覺(jué)數(shù)據(jù)中對(duì)應(yīng)的目標(biāo)信息占比多，因此檢測(cè)相對(duì)較易。輸電線路場(chǎng)景中的部件級(jí)視覺(jué)檢測(cè)對(duì)象是導(dǎo)地線、絕緣子、金具、基礎(chǔ)、附屬設(shè)施、廊道環(huán)境、桿塔、接地裝置等部件的某一類具體對(duì)象，比如金具的具體對(duì)象包含了保護(hù)金具、接續(xù)金具、聯(lián)接金具、耐張線夾以及懸垂線夾。部位級(jí)視覺(jué)檢測(cè)對(duì)象是相對(duì)于輸電線路部件級(jí)對(duì)象尺度更小的視覺(jué)目標(biāo)。不同的部件對(duì)象對(duì)應(yīng)不完全相同的部位目標(biāo)，而螺栓則是不同部件中出現(xiàn)得最多的相同部位目標(biāo)。元件級(jí)視覺(jué)檢測(cè)對(duì)象是輸電線路中視覺(jué)檢測(cè)尺度最小的一類目標(biāo)，如在輸電線路中大量存在的鎖緊銷、螺母等緊固件。該劃分沒(méi)有絕對(duì)分明的界線，因?yàn)槟繕?biāo)的規(guī)格與目標(biāo)視覺(jué)數(shù)據(jù)獲取的尺度都具有多樣性(比如不同大小的異物目標(biāo))?？傮w上，根據(jù)尺度的劃分，對(duì)于一種相對(duì)穩(wěn)定的輸電線路視覺(jué)數(shù)據(jù)獲取方式而言，可以將視覺(jué)檢測(cè)任務(wù)分為不同等級(jí)，從而能夠系統(tǒng)地分析不同檢測(cè)對(duì)象之間的關(guān)系與檢測(cè)難度，利于模型的選擇與構(gòu)建。圖2所示為輸電線路視覺(jué)檢測(cè)任務(wù)按相對(duì)尺度劃分的實(shí)例說(shuō)明。

圖2 輸電線路視覺(jué)檢測(cè)任務(wù)按尺度劃分實(shí)例Fig.2 Examples of visual detection tasks for transmission lines divided according to scales

文獻(xiàn)[60]基于機(jī)載多傳感器自動(dòng)巡檢系統(tǒng)，通過(guò)可見(jiàn)光相機(jī)、紅外熱像儀對(duì)輸電線路中的桿塔目標(biāo)和絕緣子進(jìn)行自動(dòng)檢測(cè)；同時(shí)，結(jié)合RTK(real-time kinematic)定位系統(tǒng)獲取的差分經(jīng)緯度和海拔高度等信息以及電子羅盤獲取的飛行航向角、俯仰角、翻滾角等姿態(tài)信息，對(duì)拍攝系統(tǒng)進(jìn)行實(shí)時(shí)的位置修正，實(shí)現(xiàn)拍攝過(guò)程的自動(dòng)跟蹤，有效提高了巡檢的作業(yè)效率。文獻(xiàn)[61]基于航拍輸電線路圖像對(duì)桿塔進(jìn)行檢測(cè)，首先利用小波變換進(jìn)行圖像去噪，然后通過(guò)邊緣檢測(cè)定位到桿塔目標(biāo)區(qū)域，最后通過(guò)灰度直方圖構(gòu)建桿塔不良狀態(tài)判別模型以完成檢測(cè)；但該方法泛化能力差。文獻(xiàn)[62]通過(guò)無(wú)人機(jī)獲取電力桿塔圖像，利用多種桿塔的三維模型對(duì)桿塔圖像進(jìn)行匹配；但基于模板匹配的檢測(cè)算法在桿塔類型與所處環(huán)境的雙重變化下魯棒性差。文獻(xiàn)[63]基于機(jī)載激光掃描設(shè)備獲取的輸電線路激光點(diǎn)云數(shù)據(jù)，提出了一種基于二維格網(wǎng)多維特征分析的輸電桿塔自動(dòng)定位方法，首先進(jìn)行噪聲濾波和規(guī)則化預(yù)處理，然后計(jì)算點(diǎn)云圖像的高差、坡度、密度特征，最后利用所得特征對(duì)桿塔進(jìn)行定位，具有較高的有效性與穩(wěn)定性。文獻(xiàn)[64]基于輸電線路的無(wú)人機(jī)巡檢圖像，利用滑動(dòng)窗口的思想，通過(guò)對(duì)每個(gè)窗口提取方向梯度直方圖(histogram of oriented gradient，HOG)特征訓(xùn)練SVM分類器，從而實(shí)現(xiàn)桿塔的判別；該方法對(duì)于輸電線路可見(jiàn)光圖像的桿塔檢測(cè)有較高的魯棒性。

