航檢影像智能分析與缺陷識別系統設計

陳曉東，趙 歡 通信作者，陳澤霖，康 捷，王夏婷

（內蒙古達智能源科技有限公司，內蒙古 呼和浩特 010000）

1 系統設計綜述

1.1 總體設計思路

中國長距離高壓輸電線路網絡巨大，基層巡檢作業負擔很重，運維成本很高。目前，對高壓輸電線路航檢影像的自動化智能化分析檢測技術的需求越來越迫切，如何對高壓輸電線路航檢影像中關鍵部件視覺缺陷進行準確快速的檢測仍是亟待解決的關鍵問題之一[1]。此外，人工智能的圖像識別技術近年來在各個領域的研究成果越來越多，而在高壓輸電線路航檢影像的缺陷分析處理方面卻顯現出較多局限性，擁有完整數據分析處理流程的系統少之又少[2]。基于以上問題，本文中設計開發的航檢影像智能分析與缺陷識別系統主要包含航檢影像的智能剪輯分析管理和缺陷識別兩大功能。智能剪輯是本系統正常運行的基礎條件，缺陷識別則是本系統的核心內容。

系統主要數據源共有3大類（視頻、圖像、文字），包括超高壓輸電線路的直升機航檢視頻、無人機巡檢圖片、桿塔臺賬、線路臺賬和檢修信息等。系統將數據源分為原態數據和AI態缺陷數據，兩類數據源均通過數據入口導入。其中不再做數據分析加工的數據（如桿塔臺賬、線路臺賬）被稱為原態數據；需要進行AI缺陷識別（如航檢視頻和無人機圖像）的數據被稱為AI態缺陷數據。系統在缺陷識別結束并審核通過后，將原態數據和AI態數據進行智能融合，將重復或缺失的缺陷圖片和缺陷信息表依照原態與AI態按不同權重合并，得到完整的缺陷圖片和表格信息。最后，通過批量上傳接口，系統自動將整合后的檢修信息、處理后的視頻、圖片以及原態數據一起上傳到后臺分析和儲存服務器，實現層級報表統計、桿塔線路預警、GIS（Geographic Information Science）地圖展示、統計信息的圖示化等。

1.2 總體架構

根據系統總體設計思路，將數據載體劃分為數據源、處理服務器、并行識別服務器、后臺管理服務器，如圖1所示。首先，將超高壓輸電線路的原態數據通過數據入口錄入到系統數據緩存區暫存，對原始線路視頻進行智能化分析。智能化分析包括視頻切分、關鍵幀推送、智能編目。視頻切分是將一個大的航檢視頻按照桿塔順序進行剪輯；關鍵幀推送是對每個桿塔關鍵部位進行精準分析，推送與主要部件相關的關鍵幀圖像；智能編目是將得到的桿塔小視頻與關鍵幀圖，按照線路、桿塔、視頻、標準掛點等進行分類整理，為航檢資料儲存管理和系統后續分析做準備。

圖1 系統總體架構示意圖

其次，進行缺陷識別，提取編目后的視頻和圖片，結合分布式硬件服務器實時狀態進行資源分析與分配。在缺陷識別系統中，采用多種識別算法與多重識別機制相結合，并引入缺陷識別結果審核的閉環處理方式，將未通過審核的識別結果添加到缺陷訓練知識庫，審核通過的識別結果則與原始人工分析的缺陷結果進行融合并上傳到后臺數據管理服務器。識別結果審核機制將輔助缺陷識別系統對識別結果進行修正和核驗，從而提高缺陷識別的準確率。

最后，通過后臺數據管理服務器實現數據儲存、查詢、健康分析評價與預警。按照管局、線路、桿塔的數據架構，深度挖掘和展示航檢分析數據，并結合桿塔檢修狀態等數據進行健康評價和預警。

