基于FR-CNN算法的線路巡檢元件故障識別仿真

田毓鑫，蔡富東

(山東理工大學電氣與電子工程學院，山東 淄博 255049)

1 引言

線路部件在惡劣環境下容易出現雷擊、異物損壞等問題，造成輸電線路發生意外事故，因此需要對輸電線路部件故障進行定期巡檢和識別。線路巡線方式主要有人工巡線、無人機巡線，采用多種巡線方式可為監控線路工況提供現場實時視頻或圖像數據等。通過數字圖象處理技術、淺層圖象機器學習或深度學習等方法對電子設備進行觀察，可以提高故障檢測的效率，具有重要的工程應用價值[1]。

目前國內外采用的線路巡檢元件故障識別方法，基本上都是針對某一類元件的特點設計提取特征的算法，然后根據選定的特征在圖中判斷目標是故障還是分類，因此，這些特征提取算法泛化性較差[2]?；谝陨显?，提出FasterR-CNN(FR-CNN)算法，解決傳統的線路巡檢元件故障識別方法魯棒性差，識別速度慢的問題。FR-CNN在區域建議網絡中選取候選區域，將預測建議框數量限制在300個，從而大大提高了目標檢測的速度。將FR-CNN算法應用于線路巡檢元件故障識別工作中，旨在提高元件故障識別速度，同時保證識別精度。

2 線路巡檢元件故障識別方法設計

2.1 劃分線路巡檢元件狀態類型

因線路各元器件的安裝位置、結構、電壓、變電容量等不同，各元器件運行狀態的影響因素也不同。線路巡檢要素的狀態可以劃分成四種，分別為正常、注意、異常、嚴重。在“正?！睜顟B下變壓器各功能部件運行正常，各功能部件的評估參數值遠低于規程規定的參考值，接近設備出廠值或在高質量產品值范圍內變化；如有預測指標參數，預測指標參數也遠低于注意值；無任何異常[3]。當電力變壓器處于“注意”狀態時，表明電力變壓器的某些功能部件已經處于注意狀態，即當功能部件單獨進行評估時，某些評估指標的參數值達到了規程規定的關注值，或者因為其中的一些指標參數值呈現整體劣化趨勢，因而使評估結果處于注意狀態；或者因為變壓器有歷史的檢修記錄或家族缺陷史，所以需要密切關注這些指標的劣化趨勢[4]。同時，還可以對不同的線路巡檢元件進行分類，并將巡檢元件在不同狀態下的運行參數設置為比較特征，用于對線路巡檢元件進行故障識別。

2.2 實時收集線路巡檢圖像

為提高巡線效率，保證在巡線過程中不撞塔和傳輸線，根據 GPS的定位功能，設計了一種基于巡線圖像采集的巡線路徑。對每一桿的 GPS定位按目標電網線路提供的位置進行選件，并在每一桿上依次懸停進行圖像采集工作。在高壓架空線路上，巡線機器人完成自主越障功能，但對障礙物的識別需要完全依靠攝像機，因此，攝像機的成像質量和后期的數據處理都會影響其越障能力[5-6]。選材 ALIENTEK推出ATK-OV5640-V11攝像機，OV5640有3種供電電壓要求，分別為1.5 V、3.0 V和2.8 V。其供電電壓要求 DVDD為1.5 V，AVDD和 DOVDD為2.8 V，AF-VCC為3.0 V，這三種電壓等級的電壓信號分別由 LDO穩壓器提供。在完成所有桿塔拍攝后，為保證巡游機器人的安全移動，將巡游機器人設定為最高巡航高度，然后直線移動至起始點。巡檢機器人的單程移動時間約為30分鐘，兩桿塔相距約150米，懸停拍攝時間約30 s，因此，巡檢機器人可以對約9個桿塔進行巡檢和返回，最終將巡檢線路上的每幀圖像都保存下來。

