楊瑞鵬

（內(nèi)蒙古電力（集團(tuán)）有限責(zé)任公司鄂爾多斯供電公司）

0 引言

傳統(tǒng)的輸電線路巡視作業(yè)主要依靠人工巡視完成，但是由于其低效率、高成本和完全依賴作業(yè)人員經(jīng)驗(yàn)等缺點(diǎn)，近年來逐漸被無人機(jī)巡視取代，而智能巡檢也成為研究的熱點(diǎn)。本文闡述一種改進(jìn)的Faster RCNN 算法在智能巡檢中的應(yīng)用，以便提高智能巡檢系統(tǒng)識別、定位絕緣子及其缺陷的效率。

1 輸電線路無人機(jī)巡檢系統(tǒng)現(xiàn)狀

在中西部地區(qū)，架空輸電線路多建設(shè)在人煙稀少的地方，交通不便，傳統(tǒng)的人工巡檢方式需要巡視人員徒步到線路桿塔附近并使用相機(jī)或望遠(yuǎn)鏡等工具對桿塔進(jìn)行觀察，巡視效果受巡檢人員的經(jīng)驗(yàn)及現(xiàn)場環(huán)境影響較大，且耗時(shí)長、巡檢成本高。隨著無人機(jī)巡檢技術(shù)的運(yùn)用，無人機(jī)按既定的航線飛行，云臺相機(jī)采集到圖片即可，極大地提高了巡檢效率，成本也更低。因此，無人機(jī)精細(xì)化巡檢已經(jīng)成為輸電線路巡視的重要手段之一，目前各大電網(wǎng)已經(jīng)形成了“無人機(jī)巡檢為主，人巡為輔”的巡檢模式，并正向無人機(jī)完全代替人工巡視方面發(fā)展。

傳統(tǒng)的無人機(jī)精細(xì)化巡檢時(shí)，主要是使用無人機(jī)云臺相機(jī)拍攝輸電線路桿塔、金具等，再通過人工查看圖片并進(jìn)行缺陷分析，分析質(zhì)量受人的經(jīng)驗(yàn)影響較大。輸電線路無人機(jī)自動巡檢技術(shù)目前正朝著智能化方向發(fā)展，無人機(jī)平臺現(xiàn)在已經(jīng)可以搭載激光掃描儀、可見光相機(jī)和雙光熱成像相機(jī)，再加上圖片識別技術(shù)就可以迅速發(fā)現(xiàn)線路缺陷并即時(shí)將圖像傳輸給缺陷識別人員，無人機(jī)進(jìn)行近距離多方位監(jiān)測，就可以發(fā)現(xiàn)并判斷線路異常。如果將來無人機(jī)可以利用神經(jīng)網(wǎng)絡(luò)方法對缺陷進(jìn)行定位并識別，就可以在巡檢中自動識別出缺陷，將極大降低檢測成本、提高檢測效率。

2 輸電線路無人機(jī)智能巡檢系統(tǒng)前沿技術(shù)簡介

隨著計(jì)算機(jī)學(xué)科發(fā)展，深度學(xué)習(xí)在計(jì)算機(jī)領(lǐng)域的應(yīng)用給輸電線路無人機(jī)精細(xì)化巡檢帶來啟示。其中深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）可以通過堆疊多層卷積神經(jīng)網(wǎng)絡(luò)來融合并提取不同尺度、非線性且數(shù)量可觀的物體特征信息，在目標(biāo)檢測任務(wù)中得到廣泛應(yīng)用。如果將其利用到輸電線路絕緣子檢測中，將絕緣子檢測問題轉(zhuǎn)化為特殊小目標(biāo)檢測問題，利用深度神經(jīng)網(wǎng)絡(luò)對無人機(jī)拍攝的巡檢圖片進(jìn)行自動識別檢測和定位，可大大提高識別的準(zhǔn)確度和巡檢速度。因此，基于深度學(xué)習(xí)的輸電線路絕緣子缺陷圖像識別與分析，重點(diǎn)是對被識別絕緣子的識別點(diǎn)進(jìn)行提取并處理，通過不斷生成樣本數(shù)據(jù)并訓(xùn)練，對訓(xùn)練生成的數(shù)據(jù)集進(jìn)行對比，分析輸電線路絕緣子的實(shí)際運(yùn)行情況。

近年來，一種基于深度神經(jīng)網(wǎng)絡(luò)的無人機(jī)智能巡檢系統(tǒng)以無人機(jī)作為多源數(shù)據(jù)采集平臺，針對輸電線路絕緣子缺陷特征進(jìn)行多目標(biāo)物體分析識別，通過Faster RCNN 算法，來對絕緣子圖片進(jìn)行分析，可有效提高絕緣子缺陷的檢測效率。模型實(shí)施步驟如下：

1）利用卷積神經(jīng)網(wǎng)絡(luò)對絕緣子缺陷圖片的識別點(diǎn)特征進(jìn)行提取。

2）利用RPN（Region Proposal Network）提取生成絕緣子缺陷信息候選區(qū)域（Region Proposal）并進(jìn)行檢驗(yàn)。

