基于GIS和VR技術(shù)的輸電線路巡線可視化研究及應(yīng)用

楊劍鋒,楊建國,馬玉慧,閆歡

(1.國網(wǎng)寧夏電力有限公司, 銀川 750001; 2.神華國能寧夏煤電有限公司鴛鴦湖電廠, 銀川 750410; 3.國網(wǎng)寧夏電力有限公司檢修公司, 銀川 750001)

0 引 言

輸電線路傳輸距離長、覆蓋范圍廣,易受到自然環(huán)境和人為因素的影響,可能導(dǎo)致倒塔倒塔、斷股、磨損等。為保證輸電線路運行的穩(wěn)定和安全。需要定期進行輸電線路巡檢[1]。當(dāng)前,地理信息系統(tǒng)GIS(Geographic Information System)逐漸應(yīng)用于電力線檢查系統(tǒng),但是大多數(shù)電力系統(tǒng)都建立在二維GIS平臺上。 在輸電線路的實際運行、維護和安全評估中,二維GIS電力信息系統(tǒng)將無法滿足更深入的應(yīng)用需求[2]。因此,需要建立更直觀、更真實的電力巡檢可視化平臺。如果將虛擬現(xiàn)實技術(shù)VR(Virtual Reality)與GIS結(jié)合使用,則可以相互學(xué)習(xí)并彌補各自的不足。一方面,VR技術(shù)可以大大改善GIS技術(shù)的建模工作,提高GIS技術(shù)的可視化能力。另一方面,GIS可以為虛擬現(xiàn)實技術(shù)提供雙向查詢、空間分析、決策輔助等功能。因此,研究基于GIS和VR技術(shù)的輸電線路巡邏可視化系統(tǒng)具有重要的現(xiàn)實意義。

目前,國內(nèi)外越來越多學(xué)者開始將地理信息技術(shù)應(yīng)用到電力設(shè)備管理和施工中。然而,大多數(shù)停留在單一數(shù)據(jù)源的輔助業(yè)務(wù)功能的分析以及構(gòu)建業(yè)務(wù)運營平臺,對基于GIS技術(shù)和VR技的輸電線路巡檢可視化缺乏深入研究。在文獻[3]中,提出了一種基于3D GIS的輔助施工測量系統(tǒng),用于輸電線路工程。該系統(tǒng)使用高分辨率的遙感和DEM數(shù)據(jù)構(gòu)建三維虛擬環(huán)境,支持輸電線路沿線施工環(huán)境探索,并進行施工道路和索道的規(guī)劃管理。實踐證明,該系統(tǒng)是可行的。在文獻[4]中,提出了基于3D GIS的電力線巡檢管理的施工方法和應(yīng)用流程。該技術(shù)的應(yīng)用可以為輸電線路巡檢提供科學(xué)直觀的數(shù)字支持,為電網(wǎng)提供安全運行和高效管理服務(wù)。在文獻[5]中,考慮將3D GIS技術(shù)應(yīng)用于輸電線路可視化平臺,結(jié)合數(shù)字高程模型、輸電設(shè)備三維模型等,實現(xiàn)輸電線路可視化平臺的維護和查詢。在文獻[6]中,通過GIS和VR技術(shù)應(yīng)用,結(jié)合了某地區(qū)電力管道管理的特點和要求,提出了一種GIS技術(shù)與VR技術(shù)相結(jié)合的電力管道可視化管理系統(tǒng),通過實際應(yīng)用證明了該系統(tǒng)是可行的。這些研究為基于GIS和VR技術(shù)的輸電線路巡檢可視化研究提供了理論基礎(chǔ)。

在上述研究的基礎(chǔ)上,結(jié)合GIS技術(shù)和VR技術(shù)的優(yōu)勢,提出一種基于GIS技術(shù)和VR技術(shù)的輸電線路巡檢可視化系統(tǒng),主要研究了輸電線路部件的故障檢測方法。利用無人機采集輸電線路圖像為主,建立故障組件的故障識別與檢測網(wǎng)絡(luò)模型,對部件進行智能檢測。通過實驗對模型的準(zhǔn)確性進行驗證。最后,使用GIS和VR開發(fā)工具實現(xiàn)該系統(tǒng)。

