基于深度残差网络的输电线路隐患识别模型

张江龙， 刘慧鑫， 苏家琰， 陈雅楠

(1.国网福建省电力有限公司 信息通信分公司，福建 福州 350003；2.国网福建省电力有限公司 电力科学研究院，福建 福州 350007)

0 引 言

随着近年来经济的发展，我国电网的迅速扩建，输电线路的巡检工作量剧增，巡检人员紧缺等问题日益突出。在实际工作中，高压、特高压输电线路一般位于偏僻的平原或者山涧，复杂、危险的环境也给巡检人员带来极大的不便[1]。

近年来，随着通信技术和检测技术的迅速发展，许多新兴的线路检测方法也应运而生。张志劲等[2]用紫外成像仪对不同故障类型下的电晕放电光子数进行检测分析，并运用于电力线路检测。刘齐和何立夫等[3-4]通过红外成像技术获得故障区域的红外图像特征，实现电气设备故障隐患检测。李建峰和Xu等[5-6]在复杂地形环境中使用无人机代替人工，实现智能线路巡检。通过在输电线路杆塔中安装摄像头，使用智能算法分析视频图片也能实现隐患识别。刘宁[7]提出一种基于双区域滤波和多尺度Retinex图像融合的去雾算法，提高输电线路隐患发现率和降低人工工作量。杨旗等[8]提出采用反向传播(back propagation,BP)神经网络算法对输电线路中的典型隐患进行有效识别。然而，大多数的方法存在工作效率低、监测准确率低和成本高昂的特点，使得它们难以推广；同时这些智能检测方法虽能对输电线路本身进行隐患识别，但是难以识别输电线路周围的环境隐患。

为解决上述问题，本文提出一种基于深度残差网络的输电线路隐患识别模型，实现输电线路自身和环境隐患的自动识别。该模型首先利用拉普拉斯梯度算子自动过滤传输失败或模糊等不合格的图片，接着通过正则表达式和聚类生成隐患标签，然后使用深度残差网络(deep residual networks, Deep ResNet)提取图片高层语义特征，最后使用四种不同类型的分类器对深度残差网络参数进行微调。本文模型在单台intel i5处理器计算机上的每张图片识别速度为0.47 s，具有93%的准确率，提高了输电线路和周边环境隐患自动识别水平，减少了输电巡线工作量，提升了电网公司数字化和智能化水平。

1 数据预处理

数据预处理的目的是从原始输电线路视频监控数据库中自动过滤传输失败或模糊等不合格的图片，筛选出可用图片。步骤包含图片灰度化、图像清晰度计算(边缘检测)、阈值选择和剔除小于阈值的图片这四个部分。首先将数据库中输电线路图片转化为灰度图，接着运用拉普拉斯算子(Laplacian)、标准化均值方差(standard mean difference, SMD)和布伦纳(Brenner)梯度函数这三种算法分别来计算图片的清晰度，并确定三种算法的阈值，大于阈值的为清晰图片。最后通过对比三种方法在筛选可用图片时的耗时、精确度和召回率，选择拉普拉斯算子来量化图片的清晰度并筛选可用图片。

2 隐患标签的生成

隐患标签的生成包含隐患文本信息的提取和隐患文本的聚类两个步骤。首先，观察标注图片文本的结构，利用正则表达式提取标注文本的关键信息。然后通过语义相似度分析，对相似文本进行聚类，从而生成隐患图片标签。

隐患标签代表图片的最终训练标签，其中“通道”和“巡视”占80%以上，“隐患”不到20%。本文模型主要关注隐患信息，因此把“巡视”、“本体”和“通道”合并成一类，“隐患”和“鸟害”合并为另一类，最终形成二分类问题。

3 基于视觉的特征提取

基于视觉信息提取的图像特征可以传达输电图片隐患信息，例如是否有大型基建、吊机等施工工具，是否存在鸟窝等。为了更精确地提取图片特征信息，本文模型使用深度残差网络作为输电隐患图片的特征提取模型。其中，每层残差网络由卷积神经网络(convolution neural network,CNN)组成，CNN的层数越深，可抽取的特征层数就越丰富，但其明显的缺点是网络的深度越高就越容易出现网络退化。Deep ResNet通过引入残差单元思想，能够很好地应对神经网络的退化问题，在训练神经网络模型时进一步加深网络的深度，可以提取出更丰富的图片特征信息。

残差网络由很多残差单元堆叠而成，每个残差单元可以表示为：

yl=h(xl)+Γ(xl+wl)

(1)

xl+1=f(yl)

(2)

式中：xl和xl+1分别为第l层的输入和输出；Γ为残差函数；h(xl)为恒定映射层,h(xl)=xl；f为激励函数，本文选择线性整流函数；wl为第l层残差单元的权重值，wl={wl,k|1≤k≤K}；K为残差单元的层数(值一般为2或者3)。如果f是恒定映射函数，即xl+1≡yl，式(1)可以变成

xl+1=h(xl)+Γ(xl,wl)

(3)

以此类推可以得出：

(4)

假设深度残差网络训练的损失为ε，采用梯度下降法来进行模型参数的训练，根据链式法则可得式(5)。

(5)

式(5)的第一项确保了任意从浅层传输过来的信息可以直接到达层。这种残差跳跃式的结构，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于通过叠加多层网络解决整个学习模型的错误率不降反升的难题。

4 试验结果与分析

本文模型运行环境为Windows 10操作系统，Inter(R) Core(TM) i5-6360U CPU，8G内存，使用Python作为分析语言，模型的训练使用Keras和Sklearn。

对2 500张样本图片进行算法评价，其中2 350张为可用图片，150张为传输失败或模糊图片。通过对比筛选可用图片时的耗时、精确度和召回率选择最优算法，结果如表1所示。其中，Laplacian耗时最短，精确度最高；SMD耗时最长、精确度适中；Brenner梯度函数耗时居中，但是精确度最低。在保证召回率在99%的前提下，要想保证图片精确度高可用并且提取耗时短，本模型最终选择Laplacian。

表1 Laplacian、SMD、Brenner算法性能对比

图1 不同分类器的分类效果

本文模型在逻辑回归、随机森林、自提升分类器和支持向量机这四种机器学习模型中进行模型参数的微调。四种分类器在测试集的效果如图1所示。可以看出四个分类器准确率均能达到85%以上，但从F1值来看，随机森林和基于决策树的自提升分类器的分类效果远差于支持向量机和逻辑回归，这可能与决策树模型在2 048个特征下易发生过拟合有关。综合各项指标，支持向量机的分类效果最好。

综上所述，该模型的分析流程如图2所示。基于深度残差网络和支持向量机的组合算法，每张图片处理时间为0.47 s，并获得93%准确率和79%的F1值。

图2 输电线路隐患图片自动识别的逻辑分析流程

5 结束语

本文采用机器学习的有监督学习方法来建模，形成了一个端到端输电图片隐患自动识别分类器，并获得93%准确率和79%的F1值，大大提高识别准确率。本文模型具有很强的推广性，一是模型大小为341 M字节，可以通过容器的方式运行在终端，应用于云边协同的场景；二是模型可以便捷地应用于其他视频分析场景，如应用于变电站视频监控，同时可以内嵌到人工智能平台，迁移到其他专业领域应用。