基于無人機影像的電網絕緣子自爆識別

劉力鋒

（四川中興能源有限公司，四川 成都 610051）

1 研究背景及意義

1.1 研究背景

我國民生項目建設領域的一項重要基礎設施——電網，電網桿塔表面布滿了輸電線路及各類電力傳輸關鍵設備。其中，架空輸電線路主要負責電能輸送，其在電網系統中起著至關重要的作用[1]。

傳統的電路巡檢方法為人工巡檢，巡檢人員需要依次到達每條輸電線路中的每一處設施進行安全檢查，不僅耗時耗力，而且針對目前的超高壓、大容量輸電線路，人工巡檢存在大量安全風險，已經不適用于目前電路巡檢的實際情況[2]。

1. 2 研究意義

目前，主流的輸電線路巡檢方法為利用無人機拍攝視頻，然后由工作人員察看視頻，發現輸電線路部件的損壞。這種利用直升機、無人機和其他無人檢查方法，可以高效地實現輸電線路巡查，也迅速獲得了市場推廣和應用，極大地優化了巡檢過程。然而，該方法僅僅是將大量圖像數據發送到生產調度端，然后對該數據進行人工分析和識別，并沒有完成對該數據的智能化分析。由于整個人工檢查過程必定存在主觀性，較容易發生誤檢測和遺漏之類的錯誤。因此，對無人機所拍攝的視頻圖像進行智能分析，從中識別出絕緣子串及絕緣子自爆，這對于及時處理故障設備等問題，提高管理、維護水平至關重要[2],[3]。

近年來，隨著深度學習技術的高速革新，深度學習框架下的各類目標檢測算法也隨之發展演變。本設計主要通過YOLO V5算法對輸電線路部件中的絕緣子串及絕緣子自爆進行識別，可以實現較高的識別精度，以實現對輸電線路部件中的絕緣子自爆更精準地自動識別，進而可以根據判別結果，派遣專人到發生絕緣子自爆的桿塔區域進行實地巡檢和維修，從而可以降低人力巡檢成本，提高檢測的準確度。因此，本設計對無人機航拍影像中絕緣子串及絕緣子自爆識別的研究具有重要的實際意義。

2 基于YOLO V5的絕緣子串及絕緣子自爆識別

2.1 算法的技術路線

YOLO系列的目標檢測算法是目前基于深度學習的目標檢測算法的主流方法，本設計擬將無人機航拍影像作為訓練數據[4]，調整并訓練YOLO V5目標檢測模型，比較各模型精度與效果，選取最優模型用于檢測基于無人機影像的絕緣子串及絕緣子自爆。

2.2 數據預處理

本章主要闡述了對于原始影像，如何通過人工標注的方法生成含有坐標信息的xml文件。同時，網絡上帶有缺陷區域絕緣子的開源數據集有限，為了讓模型盡可能多的學習到自爆絕緣子的特征，需要預先進行數據增廣（平移、翻轉、隨機裁剪）的過程，該過程不會改變圖像中目標的特征[5]。數據增廣有助于提升模型的訓練效果，使最后的測試指標達到最佳。

本設計實驗中所用到的數據集主要分為兩類——自制數據集和綜合數據集。把人工裁剪出的自爆絕緣子手動添加到80張帶有桿塔背景影像中所形成的數據集，稱為自制數據集。綜合數據集則是整合了對自制數據集增廣后的影像、國家電網提供的影像數據、網絡上公開的少部分的絕緣子影像。

2.2.1 數據標注

由于數據增廣到的500張數據集沒有標注文件，因此針對這些影像采用人工標注的方法，標注出影像中桿塔附近絕緣子串的最小外接矩形，對于有缺陷區域的絕緣子也用外接矩形框標注，最后在指定路徑中生成.xml文件，得到其標注文件。本設計使用的標注工具為開源軟件LabelImg。

