基于深度强化学习与图像智能识别的输电线路在线监测系统

叶俊健 邓伟锋 徐常志 赵丽娜

摘   要： 林木干扰、施工破坏、漂浮物悬挂等因素会对输电线路通道环境及线路本体造成干扰，导致线路跳闸断电，给电力运行带来严重危害。基于泛在电力物联网架构，提出一种基于深度强化学习与图像智能识别的输电线路在线监测系统。依托图像智能识别，采用图像采集、图像预处理、特征提取、图像识别等措施，增强图像效果，提升识别准确性;依托深度强化学习，对图像中是否存在危险源进行训练，强化突出判断能力。对深度强化学习与图像智能识别进行融合，检测中实现了对烟雾、超高树障、导线异物、覆冰雪灾等干扰因素的动态监控，构建了输电线路在线监测系统设计框架。系统实现了通道环境可视化、隐患部位可视化、设备状态可视化，监测效率大幅提高，节约了人工费用，方便了运维单位对输电线路的管理。

关键词： 输电线路;在线监测系统;深度强化学习;图像智能识别;泛在电力物联网

引言

林木干扰、施工破坏、漂浮物悬挂等因素会对输电线路通道环境及线路本体造成干扰，导致线路跳闸断电，给电力运行带来严重危害[1]。输电线路的传统监测方式有很多种，其中人工监测、工程车辆巡检等方式不但严重消耗人力物力，而且信息严重滞后，无法在第一时间得知故障点，越来越不切实际[2]。目前输电线路的重点监测路段都安装了图像/视频监控，再辅以人工巡检，能够在很大程度上实现对输电线路的有效监测，但是运维人员长期在显示屏幕前紧盯现场情况，时间一久，仍然容易忽略一些危险源，导致漏报率上升[3]。而基于深度强化学习与图像智能识别的输電线路在线监测系统的应用，则能够解决这一难题。

本文将深度强化学习与图像智能识别相结合，基于泛在电力物联网架构，设计输电线路在线智能识别监测系统，对线路通道环境和塔基周边环境进行图像采集，智能研判异常，实现通道环境可视化、隐患部位可视化、设备状态可视化，使得安全隐患可控。

1  技术框架

1.1  图像智能识别技术

图像智能识别流程可分为四个步骤：图像采集→图像预处理→特征提取→图像识别，其中图像识别是图像智能识别技术的核心[4]。

从定义上，图像智能识别技术是指融合图像角度识别、文本行检测、文本行识别、单字坐标检测等技术，对图像进行对象识别，以识别各种不同模式的目标和对象的技术[5]。在司法领域，图像智能识别技术能够支持电子卷宗内容在线识别提取，辅助法官进行日常阅卷及文书编写，提升办案效率[6]。此外，图像智能识别技术在导航、地图与地形配准、遥感图像识别、自然资源分析、环境监测等领域也有重要的应用价值[7]。图像智能识别技术重点分析图片中的分辨率、焦距比、曝光、亮度等多种属性，若将这些属性应用在上述领域中，则会使得图像效果得到大大增强[8]。

本文在输电线路在线监测系统中，利用图像智能识别技术复现了二阶段检测框架RFCN+ResNet50、一阶段检测框架Yolov3+Darknet53，在时间消耗和准确率的权衡中选择了后者。此外，在原始检测框架的基础上增加了在线难例学习，并且，为了提升准确率，采用了重叠分块检测的方法。在已有数据的基础上进行数据增广（镜像、模糊、裁剪），标定了14个类别下的共计1.3万张图片，增广后图片达到50万张。

其中，图像增强效果如图1所示。

1.2  深度强化学习

深度强化学习，是基于深度学习的感知能力解决感知问题，又结合强化学习训练一定的决策能力，用于解决复杂系统的感知决策问题的一种人工智能思想[9]。深度强化学习的出现很大程度地影响了人工智能领域的发展，一些基于深度强化学习的算法在文本图像识别、机械控制中的表现要优于人类，而不仅仅只是像以前一样只起到辅助的作用。但是，在应用深度上，大部分算法只能学习简单的任务，无法在连续动作空间中进行多任务学习[10];在应用广度上，算法在计算机视觉领域，例如图像分类问题中的应用还非常少。

深度强化学习在人为矫正下排除错误，在一遍遍的试错过程中，不断深化学习能力，它的最终目标是让计算机能够像人一样具有分析学习的能力。深度强化学习本质上是一个复杂的机器学习算法，文字图像识别是其最适合的应用场景。将深度强化学习应用在输电线路图像上，能够准确快速地判断图像中是否存在危险源，训练是否应该告警，能够完美地解决工作人员在大屏幕图像上投入大量时间的窘境，大大地节省人力物力支出，起到很好的辅助作用。

2  系统设计

2.1  技术融合

现将深度强化学习技术与图像智能识别技术相结合，应用在输电线路在线监测系统上。系统在后台通过算法，用不同颜色的方框，对可能的危险源进行标记并报警，识别隐患类型、动态变化情况、威胁程度等，对异常隐患告警，抓住关键点，提高监控效率。系统以场景为基准对图像监测作出以下分类：

（1）烟雾检测。分为火灾隐患（烟雾）、地质灾害（泥石流、滑坡）、滚石等，如图2所示。

（2）超高树障检测。将RGB色域转换为YCbCr色域，筛选出超过警戒线阈值的树障绿叶色部分，通过像素点数量判断越界部分。

（3）导线异物检测。通过导线及异物与天空明暗差异进行抠图，再通过聚类算法和直线检测算法将导线部分去除，从而提取出导线异物部分，最后通过外接矩形进行框选标注，如图2所示。