文獻(xiàn)[65]基于輸電線路航拍圖像，對(duì)航拍圖像中的絕緣子、塔材、防振錘和背景進(jìn)行檢測(cè)。作者構(gòu)建5層CNN，將航拍圖像分成不同粒度的網(wǎng)格，對(duì)每個(gè)網(wǎng)格區(qū)域進(jìn)行分類訓(xùn)練，最終將統(tǒng)一類型的相鄰網(wǎng)格對(duì)應(yīng)原圖區(qū)域進(jìn)行整體掩碼，從而完成多類部件的檢測(cè)。文獻(xiàn)[66]通過(guò)構(gòu)建DCNN，獲取多個(gè)層次的導(dǎo)線特征，將非導(dǎo)線目標(biāo)背景完整切除，實(shí)現(xiàn)輸電線的有效分割。文獻(xiàn)[67]利用Faster R-CNN構(gòu)建航拍圖像中的絕緣子及其缺陷檢測(cè)模型，對(duì)絕緣子的檢測(cè)準(zhǔn)確率為94%，對(duì)掉串缺陷的檢測(cè)準(zhǔn)確率達(dá)到了92%。對(duì)于同一任務(wù)，文獻(xiàn)[68]將不同檢測(cè)模型與不同的骨干網(wǎng)絡(luò)進(jìn)行對(duì)比實(shí)驗(yàn)，構(gòu)建更優(yōu)良的深度模型，進(jìn)一步提升了深度學(xué)習(xí)在絕緣子檢測(cè)任務(wù)上的性能表現(xiàn)。

文獻(xiàn)[69]構(gòu)建輸電線路智能監(jiān)控系統(tǒng)，通過(guò)服務(wù)器處理現(xiàn)場(chǎng)監(jiān)控圖像，進(jìn)行鳥類入侵輸電線路的檢測(cè)，對(duì)于結(jié)構(gòu)簡(jiǎn)單、背景單一的低壓輸電線路獲得了較為理想的效果。文獻(xiàn)[70]首先提取顏色特征對(duì)航拍圖像進(jìn)行預(yù)處理，然后通過(guò)訓(xùn)練Faster R-CNN得到自動(dòng)銹蝕檢測(cè)深度模型。該方法對(duì)分辨率較低或近距離的拍攝圖像有一定的實(shí)用性。文獻(xiàn)[71]基于無(wú)人機(jī)獲取輸電線路航拍圖像，采用Fast R-CNN對(duì)航拍圖像中的絕緣子、金具、懸垂線夾、塔材等進(jìn)行檢測(cè)，通過(guò)Vgg-16與ResNet-101構(gòu)建多個(gè)目標(biāo)檢測(cè)模型，將不同分辨率的圖像輸入進(jìn)行對(duì)比，在圖像最長(zhǎng)邊的長(zhǎng)度為1 000像素時(shí)，得到了最好的多類部件檢測(cè)結(jié)果。

螺栓為復(fù)雜龐大的輸電線路中廣泛存在的緊固件，因相對(duì)尺度較小，受限于觀測(cè)分辨率與觀測(cè)距離，在光學(xué)衛(wèi)星圖像、激光雷達(dá)探測(cè)中較難對(duì)其進(jìn)行狀態(tài)檢測(cè)，而基于固定監(jiān)控?cái)z像頭的視覺(jué)信息又有較大的空間局限性。為評(píng)估不良螺栓缺陷對(duì)輸電線路運(yùn)行穩(wěn)定與安全的影響，對(duì)輸電線路中的螺栓目標(biāo)檢測(cè)需要提升視覺(jué)巡檢的精細(xì)化程度。目前，直升機(jī)、無(wú)人機(jī)巡檢在輸電線路上獲取的視覺(jué)信息具有更大的空間自由度，隨著可見(jiàn)光傳感器技術(shù)的發(fā)展，這些巡檢方式能夠?qū)旊娋€路進(jìn)行更精細(xì)化的感知，也使得基于飛行器航拍圖像的螺栓缺陷自動(dòng)檢測(cè)成為可能。

