王廷平
国网山东省电力公司临沂供电公司 山东省临沂市 276000
摘要 本文分析了目前输电线路杆塔上隐患检测算法的不足，研究了近些年来提出的电网隐患检测算法，并在此基础上进行了综合的分析研究之后，提出了适用于输电杆塔本体隐患智能识别的无人机边缘计算的轻量级算法MGFF-KCD（关键部件检测的多粒度特征融合算法），利用FPN构建FasterR-CNN检测模型来提取多粒度的特征图像的融合方法，使用多个粒度的图像特征融合后进行分类与检测，提高了算法的准确率；将算法模型移植到华为Atlas芯片并集成到无人机平台中，在无人机终端进行实时智能分析。选取了销钉、绝缘子、防震锤、均压环、鸟巢五类关键部位进行实验，结果表明，该算法在Atlas200芯片设备上可实现平均每张62ms的检测速度和88%的准确率。
关键词：边缘计算；输电杆塔本体隐患；无人机巡检；多粒度融合算法
1、输电线路杆塔边缘计算检测算法
1.1基于杆塔本体隐患识别的MGFF-KCD智能识别算法
首先，本文使用FPN替代单尺度特征图以适应RPN。为了达到多粒度融合的效果，需要在金字塔每个等级的每一个位置进行滑动卷积。在形态大小上，为了缓解卷积网络上采样过程中的混叠效应，得到的特征映射集为{P2，P3，P4，P5}，本文设计了一种多粒度融合的模型，在形式上，{P2，P3，P4，P5}所对应的尺度为{42，162，322，642}。由于FPN之间有参数共享，故这样的设计方法可以使得所有层级具有相似的语义信息。本文仍然使用3种长度比{1:1，1:2，2:1}，因此在金字塔中共有12个锚点。训练过程中，本文将重叠率大于0.7的当做正样本，小于0.3的当做负样本。由于FPN之间有参数共享，故使得所有层级具有相似的语义信息。在进行关键部件图像识别预测的过程中，需要将特征信息进行分类，在本文的轻量级边缘计算算法中可以近似将其看作一个凸二次规划的优化问题，其解可以通过构造拉格朗日函数获得分类函数的解：
式中：ai≥0为拉格朗日乘子。
分别对式中的w和b求偏导数，并令其等于0，有：
带入式（1）中，有：
根据解得ai的得到权重w。决策函数为：
对于样本线性不可分的情况，引入非负松弛变量
，构造最优超平面，在错误最小的情况下将样本分类：
式中：C为惩罚因子，表征对错误的惩罚程度，C越大，表示对错误分类的惩罚越大。然后，融合FPN和FastR-CNN。FastR-CNN采用RoIpooling层来提取特征，其通常在单尺度特征图上执行。如果要将其与FPN一起使用，那么需要把不同尺度的RoI分配给金字塔等级。在形式上，可以通过式（6）将宽度w和高度h的RoI分配给特征金字塔的等级k，即：
式中：224表示ImageNet数据集预训练图像大小；k0表示映射到wh=2242RoI的目标水平，本文中将k0设置为4。式（6）意味着若RoI的尺度变小（如：224的二分之一），则其应该被映射到更细粒度的级别。
2、试验结果与分析
2.1试验准备
本文针对提出的算法改进方案进行试验，操作系统是Ubuntu16.04，使用caffe和Tensorflow框架。CPU为Inter（R）Core（R）i7-9750H，3.4GHz×12，64G内存，GPU为NvidiaGeForceRTX2080Ti，硬盘512GSSD（系统盘）和4T×2的机械存储盘。具有边缘计算能力的移动端设备核心配置为Atlas200DevelopKit，Hi3559Camera模块以及Atlas200AI加速模块，Ubuntu服务器通过USB接口与AtlasDK开发者板连接。
2.2算法训练策略
由于关键部件数据集数量不足，不建议直接对模型进行训练，因为数据集数量太少容易引起过拟合问题，导致模型预测能力降低。因此，本文采取预训练模型后导入模型进行参数初始化的预训练方法：首先在监控摄像机拍摄的10万余张电网线路隐患图像汇总进行预训练，从这些海量的图像数据集中提取丰富的语义特征，动态调整学习到的特征参数。然后将模型参数发送到无人机设备端，上述过程在无人机启动初期就完成了。启动完成并导入服务器模型参数后，无人机开始拍摄图像，接收到关键部件的图片后，使用一开始导入的预训练模型得到的特征参数作为模型初始化状态，并结合FastR-CNN和RPN2种神经网络对关键部件的特征提取后的模型进行微调，使得参数可以使用关键部件的数据。
2.3试验结果
为了直观展示融合效果，本文还进行了几组消融试验，结果如表1所示。
表1各类样本的识别准确率
.png)
3、模型对比分析
R-CNN算法解决了目标检测中速度和数据集两个关键问题，在图像识别检测的应用上取得了显著的成效。但仍存在训练、测试速度慢，训练空间大等问题，于是出现了基于R-CNN改进的FastR-CNN算法、FasterR-CNN算法。与R-CNN算法相比，FastR-CNN算法在最后一层卷积层后加了ROIpooling层且损失函数使用了多任务损失函数，将边框回归直接加入到CNN网络中训练，改进了R-CNN算法训练、测试速度慢，训练空间大等问题；相比FastR-CNN，FasterR-CNN算法使用RPN代替原来的Selec-tiveSearch方法产生建议窗口以及产生建议窗口的CNN和目标检测的CNN共享，提高了检测精度和速度，真正实现了端到端的目标检测框架。
结语
本文提出了一种基于边缘计算和无人机巡检图像的输电本体隐患智能检测和分类应用，基于华为Atlas加速终端和轻量级算法MGFF-KCD来处理多个粒度的特征信息。无人机搭载华为Atlas200人工智能计算加速模块，具备非常强大的计算能力，为检测算法提供更好的运算平台。在后端服务器预训练模型后迁移到无人机端进行边缘检测模型的计算，输电线路杆塔关键部件隐患检测识别的准确率得到提升。选取了销钉、绝缘子、防震锤、均压环、鸟巢五类关键部位进行试验，结果表明，该算法在Atlas200芯片设备上可实现每张62ms的检测速度和88%的准确率。
参考文献
[1]丁祥海,王志会.边缘计算在计算机科学方向的进展研究[J].信息与管理研究,2019,4(06):73-83.
[2]强士卿,孙滢.城市安防场景下基于边缘计算的三维侦测路径规划[J].工业控制计算机,2019,32(12):15-17.
[3]陈文俊,李杰,张晶,张小敏,闫晓斌.边缘计算在电网公司内部审计中的应用[J].中国内部审计,2019(12):48-50.
[4]许永恩,马汉杰,冯杰,程萍,杨芷婷.基于改进边缘检测的视觉注意计算模型[J].计算机系统应用,2019,28(12):134-139.