基于深度学习的无人机巡检架空输电线路金具锈蚀缺陷检测方法

2022-11-07张家盛梁进兴

湖南电力 2022年5期

张家盛，梁进兴

(1.华中科技大学能源与动力工程学院，湖北武汉 430074；2.南方电网公司桂林供电局，广西桂林 541000)

0 引言

架空输电线路是电力系统中重要组成部分[1]，承担着电能传输的主要作用，是输电系统的核心设备，架空路线的安全健康运行是稳定安全电力输送的重要保障[2]。在长时间的运行过程中，架空线路上起连接作用的金具、防震锤等金属材料表面的防锈涂层会逐渐老化而失去保护作用[3]，若不及时处理该类缺陷会导致大规模电网停电甚至是人员安全事故发生[4]。对这类设备进行监测和健康状态评估，制定检修运维策略，进而更好维护设备安全确保其能够可靠地持续运行，是供电部门的迫切需求[5]。

传统的对架空电力线路设备锈蚀状态的监测采用的是目视巡视和检查的方式，工作量大且费时费力[6]。目前，采用无人机对架空线路进行巡检的方式已经逐步普及应用，将拍摄的架空路线图像回传进行人工分析，但是对大量数据进行手工对比核实仍然是不小的工作量且容易出现纰漏[7]。当下对缺陷的图像、视频进行自动识别和处理还处于发展阶段[8]，随着生产管理要求的提高[9]，自动化缺陷检测成为研究趋势[10]。目前自动化缺陷检测通常采用机器学习方法，其中深度神经网络算法由于其强泛化能力和自学习性而被广泛关注。

近年来学者对架空输电线路图像缺陷自动检测做了不少研究，蒋志佳[11]采用传统图像识别技术对架空线路绝缘子裂缝进行识别；秦帅兵[12]采用深度学习方法对架空异物进行自动化检测；王刚[13]对架空输电线路本体缺陷图像自动识别进行研究；缪希仁等[14]基于深度网络对输电线路防鸟刺部件进行识别与故障检测；廖金[15]等采用深度学习方法对绝缘子掉串进行识别。金具锈蚀类缺陷是架空线路主要的缺陷，而当下对该类缺陷自动识别的研究并不充分，所以本文针对巡检架空线路锈蚀图像环境背景大、目标小等特点，提出基于深度学习的无人机巡检架空线路金具锈蚀缺陷检测方法。

1 金具锈蚀缺陷检测模型搭建

1.1 图像缺陷目标检测

图像缺陷目标检测包含分类和定位两项任务。首先判断图像中是否包含目标类别，接着在图中标记出该类别所在位置[16]。该过程如图1所示，主要包括图像信息采集、图像信息预处理、特征提取与选择、寻找目标区域、分类决策五大步骤。早期图像智能检测技术大多是基于手工特征提取建构的，需要设计复杂的提取算法寻找目标区域，再送入分类器当中进行识别。深度卷积网络可以自动学习分类特征方法，因诊断效果好、泛化能力强、鲁棒性强等特点而被广泛应用于图像目标检测。

图1 图像目标检测过程

1.2 基于改进YOLO深度学习的检测模型

目前用于目标识别、检测的神经网络模型有多种，比如Faster-RCNN、Mask-RCNN、YOLO等。其中YOLO(You Only Look Once)网络是一种典型的单阶段目标检测网络，因实时性好的特点而被运用于目标检测。YOLO目标检测网络的结构如图2所示，主要分为三个部分:主干特征提取网络，作用是对图片进行初步的特征提取；加强特征提取网络SPP和PANet；预测网络Yolo Head。

图2 YOLO网络结构

采用轻量化的模型MobileNet替换YOLO的主干特征提取网络，同时不牺牲过多的准确率，对模型进行改进并加速计算。该网络的核心思想是使用深度可分离卷积块取代传统的卷积块，在MobileNet模型中[17]，传统的卷积被分解为深度卷积和点积两部分:深度卷积将标准卷积分成两个独立的层，分别用于过滤组合；点积使用1×1卷积输出组合到深度卷积。通过分解，计算量减少和模型规模变小，改进的深度可分离卷积块结构如图3所示。