通過(guò)定位與狀態(tài)檢測(cè)對(duì)桿塔本體、基礎(chǔ)、架空導(dǎo)地線、絕緣子、金具、接地裝置以及螺栓等部件的運(yùn)行狀態(tài)進(jìn)行評(píng)估；根據(jù)評(píng)估結(jié)果，針對(duì)已有問(wèn)題和潛在威脅進(jìn)行及時(shí)處理和檢修規(guī)劃，從而為輸電線路整體運(yùn)行狀態(tài)的可靠性與安全性評(píng)估提供合理的評(píng)估依據(jù)[72]。

2 深度學(xué)習(xí)在輸電線路視覺(jué)巡檢技術(shù)中的應(yīng)用分析

2.1 無(wú)人機(jī)巡檢

隨著電網(wǎng)運(yùn)行維護(hù)的輸電線路里程快速增長(zhǎng)，運(yùn)行維護(hù)的需求增長(zhǎng)與運(yùn)行維護(hù)人員數(shù)量之間的矛盾逐漸顯現(xiàn)，而且人工巡檢的成本高、工作強(qiáng)度大、人員素質(zhì)參差不齊，巡檢效率低下；因此，無(wú)人機(jī)作為一種低成本、短周期、機(jī)動(dòng)性強(qiáng)的巡檢方式，在輸電線路巡檢中越來(lái)越被重視[73]。圖3所示為無(wú)人機(jī)進(jìn)行輸電線路巡檢時(shí)的場(chǎng)景。

圖3 無(wú)人機(jī)進(jìn)行輸電線路巡檢場(chǎng)景Fig.3 UAV inspection on transmission line

無(wú)人機(jī)作為一種智能、高效的輸電線路巡檢方式，具有非帶電巡檢、巡檢空間自由度大、巡檢精細(xì)度高、可調(diào)節(jié)性強(qiáng)等特點(diǎn)，能夠廣泛適應(yīng)不同巡檢任務(wù)的環(huán)境條件，代表了未來(lái)輸電線路巡檢的智能化發(fā)展方向。相比于其他巡檢方式，基于無(wú)人機(jī)搭建的移動(dòng)巡檢平臺(tái)具有安全性高、不受地理環(huán)境限制、巡線速度快等優(yōu)勢(shì)。融合了電子、通信、計(jì)算機(jī)視覺(jué)等多個(gè)領(lǐng)域的信息處理技術(shù)的整套無(wú)人機(jī)巡檢系統(tǒng)，能夠有效彌補(bǔ)人工巡檢的局限性，安全快速地完成線路巡檢工作，是電網(wǎng)運(yùn)行維護(hù)由勞動(dòng)密集型向技術(shù)密集型轉(zhuǎn)變的關(guān)鍵巡檢技術(shù)之一。目前，無(wú)人機(jī)巡檢主要搭載的是可見(jiàn)光視覺(jué)傳感器，運(yùn)用無(wú)人機(jī)的日常巡檢內(nèi)容見(jiàn)表2。

表2 無(wú)人機(jī)的日常巡檢內(nèi)容Tab.2 Daily inspection contents of UAV

在Q/GDW 1906—2013《輸變電一次設(shè)備缺陷分類標(biāo)準(zhǔn)》中，按照對(duì)電網(wǎng)運(yùn)行的影響程度，將輸電設(shè)備缺陷劃分為危急、嚴(yán)重和一般缺陷3種類型，共有1 116項(xiàng)缺陷描述，其中嚴(yán)重缺陷213個(gè)，危急缺陷484個(gè)，一般缺陷419個(gè)。

無(wú)人機(jī)巡檢可以迅速積累大量清晰的輸電線路視覺(jué)數(shù)據(jù)，只要加上高質(zhì)量的人工監(jiān)督信息即可驅(qū)動(dòng)基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法，進(jìn)行輸電線路中故障的智能檢測(cè)。圖4所示為利用基于深度學(xué)習(xí)構(gòu)建的目標(biāo)檢測(cè)模型，對(duì)無(wú)人機(jī)航拍巡檢可見(jiàn)光圖像進(jìn)行不同尺度的目標(biāo)檢測(cè)的結(jié)果。圖4(a)為螺栓及其缺陷的檢測(cè)結(jié)果，矩形框內(nèi)為正常螺栓與缺陷螺栓的檢測(cè)結(jié)果，橢圓形框表示工作人員在算法檢測(cè)之前對(duì)缺陷的人工缺陷查找結(jié)果?？梢园l(fā)現(xiàn)，圖中基于深度學(xué)習(xí)的航拍圖像處理在檢出已知缺陷的同時(shí)，可檢出人工排查后漏檢的缺陷，可一定程度地改善由于人工疲勞等原因?qū)е碌娜肆ρ矙z效率低下情況。圖4(b)為基于Faster R-CNN的多類金具的檢測(cè)結(jié)果。

