基于深度強化學習與圖像智能識別的輸電線路在線監測系統

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對輸電線路通道環境及線路本體造成干擾，導致線路跳閘斷電，給電力運行帶來嚴重危害。基于泛在電力物聯網架構，提出一種基于深度強化學習與圖像智能識別的輸電線路在線監測系統。依托圖像智能識別，采用圖像采集、圖像預處理、特征提取、圖像識別等措施，增強圖像效果，提升識別準確性;依托深度強化學習，對圖像中是否存在危險源進行訓練，強化突出判斷能力。對深度強化學習與圖像智能識別進行融合，檢測中實現了對煙霧、超高樹障、導線異物、覆冰雪災等干擾因素的動態監控，構建了輸電線路在線監測系統設計框架。系統實現了通道環境可視化、隱患部位可視化、設備狀態可視化，監測效率大幅提高，節約了人工費用，方便了運維單位對輸電線路的管理。

關鍵詞： 輸電線路;在線監測系統;深度強化學習;圖像智能識別;泛在電力物聯網

引言

林木干擾、施工破壞、漂浮物懸掛等因素會對輸電線路通道環境及線路本體造成干擾，導致線路跳閘斷電，給電力運行帶來嚴重危害[1]。輸電線路的傳統監測方式有很多種，其中人工監測、工程車輛巡檢等方式不但嚴重消耗人力物力，而且信息嚴重滯后，無法在第一時間得知故障點，越來越不切實際[2]。目前輸電線路的重點監測路段都安裝了圖像/視頻監控，再輔以人工巡檢，能夠在很大程度上實現對輸電線路的有效監測，但是運維人員長期在顯示屏幕前緊盯現場情況，時間一久，仍然容易忽略一些危險源，導致漏報率上升[3]。而基于深度強化學習與圖像智能識別的輸電線路在線監測系統的應用，則能夠解決這一難題。

本文將深度強化學習與圖像智能識別相結合，基于泛在電力物聯網架構，設計輸電線路在線智能識別監測系統，對線路通道環境和塔基周邊環境進行圖像采集，智能研判異常，實現通道環境可視化、隱患部位可視化、設備狀態可視化，使得安全隱患可控。

1? 技術框架

1.1? 圖像智能識別技術

圖像智能識別流程可分為四個步驟：圖像采集→圖像預處理→特征提取→圖像識別，其中圖像識別是圖像智能識別技術的核心[4]。

從定義上，圖像智能識別技術是指融合圖像角度識別、文本行檢測、文本行識別、單字坐標檢測等技術，對圖像進行對象識別，以識別各種不同模式的目標和對象的技術[5]。在司法領域，圖像智能識別技術能夠支持電子卷宗內容在線識別提取，輔助法官進行日常閱卷及文書編寫，提升辦案效率[6]。此外，圖像智能識別技術在導航、地圖與地形配準、遙感圖像識別、自然資源分析、環境監測等領域也有重要的應用價值[7]。圖像智能識別技術重點分析圖片中的分辨率、焦距比、曝光、亮度等多種屬性，若將這些屬性應用在上述領域中，則會使得圖像效果得到大大增強[8]。

本文在輸電線路在線監測系統中，利用圖像智能識別技術復現了二階段檢測框架RFCN+ResNet50、一階段檢測框架Yolov3+Darknet53，在時間消耗和準確率的權衡中選擇了后者。此外，在原始檢測框架的基礎上增加了在線難例學習，并且，為了提升準確率，采用了重疊分塊檢測的方法。在已有數據的基礎上進行數據增廣（鏡像、模糊、裁剪），標定了14個類別下的共計1.3萬張圖片，增廣后圖片達到50萬張。

其中，圖像增強效果如圖1所示。

1.2? 深度強化學習

深度強化學習，是基于深度學習的感知能力解決感知問題，又結合強化學習訓練一定的決策能力，用于解決復雜系統的感知決策問題的一種人工智能思想[9]。深度強化學習的出現很大程度地影響了人工智能領域的發展，一些基于深度強化學習的算法在文本圖像識別、機械控制中的表現要優于人類，而不僅僅只是像以前一樣只起到輔助的作用。但是，在應用深度上，大部分算法只能學習簡單的任務，無法在連續動作空間中進行多任務學習[10];在應用廣度上，算法在計算機視覺領域，例如圖像分類問題中的應用還非常少。

深度強化學習在人為矯正下排除錯誤，在一遍遍的試錯過程中，不斷深化學習能力，它的最終目標是讓計算機能夠像人一樣具有分析學習的能力。深度強化學習本質上是一個復雜的機器學習算法，文字圖像識別是其最適合的應用場景。將深度強化學習應用在輸電線路圖像上，能夠準確快速地判斷圖像中是否存在危險源，訓練是否應該告警，能夠完美地解決工作人員在大屏幕圖像上投入大量時間的窘境，大大地節省人力物力支出，起到很好的輔助作用。

