電力巡檢圖像關鍵部件檢測與缺陷識別技術綜述

劉 草

（華北電力大學控制與計算機工程學院，北京 102200）

1 研究背景

隨著我國電力能源需求不斷增加，對輸電線路設備運行安全提出了更高的要求。這些設備長期暴露在野外，受到復雜多變的天氣情況，例如烈日、風沙、雨雪、雷電等的影響，同時又由于輸電線路及其桿塔的自身特性，會產生銹蝕、磨損、材料老化等損傷，這些問題如若不能及時發現并修復，會給輸電線路穩定運行帶來極大安全隱患。如果發生輸電線路上電塔螺栓變形、脫落、絕緣子自爆等問題，將導致大面積停電和巨大的經濟損失。

無人機可以在跨度較大的復雜地形進行巡檢作業，而且巡檢效率高，較人工巡檢更穩定準確，可以應用到輸電線路本體、輸電桿塔部件等不同對象。無人機巡檢包括可見光遙感巡檢、紅外遙感巡檢、紫外遙感巡檢、激光雷達巡檢等工作模式。可見光遙感巡檢指在電力巡檢中使用穩像儀、相機等可見光設備，對輸電線路的電力設備進行巡檢并記錄圖像、攝影等相關信息。可見光遙感巡檢設備成本低，巡檢缺陷覆蓋范圍廣，因此在輸電線路巡檢中得到廣泛研究與應用。然而，無人機采集得到的海量巡檢數據需要專業人員用肉眼和大腦完成一系列的分析：檢測出關鍵部件，判別部件的故障類型，歸類故障等級等。采用人工觀看圖像進行部件定位與缺陷分析耗時耗力，而且工作人員的專業能力不同導致巡檢結果質量參差不齊。隨著深度學習在圖像檢測領域的廣泛應用，深度學習檢測方法應用到輸電線路桿塔部件檢測領域，檢測對象包括絕緣子、輸電線、輸電線路配套設備等，有效提高了電網巡檢的效率和準確度，在電力巡檢圖像檢測領域迅速崛起。

2 研究現狀與發展趨勢

2.1 目標檢測研究現狀

電網巡檢圖像的目標檢測融合了多個高尖領域技術，包括航空、電子、通信、電力、圖像識別等，隨著深度學習的發展，國內外逐漸開始了對電網圖像的對象進行目標檢測。Faster R-CNN目標檢測算法提出了由神經網絡產生候選框的方式，代替了其他R-CNN中產生候選框的方法，成功地完成端到端的訓練，訓練和測試的速度有了大幅的提高。YOLO系列算法目標是能快速準確地進行目標檢測，該方法將目標區域預測和目標類別預測整合于單個神經網絡模型中，從而實現端到端的目標檢測。由于卷積神經網絡在數據充足的情況下目標檢測效果明顯，從而得到廣泛的應用。C.Sampedro等人利用無人機對輸電線路進行航拍圖像的提取，并對提取的航拍圖像中的各類電塔進行分類檢測。Luo等人將卷積神經網絡應用于準確識別提取高壓線路，從而減少了非高壓線路的干擾。陳志強等人提出一種基于區域全卷積網絡的電力巡檢圖像防震錘智能識別方法，利用特征提取網絡、位置敏感池化等方法提高了檢測的效率和準確率。此類算法依賴于大規模人工標注的輸電桿塔數據集，制作數據集成本高昂。其次，在不同的線路上，塔型、背景、電力金具的型號和外形，拍攝位置的角度和金具的尺度均有變化，訓練依賴于某一輸電線路的神經網絡，很難遷移應用到其他線路。

近年來，遷移學習和小樣本學習在目標檢測中的應用引起了越來越多的關注。Fan等人提出以孿生神經網絡為基礎，使用多級相關檢測器確定目標對應的候選框。陸繼翔等人提出了基于遷移學習的小樣本輸電線路巡檢圖像處理方法，針對缺陷樣本不足導致的深度學習模型過擬合，提出了擴充樣本及訓練的一系列使用方法。張永翔等人使用遷移學習的方法，用少量的電力巡檢數據集對YOLO網絡進行再訓練，從而使網絡能夠準確檢測電力巡檢關鍵金具。