2.2 輸電線路在線監(jiān)測(cè)

通過(guò)在輸電線路沿線安裝遠(yuǎn)程智能巡線裝置，對(duì)輸電線路設(shè)備以及通道環(huán)境進(jìn)行監(jiān)拍，可構(gòu)建輸電線路在線監(jiān)測(cè)系統(tǒng)。根據(jù)處理手段的不同，基于視覺(jué)的輸電線路在線監(jiān)測(cè)可分為圖像監(jiān)測(cè)與視頻監(jiān)測(cè)。輸電線路在線視覺(jué)監(jiān)測(cè)提供了實(shí)時(shí)監(jiān)視與了解線路運(yùn)行可靠性的手段，能夠有效、快速持續(xù)地獲取輸電線路桿塔、廊道環(huán)境、地形變化等信息，及時(shí)發(fā)現(xiàn)絕緣子污穢、閃絡(luò)定位、微氣候、風(fēng)偏、線路舞動(dòng)、覆冰、外物入侵等情況[74-75]，大大提高被監(jiān)測(cè)輸電線路段的穩(wěn)定性與安全性。圖5所示為常規(guī)的視覺(jué)在線監(jiān)測(cè)系統(tǒng)結(jié)構(gòu)框圖。

圖4 基于深度學(xué)習(xí)的金具與螺栓檢測(cè)結(jié)果Fig.4 Detection results of fittings and bolts based on deep learning

相比于其他巡檢方法，基于視覺(jué)的輸電線路在線監(jiān)測(cè)實(shí)時(shí)性強(qiáng)，能夠?qū)崿F(xiàn)動(dòng)態(tài)的巡檢，對(duì)變化有更強(qiáng)烈的感知能力；其局限性在于成本高、監(jiān)測(cè)范圍相對(duì)較小、對(duì)設(shè)備硬件與工作條件的要求高。在通信方面，網(wǎng)絡(luò)信號(hào)是該監(jiān)測(cè)系統(tǒng)的重要部分[76]，但戶外輸電線路的通信環(huán)境難以保證；在電源方面，蓄電池及其戶外保護(hù)機(jī)箱是設(shè)備采集信息的必要前提[77]，在持續(xù)監(jiān)測(cè)與環(huán)境溫度變化中電池?fù)p耗明顯，使得在線監(jiān)測(cè)系統(tǒng)發(fā)生故障的可能性不斷增加，維護(hù)難度相對(duì)較大。

將深度學(xué)習(xí)應(yīng)用于輸電線路在線監(jiān)測(cè)系統(tǒng)中的智能處理模塊中，當(dāng)遠(yuǎn)程輸電線路視覺(jué)信息采集完畢后，通過(guò)通信系統(tǒng)傳輸?shù)酱鎯?chǔ)服務(wù)器與智能處理服務(wù)器，智能處理服務(wù)器對(duì)采集到的輸電線路圖像進(jìn)行基于圖像的觀測(cè)對(duì)象靜態(tài)狀態(tài)檢測(cè)和基于視頻的觀測(cè)對(duì)象動(dòng)態(tài)狀態(tài)檢測(cè)。當(dāng)有危急情況發(fā)生，通過(guò)狀態(tài)檢測(cè)結(jié)果，控制模塊向可視化終端服務(wù)器發(fā)出預(yù)警命令并發(fā)送具體危急情況描述信息，同時(shí)控制遠(yuǎn)程設(shè)備對(duì)缺陷問(wèn)題進(jìn)行持續(xù)的重點(diǎn)檢測(cè)。輸電線路在線監(jiān)測(cè)系統(tǒng)要求基于深度學(xué)習(xí)的視覺(jué)檢測(cè)方法有較高的實(shí)時(shí)性。由于視覺(jué)信息采集的范圍有限，對(duì)于單個(gè)采集器而言采集內(nèi)容的重復(fù)性高，對(duì)于不同采集器而言采集內(nèi)容差異大，使得訓(xùn)練數(shù)據(jù)的監(jiān)督在考慮重復(fù)性干擾的同時(shí)還需考慮樣本的多樣性，以保證模型的泛化能力。

OPGW—光纖復(fù)合架空地線，optical fiber composite overhead ground wire的縮寫。

圖5 基于視覺(jué)的輸電線路在線監(jiān)測(cè)系統(tǒng)結(jié)構(gòu)
Fig.5 Structure of vision-based transmissionline online monitoring system

