基于无人机与X射线数字成像技术的输电线路耐张线夹检测方法

谭兴华，杨 东，张 辉，郭振华

（河南四达检测技术有限公司，许昌461000）

张力夹固定在传输线上后，不能拆卸[1]，压接质量的好坏直接影响到输电线路运行的安全性和可靠性[2]。一般来说，张力夹的缺陷都是由于长期使用中出现的质量问题造成的，一旦出现质量问题，会导致更严重的社会影响。由此可见，检测张力钳的质量是非常重要的[3]。文献[4]利用X 射线无损探伤技术，实现耐张线夹的缺陷检测，但是其存在安装难度高与辐射强等缺点；文献[5]通过融合重点部位特征，利用深度可分离卷积提取特征，再通过多尺度特征融合方法实现检测，但是其存在无法精准检测内部缺陷的缺点。

X 射线数字成像技术安装仪器难度较高，且工作强度较大，检测时间较长，另外因为射线具有强烈的辐射性，检验人员必须穿着特殊的防辐射服进行登高作业，危险性较高。无人机检测方法检测效率高且地理环境影响较小，但是该检测方法只能观测到线路外观完好程度，不能检测到电缆或金具内部，因此也不能保证检验的准确性。为解决这一问题，提出基于无人机与X 射线数字成像技术的输电线路耐张线夹检测方法，充分利用两者的优点，精准检测耐张线夹的缺陷，为维修人员提供准确的数据支持。

1 基于无人机与X 射线数字成像技术的输电线路耐张线夹检测方法

将无人机作为飞行平台，在其内部安装X 射线数字成像仪器，二者配合使用完成输电线路耐张线夹检测，解决无人机无法检测内部与X 射线数字成像仪器检测过程繁琐等问题[6]。利用无人机在输电线路耐张线夹附近进行巡检，通过X 射线数字成像仪器采集耐张线夹内部图像信息，依据其层级识别模型的图像处理方法获取耐张线夹的缺陷类别，输出检测结果[7]。无人机搭载X 射线数字成像仪器的输电线路耐张线夹巡检流程如图1所示。

图1 输电线路耐张线夹检测流程Fig.1 Detection flow chart of tension clamp of transmission line

具体步骤如下：

步骤1明确X 射线数字成像技术巡检任务，确定耐张线夹为X 射线数字成像技术巡检对象。

步骤2采集巡检区域资料，勘察巡检区域，规划巡检路径。

步骤3制定飞行计划，保证无人机飞行安全，完成工作人员工作需求。

步骤4利用X 射线数字成像仪器采集耐张线夹图像信息，依据现场情况及时调整无人机位置，使X 射线数字成像仪器采集更加清晰的图像信息。

步骤5通过层级识别模型处理采集的图像信息，获取耐张线夹缺陷类别检测结果[8]。

步骤6输出检测报告。

1.1 X 射线数字成像技术

X 射线数字成像仪器依据X 射线数字成像技术实现耐张线夹的检测。X 射线数字成像技术可有效采集耐张线夹内部材料与厚度等信息。X 射线数字成像仪器由X 射线发射仪、成像板与图像处理技术三部分组成，利用第一部分发射X 射线；通过第二部分接收成像数据；利用第三部分分析成像数据，获取检测结果[9]；其操作流程如图2所示。

图2 操作流程Fig.2 Operation flow chart

具体步骤如下：

步骤1在无人机内部安装X 射线数字成像仪器。

步骤2开启X 射线仪，发射X 射线。

步骤3利用成像板完成数字成像，获取耐张线夹图像信息。

步骤4通过层级识别模型处理图像信息，判断是否需要调整无人机位置，若无需调整位置，则输出检测结果。

1.2 层级识别模型的图像处理方法

利用层级识别模型处理采集的图像信息，处理流程如图3所示。

图3 图像处理流程Fig.3 Image processing flow chart

利用Faster R-CNN 算法构建耐张线夹区域定位模型，利用该模型分析采集的图像，预测精准的耐张线夹区域边界框；利用Yolov3 算法与RetinaNet 算法构建耐张线夹检测模型，将区域边界框作为其输入，精准检测耐张线夹缺陷类别，获取其坐标位置，并还原至原图像坐标[10]。

