韩威
国网山西省电力公司输电检修分公司 山西省太原市 030001
摘要：基于超特高压输电线路的无人机全程自主巡检云台系统，采用深度学习目标识别以及视觉和惯性测量单元结合的导航技术，运用无人机自动飞到线路周边然后对线路进行拍摄，能够实现线路的自动巡检以及监控，这不但能够提升电力企业对特高压输电线路运行的监控能力，同时还有助于降低线路巡检成本，提升企业经济效益。
关键词：超特高压；输电线路；自主巡检
1 无人机发展现状及线路巡检的优势
无人机技术相较于传统的人工巡检，使用无人机进行巡检不仅效率高，而且更加安全。无人机高压输电线路巡检技术系统结合了输电、电力、遥感、通信、GIS、信息处理等多种技术，同时还涉及到了多个高精尖技术领域，例如飞行控制技术、数据链通讯技术、导航技术、遥测遥感技术、故障诊断等，目前使用的无人机可以实现超远距离、高空快速、自动作业的功能。
利用多旋翼无人机进行超（特）高压紧凑型输电线路巡检工作的优点在于，它能够适应各种各样复杂的地形和情况，而且在进行巡检的时候还能够从多个方位进行拍摄，并且能够将故障点的细节也清楚的记录下来，这就能大大的减少巡检中投入的工作时间。另外，在无人机完成拍摄后，能高效的将图片远程传送给分析人员，这样能够有效的提升巡检的速度，也能确保检修人员的安全。
2 超特高压输电线路无人机全程自主巡检云台系统开发
2.1 系统主要功能
该云台系统的目的是实现无人监值的线路巡检，所以应具备根据坐标飞往巡检起点的功能。在起点的杆塔位置进行杆塔的目标识别确定杆塔的位置，进而根据输电线路的方向沿途寻找下一座杆塔。在每一座杆塔的位置检测到后，利用视觉和惯性测量单元相结合的方案进行相对坐标的定位，再此过程中环绕杆塔进行绝缘端以及其他感兴趣目标的检测。检测流程执行完毕后，无人机系统返回杆塔检测开始时的位置，进行线路检测并前往下一座杆塔。
该方案同时具备飞行过程中的安全控制系统，全程利用GPS系统进行绝对坐标的约束，保证无人机系统的安全并在系统异常时及时发出预警。
2.2 硬件选型
根据系统的主要功能，硬件主要使用了以下几个模块：处理器、摄像头、惯性测量单元、GPS、云台系统、无人机平台。本部分将根据这几个模块的内容分别进行选型。
处理器是该系统的运算核心，常用于嵌入式系统的处理器多为MCU微控制单元或x86以及ARM架构的mini-PC。由于要进行目标识别以及视觉与IMU的融合，该处理器需要一定的算力基础，而微控制单元的算力显然达不到需求，所以处理器方面会选用mini-PC进行运算。这里我们采用Nvidia Jetson TX2运算模组，Nvidia Jetson TX2核心板的尺寸和重量仅相当于一张信用卡，市面上存在小尺寸的TX2载板，所以比较适合在无人机上进行使用。
本方案所使用的相机为单目相机。由于要在无人机上使用，工业相机的大重量就会变得难以承担，所以这里可以使用的航拍相机，参数根据上方所述进行选择。
对于无人机以及云台系统的硬件平台，可以使用无人机以及防抖云台系统解决方案，进而在该平台上对运算和检测模块进行搭载。
2.3 软件方案
该系统在软件上分为杆塔检测、环绕杆塔飞行、绝缘子及感兴趣目标检测、线路检测及巡迹几个方面，涉及的部分包含了三维视觉、深度学习及神经网络、多传感器融合等传统以及现代计算机视觉技术和方法。