2.3 激光雷達(dá)掃描

基于激光雷達(dá)的輸電線路巡檢能夠快速獲取輸電線路路段的三維空間信息，非接觸的工作方式使得帶電情況下即可進(jìn)行巡檢，具有數(shù)據(jù)精度高、穿透力強(qiáng)、數(shù)據(jù)處理效率高等特點(diǎn)，能夠很大程度地提高巡檢效率。通過(guò)車輛、無(wú)人機(jī)搭載激光雷達(dá)掃描儀對(duì)輸電線路信息進(jìn)行巡線采集，獲得輸電沿線的激光點(diǎn)云數(shù)據(jù)，通過(guò)后期數(shù)據(jù)處理，可以實(shí)現(xiàn)輸電線路的真實(shí)三維重建，得到桿塔、輸電線、絕緣子、沿線地表形態(tài)、地表樹木與建筑等目標(biāo)的三維模型，同時(shí)可以準(zhǔn)確測(cè)量線路弧垂與交叉跨越距離，最大限度真實(shí)地反映地表情況。圖6所示為輸電線路激光雷達(dá)巡檢實(shí)例，對(duì)電力沿線情況進(jìn)行準(zhǔn)確的展示，特別是對(duì)于危險(xiǎn)區(qū)域的安全距離測(cè)量。目前，激光雷達(dá)巡檢還可用于輸電線路的驗(yàn)收。激光雷達(dá)巡檢可以采用手持、背包、車輛、飛行器、爬行機(jī)器人等多種搭載方式進(jìn)行檢測(cè)，相比其他視覺(jué)巡檢方法，對(duì)輸電線路的狀態(tài)巡檢完整性高、精度高、操作簡(jiǎn)單且模塊性強(qiáng)。

圖6 輸電線路激光雷達(dá)巡檢實(shí)例Fig.6 Example of radar inspection on transmission lines

三維點(diǎn)云數(shù)據(jù)具有無(wú)序性、稀疏性等特點(diǎn)。目前，基于深度學(xué)習(xí)的三維點(diǎn)云數(shù)據(jù)處理方法主要有3種類型：

a)構(gòu)建能夠?qū)θS點(diǎn)云數(shù)據(jù)直接進(jìn)行訓(xùn)練而不用經(jīng)過(guò)降維預(yù)處理的深度模型[78]。

b)將三維點(diǎn)云映射到多視圖或者轉(zhuǎn)換為二維的深度圖，采用常規(guī)CNN進(jìn)行處理，最后聚合物體的二維特征表達(dá)，得到物體的三維特征表達(dá)[79]。

c)采用三維空間的體素描述物體，進(jìn)行三維的卷積，實(shí)現(xiàn)對(duì)目標(biāo)的檢測(cè)[80]。

激光雷達(dá)技術(shù)在輸電線路的精確測(cè)量與三維重建任務(wù)上有顯著優(yōu)勢(shì)，在基于視覺(jué)的輸電線路巡檢中能夠發(fā)揮獨(dú)特的作用，隨著激光雷達(dá)技術(shù)的發(fā)展，設(shè)備的價(jià)格逐漸降低，提高了其可應(yīng)用性。

2.4 高分辨率光學(xué)衛(wèi)星

高分辨率的光學(xué)衛(wèi)星能夠最大范圍地對(duì)輸電線路進(jìn)行巡檢，特別是可應(yīng)用于特高壓輸電通道分布廣泛的無(wú)人區(qū)[81]。隨著高分辨率技術(shù)的發(fā)展，基于衛(wèi)星數(shù)據(jù)的輸電線路巡檢的精細(xì)程度不斷提高。獲取基于遙感衛(wèi)星的輸電線路視覺(jué)檢測(cè)關(guān)鍵技術(shù)支撐包括輸電線路衛(wèi)星數(shù)據(jù)獲取技術(shù)、多源數(shù)據(jù)融合與超分辨率重建、圖像增強(qiáng)、基于機(jī)器學(xué)習(xí)的有監(jiān)督檢測(cè)與無(wú)監(jiān)督聚類等。2017年12月25日，中國(guó)電力科學(xué)研究院信息中心統(tǒng)籌建立的、國(guó)內(nèi)首個(gè)面向電力應(yīng)用的衛(wèi)星大數(shù)據(jù)統(tǒng)一管理平臺(tái)正式上線，為輸電線路巡檢提供了可靠的、高重訪周期的衛(wèi)星數(shù)據(jù)支撐?；谛l(wèi)星數(shù)據(jù)的輸電線路巡檢可以對(duì)輸電線路及其環(huán)境進(jìn)行長(zhǎng)時(shí)間的變化監(jiān)測(cè)、建設(shè)進(jìn)度監(jiān)測(cè)、絕緣子潛在隱患檢測(cè)、環(huán)境通道安全檢測(cè)等，圖7為輸電線路關(guān)鍵要素提取與廊道環(huán)境檢測(cè)實(shí)例。