2? 系統設計

2.1? 技術融合

現將深度強化學習技術與圖像智能識別技術相結合，應用在輸電線路在線監測系統上。系統在后臺通過算法，用不同顏色的方框，對可能的危險源進行標記并報警，識別隱患類型、動態變化情況、威脅程度等，對異常隱患告警，抓住關鍵點，提高監控效率。系統以場景為基準對圖像監測作出以下分類：

（1）煙霧檢測。分為火災隱患（煙霧）、地質災害（泥石流、滑坡）、滾石等，如圖2所示。

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

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

（4）覆冰雪災檢測。在ImageNet預訓練的基礎上，使用palces365場景分類數據集（共計365個場景）對殘差神經網絡進行訓練，以滿足場景分類的要求，最終選取其中的12個與冰雪相關的場景作為判斷基準，以判斷現場是否為冰雪場景的。

2.2? 技術設計

有了基于深度強化學習與智能圖像識別的輸電線路在線監測系統之后，計算機就可以自行對圖像進行分析和判斷了。一旦發現異常情況，直接報警，具有更高的效率和準確度。系統能夠對線路通道環境和塔基周邊環境進行圖像采集，應用圖像智能識別和圖像增強算法研判異常。

輸電線路在線監測系統設計框架如圖4所示。系統基于無線傳輸，利用安裝在輸電線路上的槍機或球機攝像頭等前端傳感器，通過無線通信采集的圖像/視頻信號、交換機等上傳到服務器，就可以在用戶監看終端輕松實現遠程圖像/視頻采集和監控了。

3? 系統應用特點和效益分析

3.1? 智能識別

系統在以下方面具備有效的智能識別功能：

（1）具備導線異物檢測功能，當導線上懸掛異物時，系統通過聚類算法對導線和異物進行區分，自動發出報警提示;

（2）具備線路保護區內大型施工機械闖入的智能檢測功能，當有大型機械闖入時，系統自動發出報警提示;

（3）具備全天候報警功能，在雨雪等天氣不好的情況下，能通過圖像智能識別技術，對危險源進行報警;

（4）圖片智能識別功能準確，無漏報，誤報率不大于15%;

（5）具備塔基動態監控功能，當有人員、車輛進入設定的區域時，能抓拍圖片并上傳告警信息;

（6）具備識別出超高物體的功能，一旦識別，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，根據剩余電量自動切換工作模式，自主切斷負載并調整圖像采集間隔。

3.2? 日常管理

系統在日常管理中發揮了重要作用，體現在：

（1）具有PC端和微信功能，且管理軟件具備圖片管理、查詢和設置功能;

（2）具有故障自診斷及自恢復功能，支持遠程復位;

（3）支持遠程軟件升級;

（4）具備遠程控制拍照/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別、篩選及告警功能，數據缺失率不大于 1%，且漏報率為零;

（7）具備重點線路設置、隱患點標;

（8）具備用戶登錄權限和微信權限設置功能;

（9）具備GPS定位與GIS地圖顯示功能;

（10）具有失電數據保護功能;

（11）支持設備各種狀態查詢;

（12）支持聯網參數設定（更改及查詢服務器IP、端口等）。

3.3? 系統成效

（1）管理效益。系統應用后，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）經濟效益。系統應用后，可實現人工巡檢的替代，能夠有效減少人工費用及車輛外出的支出，為運維單位節省了日常巡檢的開支，同時巡檢周期得到大幅增加。

（3）社會效益。系統應用后，保障了輸電線路及周圍環境的安全，同時巡檢的信息化方便了運維單位的管理，保障了附近居民的安全，帶來了社會效益。

4? 結束語

近幾年，深度強化學習與圖像智能識別的受到了廣泛推廣，從日常的拍照智能搜索、百度識圖等應用，到物體分割、姿態估計、光學字符識別等科學應用，再到人臉識別等高端應用，都滲透了這些技術，不斷孕育令人印象深刻的產品和功能。

在輸電線路在線監測方面，將基于深度強化學習與智能圖像識別相結合，可令系統自行對圖像進行分析和判斷，發現異常情況直接報警，并輔以人工操作，帶來更高的效率和準確度。系統能夠對線路通道環境和塔基周邊環境進行圖像采集，智能研判異常，實現線路通道環境可視化、隱患部位可視化、設備狀態可視化。

參考文獻

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

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

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

[4] 金華， 王民， 昝濤， 等. 基于數字圖像處理的輸電線路狀態智能識別技術[J]. 微計算機信息， 2012（4）： 91-92， 132.

[5] 范立南. 圖像處理與模式識別[M]. 北京， 科學出版社， 2007.

[6] 孫志軍， 薛磊， 許陽明， 等. 深度學習研究綜述[J]. 計算機應用研究， 2012， 29（8）： 2806-2810.

[7] 王皓， 高陽， 陳興國. 強化學習中的遷移： 方法和進展[J]. 電子學報， 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.