人工智能图像识别技术在架空输电线路巡检业务中的应用

南方电网广东东莞供电局 张 程 田 河 吴付耿 郭伟明

目前，我国在电网巡检图像处理技术方面开展了一系列研究，但多数研究是在实验室的局限之下进行和推进，局限性较大，在实际业务操作之中，高压、特高压输电线路处于偏僻的地区，图像采集的背景相对来说较为艰难，主要包括自然景观和人文景观两方面，这一系列问题都给人工智能图像识别技术的运用造成了一系列困难，也对目标识别工作提高了难度，造成了一些不确定性影响因素。

1 人工智能图像识别技术在架空输电线路巡检业务中的应用技术

1.1 输电线路本体辅助巡视图像识别技术

在实际工作运行过程之中，输电线路巡视业务需要采集大量的数据资料，如果只采用人工操作的方式效率会下降，尤其是不适合连续高强度的运行状态，经常会有缺陷没有被及时发现。当前，传统的机器学习技术对于缓解识别缺陷和检测问题有莫大的帮助，但是识别正确率并不高，缺乏泛化能力，无法进行大规模的普遍使用，在未来的研究之中，可以把该项技术运用在深度学习神经网络技术之中，对无人机采集图像数据展开精准识别，这样能够对提高输电线路的巡视作业效率有帮助。

该项技术的具体工作步骤如下：工作人员可以分析具体的场景，不同的场景对应到不同的数据图像采集难点，将业务场景转化成智能图像场景之后，工作人员需要了解不同的场景有怎样的样本要求，样本数量和样本来源要得到充足的保障，还要选取合适的路径和手段展开模拟训练并进行验证。除此之外，还要展开针对模型的目标检测，查看是否还具有绝缘子和其他的设备存在一些问题需要修复[1]。

具体而言，要对输电线路本体辅助巡视图像识别技术的场景展开研究。绝缘子的损坏场景有其特征和识别要素，输电线路的绝缘子大多数是散状或圆形，主要的作用是承受重量运行线路的绝缘子，具有对称的特征，同时还包括玻璃绝缘体自爆的合成绝缘子破损，这些特质通过检查可以发现对称性如何，其中合成绝缘子灼伤技术可以通过绝缘子的原线方向粉末进行识别。一般来说，玻璃瓷器这些绝缘子都可以通过放电痕迹来判别识别因子。

与此同时，在脱落时可以进行场景识别，发现脱落因素，也可以从脱落的图像中找到缺失的部位，确定零部件的结构和所处的位置，判断输电线路挂点的所在之处。在识别程序的运行过程中，还要判断输电线路绝缘子和定位，绝缘子之间是否存在某种联系。此外，还要对绝缘子两端的范围进行检查，这些孔洞的目的是防止螺栓脱落，同时还要检查绝缘子两端在一定区域之内是否固定完毕。同时，工作人员还要对倒地线的断骨和断线进行查看，通过查找横向导线的不规则毛刺，判断输电线路导电线折断之后是否会发生散落现象，对于断落的倒地线可能会发生抽搐变形的情况。工作人员可以通过图片查找来找到线路的弯曲方向，判断作业倒地线[2]。

1.2 输电线路通道辅助巡视图像识别技术

输电线路通道的安全性是供电可靠性的前提和保障，如果外部条件发生一系列改变，那么就有可能威胁到输电线路以及输电线路旁边的其他设备[3]。因此，相关工作人员要对危险进行及时清除，防止发生损坏或整体设备的烧毁，如果要做到这一点，监控设备在输电线传输时要对整体状况进行监测，传输实时图像并进行分析，防止外部不良因素的入侵，如果发现输电线路通道中存在异常情况，如山火、外破，必须针对实际情况进行检查。但反观现状，输电线路通道辅助形式图像在使用过程中体现出较大的局限性，比如上文所提到的检测方法不能够直接用在方案的解决之中，对于输电本体而言，输电通道之上如果发生冒烟等现象，可能会由多方面因素共同导致，这和单一的输电本体形状有一定的差别，这时工作人员可以用图片和案例作为样本模型展开辅助，但是在实际情况中这种情况比较少。具体而言，输电线路通道辅助巡视图像识别技术可以分为以下几个方面来描述。