（4）覆冰雪灾检测。在ImageNet预训练的基础上，使用palces365场景分类数据集（共计365个场景）对残差神经网络进行训练，以满足场景分类的要求，最终选取其中的12个与冰雪相关的场景作为判断基准，以判断现场是否为冰雪场景的。

2.2  技术设计

有了基于深度强化学习与智能图像识别的输电线路在线监测系统之后，计算机就可以自行对图像进行分析和判断了。一旦发现异常情况，直接报警，具有更高的效率和准确度。系统能够对线路通道环境和塔基周边环境进行图像采集，应用图像智能识别和图像增强算法研判异常。

输电线路在线监测系统设计框架如图4所示。系统基于无线传输，利用安装在输电线路上的枪机或球机摄像头等前端传感器，通过无线通信采集的图像/视频信号、交换机等上传到服务器，就可以在用户监看终端轻松实现远程图像/视频采集和监控了。

3  系统应用特点和效益分析

3.1  智能识别

系统在以下方面具备有效的智能识别功能：

（1）具备导线异物检测功能，当导线上悬挂异物时，系統通过聚类算法对导线和异物进行区分，自动发出报警提示;

（2）具备线路保护区内大型施工机械闯入的智能检测功能，当有大型机械闯入时，系统自动发出报警提示;

（3）具备全天候报警功能，在雨雪等天气不好的情况下，能通过图像智能识别技术，对危险源进行报警;

（4）图片智能识别功能准确，无漏报，误报率不大于15%;

（5）具备塔基动态监控功能，当有人员、车辆进入设定的区域时，能抓拍图片并上传告警信息;

（6）具备识别出超高物体的功能，一旦识别，即抓拍图片和微视频，并上传告警信息;

（7）具备电源智能管理功能，根据剩余电量自动切换工作模式，自主切断负载并调整图像采集间隔。

3.2  日常管理

系统在日常管理中发挥了重要作用，体现在：

（1）具有PC端和微信功能，且管理软件具备图片管理、查询和设置功能;

（2）具有故障自诊断及自恢复功能，支持远程复位;

（3）支持远程软件升级;

（4）具备远程控制拍照/微视频功能;

（5）具备历史图片/视频查询功能;

（6）具备隐患智能图像识别、筛选及告警功能，数据缺失率不大于 1%，且漏报率为零;

（7）具备重点线路设置、隐患点标;

（8）具备用户登录权限和微信权限设置功能;

（9）具备GPS定位与GIS地图显示功能;

（10）具有失电数据保护功能;

（11）支持设备各种状态查询;

（12）支持联网参数设定（更改及查询服务器IP、端口等）。

3.3  系统成效

（1）管理效益。系统应用后，由原来的一月一巡提高到一日多巡，巡视效率大幅提高，外破跳闸率降低20%以上。

（2）经济效益。系统应用后，可实现人工巡检的替代，能够有效减少人工费用及车辆外出的支出，为运维单位节省了日常巡检的开支，同时巡检周期得到大幅增加。

（3）社会效益。系统应用后，保障了输电线路及周围环境的安全，同时巡检的信息化方便了运维单位的管理，保障了附近居民的安全，带来了社会效益。

4  结束语

近几年，深度强化学习与图像智能识别的受到了广泛推广，从日常的拍照智能搜索、百度识图等应用，到物体分割、姿态估计、光学字符识别等科学应用，再到人脸识别等高端应用，都渗透了这些技术，不断孕育令人印象深刻的产品和功能。

在输电线路在线监测方面，将基于深度强化学习与智能图像识别相结合，可令系统自行对图像进行分析和判断，发现异常情况直接报警，并辅以人工操作，带来更高的效率和准确度。系统能够对线路通道环境和塔基周边环境进行图像采集，智能研判异常，实现线路通道环境可视化、隐患部位可视化、设备状态可视化。

参考文献

[1] 翁和王. 关于人工智能中的图像识别技术的研究[J]. 信息通信， 2016（10）： 191-192.

[2] 季秀怡. 浅析人工智能中的图像识别技术[J]. 电脑知识与技术， 2016， 12（14）： 147-148.

[3] 曹翊军， 董兴辉， 曹年红， 等. 基于图像采集与识别的输电线路覆冰监测系统[J]. 电气技术， 2010（8）： 51-53.

[4] 金华， 王民， 昝涛， 等. 基于数字图像处理的输电线路状态智能识别技术[J]. 微计算机信息， 2012（4）： 91-92， 132.

[5] 范立南. 图像处理与模式识别[M]. 北京， 科学出版社， 2007.

[6] 孙志军， 薛磊， 许阳明， 等. 深度学习研究综述[J]. 计算机应用研究， 2012， 29（8）： 2806-2810.

[7] 王皓， 高阳， 陈兴国. 强化学习中的迁移： 方法和进展[J]. 电子学报， 2008， 36（S1）： 39-43.

[8] Roland H， Martin R. Reinforcement learning in feedback control[J]. Machine Learning， 2011： 137-169.

[9] Hinton G E， Osindero S， Teh Y W. A Fast Learning Algorithm for Deep Belief Nets[J]. Neural Computation， 2006， 18（7）： 1527-1554.

[10] Barto A G， Mahadevan S. Recent Advances in Hierarchical Reinforcement Learning[J]. Discrete Event Dynamic Systems， 2002， 13（1-2）： 341-379.