2 航檢影像智能分析系統

由于高壓輸電線路巡檢線路眾多。巡檢視頻影像數量較多，巡檢視頻影像大多是以線路為單位的視頻，而在進行缺陷分析和儲存管理時，則需要細分到桿塔和掛點[3]，因此需要對線路視頻進行準確分割整理，并推送關鍵幀和關鍵掛點等內容。航檢影像智能分析系統設計時主要包含航檢影像智能分析剪輯和智能編目整理兩部分。

在智能分析剪輯中，系統讀取航檢桿塔視頻文件，通過OCR（Optical Character Recognition）技術獲得視頻畫面中的桿塔號、FOV（Field of View，視角場）、節拍等信息[4]，再結合畫面內容對某條線路的長視頻進行切分剪輯，得到該線路對應的一個個桿塔視頻。同時，系統對視頻畫面內容和質量進行智能化分析，將清晰的桿塔關鍵部位進行推送、整理，得到關鍵幀，并在幀的頭部數據中做出標記用以區分人工篩選的關鍵幀，從而為后續標準掛點等關鍵幀、關鍵部位的分析做準備。

剪輯完成后，進行編目操作。智能編目主要是對航檢影像資料進行規范化、信息化管理，重點是規范航檢影像資料管理規則，結合高壓輸電線路運行單位的實際需求進行深入分析、研判和規劃，既要保證影像資料的完整性，又要滿足在運行過程中查詢管理的科學性和便捷性。因此，航檢影像智能分析系統采用管局、年度、線路、桿塔、標準掛點/視頻/缺陷信息的層級化儲存方式進行分級儲存管理。

3 缺陷識別系統

3.1 設計思路

缺陷識別系統需要對編目后的各條線路、桿塔中的視頻和圖片進行缺陷識別，篩選出包含缺陷的圖片并標記，為后續的故障檢修排查提供依據。缺陷識別系統主要針對超高壓輸電線路中桿塔的通道環境、附屬設施、基礎、金具、絕緣子、導地線、桿塔、接地裝置，共計8個大類中的11個關鍵部位進行缺陷分析識別，從最高頻的缺陷發生部位入手，快速高效地檢測超高壓輸電線路中的安全隱患。

由于不同桿塔部件其形狀、大小、邊界清晰度、亮度等特征各異，在航拍時攝像機的聚焦、視角場、拍攝距離和角度也不一樣，因此采用多種識別算法應對不同類別的桿塔關鍵部位。如采用Yolo算法分析識別圖形邊界清晰且形狀基本固定的目標（如防震錘滑移、絕緣子自爆、鳥窩等），采用語義分割算法分析識別形狀不固定的目標（如通道交叉跨越公路鐵路、防震錘銹蝕等），采用超分辨技術輔助進行圖像清晰化處理后再進行識別的目標[5]（如防震錘、絕緣子等單體較小且清晰度不高但影響整體結論的目標）。針對同一關鍵部位還會采用多種識別算法組合疊加進行多重識別，如圖2所示。

圖2 不同識別內容的識別算法流程圖

3.2 識別模型與結果對比

系統通過對航檢關鍵部位圖片的大量學習訓練，顯示了6類缺陷識別準確率（見表1）。其中，線夾歪斜、絕緣子自爆、塔牌缺失的識別準確率約為92%；防震錘滑移的識別率約為81%；鳥窩和防震錘銹蝕模型識別準確率較高，分別為97%和97.3%。

表1 缺陷識別準確率

4 結束語

本文中設計的航檢影像智能分析與缺陷識別系統，結合分布式硬件服務器實時狀態進行資源分析和分配，視頻切分采用多線程并行剪輯分割技術，以人工智能深度神經網絡為核心，以Yolo、語義分割和超分辨算法為基礎，構建具有針對性的組合疊加識別算法系統，通過對高壓輸電線路航檢影像深度挖掘分析和關鍵部位的缺陷識別分析，實現高壓輸電線路航檢影像分析與缺陷快速識別檢測，實現高壓輸電線路影像資料管理的規范化、自動化、智能化。系統運行穩定且分析速度與傳統人工分析方式相比有較大提升，可使高壓輸電線路安全隱患被快速發現和整改?！?/p>