摘 要：在架空輸電線路的巡檢工作中，由于人工巡檢方式效率較低，難以滿足現(xiàn)代電網(wǎng)需求，因此本文基于無人機(jī)機(jī)載AI模塊對(duì)架空輸電線路巡檢技術(shù)進(jìn)行研究。首先，采用YOLOv3算法構(gòu)建AI模塊算法，對(duì)輸電線路圖像進(jìn)行精確識(shí)別。其次，對(duì)損失函數(shù)進(jìn)行優(yōu)化，提高模型的預(yù)測準(zhǔn)確性。最后，基于上述方法對(duì)架空輸電線路巡檢過程進(jìn)行規(guī)劃。測試結(jié)果表明，本文所研究的AI模塊在輸電線路巡檢過程中能夠檢測架空輸電線路中存在的缺陷，應(yīng)用效果較好，能夠達(dá)到最初設(shè)計(jì)目標(biāo)，說明本研究為架空輸電線路的巡檢提供了一種高效的解決方案。

關(guān)鍵詞：無人機(jī)；機(jī)載AI模塊；架空輸電線路；巡檢

中圖分類號(hào)：TM 74" " " " " " 文獻(xiàn)標(biāo)志碼：A

隨著電力網(wǎng)絡(luò)持續(xù)擴(kuò)大，架空輸電線路的巡檢工作越來越重要。常規(guī)的人工巡檢方法存在效率低、人力成本高以及難以覆蓋復(fù)雜地形等問題[1]。因此，開發(fā)一種高效、智能且安全的巡檢技術(shù)已成為電力行業(yè)的迫切需求。

隨著無人機(jī)技術(shù)的發(fā)展，引入機(jī)載AI模塊進(jìn)一步提升了無人機(jī)巡檢的智能化水平[2]。采用先進(jìn)的圖像識(shí)別和算法技術(shù)，機(jī)載AI模塊能夠?qū)旊娋€路進(jìn)行自動(dòng)識(shí)別、定位和缺陷檢測，提高了巡檢的準(zhǔn)確性和效率。

本文研究基于無人機(jī)機(jī)載AI模塊的架空輸電線路巡檢技術(shù)，詳細(xì)介紹了基于YOLOv3算法的AI模塊算法，分析其在圖像識(shí)別中的應(yīng)用。分析損失函數(shù)預(yù)測誤差以及模型優(yōu)化方法，提高AI模塊的識(shí)別準(zhǔn)確率。利用技術(shù)應(yīng)用測試驗(yàn)證該技術(shù)在輸電線路巡檢中的實(shí)際應(yīng)用效果。本研究為電力行業(yè)提供一種高效、智能和安全的巡檢方案，保障電力網(wǎng)絡(luò)安全運(yùn)行。

1 基于YOLOv3算法的AI模塊算法

為了對(duì)輸電線路進(jìn)行精確識(shí)別與檢測，本文引入YOLOv3算法中的圖像識(shí)別網(wǎng)絡(luò)模型，將其應(yīng)用于AI模塊中，以提升圖像處理速度，實(shí)時(shí)回傳檢測結(jié)果，自動(dòng)生成檢測報(bào)告[3]。

1.1 基于YOLOv3算法對(duì)機(jī)載AI模塊進(jìn)行圖像識(shí)別

無人機(jī)巡檢的核心技術(shù)是圖像處理與目標(biāo)檢測，YOLOv3算法具有實(shí)時(shí)性和魯棒性，其準(zhǔn)確性高，因此備受重視。為精準(zhǔn)定位巡檢目標(biāo)并快速識(shí)別缺陷，采用YOLOv3算法構(gòu)建機(jī)載AI模塊，將目標(biāo)檢測轉(zhuǎn)化為單次前向傳播回歸問題，顯著提升識(shí)別效率。YOLOv3算法網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

采用圖1中的YOLOv3模型結(jié)構(gòu)，將輸入圖像劃分為網(wǎng)格。在每個(gè)網(wǎng)格范圍內(nèi)預(yù)測固定數(shù)量的邊界框，為每個(gè)邊界框匹配1個(gè)置信度得分，匯總網(wǎng)格中各個(gè)邊界的置信度得分。

在YOLOv3的目標(biāo)檢測算法中，每個(gè)網(wǎng)格單元i都需要預(yù)測一系列邊界框。根據(jù)中心坐標(biāo)預(yù)測值來確定txi和tyi這些邊界框的位置和尺寸。寬度和高度預(yù)測值twi和thi反映了邊界框的寬度和高度相對(duì)于整個(gè)圖像的縮放因子[4]。YOLOv3算法的目標(biāo)檢測框架如圖2所示。