圖7 基于高分辨率光學(xué)衛(wèi)星的輸電線路關(guān)鍵要素提取與廊道環(huán)境檢測(cè)Fig.7 Key element extraction and corridor environment detection of transmission lines based on high resolution optical satellite

在高分辨率光學(xué)衛(wèi)星拍攝的輸電線路圖像處理上，可應(yīng)用的深度學(xué)習(xí)方法除目標(biāo)檢測(cè)之外，還有超分辨率重建以及圖像增強(qiáng)等方法，可作為預(yù)處理以提高檢測(cè)的有效性。通過(guò)大量有監(jiān)督或半監(jiān)督的訓(xùn)練能夠有效提高巡檢的自動(dòng)化程度。而在處理過(guò)程中，針對(duì)包含大量背景信息以及多個(gè)目標(biāo)同時(shí)存在的高分辨率圖像處理是應(yīng)用的難點(diǎn)，特別是復(fù)雜背景下的相似干擾以及模糊等問(wèn)題。

3 發(fā)展方向

3.1 專業(yè)化的數(shù)據(jù)管理與模型研究

數(shù)據(jù)驅(qū)動(dòng)的智能視覺(jué)檢測(cè)方法與數(shù)據(jù)的結(jié)構(gòu)、內(nèi)容特點(diǎn)密不可分?，F(xiàn)有的公開(kāi)數(shù)據(jù)集中，關(guān)于輸電線路的數(shù)據(jù)極少，從一些人工智能應(yīng)用比賽中能夠獲取少量處理過(guò)的無(wú)人機(jī)航拍數(shù)據(jù)，而真實(shí)輸電線路場(chǎng)景的數(shù)據(jù)幾乎無(wú)法從公共渠道獲取。這決定了現(xiàn)有模型研究的出發(fā)點(diǎn)并沒(méi)有向輸電線路應(yīng)用方面靠近，同時(shí)也無(wú)法發(fā)起更廣泛的研究來(lái)推動(dòng)該應(yīng)用的實(shí)際發(fā)展，這使得現(xiàn)有模型對(duì)輸電線路視覺(jué)數(shù)據(jù)的智能化處理整體缺乏針對(duì)性與適用性。而輸電線路的結(jié)構(gòu)復(fù)雜，從整體到局部的規(guī)格多樣，且在自然環(huán)境中的變化不可預(yù)知，故不同輸電線路段的巡檢數(shù)據(jù)有較大差異，這直接導(dǎo)致模型的適用范圍受到局限；因此，為了更好地將深度學(xué)習(xí)應(yīng)用于輸電線路巡檢中，專業(yè)化的數(shù)據(jù)管理是驅(qū)動(dòng)有效研究的首要因素。

基于視覺(jué)的輸電線路巡檢內(nèi)容需要標(biāo)準(zhǔn)化。輸電線路的構(gòu)建以功能為基礎(chǔ)，而基于視覺(jué)的檢測(cè)則是基于目標(biāo)視覺(jué)內(nèi)容與其抽象語(yǔ)義。在多樣性方面，同一類輸電線路部件有非常多的類型，不同類型之間視覺(jué)相似度有高有低，這意味著對(duì)基于視覺(jué)的檢測(cè)需要更精細(xì)的視覺(jué)語(yǔ)義劃分。在一致性方面，對(duì)輸電線路的缺陷的標(biāo)準(zhǔn)描述是基于功能考慮的，而基于功能考慮的缺陷描述并非全部能夠轉(zhuǎn)換為基于視覺(jué)的缺陷描述，故基于視覺(jué)的缺陷檢測(cè)對(duì)于輸電線路而言缺乏專業(yè)的視覺(jué)缺陷標(biāo)準(zhǔn)。通過(guò)將基于視覺(jué)的巡檢內(nèi)容特別是缺陷內(nèi)容的描述專業(yè)化，可以一定程度地保障將深度學(xué)習(xí)應(yīng)用于輸電線路巡檢中這一方向研究的一致性與有效性。

