电力巡检图像关键部件检测与缺陷识别技术综述

刘 草

（华北电力大学控制与计算机工程学院，北京 102200）

1 研究背景

随着我国电力能源需求不断增加，对输电线路设备运行安全提出了更高的要求。这些设备长期暴露在野外，受到复杂多变的天气情况，例如烈日、风沙、雨雪、雷电等的影响，同时又由于输电线路及其杆塔的自身特性，会产生锈蚀、磨损、材料老化等损伤，这些问题如若不能及时发现并修复，会给输电线路稳定运行带来极大安全隐患。如果发生输电线路上电塔螺栓变形、脱落、绝缘子自爆等问题，将导致大面积停电和巨大的经济损失。

无人机可以在跨度较大的复杂地形进行巡检作业，而且巡检效率高，较人工巡检更稳定准确，可以应用到输电线路本体、输电杆塔部件等不同对象。无人机巡检包括可见光遥感巡检、红外遥感巡检、紫外遥感巡检、激光雷达巡检等工作模式。可见光遥感巡检指在电力巡检中使用稳像仪、相机等可见光设备，对输电线路的电力设备进行巡检并记录图像、摄影等相关信息。可见光遥感巡检设备成本低，巡检缺陷覆盖范围广，因此在输电线路巡检中得到广泛研究与应用。然而，无人机采集得到的海量巡检数据需要专业人员用肉眼和大脑完成一系列的分析：检测出关键部件，判别部件的故障类型，归类故障等级等。采用人工观看图像进行部件定位与缺陷分析耗时耗力，而且工作人员的专业能力不同导致巡检结果质量参差不齐。随着深度学习在图像检测领域的广泛应用，深度学习检测方法应用到输电线路杆塔部件检测领域，检测对象包括绝缘子、输电线、输电线路配套设备等，有效提高了电网巡检的效率和准确度，在电力巡检图像检测领域迅速崛起。

2 研究现状与发展趋势

2.1 目标检测研究现状

电网巡检图像的目标检测融合了多个高尖领域技术，包括航空、电子、通信、电力、图像识别等，随着深度学习的发展，国内外逐渐开始了对电网图像的对象进行目标检测。Faster R-CNN目标检测算法提出了由神经网络产生候选框的方式，代替了其他R-CNN中产生候选框的方法，成功地完成端到端的训练，训练和测试的速度有了大幅的提高。YOLO系列算法目标是能快速准确地进行目标检测，该方法将目标区域预测和目标类别预测整合于单个神经网络模型中，从而实现端到端的目标检测。由于卷积神经网络在数据充足的情况下目标检测效果明显，从而得到广泛的应用。C.Sampedro等人利用无人机对输电线路进行航拍图像的提取，并对提取的航拍图像中的各类电塔进行分类检测。Luo等人将卷积神经网络应用于准确识别提取高压线路，从而减少了非高压线路的干扰。陈志强等人提出一种基于区域全卷积网络的电力巡检图像防震锤智能识别方法，利用特征提取网络、位置敏感池化等方法提高了检测的效率和准确率。此类算法依赖于大规模人工标注的输电杆塔数据集，制作数据集成本高昂。其次，在不同的线路上，塔型、背景、电力金具的型号和外形，拍摄位置的角度和金具的尺度均有变化，训练依赖于某一输电线路的神经网络，很难迁移应用到其他线路。

近年来，迁移学习和小样本学习在目标检测中的应用引起了越来越多的关注。Fan等人提出以孪生神经网络为基础，使用多级相关检测器确定目标对应的候选框。陆继翔等人提出了基于迁移学习的小样本输电线路巡检图像处理方法，针对缺陷样本不足导致的深度学习模型过拟合，提出了扩充样本及训练的一系列使用方法。张永翔等人使用迁移学习的方法，用少量的电力巡检数据集对YOLO网络进行再训练，从而使网络能够准确检测电力巡检关键金具。