除了位置和尺寸信息外，YOLOv3還為每個(gè)邊界框預(yù)測了1個(gè)置信度值cib，這個(gè)值結(jié)合了邊界框內(nèi)存在目標(biāo)的概率和邊界框預(yù)測的準(zhǔn)確性。算法還預(yù)測了每個(gè)邊界框內(nèi)目標(biāo)的類別概率Pr，表示在目標(biāo)存在的情況下，該目標(biāo)屬于某個(gè)特定類別的可能性。將預(yù)測框中心約束在特定網(wǎng)格內(nèi)，這個(gè)過程如公式（1）～公式（4）所示。

bx=σ（tx）+cx （1）

by=σ（ty）+cy " （2）

bw=pwetwnbsp; " " （3）

bh=pheth " " " "（4）

式中：bx和by分別為邊界框的中心坐標(biāo)；σ為Sigmoid函數(shù)，其作用是將tx和ty控制在[0，1]；bw和bh分別為邊界框的寬度和高度；cx和cy分別為網(wǎng)格單元左下角x坐標(biāo)和右下角y坐標(biāo)；pw和ph分別為先驗(yàn)框的寬度和高度；etw和eth分別為先驗(yàn)框左上角tw坐標(biāo)和右上角tk坐標(biāo)，tw和th分別為w坐標(biāo)和h坐標(biāo)的寬度和高度實(shí)測值。

結(jié)合置信度值和類別概率值，可以計(jì)算每個(gè)邊界框內(nèi)目標(biāo)的最終得分，確定包括目的的邊界框，對(duì)圖像中的目標(biāo)進(jìn)行精確檢測。

1.2 損失函數(shù)預(yù)測誤差

在架空輸電線路巡檢中，基于YOLOv3的機(jī)載AI模塊利用損失函數(shù)評(píng)估預(yù)測性能，衡量預(yù)測與實(shí)際差異[5]。優(yōu)化損失函數(shù)，該模塊能顯著提升對(duì)輸電線路以及其潛在缺陷的識(shí)別精度，保證巡檢效果。

YOLOv3算法融合多尺度特征，在3個(gè)不同尺度的輸出層中精準(zhǔn)預(yù)測各種大小的目標(biāo)[6]，全面評(píng)估預(yù)測準(zhǔn)確性，提升模型性能，保證目標(biāo)檢測的精準(zhǔn)度和效率。

坐標(biāo)損失是YOLOv3優(yōu)化模型精度的關(guān)鍵部分，其使用均方誤差評(píng)估預(yù)測與真實(shí)邊界框的位置差異，如公式（5）所示。

（5）

式中：Lcoord為均方誤差；S2為網(wǎng)格的數(shù)量；B為每個(gè)網(wǎng)格預(yù)測的邊界框數(shù)量；i為第i個(gè)網(wǎng)格單元；j為第j個(gè)邊界框；Iijobj為第i個(gè)網(wǎng)格單元的第j個(gè)邊界框是否負(fù)責(zé)預(yù)測某個(gè)目標(biāo)，負(fù)責(zé)為1，不負(fù)責(zé)為0；xi、yi、wi和hi分別為真實(shí)邊界框的中心坐標(biāo)、寬度和高度；、、和分別為預(yù)測邊界框的中心坐標(biāo)、寬度和高度；λcoord為坐標(biāo)損失的權(quán)重系數(shù)。

置信度損失的作用是評(píng)估模型對(duì)邊界框內(nèi)是否存在目標(biāo)的預(yù)測準(zhǔn)確性，其使用交叉熵?fù)p失函數(shù)來計(jì)算，如公式（6）所示。

（6）

式中：Iconf為交叉熵?fù)p失函數(shù)；Ci和分別為真實(shí)和預(yù)測的置信度得分；λnoord為無目標(biāo)邊界框的置信度損失的權(quán)重系數(shù)；Iijnoobj為第i個(gè)網(wǎng)格單元的第j個(gè)邊界框不負(fù)責(zé)預(yù)測某個(gè)目標(biāo)，不負(fù)責(zé)為1，負(fù)責(zé)為0。

分類損失的作用是衡量模型對(duì)目標(biāo)類別的預(yù)測準(zhǔn)確性，其使用交叉熵?fù)p失函數(shù)來計(jì)算，如公式（7）所示。