1 系統(tǒng)原理

將GIS技術(shù)和VR技術(shù)應(yīng)用于輸電線路巡檢可視化中,可以有效地克服傳統(tǒng)輸電線路管理的不足。GIS是綜合各種統(tǒng)計信息和地理空間特征的信息系統(tǒng)[7]。具有強大的信息管理功能和空間分析功能。GIS技術(shù)不僅提供輸電線路數(shù)據(jù)的圖形化管理,并能完成輸電線路網(wǎng)絡(luò)分析,對輸電線路巡檢起到輔助作用。VR技術(shù)是在計算機網(wǎng)絡(luò)、人機交互、立體顯示等技術(shù)基礎(chǔ)上發(fā)展起來的新型技術(shù)。借助虛擬現(xiàn)實技術(shù),可以將輸電線路的周邊環(huán)境、交叉關(guān)系和空間布局真實、準(zhǔn)確地向客戶呈現(xiàn),給客戶帶來真實的體驗。為了減少日常開銷,將GIS和VR系統(tǒng)的功能獨立起來。對于需要交互的功能,開發(fā)一套交互接口,通過網(wǎng)絡(luò)方式傳輸數(shù)據(jù)和控制指令。圖1所示基于GIS技術(shù)和VR技術(shù)的輸電線路巡檢可視化系統(tǒng)結(jié)構(gòu)。

圖1 系統(tǒng)結(jié)構(gòu)

2 故障檢測網(wǎng)絡(luò)模型

2.1 識別和檢測網(wǎng)絡(luò)架構(gòu)

2016年,Shaoqing Ren等人在Fast R-CNN網(wǎng)絡(luò)中加入?yún)^(qū)域建議網(wǎng)絡(luò),候選框的特征提取采用深度學(xué)習(xí)網(wǎng)絡(luò),從而得到一種快速的RCNN目標(biāo)檢測方法[8]。該方法利用卷積神經(jīng)網(wǎng)絡(luò)代替選擇性搜索算法生成候選集。

在卷積神經(jīng)網(wǎng)絡(luò)的淺層輸出端定義RPN,對損失函數(shù)進行約束,并提取有效的目標(biāo)檢測候選區(qū)域。圖2所示基于深度學(xué)習(xí)的無人機圖像采集輸電線路部件識別和診斷網(wǎng)絡(luò)。它由數(shù)據(jù)集、特征提取、區(qū)域建議網(wǎng)絡(luò)和分類微調(diào)網(wǎng)絡(luò)組成。

圖2 識別網(wǎng)絡(luò)結(jié)構(gòu)

ZF或VGG16進行卷積提取特征,同時將特征圖傳輸?shù)絽^(qū)域建議網(wǎng)絡(luò)和RPN層[9]。區(qū)域建議網(wǎng)絡(luò)處理特征圖得到區(qū)域建議窗口,將結(jié)果傳遞到ROI池化層。ROI池化層主要是找到建議窗口對應(yīng)位置進行歸一化,準(zhǔn)備進行全連接,之后采用bbox回歸確定目標(biāo)的位置,采用Softmax分類器對目標(biāo)分類。最大概率值作為識別結(jié)果。

2.2 特征提取

文中選擇兩個網(wǎng)絡(luò)(ZFNet和VGGNet)進行了特征提取試驗。

ZFNet網(wǎng)絡(luò)：ZFNet網(wǎng)絡(luò)是在Alex網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上做了微調(diào),并獲得與Alex網(wǎng)絡(luò)相同的感知野[10]。

VGGNet網(wǎng)絡(luò)：VGGNet網(wǎng)絡(luò)具有深度為11層～19層的卷積神經(jīng)網(wǎng)絡(luò)[11]。VGG16網(wǎng)絡(luò)由13個卷積層、5個池化層和3個全連接層組成。文中只利用VGG16網(wǎng)絡(luò)的前13個卷積層和5個池化層對輸電線路的圖像進行特征提取。文中的激活函數(shù)均選擇ReLU函數(shù),池化類型均為最大池化。文中選擇16層VGG網(wǎng)絡(luò)對特征進行提取。

2.3 區(qū)域建議網(wǎng)絡(luò)

使用特征提取網(wǎng)絡(luò)提取特征圖后,在RPN層和ROI池化層同時共享特征圖[12]。其中,RPN網(wǎng)絡(luò)主要是從特征圖中提取目標(biāo)候選區(qū)域并生成建議窗口。與選擇性搜索相比,RPN網(wǎng)絡(luò)可以更快地提取候選區(qū)域。這是因為RPN網(wǎng)絡(luò)能夠在與整個檢測網(wǎng)絡(luò)共享特征,所以提取候選區(qū)域的時間大大減少。圖3所示RPN網(wǎng)絡(luò)的基本結(jié)構(gòu)。

