摘要：中国经济的不断发展，各地电力需求迅速增长，电网规模也不断扩大。输电线路的断裂、断裂等缺陷和绝缘子的损坏所造成的输电故障，给企业和工业生产造成了不可弥补的经济损失，给人们的日常生活带来了极大的不便。因此，有必要定期对输电线路进行安全检查。由于复杂的地形和输电线路的不方便交通状况,以及严厉的山地气候,传统的人工检测输电线路有许多问题,如长时间消费,大量人力和材料消耗,低的安全检查人员和人员技能的限制。
关键词：无人机；输电线路；深度卷积神经网络算法；缺陷图像识别；
利用无人机巡视输电线的便利性，探究了基于无人机图像识别的无人机立体智能巡检应用平台的系统结构，采用深度卷积神经网络算法对无人机日常巡检产生的海量图像或视频数据进行预处理识别。同时，对图像缺陷的位置进行标注并进行种类分类，将识别结果反馈，形成标准的缺陷报告。
一、概述
中国在21世纪初逐渐开展关于基于直升机进行输电线巡视的应用方案，但存在着运营成本大、无法近距离拍摄图片、人工识别输电线缺陷效率低等问题。随着无人机的快速发展，其飞行的操作性、飞行距离、电池容量和高清拍照、摄像的性能逐步提高。考虑到灵活性、高效率和速度等，基于无人机的检测已成为输电线路检测的新趋势。利用无人机巡视输电线，巡视距离可达到数十公里甚至上百公里，无人机和地面通信采用中继模式。然后，对采集到的图像、视频进行缺陷识别。传统的图像处理算法包括模拟退火算法、提取边缘、基于亮度和空间信息的对象检测方法等，这些算法容易受飞行器在空中的姿态、飞行器的形状、拍摄时与飞行器的距离以及光照等因素的影响，导致图像种类识别的准确度较低，且算法复杂。
二、输电线路缺陷图像检测
利用深度卷积神经网络算法对电力设备巡检产生的海量图像或视频数据进行预处理，优化分析与分类识别。并对图像有缺陷的位置进行标注，最终将识别结果反馈，指导检修消缺决策。此外，还可结合专家反馈对识别模型进行优化，逐步提升缺陷查找效率及准确率。通过建立深度学习监督训练，鸟巢、绝缘子自爆、销钉脱落、螺栓松动、均压环倾斜塔材缺失、异物、导地线损伤的智能识别。
1.典型缺陷图像智能解译体系。典型缺陷图像智能解译体系具有自学习能力，能在实际应用中通过数据积累不断的提高智能识别的精度，最终达到项目目标要求。基于深度学习的输电设备典型缺陷图像智能解译体系：首先使用多目标识别算法从无人机巡检照片或视频中识别出目标设备；然后，使用深度学习分类器对目标设备是否有缺陷以及缺陷类型进行判断。基于深度学习的输电设备典型缺陷图像智能解译方法包括如下步骤：（1）Faster-Rcnn样本制作。将一定规模的无人机输电线路巡视图像（1 000张以上）进行人工标注，标出图中所有的输电设备名称和位置。从中随机选取总数9/10的图片作为训练数据集，另外的1/10图片作为测试数据集。（2）Faster-Rcnn模型训练。将步骤（1）带有标签的数据输入到Faster-Rcnn中对模型训练。训练使用随机梯度下降方法对模型参数进行更新，迭代20万步，最终完成模型训练。（3）aster-Rcnn模型测试与修正。使用步骤（1）的测试数据集对训练完成的Faster-Rcnn模型进行测试，得到其准确率。依据准确率高低判断是否要添加数据和更改训练参数继续训练模型。（4）输电设备缺陷分类器样本制作。针对每一种输电设备，收集包含正常输电设备与存在缺陷的输电设备的样本，并为每张图片打上缺陷种类标签。取总数9/10的图片作为训练数据集，另外的1/10图片作为测试数据集。（5）训练输电设备缺陷分类器。针对每一种输电设备训练分类器使用步骤（3）中制作的训练样本数据训练分类器。（6）输电设备缺陷分类器测试与修正。针对每一种输电设备的缺陷分类器，使用步骤（3）中的测试数据测试其准确率。依据准确率高低，判断接下来是否需要添加样本或修改训练参数继续进行训练。（7）模型使用。