基于无人机影像的电网绝缘子自爆识别
2022-03-02刘力锋
刘力锋
(四川中兴能源有限公司,四川 成都 610051)
1 研究背景及意义
1.1 研究背景
我国民生项目建设领域的一项重要基础设施——电网,电网杆塔表面布满了输电线路及各类电力传输关键设备。其中,架空输电线路主要负责电能输送,其在电网系统中起着至关重要的作用[1]。
传统的电路巡检方法为人工巡检,巡检人员需要依次到达每条输电线路中的每一处设施进行安全检查,不仅耗时耗力,而且针对目前的超高压、大容量输电线路,人工巡检存在大量安全风险,已经不适用于目前电路巡检的实际情况[2]。
1. 2 研究意义
目前,主流的输电线路巡检方法为利用无人机拍摄视频,然后由工作人员察看视频,发现输电线路部件的损坏。这种利用直升机、无人机和其他无人检查方法,可以高效地实现输电线路巡查,也迅速获得了市场推广和应用,极大地优化了巡检过程。然而,该方法仅仅是将大量图像数据发送到生产调度端,然后对该数据进行人工分析和识别,并没有完成对该数据的智能化分析。由于整个人工检查过程必定存在主观性,较容易发生误检测和遗漏之类的错误。因此,对无人机所拍摄的视频图像进行智能分析,从中识别出绝缘子串及绝缘子自爆,这对于及时处理故障设备等问题,提高管理、维护水平至关重要[2],[3]。
近年来,随着深度学习技术的高速革新,深度学习框架下的各类目标检测算法也随之发展演变。本设计主要通过YOLO V5算法对输电线路部件中的绝缘子串及绝缘子自爆进行识别,可以实现较高的识别精度,以实现对输电线路部件中的绝缘子自爆更精准地自动识别,进而可以根据判别结果,派遣专人到发生绝缘子自爆的杆塔区域进行实地巡检和维修,从而可以降低人力巡检成本,提高检测的准确度。因此,本设计对无人机航拍影像中绝缘子串及绝缘子自爆识别的研究具有重要的实际意义。
2 基于YOLO V5的绝缘子串及绝缘子自爆识别
2.1 算法的技术路线
YOLO系列的目标检测算法是目前基于深度学习的目标检测算法的主流方法,本设计拟将无人机航拍影像作为训练数据[4],调整并训练YOLO V5目标检测模型,比较各模型精度与效果,选取最优模型用于检测基于无人机影像的绝缘子串及绝缘子自爆。
2.2 数据预处理
本章主要阐述了对于原始影像,如何通过人工标注的方法生成含有坐标信息的xml文件。同时,网络上带有缺陷区域绝缘子的开源数据集有限,为了让模型尽可能多的学习到自爆绝缘子的特征,需要预先进行数据增广(平移、翻转、随机裁剪)的过程,该过程不会改变图像中目标的特征[5]。数据增广有助于提升模型的训练效果,使最后的测试指标达到最佳。
本设计实验中所用到的数据集主要分为两类——自制数据集和综合数据集。把人工裁剪出的自爆绝缘子手动添加到80张带有杆塔背景影像中所形成的数据集,称为自制数据集。综合数据集则是整合了对自制数据集增广后的影像、国家电网提供的影像数据、网络上公开的少部分的绝缘子影像。
2.2.1 数据标注
由于数据增广到的500张数据集没有标注文件,因此针对这些影像采用人工标注的方法,标注出影像中杆塔附近绝缘子串的最小外接矩形,对于有缺陷区域的绝缘子也用外接矩形框标注,最后在指定路径中生成.xml文件,得到其标注文件。本设计使用的标注工具为开源软件LabelImg。
2.3 基于YOLO V5的绝缘子自爆识别算法
在整体网络结构方面,YOLO模型使用与GoogleNet结构相似的神经网络,将3×3的卷积核作为过滤器,使用1×1的卷积层来减少通道数量。如图1所示,以YOLO V5S为例,在网络模型输出端的全连接层输出S×S×(5×b+c),其中有S×S个单元格,b个预测边界框。在YOLO算法的网络模型训练中,在初始锚框的基础上输出一个预测框,计算该预测框与真实框的交并比,再调整迭代模型参数。