RPN的核心思想是利用神經(jīng)網(wǎng)絡(luò)生成檢測區(qū)域,RPN中的每個滑動將生成9個候選區(qū)域[13]。在RPN網(wǎng)絡(luò)訓(xùn)練中,把anchor劃分正樣本和負(fù)樣本。一般采用設(shè)定和標(biāo)定區(qū)域重疊率的閾值來確定正樣本和負(fù)樣本,設(shè)正、負(fù)樣本閾值分別為0.7和0.3。

圖3 RPN網(wǎng)絡(luò)結(jié)構(gòu)

RPN網(wǎng)絡(luò)訓(xùn)練損失函數(shù)包括位置回歸和分類誤差,如式(1)所示[14]：

(1)

分類損失函數(shù)Lcls為[15]：

(2)

回歸損失函數(shù)Lreg為：

Lreg(t,t*)=R(t-t*)

(3)

式中R為魯棒的損失函數(shù)smoothL1,即：

(4)

smoothL1損失函數(shù)使網(wǎng)絡(luò)在訓(xùn)練中更為穩(wěn)定。候選區(qū)域的位置信息如式(5)和式(6)所示[16]：

(5)

tw=log(w/wa),th=log(h/ha)

(6)

式中x、y、w、h分別為真實目標(biāo)中心坐標(biāo)和寬高值;xa、ya、wa、ha分別為前景anchor中心坐標(biāo)和寬高值。

2.4 分類位置精修

主要由ROI池化層、全連接層、類別判斷層(softmax分類)和位置精修層(Bbox回歸)組成分類位置精修網(wǎng)絡(luò)[17]。該層的輸入包含兩部分：RPN網(wǎng)絡(luò)輸出建議窗口和提取網(wǎng)絡(luò)提取特征圖。最后,通過精修網(wǎng)絡(luò)輸出目標(biāo)類別判斷和位置信息。如圖4所示。

ROI池化層主要是找到建議窗口對應(yīng)位置進行歸一化,準(zhǔn)備進行全連接,之后采用bbox回歸確定目標(biāo)的位置,Softmax分類器用于對目標(biāo)進行分類。

圖4 分類位置精修網(wǎng)絡(luò)

文中有四種類型的故障,輸出為4+1維(背景為1)。通過類別決策層可以找到與識別目標(biāo)相對應(yīng)的5個類別的概率。假設(shè)ROI概率預(yù)測為：p=(p0,p1,…,p5),對于特定的決策類別u,損失函數(shù)為[18]：

Lcls(p,u)=-logPu

(7)

360度全景技術(shù)近年來發(fā)展迅速，本文對制作全景場景的全景圖片的拍攝方法進行詳細(xì)介紹，并對拍攝后的圖片的處理方法進行深入研究。經(jīng)過處理的圖片沒有拍攝時候輔助工具的痕跡，可以直接應(yīng)用在高校制作全景漫游系統(tǒng)時的全景場景制作中，節(jié)約了圖片處理的時間，加快了全景場景的制作過程，具有一定的研究意義。■

(8)

多任務(wù)損失函數(shù)通過對類別判斷和位置精修損失函數(shù)進行加權(quán)得到,如式(9)所示[20]：

(9)

式中Lcls(p,u)、Lloc(tu,v)分別為類別判斷和位置精修的損失函數(shù);λ為權(quán)重,主要控制兩個損失函數(shù)的比例。

3 故障檢測分析

3.1 故障識別

在實驗中,選擇了兩個特征提取網(wǎng)絡(luò)ZFNet和VGG16,分別進行迭代訓(xùn)練。包括四個故障類別：均壓環(huán)銹蝕變形、防振錘脫落、絕緣子外表破損和塔架銹蝕彎曲。每個故障類別500張,共2 000張。實驗結(jié)果見表1。

從表1中可以看出,特征提取網(wǎng)絡(luò)VGG16的平均識別率高于ZF。同時,對于同一特征提取網(wǎng)絡(luò),經(jīng)過不同的迭代后,網(wǎng)絡(luò)的最終平均識別率是不同的。迭代次數(shù)越多,識別率越高。VGG16特征提取網(wǎng)絡(luò)在經(jīng)過40萬次迭代后識別率最高,達(dá)到94.7%,最終選擇了該模型。

表1 輸電線路故障識別結(jié)果

3.2 背景影響

無人機采集的圖像背景不同,對不同背景進行測試。文中選取拍攝背景為湖泊、雪地、居住區(qū)、樹林、農(nóng)田的圖片,分別選擇均壓環(huán)銹蝕變形、防振錘脫落、絕緣子外表破損和塔架銹蝕彎曲。每個背景20張輸電線路部件數(shù)據(jù),總共測試了400張輸電線路部件圖像。測試結(jié)果如表2所示。