2.3 基于YOLO V5的絕緣子自爆識別算法

在整體網絡結構方面，YOLO模型使用與GoogleNet結構相似的神經網絡，將3×3的卷積核作為過濾器，使用1×1的卷積層來減少通道數量。如圖1所示，以YOLO V5S為例，在網絡模型輸出端的全連接層輸出S×S×(5×b+c)，其中有S×S個單元格，b個預測邊界框。在YOLO算法的網絡模型訓練中，在初始錨框的基礎上輸出一個預測框，計算該預測框與真實框的交并比，再調整迭代模型參數。

圖1 YOLO V5S模型框架

2.4 實驗結果及分析

本設計數據集共500張圖像，其中完好絕緣子串類圖像150張，自爆絕緣子類圖像350張，用于訓練的圖像共450張，用于測試的圖像共50張。

2.4.1 基于YOLO V5X的綜合數據集絕緣子自

爆識別結果及分析

本節采用預處理的訓練集圖像450張，測試集圖像50張，驗證集從訓練集圖像中隨機抽取的圖像占整個訓練集比重0.1。最終YOLO V5X訓練參數設置為：Learning rate=0.01，按在第25 000, 50 000, 75 000個單次循環（Learning state）分別按0.2的比例對學習率進行衰減，Batch size=8, Epoch=300, Train Val= 0.9，得到YOLO V5目標檢測模型。將影像輸入至YOLO V5X網絡中進行測試，并利用精度（Precision）、召回率（Recall）、平均精度（mAP）等評價指標對本章算法進行評價。

選取450張圖像用于訓練集，從中隨機抽取10%用于驗證集，50張圖像用于測試集，經過調整后的絕緣子自爆檢測精度展示如表1所示。

表1 綜合數據集后絕緣子自爆檢測結果

YOLO V5X對絕緣子串的識別效果較好，綜合識別精度達到了85.5%，絕緣子串檢測精度達到了90.2%，而對于自爆絕緣子的識別效果較差，自爆檢測精度為80.8%。

通過對實驗結果分析，造成絕緣子自爆識別效果較差的原因主要為兩個方面，一方面是因為訓練的真實狀態下的自爆絕緣子樣本較少，導致模型不能大量學習到各種類型的自爆絕緣子。另一方面，由于自爆區域尺寸較小，模型獲取到的特征信息不明顯，造成了模型對真實狀態下的自爆絕緣子泛化性相對較低，存在一定漏檢的情況，具體的航拍影像絕緣子自爆識別結果展示如圖2所示。

圖2 無人機航拍影像絕緣子串自爆識別結果展示

3 基于PyQt5框架的系統界面設計

界面控件包含4個Label、兩個Button以及Textbox、Line_Edit。名為“打開”的Button控件中Click事件是讀取一張影像，被讀取影像的路徑會自動出現在Line_Edit當中，另一個名為“識別檢測”的Button控件用來實現目標檢測，并在另一個Label中輸出影像的檢測結果，同時在另一個Line_Edit中顯示所檢測出絕緣子串和缺陷的具體數量。

3.1 軟件運行結果及分析

軟件運行過程是將一張影像讀入Label_3中，點擊識別檢測按鈕，Button按鈕的Click事件自動鏈接到detect函數，在detect函數中將Label_3中的參數地址傳至指定路徑下的YOLO V5檢測模型的權重文件，對該影像進行測試，將檢測結果輸出至指定路徑，最后在Label_4中按照圖像尺寸自適應大小顯示。

影像檢測結果出現在Label_4中的同時，影像中所檢測出的缺陷與絕緣子串的個數將會在識別檢測按鈕下方的Line_Edit2中顯示。如圖3所示。

圖3 絕緣子自爆識別系統最終運行界面結果展示

4 結束語

本文主要圍繞基于深度學習的目標檢測算法在電力巡檢過程中對航拍圖像中的電力設備進行檢測的方法進行研究。旨在能找到適合電力巡檢航拍數據的深度學習目標檢測算法，以及對一些電力巡檢中常見的缺陷和問題進行改進，取得的主要研究成果如下：一是為無人機巡檢提供了更好的目標檢測算法——YOLO V5算法；二是將最新的YOLO V5算法運用到航拍圖像絕緣子自爆檢測當中，得到效果較好的絕緣子串及絕緣子自爆檢測模型，對于使用YOLO V5算法的智能無人機電力巡檢有著重要的意義。■