葉俊健 鄧偉鋒 徐常志 趙麗娜

摘? ?要： 林木干擾、施工破壞、漂浮物懸掛等因素會(huì)對(duì)輸電線路通道環(huán)境及線路本體造成干擾，導(dǎo)致線路跳閘斷電，給電力運(yùn)行帶來嚴(yán)重危害?；诜涸陔娏ξ锫?lián)網(wǎng)架構(gòu)，提出一種基于深度強(qiáng)化學(xué)習(xí)與圖像智能識(shí)別的輸電線路在線監(jiān)測(cè)系統(tǒng)。依托圖像智能識(shí)別，采用圖像采集、圖像預(yù)處理、特征提取、圖像識(shí)別等措施，增強(qiáng)圖像效果，提升識(shí)別準(zhǔn)確性;依托深度強(qiáng)化學(xué)習(xí)，對(duì)圖像中是否存在危險(xiǎn)源進(jìn)行訓(xùn)練，強(qiáng)化突出判斷能力。對(duì)深度強(qiáng)化學(xué)習(xí)與圖像智能識(shí)別進(jìn)行融合，檢測(cè)中實(shí)現(xiàn)了對(duì)煙霧、超高樹障、導(dǎo)線異物、覆冰雪災(zāi)等干擾因素的動(dòng)態(tài)監(jiān)控，構(gòu)建了輸電線路在線監(jiān)測(cè)系統(tǒng)設(shè)計(jì)框架。系統(tǒng)實(shí)現(xiàn)了通道環(huán)境可視化、隱患部位可視化、設(shè)備狀態(tài)可視化，監(jiān)測(cè)效率大幅提高，節(jié)約了人工費(fèi)用，方便了運(yùn)維單位對(duì)輸電線路的管理。

關(guān)鍵詞： 輸電線路;在線監(jiān)測(cè)系統(tǒng);深度強(qiáng)化學(xué)習(xí);圖像智能識(shí)別;泛在電力物聯(lián)網(wǎng)

引言

林木干擾、施工破壞、漂浮物懸掛等因素會(huì)對(duì)輸電線路通道環(huán)境及線路本體造成干擾，導(dǎo)致線路跳閘斷電，給電力運(yùn)行帶來嚴(yán)重危害[1]。輸電線路的傳統(tǒng)監(jiān)測(cè)方式有很多種，其中人工監(jiān)測(cè)、工程車輛巡檢等方式不但嚴(yán)重消耗人力物力，而且信息嚴(yán)重滯后，無法在第一時(shí)間得知故障點(diǎn)，越來越不切實(shí)際[2]。目前輸電線路的重點(diǎn)監(jiān)測(cè)路段都安裝了圖像/視頻監(jiān)控，再輔以人工巡檢，能夠在很大程度上實(shí)現(xiàn)對(duì)輸電線路的有效監(jiān)測(cè)，但是運(yùn)維人員長(zhǎng)期在顯示屏幕前緊盯現(xiàn)場(chǎng)情況，時(shí)間一久，仍然容易忽略一些危險(xiǎn)源，導(dǎo)致漏報(bào)率上升[3]。而基于深度強(qiáng)化學(xué)習(xí)與圖像智能識(shí)別的輸電線路在線監(jiān)測(cè)系統(tǒng)的應(yīng)用，則能夠解決這一難題。

本文將深度強(qiáng)化學(xué)習(xí)與圖像智能識(shí)別相結(jié)合，基于泛在電力物聯(lián)網(wǎng)架構(gòu)，設(shè)計(jì)輸電線路在線智能識(shí)別監(jiān)測(cè)系統(tǒng)，對(duì)線路通道環(huán)境和塔基周邊環(huán)境進(jìn)行圖像采集，智能研判異常，實(shí)現(xiàn)通道環(huán)境可視化、隱患部位可視化、設(shè)備狀態(tài)可視化，使得安全隱患可控。

1? 技術(shù)框架

1.1? 圖像智能識(shí)別技術(shù)

圖像智能識(shí)別流程可分為四個(gè)步驟：圖像采集→圖像預(yù)處理→特征提取→圖像識(shí)別，其中圖像識(shí)別是圖像智能識(shí)別技術(shù)的核心[4]。