无人机在输电线路上会进行杆塔的检测，并将杆塔的检测结果作为感兴趣目标的识别位置以及下一个杆塔检测的开始节点。杆塔的检测主要使用了深度学习及神经网络的方法，这里采用卷积神经网络进行杆塔的识别。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。由于卷积神经网络能够进行平移不变分类，因此也被称为“平移不变人工神经网络”。卷积神经网络首先会交替对图像进行卷积与池化，以对图像的特征进行抽象与提取。卷积是一种线性运算，它可以实现图像像素特征的集中，而池化又称下采样，主要目的为降低图像的数据量，对特征信息进行进一步精炼。在若干层卷积与池化之后，特征图被依次按行展开，连接成向量，并输入全连接的BP神经网络，实现端到端的网络搭建。在使用卷积神经网络进行目标识别之前，我们首先要利用已有的杆塔数据集对电线杆塔的模型进行训练，在训练后的测试环节中将检测结果作为正负样本投入之前训练过的神经网络中进行修正，直到达到预期的识别准确率，完成杆塔的训练环节。而在训练完成之后，自主巡检云台系统就可以使用卷积神经网络对每一帧图像进行杆塔的识别，从而完成输电线路杆塔的检测环节。
在完成杆塔的检测后，无人机将以设定的轨迹对杆塔进行环绕飞行，杆塔环绕过程中将采用单目视觉与惯性测量单元融合的方式进行无人机的相对坐标定位。绕杆飞行过程中无人机使用超声传感器判断到周围障碍物的距离，以防止飞行过程中的撞击坠落。
在绕杆飞行的过程中巡检系统会进行绝缘子等感兴趣目标的检测。对于目标的检测部分依旧使用卷积神经网络的方法进行训练与识别，具体的训练内容需要根据待检测目标来进行修改，以完成对应目标的检测。绕杆过程中需要解决待检测目标区分的问题，举例来说，如果要得到绝缘子的数量，需要对检测到的绝缘子进行区分。这里采用神经网络与三维视觉结合的方式进行判断。当使用深度学习的方式检测到感兴趣目标的位置时，使用相邻两帧的感兴趣区域内特征点的匹配，并通过IMU进行尺度恢复，可以确定出相机相对感兴趣目标的位姿变换，从而判断出待检测目标相对于某点的相对位置。如果不同的图像检测到目标的坐标信息在同一范围内，可以认为检测到了同一个目标，进而解决了检测得到目标的区分问题。
绕杆飞行完成后，无人机会根据视觉及IMU的相对定位系统返回环绕飞行的开始位置，然后根据GPS的坐标决定下一步的巡线方向。首先该系统会对获取到的图像进行预处理与大津二值化，获取待检测图像的二值图。预处理主要涉及滤波操作，滤波的目的是将待检测的特征变换的更加明显，方便下一步对图像进行二值化时将待检测特征与无关目标分离。大津法又称最大类间方差法，由日本学者大津于1979年提出，是一种自适应的阈值确定的方法。它是按图像的灰度特性，将图像分成背景和目标两部分。背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。因此，使类间方差最大的分割意味着错分概率最小。
在飞行过程中无人机会全程使用GPS定位系统进行绝对坐标的定位。GPS可以返回无人机的大致经纬度信息，用于判断无人机在大尺度上的绝对位置。在检测过程开始前会对无人机人为划定一定的检测区域，巡检系统工作时，应保证无人机工作在一定的范围内。当无人机飞离该检测区域，系统会通过4G发出异常信号，以便及时对该系统进行异常排查。
3 无人机在特高压输电线路巡检中的具体应用
通过对当前输电线路巡检工作的调颌分析，从大体情况上来看，一旦输电线路导线部分发生了外力破坏，受高度角度等原因影响，很难在人工巡检的过程中被发现，就算是选择了最为危险的人工登杆检查，有的地方也很难观察到。这些不易发现的损伤点更对线路稳定安全运行埋下了种种隐患。利用无人机却可以较为方便准确地解决这一难题。
结语：该方案实现的超特高压输电线路无人机全程自主巡检云台系统，拟用以代替当前人工巡线的方式。相比于当前人工巡线高成本、周期长、安全性低等特点，无人机巡线可以大大降低巡线的工作成本，缩短巡线周期，并且可以降低工人巡线的安全风险。同时，该方案降低了巡线所需的人力资源，对实现电网自动化具有重要意义。