2.3 線路巡檢圖像預處理

按指標所占比例小于5%，在5%～12%之間，超過12%的指標分為小指標、中指標和大指標。最終僅對分為小目標和中目標的圖像進行處理，對包含大目標的圖像不進行剪切處理。先計算目標所占畫幅的大小，然后對其中的小目標和中目標進行剪切，剪切后的圖像與原始圖像一起進行圖像壓縮、亮度變換、水平翻轉等常規操作。這個擴展部分與原始圖片集一起構成訓練樣本。

2.3.1 圖像壓縮處理

采用雙線性差對采集的巡線圖像進行壓縮處理，首先計算縮放因子，設放縮前后的像素點分別為P0(x0，y0)和P(x，y)。放縮公式可以表示為

(1)

式中Hf和Vf分別表示的是水平和垂直方向上的壓縮因子，srcWidth和dstWidth分別為原圖長度和寬度，srcHeight和dstHeight分別為縮放后的長度和寬度[7]。遍歷壓縮圖像中的每一個點(i，j)計算對應于原圖中的坐標P0(x0，y0)公式如下

(2)

計算距離點P0最近的 4 個點坐標和權重，最終根據式(3)計算P0點坐標。

P0(x0，y0)=w1P1(x1，y1)+…+w4P4(x2，y2)

(3)

按照上述公式，依次遍歷所有樣本圖像，進行圖像壓縮。在此基礎上，只改變圖像的大小，不會損失目標信息。

2.3.2 透視畸變校正

在獲取圖像時，如果攝像鏡頭的光軸不與間隔桿平面垂直，就會在像平面上產生透視幾何失真，影響形狀判斷結果。所以，透視失真需要校正。當使用照相機拍攝時，圖像的幾何結構如圖1所示。

圖1 幾何成像關系圖

平面上未畸變的理想坐標像點的極坐標為(ρ，θ)，畸變像點為(ρ′，θ′)，定義d為垂直物面與透鏡之間的距離，c為物面上成像點到光軸與物面交點的距離，a、b分別為物面傾斜時物面與光軸及垂直物面的投影，f為焦距?；趫D2中的成像關系，可以得到

(4)

由此可以得出

(5)

在此基礎上，建立了理想圖像的幾何坐標與失真圖像的幾何坐標的相互關系，將整個圖像的中心點作為極坐標原點[8]。依次將各理想圖像的點坐標(ρ，θ)代入，可以得到相應畸變圖像的點坐標(ρ′，θ′) ，再將該點坐標的像素值賦給理想坐標，即可實現畸變圖像的校正。

2.4 構建FR-CNN網絡模型

FR-CNN 的框架流程如圖2所示。

圖2 FR-CNN模型框圖

FR-CNN模型中的RPN網絡主要負責生成候選框的坐標以及是否為前景的分數。另一部分是負責FastR-CNN的檢測模塊。從總體上看，前向卷積網絡用于提取特征，后向 RPN網絡和FastR-CNN檢測網絡共享前向特征[9]。該網絡在每一個特征圖的錨節點上生成不同大小的候選框，該檢測網絡通過檢測和識別該候選區域中的目標類別來確定該候選區域。網絡模型中的損失函數下

(6)

2.5 提取線路巡檢元件特征

利用FR-CNN網絡模型，在 python上構建 tensorflow，從vgg16中提取圖片中的信息，然后輸入到后續的網絡中進行分類和定位。在特征提取中，Vggl6型 CNN用于對線路巡檢圖像進行特征提取，該模型包括13個卷積層、13個 ReLu激活層和4個池化層。該網絡模型采用層疊式結構，將多個3*3卷積核與1*1相結合，用3*3卷積核提取特征，用1*1卷積核降維數據[11]。而 VGGNet網絡結構與以往卷積核的不同之處在于，它首次采用了小尺寸結構和層疊結構，卷積層均采用了3*3的卷積核結構，旨在代替大尺寸的卷積核，更有利于細節特征和高維數據特征的提取，少數網絡還采用1*1的卷積核來代替3*3的卷積核，從而使整個網絡的非線性度得到提高，參數數目大大減少。假設圖層為卷積層，以彩色掃描圖像為原始輸入，將圖層的輸出特征向量表示為