輸電線路是一個(gè)龐大的有機(jī)結(jié)構(gòu)，常規(guī)視覺(jué)檢測(cè)方法應(yīng)用的評(píng)估手段難以度量智能算法在更大范圍上的有效性，特別是目前基于深度學(xué)習(xí)的方法往往將大多數(shù)采集到的數(shù)據(jù)用于訓(xùn)練，而僅留下少量數(shù)據(jù)用于評(píng)估的情況，可能嚴(yán)重低估了輸電線路實(shí)際場(chǎng)景的豐富性與多樣性帶來(lái)的難度，得到不真實(shí)的評(píng)估結(jié)果，對(duì)該方向的實(shí)際應(yīng)用研究具有阻礙作用。針對(duì)不同類型的巡檢場(chǎng)景獲取的輸電線路視覺(jué)狀態(tài)信息，建立專業(yè)化的任務(wù)評(píng)估方法，是該方向應(yīng)用研究能夠有效持續(xù)向前發(fā)展的必要前提。

3.2 無(wú)監(jiān)督數(shù)據(jù)構(gòu)建與學(xué)習(xí)自動(dòng)化

深度學(xué)習(xí)是一種基于大數(shù)據(jù)的方法，深度模型的訓(xùn)練需要大量、高質(zhì)量的監(jiān)督樣本支撐，對(duì)于輸電線路視覺(jué)檢測(cè)任務(wù)而言，這不僅需巡檢專家對(duì)大量的高分辨率數(shù)據(jù)進(jìn)行長(zhǎng)期的標(biāo)注，還要考慮監(jiān)督信息的有效性，避免不同監(jiān)督信息之間的數(shù)據(jù)矛盾。有效的標(biāo)注方案在高質(zhì)量、大規(guī)模標(biāo)注的要求上進(jìn)一步加大了標(biāo)注的難度，甚至需要標(biāo)注人員對(duì)視覺(jué)檢測(cè)相關(guān)原理有一定了解，才能保證標(biāo)注的有效性。這是由輸電線路的復(fù)雜性導(dǎo)致的，有別于公共數(shù)據(jù)集中的目標(biāo)檢測(cè)共性問(wèn)題。隨著輸電線路的擴(kuò)建與巡檢的進(jìn)行，大量的視覺(jué)巡檢數(shù)據(jù)被積累，自動(dòng)、高效地構(gòu)建高質(zhì)量數(shù)據(jù)集，是該方向研究中亟待解決的問(wèn)題。

目前主流深度模型最好的訓(xùn)練結(jié)果的獲得均依賴于復(fù)雜的參數(shù)調(diào)節(jié)，而深度學(xué)習(xí)技術(shù)往往比較復(fù)雜，從頭開(kāi)發(fā)的難度相對(duì)較大。為了解決深度學(xué)習(xí)模型對(duì)人工依賴性較強(qiáng)的問(wèn)題，自動(dòng)化的深度學(xué)習(xí)模型訓(xùn)練方法和開(kāi)放式、可遷移的輸電線路預(yù)訓(xùn)練模型，能夠使得該方法被更多非深度學(xué)習(xí)的電力專業(yè)人員使用，特別是面向輸電線路巡檢的自動(dòng)化深度學(xué)習(xí)開(kāi)發(fā)平臺(tái)，能夠更有效地推動(dòng)該方向的應(yīng)用發(fā)展。

在缺陷故障檢測(cè)方面，視覺(jué)檢測(cè)的難點(diǎn)之一在于目標(biāo)樣本的匱乏。自然情況下，通過(guò)巡檢獲得的輸電線路視覺(jué)信息中，正常樣本占比遠(yuǎn)遠(yuǎn)多于缺陷樣本，導(dǎo)致用于學(xué)習(xí)的樣本類別比例不平衡，模型對(duì)大量樣本的類別產(chǎn)生偏見(jiàn)，從而無(wú)法有效學(xué)習(xí)到缺陷目標(biāo)的視覺(jué)特征。針對(duì)缺陷樣本過(guò)少的問(wèn)題，數(shù)據(jù)增強(qiáng)是一個(gè)重要的解決辦法，通過(guò)數(shù)據(jù)增強(qiáng)對(duì)小樣本進(jìn)行有效擴(kuò)充。目前，基于深度學(xué)習(xí)的數(shù)據(jù)增強(qiáng)主要利用GAN。

3.3 結(jié)合知識(shí)表達(dá)的視覺(jué)檢測(cè)