從定義上，圖像智能識(shí)別技術(shù)是指融合圖像角度識(shí)別、文本行檢測(cè)、文本行識(shí)別、單字坐標(biāo)檢測(cè)等技術(shù)，對(duì)圖像進(jìn)行對(duì)象識(shí)別，以識(shí)別各種不同模式的目標(biāo)和對(duì)象的技術(shù)[5]。在司法領(lǐng)域，圖像智能識(shí)別技術(shù)能夠支持電子卷宗內(nèi)容在線識(shí)別提取，輔助法官進(jìn)行日常閱卷及文書編寫，提升辦案效率[6]。此外，圖像智能識(shí)別技術(shù)在導(dǎo)航、地圖與地形配準(zhǔn)、遙感圖像識(shí)別、自然資源分析、環(huán)境監(jiān)測(cè)等領(lǐng)域也有重要的應(yīng)用價(jià)值[7]。圖像智能識(shí)別技術(shù)重點(diǎn)分析圖片中的分辨率、焦距比、曝光、亮度等多種屬性，若將這些屬性應(yīng)用在上述領(lǐng)域中，則會(huì)使得圖像效果得到大大增強(qiáng)[8]。

本文在輸電線路在線監(jiān)測(cè)系統(tǒng)中，利用圖像智能識(shí)別技術(shù)復(fù)現(xiàn)了二階段檢測(cè)框架RFCN+ResNet50、一階段檢測(cè)框架Yolov3+Darknet53，在時(shí)間消耗和準(zhǔn)確率的權(quán)衡中選擇了后者。此外，在原始檢測(cè)框架的基礎(chǔ)上增加了在線難例學(xué)習(xí)，并且，為了提升準(zhǔn)確率，采用了重疊分塊檢測(cè)的方法。在已有數(shù)據(jù)的基礎(chǔ)上進(jìn)行數(shù)據(jù)增廣（鏡像、模糊、裁剪），標(biāo)定了14個(gè)類別下的共計(jì)1.3萬張圖片，增廣后圖片達(dá)到50萬張。

其中，圖像增強(qiáng)效果如圖1所示。

1.2? 深度強(qiáng)化學(xué)習(xí)

深度強(qiáng)化學(xué)習(xí)，是基于深度學(xué)習(xí)的感知能力解決感知問題，又結(jié)合強(qiáng)化學(xué)習(xí)訓(xùn)練一定的決策能力，用于解決復(fù)雜系統(tǒng)的感知決策問題的一種人工智能思想[9]。深度強(qiáng)化學(xué)習(xí)的出現(xiàn)很大程度地影響了人工智能領(lǐng)域的發(fā)展，一些基于深度強(qiáng)化學(xué)習(xí)的算法在文本圖像識(shí)別、機(jī)械控制中的表現(xiàn)要優(yōu)于人類，而不僅僅只是像以前一樣只起到輔助的作用。但是，在應(yīng)用深度上，大部分算法只能學(xué)習(xí)簡(jiǎn)單的任務(wù)，無法在連續(xù)動(dòng)作空間中進(jìn)行多任務(wù)學(xué)習(xí)[10];在應(yīng)用廣度上，算法在計(jì)算機(jī)視覺領(lǐng)域，例如圖像分類問題中的應(yīng)用還非常少。

深度強(qiáng)化學(xué)習(xí)在人為矯正下排除錯(cuò)誤，在一遍遍的試錯(cuò)過程中，不斷深化學(xué)習(xí)能力，它的最終目標(biāo)是讓計(jì)算機(jī)能夠像人一樣具有分析學(xué)習(xí)的能力。深度強(qiáng)化學(xué)習(xí)本質(zhì)上是一個(gè)復(fù)雜的機(jī)器學(xué)習(xí)算法，文字圖像識(shí)別是其最適合的應(yīng)用場(chǎng)景。將深度強(qiáng)化學(xué)習(xí)應(yīng)用在輸電線路圖像上，能夠準(zhǔn)確快速地判斷圖像中是否存在危險(xiǎn)源，訓(xùn)練是否應(yīng)該告警，能夠完美地解決工作人員在大屏幕圖像上投入大量時(shí)間的窘境，大大地節(jié)省人力物力支出，起到很好的輔助作用。

2? 系統(tǒng)設(shè)計(jì)

2.1? 技術(shù)融合

現(xiàn)將深度強(qiáng)化學(xué)習(xí)技術(shù)與圖像智能識(shí)別技術(shù)相結(jié)合，應(yīng)用在輸電線路在線監(jiān)測(cè)系統(tǒng)上。系統(tǒng)在后臺(tái)通過算法，用不同顏色的方框，對(duì)可能的危險(xiǎn)源進(jìn)行標(biāo)記并報(bào)警，識(shí)別隱患類型、動(dòng)態(tài)變化情況、威脅程度等，對(duì)異常隱患告警，抓住關(guān)鍵點(diǎn)，提高監(jiān)控效率。系統(tǒng)以場(chǎng)景為基準(zhǔn)對(duì)圖像監(jiān)測(cè)作出以下分類：