一是要扩充样本，深度巡视有可能造成诸多困扰问题，这些困扰导致大量的直接数据被删除，深度神经网络具有一定的学习功能，如果训练数据样本不足可能会造成一系列的问题，也会让模型难以在实践之中得到准确的利用，因此如果缺乏样本也可以人为地增加通过训练数据的补充，展开原始图像的旋转和位移，也可以采用镜像转换等多种方式，解决要面对的问题，神经网络的学习还存在诸多方面的问题，不一样的样本也需要不一样的训练数据作为辅助。

展开神经网络的深度学习必须具有较强的模仿能力，如果样本过少容易造成过度拟合，就算形成了一定的固定化模板，在训练模式上也无法通过实际检测的考验。为了防止这一问题反复出现，有关工作人员需要检测已有样本的变化部分，可以通过增加学习样本的形式加以突破。此外，工作人员还会采用位置变化和位置旋转等不同的手段进行图像识别，图像识别也可以在某种程度之上增加学习样本的总量弹性，变换算法主要运用在手写体数字字符的辨识之中，之后可以针对原图进行弹性变换，扩充样本，让手写体数字识别的效果大大提升，通过样本弹性的提高可以增加汉字字体的图像识别，达到不错的效果。

二是在输电线路通道辅助巡视图像研究中，还要进行迁移学习，采用机器学习算法挖掘问题，那就是大量的数据训练往往难以被集中获取，尤其是在一些新开发的科技领域之中这一现象更为明显。不同的领域都需要对训练数据的范围进行标定，这样才能满足传统的机器学习需求，但是人力、物力资源耗费较大，导致承受力度不足。反之，如果数据积累数量不足，有些运用无法得到正常的开展。

除此之外，传统的机器学习假设数据训练往往不能满足全部的要求，人们可能会经常遇到数据过期等情况，针对这一现象就可以采用标注训练方式来解决，但这样的操作需要高昂的成本，也是对人力物力资源的浪费。从另外一个角度来看，如果拥有的训练数据是分散的且不同步的，如果将其完全丢弃也较为浪费。利用迁移学习的方式可以解决以上问题，并针对数据的问题加以合理利用，采用迁移学习的形式能够转移现有的数据，对将来的学习形成辅助的效果，其目标是在新的环境中运用旧有的学习内容。从这个角度来看，迁移学习和传统的机器学习有一定的差别[4]。

三是可以采用图像识别嵌入式区域展开警戒诊断，以传统的多目标识别模型作为基础，扩展分析网络层，打造异物入侵诊断的基本框架，针对以上算法模型在受到资源局限性的环境下，满足高性能计算机的运用需求，同时对计算方式进行定制，建设深度学习模型，构建性能较高，耗能较低的诊断系统。也就是说，可以针对常见的缺陷和危险区域入侵场景进行研究，一直到神经网络结构的末端，在多目标识别的基础与前提之上可以增加混合网络层，这样的方式能够在范围内展开特征性兼容检测，打造区域入侵诊断的框架，让目标具有完整性，在网络删减和参数共享的背景之下展开深度学习。

工作人员还可以采用压缩模型的方式来减少神经网络的深度，保留大量的参数权重，优化模型的参数结构，在这一基础上还可以采用数据流进行模型的处理，把学习的模型变成相对固化的模块，硬件模块被压缩之后可以进行深度学习，运行底层的硬件系统，这样的方式能够让顶层应用的高性能处理，减少时间损耗。此外，顶层应用也可以针对各种类型的学习目标调整框架网络，确保硬件的功能优化[5]。