輸電線路的結(jié)構(gòu)復(fù)雜多樣，但內(nèi)在結(jié)構(gòu)清晰。為了能夠利用視覺(jué)檢測(cè)方法對(duì)輸電線路的運(yùn)行狀態(tài)進(jìn)行充分有效的評(píng)估，對(duì)輸電線路的場(chǎng)景理解是進(jìn)行視覺(jué)檢測(cè)中必不可少的環(huán)節(jié)?；谏疃葘W(xué)習(xí)的輸電線路視覺(jué)檢測(cè)主要是對(duì)輸電線路場(chǎng)景中目標(biāo)的語(yǔ)義與視覺(jué)內(nèi)容對(duì)應(yīng)關(guān)系進(jìn)行學(xué)習(xí)，從而能夠檢測(cè)出對(duì)應(yīng)的語(yǔ)義目標(biāo)；但這僅僅是局部的，深度模型不能理解目標(biāo)之間的關(guān)聯(lián)以及目標(biāo)在場(chǎng)景中的結(jié)構(gòu)化信息。視覺(jué)場(chǎng)景理解的目的是為了理解圖像的語(yǔ)義，從而對(duì)場(chǎng)景中目標(biāo)檢測(cè)、識(shí)別進(jìn)行指導(dǎo)。目前，基于深度學(xué)習(xí)的視覺(jué)場(chǎng)景理解已被應(yīng)用于無(wú)人駕駛、無(wú)人機(jī)自動(dòng)導(dǎo)航、視覺(jué)問(wèn)答等領(lǐng)域。對(duì)于輸電線路的部分可觀測(cè)缺陷(如部件完全丟失、不規(guī)則異物目標(biāo)、錯(cuò)誤安裝等)的檢測(cè)任務(wù)，對(duì)場(chǎng)景理解的需求更為迫切。

針對(duì)待檢測(cè)的視覺(jué)目標(biāo)，訓(xùn)練好的深度模型通過(guò)前向傳播對(duì)目標(biāo)的視覺(jué)特征進(jìn)行分布式表達(dá)，能夠有效提取出使得目標(biāo)區(qū)別于圖像中非目標(biāo)的模式特征；但對(duì)于目標(biāo)的特征表達(dá)僅僅基于訓(xùn)練數(shù)據(jù)中目標(biāo)的視覺(jué)內(nèi)容，而無(wú)法從中獲取目標(biāo)相關(guān)的專業(yè)知識(shí)。巡檢人員對(duì)目標(biāo)缺陷的準(zhǔn)確判斷不僅需要觀察，還需要利用專業(yè)知識(shí)，綜合考慮后得到判斷結(jié)果。比如，對(duì)于目標(biāo)的結(jié)構(gòu)化知識(shí)、目標(biāo)區(qū)分于其他更廣泛對(duì)象的幾何規(guī)則、正常邊界理解等，深度模型極度缺乏可解釋性，檢測(cè)結(jié)果沒(méi)有明確的原因解釋。輸電線路巡檢對(duì)于保障輸電線路運(yùn)行穩(wěn)定至關(guān)重要，要求嚴(yán)謹(jǐn)準(zhǔn)確、結(jié)果完整可解釋，結(jié)合先驗(yàn)知識(shí)的視覺(jué)檢測(cè)能夠彌補(bǔ)深度學(xué)習(xí)在該方面的不足。同時(shí)，結(jié)合先驗(yàn)知識(shí)的表達(dá)能夠一定程度地改善缺陷數(shù)據(jù)樣本少的問(wèn)題。

4 結(jié)束語(yǔ)

隨著我國(guó)能源經(jīng)濟(jì)的快速發(fā)展，輸電線路的規(guī)模持續(xù)增長(zhǎng)，基于視覺(jué)的輸電線路智能化檢測(cè)在維護(hù)輸電安全與穩(wěn)定方面扮演著越來(lái)越重要的角色，特別是基于深度學(xué)習(xí)的智能檢測(cè)方法，在大數(shù)據(jù)時(shí)代下優(yōu)勢(shì)顯著，具有極高的應(yīng)用價(jià)值。通過(guò)不同巡檢方式采集視覺(jué)信息，利用深度學(xué)習(xí)方法對(duì)輸電線路視覺(jué)檢測(cè)進(jìn)行智能化升級(jí)，能夠?qū)崿F(xiàn)更全面的狀態(tài)感知、更有效的數(shù)據(jù)處理，基于此構(gòu)建的智能化視覺(jué)檢測(cè)系統(tǒng)，能夠大大提高對(duì)輸電線路的運(yùn)維能力，有效推動(dòng)我國(guó)泛在電力物聯(lián)網(wǎng)的加速建設(shè)。