（1）煙霧檢測(cè)。分為火災(zāi)隱患（煙霧）、地質(zhì)災(zāi)害（泥石流、滑坡）、滾石等，如圖2所示。

（2）超高樹障檢測(cè)。將RGB色域轉(zhuǎn)換為YCbCr色域，篩選出超過警戒線閾值的樹障綠葉色部分，通過像素點(diǎn)數(shù)量判斷越界部分。

（3）導(dǎo)線異物檢測(cè)。通過導(dǎo)線及異物與天空明暗差異進(jìn)行摳圖，再通過聚類算法和直線檢測(cè)算法將導(dǎo)線部分去除，從而提取出導(dǎo)線異物部分，最后通過外接矩形進(jìn)行框選標(biāo)注，如圖2所示。

（4）覆冰雪災(zāi)檢測(cè)。在ImageNet預(yù)訓(xùn)練的基礎(chǔ)上，使用palces365場(chǎng)景分類數(shù)據(jù)集（共計(jì)365個(gè)場(chǎng)景）對(duì)殘差神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以滿足場(chǎng)景分類的要求，最終選取其中的12個(gè)與冰雪相關(guān)的場(chǎng)景作為判斷基準(zhǔn)，以判斷現(xiàn)場(chǎng)是否為冰雪場(chǎng)景的。

2.2? 技術(shù)設(shè)計(jì)

有了基于深度強(qiáng)化學(xué)習(xí)與智能圖像識(shí)別的輸電線路在線監(jiān)測(cè)系統(tǒng)之后，計(jì)算機(jī)就可以自行對(duì)圖像進(jìn)行分析和判斷了。一旦發(fā)現(xiàn)異常情況，直接報(bào)警，具有更高的效率和準(zhǔn)確度。系統(tǒng)能夠?qū)€路通道環(huán)境和塔基周邊環(huán)境進(jìn)行圖像采集，應(yīng)用圖像智能識(shí)別和圖像增強(qiáng)算法研判異常。

輸電線路在線監(jiān)測(cè)系統(tǒng)設(shè)計(jì)框架如圖4所示。系統(tǒng)基于無線傳輸，利用安裝在輸電線路上的槍機(jī)或球機(jī)攝像頭等前端傳感器，通過無線通信采集的圖像/視頻信號(hào)、交換機(jī)等上傳到服務(wù)器，就可以在用戶監(jiān)看終端輕松實(shí)現(xiàn)遠(yuǎn)程圖像/視頻采集和監(jiān)控了。

3? 系統(tǒng)應(yīng)用特點(diǎn)和效益分析

3.1? 智能識(shí)別

系統(tǒng)在以下方面具備有效的智能識(shí)別功能：

（1）具備導(dǎo)線異物檢測(cè)功能，當(dāng)導(dǎo)線上懸掛異物時(shí)，系統(tǒng)通過聚類算法對(duì)導(dǎo)線和異物進(jìn)行區(qū)分，自動(dòng)發(fā)出報(bào)警提示;

（2）具備線路保護(hù)區(qū)內(nèi)大型施工機(jī)械闖入的智能檢測(cè)功能，當(dāng)有大型機(jī)械闖入時(shí)，系統(tǒng)自動(dòng)發(fā)出報(bào)警提示;

（3）具備全天候報(bào)警功能，在雨雪等天氣不好的情況下，能通過圖像智能識(shí)別技術(shù)，對(duì)危險(xiǎn)源進(jìn)行報(bào)警;

（4）圖片智能識(shí)別功能準(zhǔn)確，無漏報(bào)，誤報(bào)率不大于15%;

（5）具備塔基動(dòng)態(tài)監(jiān)控功能，當(dāng)有人員、車輛進(jìn)入設(shè)定的區(qū)域時(shí)，能抓拍圖片并上傳告警信息;

（6）具備識(shí)別出超高物體的功能，一旦識(shí)別，即抓拍圖片和微視頻，并上傳告警信息;

（7）具備電源智能管理功能，根據(jù)剩余電量自動(dòng)切換工作模式，自主切斷負(fù)載并調(diào)整圖像采集間隔。

3.2? 日常管理

系統(tǒng)在日常管理中發(fā)揮了重要作用，體現(xiàn)在：

（1）具有PC端和微信功能，且管理軟件具備圖片管理、查詢和設(shè)置功能;

（2）具有故障自診斷及自恢復(fù)功能，支持遠(yuǎn)程復(fù)位;

（3）支持遠(yuǎn)程軟件升級(jí);

（4）具備遠(yuǎn)程控制拍照/微視頻功能;