图1 YOLO V5S模型框架
2.4 实验结果及分析
本设计数据集共500张图像,其中完好绝缘子串类图像150张,自爆绝缘子类图像350张,用于训练的图像共450张,用于测试的图像共50张。
2.4.1 基于YOLO V5X的综合数据集绝缘子自
爆识别结果及分析
本节采用预处理的训练集图像450张,测试集图像50张,验证集从训练集图像中随机抽取的图像占整个训练集比重0.1。最终YOLO V5X训练参数设置为:Learning rate=0.01,按在第25 000, 50 000, 75 000个单次循环(Learning state)分别按0.2的比例对学习率进行衰减,Batch size=8, Epoch=300, Train Val= 0.9,得到YOLO V5目标检测模型。将影像输入至YOLO V5X网络中进行测试,并利用精度(Precision)、召回率(Recall)、平均精度(mAP)等评价指标对本章算法进行评价。
选取450张图像用于训练集,从中随机抽取10%用于验证集,50张图像用于测试集,经过调整后的绝缘子自爆检测精度展示如表1所示。
表1 综合数据集后绝缘子自爆检测结果
YOLO V5X对绝缘子串的识别效果较好,综合识别精度达到了85.5%,绝缘子串检测精度达到了90.2%,而对于自爆绝缘子的识别效果较差,自爆检测精度为80.8%。
通过对实验结果分析,造成绝缘子自爆识别效果较差的原因主要为两个方面,一方面是因为训练的真实状态下的自爆绝缘子样本较少,导致模型不能大量学习到各种类型的自爆绝缘子。另一方面,由于自爆区域尺寸较小,模型获取到的特征信息不明显,造成了模型对真实状态下的自爆绝缘子泛化性相对较低,存在一定漏检的情况,具体的航拍影像绝缘子自爆识别结果展示如图2所示。
图2 无人机航拍影像绝缘子串自爆识别结果展示
3 基于PyQt5框架的系统界面设计
界面控件包含4个Label、两个Button以及Textbox、Line_Edit。名为“打开”的Button控件中Click事件是读取一张影像,被读取影像的路径会自动出现在Line_Edit当中,另一个名为“识别检测”的Button控件用来实现目标检测,并在另一个Label中输出影像的检测结果,同时在另一个Line_Edit中显示所检测出绝缘子串和缺陷的具体数量。
3.1 软件运行结果及分析
软件运行过程是将一张影像读入Label_3中,点击识别检测按钮,Button按钮的Click事件自动链接到detect函数,在detect函数中将Label_3中的参数地址传至指定路径下的YOLO V5检测模型的权重文件,对该影像进行测试,将检测结果输出至指定路径,最后在Label_4中按照图像尺寸自适应大小显示。
影像检测结果出现在Label_4中的同时,影像中所检测出的缺陷与绝缘子串的个数将会在识别检测按钮下方的Line_Edit2中显示。如图3所示。
图3 绝缘子自爆识别系统最终运行界面结果展示
4 结束语
本文主要围绕基于深度学习的目标检测算法在电力巡检过程中对航拍图像中的电力设备进行检测的方法进行研究。旨在能找到适合电力巡检航拍数据的深度学习目标检测算法,以及对一些电力巡检中常见的缺陷和问题进行改进,取得的主要研究成果如下:一是为无人机巡检提供了更好的目标检测算法——YOLO V5算法;二是将最新的YOLO V5算法运用到航拍图像绝缘子自爆检测当中,得到效果较好的绝缘子串及绝缘子自爆检测模型,对于使用YOLO V5算法的智能无人机电力巡检有着重要的意义。■