表2 不同背景的測試結(jié)果

由表2可知,平均識別率最高達(dá)到100%,最低的達(dá)到95%。最高的農(nóng)田背景,最低的湖泊和雪地。在5種不同背景下的平均識別率為97.5%,都高于平均識別率94.7%。因此,文中提出的輸電線路故障檢測模型具有較強的魯棒性。

3.3 光照影響

由于輸電線路檢測時間長和天氣變化大,不同光強對無人機采集的部件圖像的影響不同。各部件分別選取了20張夏季中午拍攝的照片,采用不同亮度和不同對比度對識別率的影響進行分析,4種亮度和4種對比度?？偣?280張測試圖片,部分如圖5所示。

從表3中可以看出,當(dāng)亮度和對比度分別為20和1.0時,檢測到的圖像具有最高的識別率,最終的識別率達(dá)到97.5%。 當(dāng)亮度和對比度為 -20和0.6時,識別率最低。結(jié)果是72.5%。但是,當(dāng)對比度系數(shù)為[0.8,1.2]而亮度系數(shù)為[ -10,20]時,識別率變化不大,平均識別率達(dá)到94.03%。

圖5 模擬光照數(shù)據(jù)集

表3 在不同光照下的識別率

所以文中檢測網(wǎng)絡(luò)模型能夠正確識別和檢測早晨、下午、晴天、陰天等不同亮度下的圖像。對各種光強度都具有較強的魯棒性。

4 基于GIS和VR技術(shù)的輸電線路巡線

利用電網(wǎng)GIS圖,為輸電線路巡視提供圖形數(shù)據(jù)支撐,無人機拍攝的多角度圖像可以準(zhǔn)確地對桿塔和線路進行建模。輸電線路部件故障檢測的重點是對無人機拍攝圖片進行自動檢測,輸入到三維模型中,為巡線提供重點巡視區(qū)域。模型詳細(xì)信息根據(jù)捕獲圖像的分辨率按比例放大或縮小。將桿塔、線路三維模型導(dǎo)入VR場景進行三維仿真。系統(tǒng)框圖如圖6所示。

實現(xiàn)了輸電線路的可視化,通過VR感知設(shè)備進入三維場景,可以通過按鍵進行傳輸、地面和空中巡檢切換等,地面巡線見圖7。

圖7 地面巡線

可以通過切換到地面,在桿塔周圍進行巡視,通過桿塔現(xiàn)場實時監(jiān)控攝像頭,可以切換到攝像頭的實時影像,并觀察桿塔現(xiàn)場的當(dāng)前狀況?？罩醒簿€見圖8。通過按鍵切換到無人機巡檢,通過桿塔現(xiàn)場實時監(jiān)控攝像頭,可以全方位地看到線路情況,完成輸電線路巡檢。

圖8 空中巡檢

文中提出系統(tǒng)的建立和應(yīng)用,可以通過構(gòu)建輸電線路基礎(chǔ)數(shù)據(jù)使電力公司的相關(guān)管理人員可以充分了解現(xiàn)有輸電線路的使用情況、未來的輸電線路建設(shè)規(guī)劃以及所有輸電線路的具體走向,充分利用現(xiàn)有資源。另一方面該系統(tǒng)的應(yīng)用為輸電線路巡線提供了準(zhǔn)確的故障位置信息。但是目前該系統(tǒng)只能通過輸電線路桿塔部件外觀是否完好來判斷故障,后續(xù)還將對各部件故障精細(xì)化辨識進行研究。

5 結(jié)束語

文中在分析GIS技術(shù)和VR技術(shù)的基礎(chǔ)上,提出了一種基于GIS和VR的輸電線路可視化巡檢系統(tǒng),主要研究輸電線路部件的故障檢測方法。通過實驗驗證了模型的準(zhǔn)確性。結(jié)果表明,該模型能夠有效地檢測出輸電線路中的常見故障部件。使用GIS和VR開發(fā)工具進行了系統(tǒng)實現(xiàn),并展示了實際效果圖?？紤]到當(dāng)前的實驗設(shè)備和數(shù)據(jù)規(guī)模,文中還處于起步階段。在此基礎(chǔ)上,進一步改進和完善基于GIS和VR技術(shù)的輸電線路巡檢可視化系統(tǒng)。以適應(yīng)未來不斷變化的應(yīng)用環(huán)境。