（5）具備歷史圖片/視頻查詢功能;

（6）具備隱患智能圖像識(shí)別、篩選及告警功能，數(shù)據(jù)缺失率不大于 1%，且漏報(bào)率為零;

（7）具備重點(diǎn)線路設(shè)置、隱患點(diǎn)標(biāo);

（8）具備用戶登錄權(quán)限和微信權(quán)限設(shè)置功能;

（9）具備GPS定位與GIS地圖顯示功能;

（10）具有失電數(shù)據(jù)保護(hù)功能;

（11）支持設(shè)備各種狀態(tài)查詢;

（12）支持聯(lián)網(wǎng)參數(shù)設(shè)定（更改及查詢服務(wù)器IP、端口等）。

3.3? 系統(tǒng)成效

（1）管理效益。系統(tǒng)應(yīng)用后，由原來的一月一巡提高到一日多巡，巡視效率大幅提高，外破跳閘率降低20%以上。

（2）經(jīng)濟(jì)效益。系統(tǒng)應(yīng)用后，可實(shí)現(xiàn)人工巡檢的替代，能夠有效減少人工費(fèi)用及車輛外出的支出，為運(yùn)維單位節(jié)省了日常巡檢的開支，同時(shí)巡檢周期得到大幅增加。

（3）社會(huì)效益。系統(tǒng)應(yīng)用后，保障了輸電線路及周圍環(huán)境的安全，同時(shí)巡檢的信息化方便了運(yùn)維單位的管理，保障了附近居民的安全，帶來了社會(huì)效益。

4? 結(jié)束語

近幾年，深度強(qiáng)化學(xué)習(xí)與圖像智能識(shí)別的受到了廣泛推廣，從日常的拍照智能搜索、百度識(shí)圖等應(yīng)用，到物體分割、姿態(tài)估計(jì)、光學(xué)字符識(shí)別等科學(xué)應(yīng)用，再到人臉識(shí)別等高端應(yīng)用，都滲透了這些技術(shù)，不斷孕育令人印象深刻的產(chǎn)品和功能。

在輸電線路在線監(jiān)測(cè)方面，將基于深度強(qiáng)化學(xué)習(xí)與智能圖像識(shí)別相結(jié)合，可令系統(tǒng)自行對(duì)圖像進(jìn)行分析和判斷，發(fā)現(xiàn)異常情況直接報(bào)警，并輔以人工操作，帶來更高的效率和準(zhǔn)確度。系統(tǒng)能夠?qū)€路通道環(huán)境和塔基周邊環(huán)境進(jìn)行圖像采集，智能研判異常，實(shí)現(xiàn)線路通道環(huán)境可視化、隱患部位可視化、設(shè)備狀態(tài)可視化。

參考文獻(xiàn)

[1] 翁和王. 關(guān)于人工智能中的圖像識(shí)別技術(shù)的研究[J]. 信息通信， 2016（10）： 191-192.

[2] 季秀怡. 淺析人工智能中的圖像識(shí)別技術(shù)[J]. 電腦知識(shí)與技術(shù)， 2016， 12（14）： 147-148.

[3] 曹翊軍， 董興輝， 曹年紅， 等. 基于圖像采集與識(shí)別的輸電線路覆冰監(jiān)測(cè)系統(tǒng)[J]. 電氣技術(shù)， 2010（8）： 51-53.

[4] 金華， 王民， 昝濤， 等. 基于數(shù)字圖像處理的輸電線路狀態(tài)智能識(shí)別技術(shù)[J]. 微計(jì)算機(jī)信息， 2012（4）： 91-92， 132.

[5] 范立南. 圖像處理與模式識(shí)別[M]. 北京， 科學(xué)出版社， 2007.

[6] 孫志軍， 薛磊， 許陽明， 等. 深度學(xué)習(xí)研究綜述[J]. 計(jì)算機(jī)應(yīng)用研究， 2012， 29（8）： 2806-2810.

[7] 王皓， 高陽， 陳興國(guó). 強(qiáng)化學(xué)習(xí)中的遷移： 方法和進(jìn)展[J]. 電子學(xué)報(bào)， 2008， 36（S1）： 39-43.

[8] Roland H， Martin R. Reinforcement learning in feedback control[J]. Machine Learning， 2011： 137-169.

[9] Hinton G E， Osindero S， Teh Y W. A Fast Learning Algorithm for Deep Belief Nets[J]. Neural Computation， 2006， 18（7）： 1527-1554.

[10] Barto A G， Mahadevan S. Recent Advances in Hierarchical Reinforcement Learning[J]. Discrete Event Dynamic Systems， 2002， 13（1-2）： 341-379.