将（1）～（6）步骤训练好的FasterRcnn模型以及针对每种输电设备的缺陷分类器组合使用。将每次无人机巡检得到的输电线路设备照片首先送入Faster-Rcnn提取出其中包含输电设备的区域，并判断每块区域所包含的输电设备的种类。然后，依据种类将其送入该种设备的缺陷分类器，判断是否具有缺陷及缺陷类型。若有缺陷，则将缺陷设备所在位置以及缺陷类型，在输电线路设备照片中标注出来。（8）模型参数更新。在已有的机器识别结果中抽取部分典型的图片，重新制作新的训练样本。在原有模型的基础上不断更新Faster-Rcnn以及缺陷分类器的模型参数，使得模型不断优化，准确率不断提高。
2.基于Faster-Rcnn算法的多目标物体识别方法。多目标物体识别方法，采用Faster-Rcnn算法，可以同时从一张无人机巡检图片中识别出所有需要进行缺陷识别的设备，且精确找出目标在图片中的位置。Faster-Rcnn算法主要分为3个步骤：（1）使用卷积神经网络从原始图片中提取图片的卷积特征。（2）使用Region Proposal Network提取可能存在目标设备的候选区域。（3）针对步骤（2）中提取的候选区域，使用ROIpooling layer（ROIpooling layer层将每个候选区域的特征图均匀分成M×N块，对每块进行max pooling）从原始图片的卷积特征图中提取特征向量，将每个候选区域的特征向量送入分类器进行分类，判断其所属的设备种类。同时，精确回归出包含输电设备的矩形区域的坐标。
3.卷积神经网络模型。卷积神经网络模型属于多层的神经网络，每一层的神经网络由多个二维平面构成，每一个平面又包含多个神经元。一般，包含卷积操作和池化操作。卷积神经网络的输入是数字图像，之后卷积层和池化层交替进行。卷积神经网络能通过两种方式降低参数的数目，分别是局部视野感知与参数共享。卷积层得到的特征图即为，输入图像和卷积核运算加上一个偏置后再通过激活函数所得的结果。
三、验证与测试
无人机立体智能巡检应用平台表现出良好的操控性能和辅助巡视高压输电线的能力，克服了人工巡视的困难，并提高了缺陷图像识别的效率。针对输电杆塔的数字图像缺陷识别技术测试采用1 000张无人机航拍图像，其中包括了20种物体的图像，每个物体均有25张有缺陷和无缺陷的图像。测试分为两个部分：1）识别出需要进行缺陷诊断的设备；2）需要针对每种设备判断其缺陷类型及精确的位置。测试表明，针对第一种部分，采用基于FasterRcnn的多目标物体识别算法，能够从同一张图片中同时识别出多种物体。具有高速度和较高的识别精度的优点。对于一张2 400万像素的高清图片在Nvidia TitanX上进行处理仅需要0.3～0.7 s。在ImageNet上完成20种物体的分类任务，精度达到了85%左右。在目前的实验条件下，针对常见输电设备的识别也能够到达83%的精度。针对第二种部分，采用深度残差神经网络来完成，对于常见的输电设备缺陷例如绝缘子破裂、销钉缺失，达到了75%的精度。因此，说明了对于特征不明显的缺陷具有较高识别精度。在所有的缺陷中最难发现的是设备裂纹和烧伤痕迹，目前该算法针对这两种缺陷能够分别达到45%和37%的精度。图1展示了无人机立体智能巡检应用平台上缺陷图像分类的结果。
.png)
图1缺陷图像分类
基于深度卷积神经网络算法的无人机立体智能巡检应用平台可有效的识别多个物体的缺陷，大幅降低了人工识别缺陷图像的工作量，并提高了巡视效率和质量。
总之，此技术针对输电杆塔的高清图像，利用Faster-Rcnn算法完成对输电设备缺陷的自动识别，并进行缺陷种类的分类。从而能够极大程度上缩小人工识别缺陷图像的工作量，且提高了巡视效率和质量。
参考文献：
[1]王浩.输电线路缺陷在线监控系统设计与实现，2018.
[2]韩方.关于基于无人机图像识别技术的输电线路缺陷检测，2019.