基于無人機圖像識別技術的輸電線路缺陷檢測

馬藝峰

摘要：近年來，隨著經濟的不斷發展，各地區的電力需求迅速增加，電網規模也在擴大。由于輸電線路分散、斷裂、絕緣子損壞等原因造成的輸電故障，給企業和工業生產造成了不可挽回的經濟損失，給人們的日常生活帶來了極大的不便。因此，有必要對輸電線路進行定期安全檢查。由于輸電線路地形復雜、交通條件不方便、高寒氣候惡劣，傳統的人工檢查輸電線路存在時間長、人力物力消耗大、檢查人員安全保障低、人員技能限制檢查結果等問題。

關鍵詞：無人機;輸電線路;深度卷積神經網絡算法;缺陷圖像識別

針對無人機巡檢輸電線路過程中，存在人工識別缺陷圖像工作量大、效率低的問題，利用深度卷積神經網絡算法開發無人機巡檢數據智能管理平臺，滿足無人機飛行作業管理應用的需要。利用無人機巡視輸電線的便利性，探究了基于無人機圖像識別的無人機立體智能巡檢應用平臺的系統結構，采用深度卷積神經網絡算法對無人機日常巡檢產生的海量圖像或視頻數據進行預處理識別。

一、無人機立體智能巡檢運用平臺

無人機立體智能巡檢應用平臺包括“無人機巡視子系統”，“無線通信鏈路”和“缺陷圖像智能識別子系統”3個部分，如圖1所示。“無人機巡視子系統”和“缺陷圖像智能識別子系統”通過“無線通信鏈路”進行數據的傳輸。在應用層通過接口組件方式與第三方系統平臺實現應用集成、界面集成、數據集成，以滿足基于無人機的輸電線路巡檢業務應用需求。“無人機巡視子系統”包括無人機飛行控制和數據管理兩個過程。其中，無人機飛行包含從地面飛行至高壓輸電塔等巡視目標以及從巡視目標返回地面兩個過程，涉及禁飛區域的識別、飛行路線的確定和障礙物避險等。數據管理是指無人機飛行至巡檢目標時采集數據的階段，其中包括數據采集、數據傳輸、數據儲存與數據清除四個部分。“無線通信聯路”負責傳輸無人機飛行控制信號、無人機高清相機控制信號和高清數據的回傳控制信號等，分別實現無人機實時的飛行操作控制、圖像視頻的拍攝控制及實時高清數據的回傳。通過研發適用于無人機實時傳輸的4G無線專網通訊裝置，實現了基于4G無線專網的輸電線路巡檢數據自動化采集技術。

圖1無人機立體智能巡檢應用平臺

進而解決了在4G專網環境下，以無人機為主的智能裝備在巡檢過程中所采集的照片數據、視頻數據以及GPS位置等信息的實時傳輸與安全傳輸的問題。“缺陷圖像智能識別子系統”接收到實時數據后，實現高壓輸電塔和輸電線實時數據的顯示。同時，利用深度卷積神經網絡算法對數據進行預處理分類識別。并對圖像有缺陷的位置進行標注，最終將識別結果反饋，指導檢修消缺決策。與此同時，將結果和原始圖像數據進行備份，并通過4G網絡發送給控制中心，由專家對結果進行人工確認。

二、輸電線路缺陷圖像檢測

深度學習模型采用層次化特征的表達方式對圖像進行描述，主要包括受限玻爾滋蔓機制、深度信念網絡、自動編譯器、卷積神經網絡和生物啟

發式模型等。利用深度卷積神經網絡算法對電力設備巡檢產生的海量圖像或視頻數據進行預處理，優化分析與分類識別。并對圖像有缺陷的位置進行標注，最終將識別結果反饋，指導檢修消缺決策。此外，還可結合專家反饋對識別模型進行優化，逐步提升缺陷查找效率及準確率。通過建立深度學習監督訓練，鳥巢、絕緣子自爆、銷釘脫落、螺栓松動、均壓環傾斜塔材缺失、異物、導地線損傷的智能識別。

1.典型缺陷圖像智能解譯體系。典型缺陷圖像智能解譯體系具有自學習能力，能在實際應用中通過數據積累不斷的提高智能識別的精度，最終達到項目目標要求。典型缺陷圖像智能解譯體系流程圖，如圖2所示。