2.2 缺陷识别研究现状

电网巡检图像中关键部件的缺陷可以分为部件本体缺陷、部件连接缺陷、部件缺失缺陷和距离类缺陷。部件本体缺陷指由输电线路部件自身损坏产生的缺陷，如绝缘子掉串、均压环裂纹、防震锤变形等；部件连接缺陷即输电线路部件连接安装有误引起的缺陷，如金具安装方向错误、错位等；部件缺失缺陷即输电线路部件部分关键零件缺失引发的缺陷，如销钉缺失、螺栓缺帽等；距离类缺陷即输电线路部件间隙距离小，自身悬垂度不符合要求或安全距离范围内有异物导致的缺陷。针对电网关键部件的不同缺陷，深度学习缺陷识别方法得到了广泛应用。Varghese等人利用深度学习网络模型GoogLeNet构成输电杆塔设施检测和分类的多级分类框架，成功检测到输电线缺失。Lan等人提出了一个由绝缘子、杆塔、输电线、输电线路配件四类设备缺陷组成的巡检数据集，并训练基于R-CNN网络的缺陷检测模型，正确实现了缺陷检测。Wang等人对输电线及其配件进行图像语义分割，正确显示标注了图像中缺陷区域。但当前缺陷识别方法存在缺陷对象种类少、弱纹理缺陷识别困难等问题。

和基于大量负样训练的有监督缺陷检测方法相比，无监督式缺陷识别可以检测到偏离正常样本的各种缺陷，可以解决缺陷种类多，负样少等问题。无监督式缺陷识别方法充分利用正样特征，减少负样数量少的影响，展现了在电网巡检图像缺陷检测识别领域的巨大潜力。无监督式缺陷识别主要包含深度生成式对抗网络、卷积自动编码器网络等方法，在绝缘子、工业零件、木板、织物、铝材等多种对象达到较好的效果。Schlegl等人提出深度卷积生成对抗网络AnoGAN，使用GAN网络的判别器计算特征差值正确检测带缺陷的图像。Thomas等人提出一种基于AnoGAN网络改进的f-AnoGAN网络，计算待检测图像特征异常得分以正确区分有缺陷的图像。Youkachen等人构建卷积自动编码器学习重构热轧带钢图像，结合锐化处理分割热轧带钢表面缺陷位置。

2.3 发展趋势

电网巡检图像中的关键部件类别较多、弱纹理、缺陷变化大、正负样本比例不均衡，目前大部分目标检测算法和缺陷识别算法面临着弱纹理、少负样本等挑战。而随着小样本目标检测和无监督式缺陷检测方法的完善，电网巡检图像关键部件检测与缺陷识别技术将朝如下趋势发展：

（1）小样本目标检测算法不需要任何电网巡检图像相关的数据集训练，能够快速、准确、稳定地检测出电网关键部件。小样本目标检测算法研究利用少量电网图像，能够实现快速电网关键部件检测，克服训练样本标注难，迁移能力差等问题。

（2）无人机巡检输电线路积累大量正常部件图像样本，为无监督式缺陷识别方法提供有力的数据基础。随着生成对抗式网络、卷积自动编码器等方法的发展，学习正样本特征分布，通过判断检测样本与正样特征分布的距离，能够有效解决缺陷种类多，负样少等问题。

3 结论

深度学习目标检测方法与缺陷识别方法其精度高、稳定性强，可移植性优越，而且能够大幅降低成本和劳动强度，提高巡检过程的有效性，进而保障架空输电线路的安全可靠的运行。文章整理了当前目标检测和缺陷分析的若干研究成果。当前目标检测方法受限于样本标注和快速迁移检测问题，缺陷识别方法受限于样本不均衡、背景变化、缺陷种类多等问题。而小样本目标检测算法与无监督式缺陷检测方法具有克服电网图像数据背景多变、弱纹理、缺陷种类多等问题的潜力，能够在电网巡检图像关键部件检测和缺陷分析中发挥巨大的价值。