2.2 缺陷識別研究現狀

電網巡檢圖像中關鍵部件的缺陷可以分為部件本體缺陷、部件連接缺陷、部件缺失缺陷和距離類缺陷。部件本體缺陷指由輸電線路部件自身損壞產生的缺陷，如絕緣子掉串、均壓環裂紋、防震錘變形等；部件連接缺陷即輸電線路部件連接安裝有誤引起的缺陷，如金具安裝方向錯誤、錯位等；部件缺失缺陷即輸電線路部件部分關鍵零件缺失引發的缺陷，如銷釘缺失、螺栓缺帽等；距離類缺陷即輸電線路部件間隙距離小，自身懸垂度不符合要求或安全距離范圍內有異物導致的缺陷。針對電網關鍵部件的不同缺陷，深度學習缺陷識別方法得到了廣泛應用。Varghese等人利用深度學習網絡模型GoogLeNet構成輸電桿塔設施檢測和分類的多級分類框架，成功檢測到輸電線缺失。Lan等人提出了一個由絕緣子、桿塔、輸電線、輸電線路配件四類設備缺陷組成的巡檢數據集，并訓練基于R-CNN網絡的缺陷檢測模型，正確實現了缺陷檢測。Wang等人對輸電線及其配件進行圖像語義分割，正確顯示標注了圖像中缺陷區域。但當前缺陷識別方法存在缺陷對象種類少、弱紋理缺陷識別困難等問題。

和基于大量負樣訓練的有監督缺陷檢測方法相比，無監督式缺陷識別可以檢測到偏離正常樣本的各種缺陷，可以解決缺陷種類多，負樣少等問題。無監督式缺陷識別方法充分利用正樣特征，減少負樣數量少的影響，展現了在電網巡檢圖像缺陷檢測識別領域的巨大潛力。無監督式缺陷識別主要包含深度生成式對抗網絡、卷積自動編碼器網絡等方法，在絕緣子、工業零件、木板、織物、鋁材等多種對象達到較好的效果。Schlegl等人提出深度卷積生成對抗網絡AnoGAN，使用GAN網絡的判別器計算特征差值正確檢測帶缺陷的圖像。Thomas等人提出一種基于AnoGAN網絡改進的f-AnoGAN網絡，計算待檢測圖像特征異常得分以正確區分有缺陷的圖像。Youkachen等人構建卷積自動編碼器學習重構熱軋帶鋼圖像，結合銳化處理分割熱軋帶鋼表面缺陷位置。

2.3 發展趨勢

電網巡檢圖像中的關鍵部件類別較多、弱紋理、缺陷變化大、正負樣本比例不均衡，目前大部分目標檢測算法和缺陷識別算法面臨著弱紋理、少負樣本等挑戰。而隨著小樣本目標檢測和無監督式缺陷檢測方法的完善，電網巡檢圖像關鍵部件檢測與缺陷識別技術將朝如下趨勢發展：

（1）小樣本目標檢測算法不需要任何電網巡檢圖像相關的數據集訓練，能夠快速、準確、穩定地檢測出電網關鍵部件。小樣本目標檢測算法研究利用少量電網圖像，能夠實現快速電網關鍵部件檢測，克服訓練樣本標注難，遷移能力差等問題。

（2）無人機巡檢輸電線路積累大量正常部件圖像樣本，為無監督式缺陷識別方法提供有力的數據基礎。隨著生成對抗式網絡、卷積自動編碼器等方法的發展，學習正樣本特征分布，通過判斷檢測樣本與正樣特征分布的距離，能夠有效解決缺陷種類多，負樣少等問題。

3 結論

深度學習目標檢測方法與缺陷識別方法其精度高、穩定性強，可移植性優越，而且能夠大幅降低成本和勞動強度，提高巡檢過程的有效性，進而保障架空輸電線路的安全可靠的運行。文章整理了當前目標檢測和缺陷分析的若干研究成果。當前目標檢測方法受限于樣本標注和快速遷移檢測問題，缺陷識別方法受限于樣本不均衡、背景變化、缺陷種類多等問題。而小樣本目標檢測算法與無監督式缺陷檢測方法具有克服電網圖像數據背景多變、弱紋理、缺陷種類多等問題的潛力，能夠在電網巡檢圖像關鍵部件檢測和缺陷分析中發揮巨大的價值。