（7）

式中：Lclass為分類損失；classes為所有可能的目標(biāo)類別集合；pi（c）為真實(shí)的目標(biāo)類別概率分布，對(duì)目標(biāo)c來說，如果第i個(gè)網(wǎng)格的第j個(gè)邊界框包括該類別的目標(biāo)，那么pi（c）=1，如果不包括那么為0；為模型預(yù)測的目標(biāo)類別概率分布，為模型認(rèn)為第i個(gè)網(wǎng)格的第j個(gè)邊界框內(nèi)目標(biāo)屬于類別c的概率。

綜上所述，綜合預(yù)測誤差如公式（8）所示。

L=Lcoord+Lconf+Lclass " " " " （8）

式中：L為預(yù)測誤差。

1.3 架空輸電線路巡檢過程

在架空輸電線路的巡檢過程中，無人機(jī)機(jī)載AI模塊集成了YOLOv3算法，保證巡檢過程的實(shí)時(shí)性和準(zhǔn)確性。

在巡檢過程中，AI模塊可以根據(jù)識(shí)別結(jié)果自動(dòng)調(diào)整無人機(jī)的飛行軌跡和拍攝角度，獲取更加全面、清晰的圖像數(shù)據(jù)。AI模塊還可以對(duì)巡檢數(shù)據(jù)進(jìn)行實(shí)時(shí)分析和處理，及時(shí)發(fā)現(xiàn)并報(bào)告潛在缺陷或異常情況，保障電力網(wǎng)絡(luò)安全、穩(wěn)定地運(yùn)行。架空輸電線路巡檢流程如圖3所示。

無人機(jī)根據(jù)預(yù)設(shè)的航線和航點(diǎn)進(jìn)行自主飛行，并使用搭載的攝像頭實(shí)時(shí)獲取輸電線路圖像。AI模塊應(yīng)用YOLOv3算法對(duì)圖像進(jìn)行目標(biāo)識(shí)別，一旦檢測到缺陷，例如線路斷裂或絕緣子破損，模塊就會(huì)根據(jù)缺陷的類別和置信度進(jìn)行判斷。如果置信度高于預(yù)設(shè)閾值，那么該缺陷即被視為真實(shí)故障，并自動(dòng)記錄其位置、類型和置信度等信息，生成包括詳細(xì)信息的巡檢報(bào)告。如果置信度低于閾值，疑似出現(xiàn)缺陷，AI模塊就會(huì)將相關(guān)信息回傳至服務(wù)器進(jìn)行二次識(shí)別，以保證識(shí)別的準(zhǔn)確性。

在這個(gè)過程中，無人機(jī)不僅能夠?qū)旊娋€路全面、高效地進(jìn)行巡檢，還能夠自動(dòng)生成詳細(xì)的巡檢報(bào)告，為后續(xù)故障處理和維護(hù)工作提供支持。

2 技術(shù)應(yīng)用測試

為了驗(yàn)證本文所提的基于無人機(jī)機(jī)載AI模塊的架空輸電線路巡檢技術(shù)的實(shí)際應(yīng)用效果，對(duì)集成了YOLOv3算法的AI模塊進(jìn)行測試，評(píng)估本文技術(shù)的應(yīng)用性能，測試巡檢過程中的缺陷檢測精度。本次應(yīng)用測試所使用的測試數(shù)據(jù)集包括有缺陷和無缺陷的絕緣子圖像各300張。以文獻(xiàn)[1]中的基于無人機(jī)低空攝影技術(shù)的架空輸電線路智能巡檢技術(shù)以及文獻(xiàn)[2]中的基于人工智能的輸電線路無人機(jī)巡檢技術(shù)為對(duì)比技術(shù)，進(jìn)行測試。

為了更準(zhǔn)確地描述模型性能，采用精度均值A(chǔ)m來評(píng)價(jià)模型準(zhǔn)確度，計(jì)算過程如公式（9）所示。

（9）

式中：Tp為真正例，即模型正確預(yù)測為有缺陷的圖像數(shù)量；Fp為假正例，即模型錯(cuò)誤預(yù)測為有缺陷的無缺陷圖像數(shù)量；Tn為真反例，即模型正確預(yù)測為無缺陷的圖像數(shù)量；Fn為假反例，即模型錯(cuò)誤預(yù)測為無缺陷的有缺陷圖像數(shù)量。

