輸電線路無人機巡檢系統對絕緣子檢測的前沿技術

楊瑞鵬

（內蒙古電力（集團）有限責任公司鄂爾多斯供電公司）

0 引言

傳統的輸電線路巡視作業主要依靠人工巡視完成，但是由于其低效率、高成本和完全依賴作業人員經驗等缺點，近年來逐漸被無人機巡視取代，而智能巡檢也成為研究的熱點。本文闡述一種改進的Faster RCNN 算法在智能巡檢中的應用，以便提高智能巡檢系統識別、定位絕緣子及其缺陷的效率。

1 輸電線路無人機巡檢系統現狀

在中西部地區，架空輸電線路多建設在人煙稀少的地方，交通不便，傳統的人工巡檢方式需要巡視人員徒步到線路桿塔附近并使用相機或望遠鏡等工具對桿塔進行觀察，巡視效果受巡檢人員的經驗及現場環境影響較大，且耗時長、巡檢成本高。隨著無人機巡檢技術的運用，無人機按既定的航線飛行，云臺相機采集到圖片即可，極大地提高了巡檢效率，成本也更低。因此，無人機精細化巡檢已經成為輸電線路巡視的重要手段之一，目前各大電網已經形成了“無人機巡檢為主，人巡為輔”的巡檢模式，并正向無人機完全代替人工巡視方面發展。

傳統的無人機精細化巡檢時，主要是使用無人機云臺相機拍攝輸電線路桿塔、金具等，再通過人工查看圖片并進行缺陷分析，分析質量受人的經驗影響較大。輸電線路無人機自動巡檢技術目前正朝著智能化方向發展，無人機平臺現在已經可以搭載激光掃描儀、可見光相機和雙光熱成像相機，再加上圖片識別技術就可以迅速發現線路缺陷并即時將圖像傳輸給缺陷識別人員，無人機進行近距離多方位監測，就可以發現并判斷線路異常。如果將來無人機可以利用神經網絡方法對缺陷進行定位并識別，就可以在巡檢中自動識別出缺陷，將極大降低檢測成本、提高檢測效率。

2 輸電線路無人機智能巡檢系統前沿技術簡介

隨著計算機學科發展，深度學習在計算機領域的應用給輸電線路無人機精細化巡檢帶來啟示。其中深度卷積神經網絡（Convolutional Neural Network，CNN）可以通過堆疊多層卷積神經網絡來融合并提取不同尺度、非線性且數量可觀的物體特征信息，在目標檢測任務中得到廣泛應用。如果將其利用到輸電線路絕緣子檢測中，將絕緣子檢測問題轉化為特殊小目標檢測問題，利用深度神經網絡對無人機拍攝的巡檢圖片進行自動識別檢測和定位，可大大提高識別的準確度和巡檢速度。因此，基于深度學習的輸電線路絕緣子缺陷圖像識別與分析，重點是對被識別絕緣子的識別點進行提取并處理，通過不斷生成樣本數據并訓練，對訓練生成的數據集進行對比，分析輸電線路絕緣子的實際運行情況。

近年來，一種基于深度神經網絡的無人機智能巡檢系統以無人機作為多源數據采集平臺，針對輸電線路絕緣子缺陷特征進行多目標物體分析識別，通過Faster RCNN 算法，來對絕緣子圖片進行分析，可有效提高絕緣子缺陷的檢測效率。模型實施步驟如下：

1）利用卷積神經網絡對絕緣子缺陷圖片的識別點特征進行提取。

2）利用RPN（Region Proposal Network）提取生成絕緣子缺陷信息候選區域（Region Proposal）并進行檢驗。

3）在對絕緣子缺陷信息進行處理過程中，可從絕緣子原始圖片的卷積特征中提取特征向量，并針對不同的特征數據進行分析，可對選區的坐標及數據處理過程進行完善，從而提高絕緣子缺陷分析識別的準確性。

對于這種算法模型，由于絕緣子缺陷自身尺寸很小，且特征不明顯，所以絕緣子缺陷區域在整張照片中占比很小，導致很多還包含有缺陷信息的選區常常因為重疊度高或者類別置信度低而被剔除，如果能將這些選區合理利用，將會有助于提高檢測精度。為此，有學者提出一種改進的Faster RCNN 算法，可以顯著提高絕緣子及其缺陷的識別精度，作者認為，可以將此項技術應用到輸電線路其他缺陷檢測當中。

該技術提出基于深度神經網絡的無人機智能巡檢系統，該系統依靠無人機平臺和Faster RCNN 算法，利用通信技術對無人機實現云端控制與操作，或部署在無人機平臺，讓無人機在采集線路桿塔數據時，實時進行處理并生成缺陷報告。

該算法首先構建絕緣子數據集，對不同時間、不同地點、不同角度的絕緣子進行拍攝，并對圖像做清晰度變換、旋轉、裁切、鏡像等預處理，形成原始數據集。為了更有效地提取絕緣子特征，需要采用標注軟件對數據集中的目標進行標注，標簽為“insulator”和“defect”。標注時標注框的大小要盡可能與目標大小一致，盡量減少標注框內其他物體信息。最終構建一個包含2500 張圖片的絕緣子缺陷數據集（Insulator Defect Dataset，IDD）。其中隨機抽取2000 張圖片作為訓練集，其余500 張圖像構成測試集。

為驗證和評價本文所提算法的性能，基于絕緣子缺陷數據集，對改進的Faster RCNN 算法進行訓練和測試，分別對絕緣子檢測準確率和缺陷檢測準確率進行統計，并與Faster RCNN 算法的測試結果做對比，檢測結果如下表以及圖1 和圖2 所示。實驗表明，針對小目標檢測，改進算法的識別準確率有明顯提升。相比于Faster RCNN，改進算法對絕緣子缺陷的檢測準確率提高了3.1%，證實改進算法對小目標特征提取和判斷的準確度更高。

圖1 改進的Faster RCNN 對輸電線路絕緣子缺陷的部分檢測結果

圖2 線路絕緣子缺陷檢測結果前后對比

表 原Faster RCNN 和改進后的Faster RCNN 對線路絕緣子的缺陷識別精度

3 結束語

得益于無人機體積小、飛行靈活，可自由搭載負載等特點，無人機已廣泛應用于輸電線路巡檢工作中，對目標缺陷的智能識別技術更是在無人機精細化巡檢中具有很高的應用價值，而基于神經網絡的無人機智能巡檢系統依靠無人機平臺采集多源數據，利用Faster RCNN 算法實時對采集的數據進行檢驗分析，可提高對絕緣子缺陷識別以及定位的精度，極大提高了巡檢質量。利用深度學習算法的強大學習能力，對算法模型進行大量數據訓練，將來也可以應對在復雜環境背景下處理絕緣子缺陷數據。如果將該成果推廣至輸電線路的通道、金具及其他附屬設施的檢測，針對不同缺陷數據進行識別與分類，將極大地滿足輸電線路巡檢需求，具有很高的工程推廣價值。