图3 深度可分离卷积块结构

2 金具锈蚀缺陷图像预处理

2.1 锈蚀图像特征

由于输电巡检时高空作业的特点，不可能对缺陷部位进行各个角度精准拍摄，因而拍摄的图像存在环境背景占比较大、缺陷的部位占比小的问题，且不同拍摄角度、不同光线条件下拍出的缺陷图像会有较大差别。深度网络模型如果不经过预处理，而只采用原始图像进行训练并学习，会出现模型泛化能力、鲁棒性下降的情况。

2.2 图像预处理方法

考虑到锈蚀图像实际特点，对图像进行旋转、调色、拉伸、剪切、滤波等操作，尽量模拟不同拍摄角度、不同光线条件，增广数据集以提高模型的鲁棒性，部分图像操作如图4所示。

图4 图像处理方法

3 实验与分析

3.1 数据集建立及评价指标

本实验使用某供电局巡检拍摄的架空线路高分辨率图像作为训练样本与测试样本。由于没有公开的数据集，训练样本有限，为了解决锈蚀图像背景大、目标小、不同拍摄条件差异大等问题，提高模型的鲁棒性，运用图像预处理方法扩充训练样本。其中534张锈蚀缺陷图像作为训练样本，63张作为测试样本，像素为4 000 px×3 000 px，测试样本尺度与训练样本相同。

实验中采用精准率(P)、召回率(R)和AP值作为评价指标。精准率为被认为是缺陷样本中为真实缺陷样本的比重，召回率为真实缺陷样本中被认为是缺陷样本的比重。记TP为正确识别为缺陷的样本数，FP为被错误识别为缺陷样本数，FN为未被识别的缺陷样本数。计算式为:

P和R会随着置信度阈值变化而变化，将P和R分别作为纵坐标和横坐标可以得到P-R曲线，AP值为该曲线的积分值，公式(2)中p为曲线对应纵坐标值，dr为积分算子。在检测中，P和R要尽可能最大，以保证检测算法的性能，AP值可以作为评估算法性能的指标。

3.2 模型训练参数与模型识别定位

模型训练采用两步法结合迁移学习策略:第一步冷冻主干特征提取网络训练40世代，批量大小为4，梯度下降更新其余网络参数；第二步解冻主干特征提取网络训练40世代，对所有参数进行梯度下降更新，批量大小为8。初始学习率为10-3，优化策略为Adam优化器，模型输入重采样大小为736×736。

训练完成后生成pth模型文件，测试时导入网络模型参数对测试图像进行分类和定位，当预测定位框和目标位置框的重叠部分面积比超过0.5时，可以判断模型较为精确地定位到具体金具锈蚀缺陷位置，基本满足检测要求。

3.3 模型检测结果

模型检测结果的P、R、P-R曲线如图5所示，图中可以发现P曲线随着置信度变大有先升高再下降后升高的趋势；R曲线随着置信度变大缓慢下降，在置信度0.6左右位置下降速度变快；当置信度阈值取0.5的时候，P为0.92，当置信度为0.5时，R为0.84。结果反映模型的精准率较高，在检测有锈蚀缺陷的数据中准确率达到92%以上，整个测试集上漏检率为16%，AP计算值为91.34%，模型具有较好的检测性能。

图5 检测结果统计

取部分典型锈蚀缺陷位置的检测结果如表1和图6所示，检测成功的部位用红色矩形框标注出来，数字表示的是检测算法矩形框与目标矩形框重合的比例，可以认为其是检测框的置信水平。由图可知，该深度模型可以将锈蚀缺陷正确检测并标注出来，模型有较好的诊断效果，泛化能力较强，可以为架空巡检中设备的健康状态评估提出指导建议。