基于上述準(zhǔn)備進(jìn)行應(yīng)用測試，得到應(yīng)用不同技術(shù)的檢測精度（見表1）。

根據(jù)表1中的結(jié)果進(jìn)行分析，將本文技術(shù)與文獻(xiàn)[1]技術(shù)和文獻(xiàn)[2]技術(shù)進(jìn)行對(duì)比可知，本文技術(shù)在架空輸電線路巡檢中的性能表現(xiàn)優(yōu)異。在表1中，本文技術(shù)的精度均值達(dá)到0.978，遠(yuǎn)高于文獻(xiàn)[2]技術(shù)的0.917，略高于文獻(xiàn)[1]技術(shù)的0.958。在有缺陷絕緣子的識(shí)別方面，本文技術(shù)的精度為0.983，說明模型在識(shí)別關(guān)鍵缺陷方面能力出色。無缺陷絕緣子的識(shí)別精度也達(dá)到0.973，說明模型在區(qū)分正常與異常狀態(tài)方面的準(zhǔn)確性。

為了進(jìn)一步驗(yàn)證本文技術(shù)的應(yīng)用效率，對(duì)應(yīng)用不同技術(shù)的圖像處理時(shí)間進(jìn)行統(tǒng)計(jì)，以單張圖像處理均時(shí)以及平均處理速度為指標(biāo)，得到應(yīng)用不同技術(shù)的檢測效率（見表2）。

由表2可知，不同技術(shù)在圖像處理效率和速度方面的差異。其中，本文技術(shù)的單張圖像處理均時(shí)僅為8.7 ms，與文獻(xiàn)[1]技術(shù)的9.6 ms和文獻(xiàn)[2]技術(shù)的11.3 ms相比，本文技術(shù)在處理速度方面表現(xiàn)出色。在平均處理速度方面，本文技術(shù)達(dá)到了每秒27.5 幀/s，雖然略低于文獻(xiàn)[1]技術(shù)的29 幀/s，但是明顯高于文獻(xiàn)[2]技術(shù)的33.5 幀/s。雖然文獻(xiàn)[2]技術(shù)的平均處理速度較高，但是其單張圖像處理時(shí)間較長，可能影響實(shí)際應(yīng)用的連續(xù)性和流暢性。綜上所述，本文技術(shù)在保持較高處理速度的同時(shí)，顯著縮短了單張圖像的處理時(shí)間，有效提升了巡檢系統(tǒng)的整體效率。

測試結(jié)果充分驗(yàn)證了本文技術(shù)在輸電線路巡檢中的準(zhǔn)確性、高效性以及可靠性，為未來架空輸電線路智能巡檢提供了有力的技術(shù)支持。

3 結(jié)論

本文研究結(jié)合無人機(jī)與基于YOLOv3算法的AI模塊完成架空輸電線路的智能化巡檢。在圖像識(shí)別方面，AI模塊能夠準(zhǔn)確識(shí)別輸電線路圖像，并優(yōu)化損失函數(shù)來顯著降低預(yù)測誤差，提升模型性能。在技術(shù)應(yīng)用測試中，AI模塊顯示了出色的缺陷檢測能力，對(duì)輸電線路安全運(yùn)行具有重要意義。本文還探討了AI模塊在巡檢過程中的實(shí)際應(yīng)用效果。研究結(jié)果表明，基于無人機(jī)機(jī)載AI模塊研究的架空輸電線路巡檢技術(shù)在實(shí)際應(yīng)用過程中效果較好，能夠滿足預(yù)期需求。

參考文獻(xiàn)

[1]劉宏杰，陳泊遠(yuǎn).基于無人機(jī)低空攝影技術(shù)的架空輸電線路智能巡檢方法[J].電工技術(shù)，2024（3）：80-83.

[2]魯杰，陳建，寧巖，等.基于人工智能的輸電線路無人機(jī)巡檢技術(shù)分析[J].中國高新科技，2022（16）：44-46.

[3]嚴(yán)峻超，徐建軍，徐軍波，等.基于“一線兩向”模式下的無人機(jī)輸電線路高效巡檢方式研究[J].電子制作，2023，31（12）：106-109.

[4]朱濤，朱偉，石一輝，等.基于無人機(jī)集群控制輸電線路巡檢技術(shù)研究[J].電力設(shè)備管理，2024（4）：114-116.

[5]劉振華.架空輸電線路無人機(jī)遠(yuǎn)程自主巡檢關(guān)鍵技術(shù)研究和應(yīng)用[J].中文科技期刊數(shù)據(jù)庫（全文版）工程技術(shù)，2022（6）：153-156.

[6]聞洪峰.基于AI技術(shù)的無人機(jī)機(jī)載前端智能識(shí)別技術(shù)研究[J].信息技術(shù)與信息化，2023（5）：208-211.