2 人工智能图像识别技术在架空输电线路巡检业务中的应用举例

2.1 构建输电巡检影像样本编码规则研究及标准库

工作人员在输电巡检影像样本编码规则的建立中，需要通过标准库的形式来操作，根据输电和变电设备的从属关系进行结构设计和缺陷等级分类，对样本的规范和具体参数进行标注，建设样本库，样本库要包括输电线路的不同型号，比如无人机、直升机等设备的参数，还包括可穿戴设备拍摄的图片和视频资料，建设不同的文件储存格式。为了避免受到兼容性影响，需要针对缺陷数据库的系统展开分类构建，具体而言，一是工作人员需要收集缺陷信息，制定规范，根据不同的输电设备研究部件种类以及从属关系，细分编码，把变压器、输电线等输电设备按照编码进行统一的编号和串联，如果信息规范出现错误，则需要重新建设变电设备的标注样本。

二是工作人员可以采用质量评价技术，设置具体的工作步骤，根据不同的目标和场景打造图像质量的样本数据库，同时对样本空间进行场景的变换和数据的提取。除此之外，还要根据不同的特征打造各式各样的回归模型，展开图片质量的预测，此项操作在具体执行时需要对图像的质量打造回归模型，如果图像的最终呈现质量低于预测值，就表明这一样本存在缺陷，不符合该数据库的要求，需要手动删除，如果具体值高于设定值，则表明该样本是符合要求可以利用的。

三是工作人员需要打造分布式样本数据库，可以采用数据库对缺陷样本数据进行统筹，比如可以采用HDFS分布式文件展开分类存储，根据主节点和子节点的不同业务类型进行合并，制作标准数据集，展开业务应用层的参数交换。

四是进行数据标注，在标注之后可以把样本转化成训练框架所需要的数据库，当前较常用的训练框架包括TORCH、CAFFE，这些模型都已经定制了自己的数据接口，然而以上数据标注工具相对来说缺乏兼容性，使用的覆盖面积较小，缺乏较为健全的功能菜单，不同类型框架的数据接口之间兼容性也不同，要及时进行格式变换，就导致工作步骤和程序较为烦琐，为了解决这些问题加快预处理的步骤，有关工作者需要制定可以深度学习的转化接口，针对不同类型的技术展开转化整合。

2.2 输电线路智能立体巡视模式应用

输电线路人工智能辅助识别，可以通过现有的本体无人机和直升机巡视系统展开数据调整和升级，对整体运行情况进行在线监督，人工智能图像这一领域开发的情况较为成熟，可以对有缺陷的数据和模块展开在线分离，展示系统分析结果，并且结合系统要求有选择性地进行推送，也可以采用模块化的开发方式展开数据系统的统筹管理。应当包括的板块是机器人在线检测、数据储存、视频、图像等。

具体而言，一是要加强对现有巡视数据的获取，在输电线路、视频图像、机器人在线形式之中，有关工作人员可以制定较为统一的数据协议开发接口获取视频图像，让机器人在线形式有数据可以传输回来，对于图像视频的巡检数据，全国各省市地区都可以制定较为统筹化的数据签署协议，并开发数据传输至端口，通过获取视频、图像完成工作，上述方式可以打通人工智能图像识别辅助系统之间的内部通道，让数据传输的过程更加快速。

二是工作人员要展开数据统筹和数据分析，利用模块化的方式开发输电线路人工智能图像辅助系统的相关设备，并且对无人机和直升机的数据展开采纳和巡检，检测离线数据是否正常。此外针对输电线路通道之内采用的巡视图像可以采用实时分析模式，还可以对数据存储和管理技术、告警信息推送技术进行性能的优化。

综上所述，人工智能图像识别技术在架空输电线路巡检业务中的运用具有广泛的优势，并已在架空输电线路业务中有着广泛的应用，但是现阶段仍然存在着一定的局限性，有关工作人员需要继续研究相关利用手段，攻坚克难，进一步完善该技术在电力行业的局限性，发挥其作用。