(7)

(8)

2.6 實現線路巡檢元件故障識別

2.6.1 防震錘元件故障識別

利用建立的FR-CNN網絡模型，根據來自于分類器識別的待檢測圖像信息，以及含有防振錘的矩形區域，實現輸電線路防振故障檢測。由待測圖像中的等效邊比值 G來判斷防振錘區域是否足夠大，然后對防振錘區域進行裁減，公式如下

(9)

式中W和H分別為輸入圖像的高度和寬度，(x1，y1)和(x2，y2)分別是防振錘定位網絡輸出矩形區域的右下頂點坐標和左上定點坐標。在確定防振錘擊區的同時，設置確定是否剪切的閾值R，并加入剪切層，加快防振錘擊區故障檢測過程[12]。采用基于深度學習的檢測器網絡為二級結構，輸入的是由剪切層剪切出的含有防振錘的矩形區域，其中防振錘故障為檢測目標，由于故障特征在圖像中顯示得很小，所以采用了一種更精細的目標檢測器網絡，即FR-CNN。利用FR-CNN網絡可以實現不同尺寸待測圖像的輸入，輸入圖像通過網絡后就可以得到圖像上每個像素點的分布情況。防振錘上每一個點代表輸入待測圖像上對應的感覺區為防振錘概率，設置概率閾值，當某個點大于設定的閾值時，檢測器判斷該點對應的原待測圖像上存在防振錘故障，當檢測圖像返回原圖像時，防振錘故障得到準確識別。

2.6.2 間隔棒和絕緣子元件故障識別

隔離桿和絕緣子元器件故障的識別，主要是利用FR-CNN網絡模型訓練得到的故障數據與設定線路巡檢元器件故障數據的相似性來獲得識別結果。相似度測度的具體公式如下

(10)

式中σi和δi分別表示的是設置的特征向量和提取的巡檢元件特征向量。若式(10)得出的計算結果大于門限值，則對應的狀態即為間隔棒和絕緣子元件的識別結果。

3 仿真分析

3.1 配置仿真測試環境

識別性能測試實驗有Linux、windows和VR三種實驗環境。Linux環境主要用于構建caffe框架，培訓和測試傳輸線部件識別和故障檢測網絡。利用HTCVIVIE相關設備對傳輸線進行虛擬巡檢，實現人機交互。

3.2 設置識別性能評價指標

衡量識別精度的指標是mAP，指的是多個類別的平均準確率的平均值。AP指的是單個類別的平均準確率，衡量的是模型在該類別上識別效果的好壞，而mAP衡量的是模型在所有類別上識別效果的好壞，實際上，mAP就是求所有AP的平均值.mAP的值介于0-1之間，且越大表示該模型的識別準確率越好。實驗中，用mAP來評判模型識別的效果。

3.3 識別性能測試結果分析

此次實驗主要采用黑盒測試方式，就是設置線路巡檢元件故障數據，將其轉換為已知狀態，并在此基礎上分別利用三種不同的識別方法得出識別結果，將得出的識別結果與設置的數據進行比對，得出正確識別和錯誤識別的數量，最終得出的識別率測試結果，如表1所示。

表1 識別性能測試結果

從表1中可以看出，三種識別方法的mAP指標值分別為0.624、0.688和0.940，由此可見設計識別方法的平均準確率更高，識別精度更高。

在此基礎上測試3種方法的線路巡檢元件故障識別耗時情況，得到對比情況如圖3所示。

圖3 識別耗時對比情況

分析圖3可知，文獻[3]方法的識別耗時平均值為6.2s，文獻[4]方法的識別耗時平均值為4.1s，所提方法的識別耗時平均值為1.0s。所提方法在線路巡檢元件故障識別中的耗時較短，識別準確率較高，具有一定的應用性。

4 結束語

通過對設計的線路巡檢元件故障識別方法進行測試，其最終平均識別率達到90%以上，符合實際應用需求，能夠應用于實際生產生活中。