3）在對絕緣子缺陷信息進(jìn)行處理過程中，可從絕緣子原始圖片的卷積特征中提取特征向量，并針對不同的特征數(shù)據(jù)進(jìn)行分析，可對選區(qū)的坐標(biāo)及數(shù)據(jù)處理過程進(jìn)行完善，從而提高絕緣子缺陷分析識別的準(zhǔn)確性。

對于這種算法模型，由于絕緣子缺陷自身尺寸很小，且特征不明顯，所以絕緣子缺陷區(qū)域在整張照片中占比很小，導(dǎo)致很多還包含有缺陷信息的選區(qū)常常因?yàn)橹丿B度高或者類別置信度低而被剔除，如果能將這些選區(qū)合理利用，將會有助于提高檢測精度。為此，有學(xué)者提出一種改進(jìn)的Faster RCNN 算法，可以顯著提高絕緣子及其缺陷的識別精度，作者認(rèn)為，可以將此項(xiàng)技術(shù)應(yīng)用到輸電線路其他缺陷檢測當(dāng)中。

該技術(shù)提出基于深度神經(jīng)網(wǎng)絡(luò)的無人機(jī)智能巡檢系統(tǒng)，該系統(tǒng)依靠無人機(jī)平臺和Faster RCNN 算法，利用通信技術(shù)對無人機(jī)實(shí)現(xiàn)云端控制與操作，或部署在無人機(jī)平臺，讓無人機(jī)在采集線路桿塔數(shù)據(jù)時(shí)，實(shí)時(shí)進(jìn)行處理并生成缺陷報(bào)告。

該算法首先構(gòu)建絕緣子數(shù)據(jù)集，對不同時(shí)間、不同地點(diǎn)、不同角度的絕緣子進(jìn)行拍攝，并對圖像做清晰度變換、旋轉(zhuǎn)、裁切、鏡像等預(yù)處理，形成原始數(shù)據(jù)集。為了更有效地提取絕緣子特征，需要采用標(biāo)注軟件對數(shù)據(jù)集中的目標(biāo)進(jìn)行標(biāo)注，標(biāo)簽為“insulator”和“defect”。標(biāo)注時(shí)標(biāo)注框的大小要盡可能與目標(biāo)大小一致，盡量減少標(biāo)注框內(nèi)其他物體信息。最終構(gòu)建一個(gè)包含2500 張圖片的絕緣子缺陷數(shù)據(jù)集（Insulator Defect Dataset，IDD）。其中隨機(jī)抽取2000 張圖片作為訓(xùn)練集，其余500 張圖像構(gòu)成測試集。

為驗(yàn)證和評價(jià)本文所提算法的性能，基于絕緣子缺陷數(shù)據(jù)集，對改進(jìn)的Faster RCNN 算法進(jìn)行訓(xùn)練和測試，分別對絕緣子檢測準(zhǔn)確率和缺陷檢測準(zhǔn)確率進(jìn)行統(tǒng)計(jì)，并與Faster RCNN 算法的測試結(jié)果做對比，檢測結(jié)果如下表以及圖1 和圖2 所示。實(shí)驗(yàn)表明，針對小目標(biāo)檢測，改進(jìn)算法的識別準(zhǔn)確率有明顯提升。相比于Faster RCNN，改進(jìn)算法對絕緣子缺陷的檢測準(zhǔn)確率提高了3.1%，證實(shí)改進(jìn)算法對小目標(biāo)特征提取和判斷的準(zhǔn)確度更高。

圖1 改進(jìn)的Faster RCNN 對輸電線路絕緣子缺陷的部分檢測結(jié)果

圖2 線路絕緣子缺陷檢測結(jié)果前后對比

表 原Faster RCNN 和改進(jìn)后的Faster RCNN 對線路絕緣子的缺陷識別精度

3 結(jié)束語

得益于無人機(jī)體積小、飛行靈活，可自由搭載負(fù)載等特點(diǎn)，無人機(jī)已廣泛應(yīng)用于輸電線路巡檢工作中，對目標(biāo)缺陷的智能識別技術(shù)更是在無人機(jī)精細(xì)化巡檢中具有很高的應(yīng)用價(jià)值，而基于神經(jīng)網(wǎng)絡(luò)的無人機(jī)智能巡檢系統(tǒng)依靠無人機(jī)平臺采集多源數(shù)據(jù)，利用Faster RCNN 算法實(shí)時(shí)對采集的數(shù)據(jù)進(jìn)行檢驗(yàn)分析，可提高對絕緣子缺陷識別以及定位的精度，極大提高了巡檢質(zhì)量。利用深度學(xué)習(xí)算法的強(qiáng)大學(xué)習(xí)能力，對算法模型進(jìn)行大量數(shù)據(jù)訓(xùn)練，將來也可以應(yīng)對在復(fù)雜環(huán)境背景下處理絕緣子缺陷數(shù)據(jù)。如果將該成果推廣至輸電線路的通道、金具及其他附屬設(shè)施的檢測，針對不同缺陷數(shù)據(jù)進(jìn)行識別與分類，將極大地滿足輸電線路巡檢需求，具有很高的工程推廣價(jià)值。