1.2.1 耐张线夹区域定位模型

利用Faster R-CNN 算法构建耐张线夹区域定位模型，提升检测精度[11]；该模型的损失包含两个部分，分别是区域生成网络与Fast R-CNN，分类损失与回归损失属于两者的损失类型，表达公式如下：

式中：i 为各图像集合内锚的索引；pi为锚内不存在缺陷的概率，在pi=1 情况下表示包含缺陷，在pi=0情况下表示不包含缺陷；pi*为实际锚内不存在缺陷的概率；qi为预测耐张线夹区域边界框的坐标参数；qi*为在pi=1 情况下和anchor 相应的实际边界框坐标参数；pi*Lr为在pi=1 情况下anchor 的回归损失；｛Pi｝与｛qi｝为分类层与回归层的输出；Nc与Nr为两种损失的数量；λ 为权重。

两种损失的损失函数表达公式如下：

式中：R 为smooth 函数的参数，其表达公式如下：

式中：z 为图像。

区域预测边界框回归计算的方法如下：

式中：w 为预测的宽；x 与y 为预测核心位置；h 为预测的高；下标a 为锚框信息；上标* 为耐张线夹真实区域边界框信息。

各q 内均存在两个部分，分别是分类器dq与回归器fq，其中fq是由对应IoU 阈值uq改进获取，且uq＞uq-1。uq在损失函数L（xq，g）内学习，L（xq，g）的表达公式如下：

式中：g 为预测耐张线夹区域边界框的基础真实对象；bq为在uq条件时的预测耐张线夹区域边界框标签；bq=fq-1（xq-1，bq-1）；预测耐张线夹区域边界框回归的u 与分类的u 完全一致。

1.2.2 耐张线夹检测模型

利用Yolov3 算法与RetinaNet 算法构建耐张线夹检测模型，提升检测速度[12]。该模型的损失函数表达公式如下：

式中：s2为模型网格大小，通过各网格形成的B 个候选框，获取对应的耐张线夹缺陷边界框[13]；为第i个网格的第j 个anchor box 是否需要管理该object的参数；为无需管理该object 的参数；为置信度，通过网格缺陷边界框是否需要检测某个耐张线夹获取的值，如果需要检测，则=1，如果无需检测，则=0[14]；为第i 个网格的第j 个anchor box 出现目标耐张线夹的概率。

利用RetinaNet 算法解决耐张线夹检测模型不平衡现象，该算法中包含Focal loss 损失函数，其表达公式如下：

式中：∂为平衡因子，其作用是平衡样本间的差距，但不能平衡难度较低与较大样本；γ 为平衡难度较低样本权重降低速率的调整因子，在γ＝0 情况下，说明损失函数属于交叉熵损失，在γ＞0 且不断提升的情况下，平衡因子也随之提升。

通过加权平均融合方法融合层级识别模型内的算法，其步骤如下：

步骤1利用非极大值抑制方法（non maximum suppression，NMS），确定两个模型输出边界框u 值，其取值均为0.4。

步骤2按照耐张线夹区域定位模型与耐张线夹检测模型的精准性为其赋予不同权重，两个模型的权重之和是1。

步骤3各模型的权重与其对应模型的置信度相乘，获取新的耐张线夹缺陷边界框得分[15]。

步骤4利用NMS 确定融合后新的耐张线夹缺陷边界框得分的u 值，取值是0.4，输出耐张线夹缺陷检测结果。

2 实验分析

以某部分输电线路的耐张线夹为实验对象，该部分输电线路包含612 个耐张线夹，其型号是NY18525N，外径是46 mm，内径是29.6 mm，利用本文方法对该部分输电线路的耐张线夹展开检测，本文方法检测耐张线夹的透照参数如表1所示。