基于深度學習的輸電設備典型缺陷圖像智能解譯體系：首先使用多目標識別算法從無人機巡檢照片或視頻中識別出目標設備;然后，使用深度學習分類器對目標設備是否有缺陷以及缺陷類型進行判斷。基于深度學習的輸電設備典型缺陷圖像智能解譯方法包括如下步驟：（1）Faster-Rcnn樣本制作。將一定規模的無人機輸電線路巡視圖像（1000張以上）進行人工標注，標出圖中所有的輸電設備名稱和位置。從中隨機選取總數9/10的圖片作為訓練數據集，另外的1/10圖片作為測試數據集。（2）Faster-Rcnn模型訓練。將步驟（1）帶有標簽的數據輸入到Faster-Rcnn中對模型訓練。訓練使用隨機梯度下降方法對模型參數進行更新，迭代20萬步，最終完成模型訓練。（3）Faster-Rcnn模型測試與修正。使用步驟（1）的測試數據集對訓練完成的Faster-Rcnn模型進行測試，得到其準確率。依據準確率高低判斷是否要添加數據和更改訓練參數繼續訓練模型。（4）輸電設備缺陷分類器樣本制作。針對每一種輸電設備，收集包含正常輸電設備與存在缺陷的輸電設備的樣本，并為每張圖片打上缺陷種類標簽。取總數9/10的圖片作為訓練數據集，另外的1/10圖片作為測試數據集。（5）訓練輸電設備缺陷分類器。針對每一種輸電設備訓練分類器使用步驟（3）中制作的訓練樣本數據訓練分類器。（6）輸電設備缺陷分類器測試與修正。針對每一種

輸電設備的缺陷分類器，使用步驟（3）中的測試數據測試其準確率。依據準確率高低，判斷接下來是否需要添加樣本或修改訓練參數繼續進行訓練。（7）模型使用。將（1）～（6）步驟訓練好的FasterRcnn模型以及針對每種輸電設備的缺陷分類器組合使用。將每次無人機巡檢得到的輸電線路設備照片首先送入Faster-Rcnn提取出其中包含輸電設備的區域，并判斷每塊區域所包含的輸電設備的種類。然后，依據種類將其送入該種設備的缺陷分類器，判斷是否具有缺陷及缺陷類型。若有缺陷，則將缺陷設備所在位置以及缺陷類型，在輸電線路設備照片中標注出來。（8）模型參數更新。在已有的機器識別結果中抽取部分典型的圖片，重新制作新的訓練樣本。在原有模型的基礎上不斷更新Faster-Rcnn以及缺陷分類器的模型參數，使得模型不斷優化，準確率不斷提高。

2.基于Faster-Rcnn算法的多目標物體識別方法。多目標物體識別方法，采用Faster-Rcnn算法，可以同時從一張無人機巡檢圖片中識別出所有需要進行缺陷識別的設備，且精確找出目標在圖片中的位置。Faster-Rcnn算法主要分為3個步驟：1）使用卷積神經網絡從原始圖片中提取圖片的卷積特征。2）使用RegionProposalNetwork提取可能存在目標設備的候選區域。3）針對步驟2）中提取的候選區域，使用ROIpoolinglayer（ROIpoolinglayer層將每個候選區域的特征圖均勻分成M×N塊，對每塊進行maxpooling）

從原始圖片的卷積特征圖中提取特征向量，將每個候選區域的特征向量送入分類器進行分類，判斷其所屬的設備種類。同時，精確回歸出包含輸電設備的矩形區域的坐標。

3.卷積神經網絡模型。卷積神經網絡模型屬于多層的神經網絡，每一層的神經網絡由多個二維平面構成，每一個平面又包含多個神經元。一般，包含卷積操作和池化操作。卷積神經網絡的輸入是數字圖像，之后卷積層和池化層交替進行。卷積神經網絡能通過兩種方式降低參數的數目，分別是局部視野感知與參數共享。卷積層得到的特征圖即為，輸入圖像和卷積核運算加上一個偏置后再通過激活函數所得的結果。

總之。無人機立體智能巡檢應用平臺研究關鍵點及難點在于，基于深度卷積神經網絡算法的巡檢圖像輸電設備缺陷識別技術研究。該技術針對輸電桿塔的高清圖像，利用Faster-Rcnn算法完成對輸電設備缺陷的自動識別，并進行缺陷種類的分類。從而能夠極大程度上縮小人工識別缺陷圖像的工作量，且提高了巡視效率和質量。

參考文獻：

[1]張萍.輸電線路缺陷在線監控系統設計與實現.2018.[2]韓小方.基于無人機圖像識別技術的輸電線路缺陷檢測的分析.2019.