基于前端識別的架空輸電線路在線監測技術研究

余盛達，葉保璇，馮毅強，易婷婷，韓旭君，施 超

（1.海南電網有限責任公司文昌供電局，海南 文昌 571300；2.廣州市奔流電力科技有限公司，廣東 廣州 510635）

0 引 言

根據我國地勢分布和城市發展情況，輸電線路通常建設于人跡罕致地區，其極易受到各種外力因素的影響而處于不安全狀態，如桿塔傾斜、線路斷線或停電等，從而造成人身傷害和巨大的經濟損失[1]。因此，采取有效手段對架空輸電線路進行監測十分必要。

目前，基于視頻圖像的輸電線路在線監測通常采用監控或無人機進行視頻圖像采集并傳回后臺[2]。架空輸電線路視頻監控裝置運行壽命通常在5年及以上，一條線路需安裝上百個監控攝像頭以實現全面監測，長時間且多數量的應用需求會導致大量冗余數據傳輸，產生高額通信費用。同時，輸電線路在線監測要求數據傳輸過程具備低時延和高保密性，基于前端識別的輸電線路在線監測成為未來發展的趨勢。

1 基于前端識別輸電線路在線監測總體架構

架空輸電線路在線監測一般由前端采集裝置、通信網絡以及后臺主站3大部分組成，架構如圖1所示[3]。

圖1 架空輸電線路在線監測系統架構

基于前端識別的監測系統將數據處理分析任務放置在靠近數據源的前端，其實現方式為一體化智能攝像頭直接搭載嵌入式智能分析模塊進行識別，或是構建含智能分析單元的前端匯聚子站系統。嵌入式智能分析單元的具體組成如圖2所示。

圖2 嵌入式智能分析單元

嵌入式智能分析單元集成了圖像視頻壓縮處理模塊、前端識別模塊、通信模塊、存儲模塊以及電源管理模塊。其中，視頻圖像壓縮處理模塊接收視頻數據并做一定的壓縮和預處理，前端識別模塊搭載深度學習網絡用于圖像訓練和推理，存儲模塊用于儲存前端采集數據和分析結果，通信模塊是前端與后臺連接的橋梁，電源管理模塊對嵌入式智能分析的各模塊進行電源管理。

2 基于前端識別輸電線路在線監測關鍵技術

2.1 輸電線路在線監測目標檢測

深度學習技術在圖像分類和目標檢測等計算機視覺領域表現突出，被廣泛應用于輸電線路智能監測。目前卷積神經網絡中的主流深度學習模型有RCNN、Fast RCNN、Faster RCNN、YOLO以及SSD等。研究適用于前端識別的深度學習網絡是實現輸電線路智能監測的重點。

由于供電和芯片能力的限制，基于前端識別的輸電線路在線監測通常使用輕量型的深度學習網絡。將這些算法直接遷移到輸電線路監測場景中，其識別效果與實際情況存在一定差距，因此需要對算法模型進行一定的調整與改進[4]。在原深度學習網絡的基礎上，通過特征提取網絡改進、目標檢測網絡改進、先驗框改進、損失函數和非極大值抑制改進以及不同模型相結合等方法，有效提高輸電線路場景中目標檢測的精度。

2.2 前端AI芯片應用選型

基于前端識別的輸電線路在線監測要求前端芯片具有體積小、功耗低、時延小以及成本低等特性。前端AI芯片的主要任務是推理，無法承受巨大的運算量，因此其選擇主要以DSP和ASIC為主[5]。

選用DSP芯片時，可加入深度神經網絡加速部件，如矩陣乘和累加器、全連接的激活層和池化層等，從而提高DSP在前端設備中的適用性。ASIC是一種全定制化芯片，通用性較差，但特定場景且數量需求較多地情況下使用定制ASIC具有較好的經濟性。輸電線路跨越距離長，所需監測范圍大，因此基于前端識別的輸電線路在線監測可選用ASIC芯片進行特定任務定制。

2.3 AI模型的壓縮和加速

由于前端裝置供電能力有限，前端AI芯片性能弱于服務器側，而深度學習識別過程伴隨龐大的運算量，因此深度學習算法模型的植入還應通過壓縮和加速來實現。當前主要采用模型剪枝、參數共享以及簡化卷積核。

模型剪枝是對冗余或不重要的網絡結構和參數進行裁剪，具有加速、壓縮存儲空間及防止過擬合等優點，但其需要依靠經驗手動判斷每層網絡的重要性。參數共享的主要思想是讓網絡中多個參數共享同一個值，其逐層量化過程較復雜，當神經網絡層數過多時將增加預訓練難度和工作量。簡化卷積核是將網絡中原始較大的卷積核分解成多個較小的卷積濾波（如圖3所示），加速卷積計算同時獲得較高的目標識別性能，但該方法得到的特征普適性及泛化性較弱。

圖3 深度可分離卷積

事實上，各種深度神經網絡壓縮方法相互正交，根據實際進行多種算法的結合與應用能夠有效提高識別的準確度、穩定性以及實時性。

3 輸電線路在線監測前端識別的挑戰與展望

3.1 前端識別的挑戰

基于前端識別的架空輸電線路在線監測技術能夠有效提高外力破壞監測水平，但目前還存在各種挑戰，具體有以下3點。

第一，深度學習網絡樣本訓練難度大。輸電線路外力破壞樣本收集難度大，深度學習的訓練樣本不足會導致提取的圖像特征匱乏、識別率降低以及過擬合等問題[6]。第二，目標物與輸電線路本體距離判斷。輸電線路部分外力破壞屬于距離類缺陷，前端固定在桿塔上的攝像頭易將遠處場景一同采集到畫面中，誤報對線路不構成威脅的物體。第三，外力破壞實時跟蹤。目前多數監測裝置通過定時拍照分析實現外力破壞的監測，但外力破壞行為是一段連續發生的過程，通常在1～20 min，若異常發生時刻并非定時拍照時刻，則容易產生漏判或報警延時。

3.2 前端識別的展望

從長遠來看，基于前端識別的輸電線路在線監測具有更高的經濟性，其裝置會朝著一體化、多集成、小體積以及全面感知等方向發展。未來基于前端識別的輸電線路在線監測在硬件與功能上的發展方向如圖4所示。

圖4 發展方向

4 結 論

基于前端識別的輸電線路在線監測能夠準確判斷輸電線路通道中出現的危害物并標記目標位置，有效提高輸電線路運維效率，滿足實際工程應用中的識別速度和精度需求。本文主要介紹了前端識別中的嵌入式智能分析結構，然后針對前端識別涉及的3個關鍵技術進行現狀分析，同時提出基于前端識別的輸電線路在線監測存在的挑戰與展望，詳細歸納未來發展的方向，對研究輸電線路在線監測具有指導意義。