表1 透照参数Tab.1 Transillumination parameters

平衡因子与调整因子的取值对于本文方法检测的精准性至关重要，在该部分输电线路内随机选取一个耐张线夹，测试本文方法在不同平衡因子与调整因子取值时，其检测的平均精度均值，选取最佳的平衡因子与调整因子取值，测试结果如图4与图5所示。

图4 不同平衡因子取值时平均精度均值测试结果Fig.4 Test results of average accuracy with different balance factors

图5 不同调整因子取值时平均精度均值测试结果Fig.5 Test results of average precision with different adjustment factors

根据图4可知，随着平衡因子的不断提升，本文方法检测耐张线夹的平均精度均值呈先增长后下降的趋势，当平衡因子取值为0.25 时，平均精度均值达到最高。实验证明，在平衡因子取值为0.25时，本文方法检测耐张线夹的精准性最高。

根据图5可知，随着调整因子的逐渐增长本文方法检测耐张线夹的平均精度均值也呈先增长后下降的趋势，当调整因子取值为2.0 时，平均精度均值达到最高。实验证明，在调整因子取值为2.0 时，本文方法检测耐张线夹的精准性最高。

利用本文方法获取该部分输电线路耐张线夹区域边界框，某一耐张线夹区域边界框定位结果如图6所示。

图6 耐张线夹区域边界框定位结果Fig.6 Positioning results of boundary box in tension clamp area

根据图6可知，本文方法能够精准定位耐张线夹的区域，获取其区域定位边界框，且清晰度高，为后续耐张线夹检测提供既精准又清晰的区域定位边界框，提升其检测精度。

利用本文方法依据耐张线夹区域定位边界框检测该部分输电线路耐张线夹，耐张线夹检测结果如7 所示。

根据图7可知，本文方法能够有效获取耐张线夹图像，进而获取缺陷边界框，通过分析缺陷边界框完成耐张线夹的缺陷类别检测。

图7 耐张线夹检测结果Fig.7 Test results of strain clamp

利用本文方法检测不同电压等级时该部分输电线路中的612 个耐张线夹的质量，耐张线夹主要包含上一实验中获取的4 种缺陷类型，不同电压等级时耐张线夹检测结果如表2所示。

表2 耐张线夹检测结果Tab.2 Test results of strain clamp

根据表2可知，本文方法能够有效检测出不同电压等级时耐张线夹的不同缺陷类型，不同电压等级时该部分输电线路内耐张线夹的合格率在51.5%～76.5%之间。实验证明，在不同电压等级时，本文方法能够有效检测出耐张线夹的缺陷类型，为工作人员维修耐张线夹提供决策依据。

将X 射线无损探伤检测方法与多尺度特征融合检测方法作为本文方法的对比方法，这两种方法分别来源于文献[4]与文献[5]方法，利用3 种方法检测330 kV 电压等级时各缺陷类型的耐张线夹，统计3 种方法检测的查全率、查准率与平均精度均值，统计结果如表3所示。

表3 统计结果Tab.3 Statistical results

根据表3可知，在检测不同缺陷类型的耐张线夹时，本文方法的平均查全率与查准率分别是97.3%与98.7%，其余两种方法这两个指标分别是82.4%、74.4%与81.7%、84.8%，针对这两个指标本文方法明显高于其余两种方法；在检测不同缺陷类型的耐张线夹时，本文方法的平均精度均值也高于其余两种方法。实验证明，本文方法在检测耐张线夹缺陷类型方面具备较优的检测效果。

3 结语

依据耐张线夹的实际应用情况可知，其质量问题会直接导致输电线路出现故障，严重影响用户供电质量。为此研究精准、高效的无损检测方法属于一种必然趋势，本文提出一种基于无人机与X 射线数字成像技术的输电线路耐张线夹检测方法，通过结合两种技术，弥补彼此不足，提高耐张线夹检测效果。