一種高壓線異物檢測算法

張凡 范亞雷 劉文達 蔡濤

摘? 要： 高壓線路異物纏繞極易引發(fā)區(qū)域大面積停電，導致停運事故，智能異物檢測算法是未來智能電力巡檢系統(tǒng)的關鍵模塊之一。通過整理近年人工處理高壓線異物時備案的原始圖片數(shù)據(jù)，對數(shù)據(jù)進行規(guī)范化處理和人工標注，建立“高壓線異物檢測數(shù)據(jù)集”，研究一種高壓線異物檢測算法，該算法基于SSD模型，并有針對性地對數(shù)據(jù)集使用K?means聚類的方法獲取先驗框參數(shù)，以此替代默認值。實驗結果在測試集上的平均準確率為86.69%，定位準確率為69.2%，表明所提算法可有效地對高壓線上的異物進行檢測和定位。

關鍵詞： 異物檢測; 高壓線; 數(shù)據(jù)集構建; 參數(shù)設置; 模型訓練; 結果分析

中圖分類號： TN345?34; TP391.4? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）08?0036?05

High?voltage line foreign object detection algorithm

ZHANG Fan1，2， FAN Yalei2，3， LIU Wenda2，3， CAI Tao2，3

（1. Hubei Collaborative Innovation Center for High?Efficiency Utilization of Solar Energy， Hubei University of Technology， Wuhan 430068， China;

2. Hubei Power Grid Intelligent Control and Equipment Engineering Technology Research Center， Hubei University of Technology， Wuhan 430068， China;

3. Hubei Key Laboratory for High?Efficiency Utilization of Solar Energy and Operation Control of Energy Storage， Hubei University of Technology， Wuhan 430068， China）

Abstract： The high?voltage line foreign object winding is easy to cause large?area regional blackout， resulting in the outage accidents. The intelligent foreign object detection algorithm is one of the key modules of the future intelligent power inspection system. The original picture data recorded in the manual processing of high?voltage line foreign objects in recent years is arranged， which is normalized and labeled manually， and the "high?voltage line foreign object detection data set" is established. A high?voltage line foreign object detection algorithm is studied. The algorithm is based on the SSD model， and the K?means clustering method is used to obtain the prior box parameters of the data set， so as to replace the default value. The average accuracy of the experimental results on the testing set is 86.69%， and the positioning accuracy is 69.2%. The algorithm can detect and locate foreign objects on the high?voltage line effectively.

Keywords： foreign object detection; high?voltage line; construct database; model training; result analysis

0? 引? 言

變電站和高壓走廊是電力網(wǎng)中重要的組成部分，我國的電力設施多分布在人煙較少的郊區(qū)和植被茂密的農(nóng)村地帶，電力電纜和高壓鐵塔安置在這些地區(qū)難免會受到“異物”侵擾。一般常見的電力設備異物纏繞多是由風箏纏繞、氣球纏繞、條幅纏繞以及農(nóng)業(yè)大棚碎片纏繞引起。若是在大風天氣或者多雨的潮濕氣候下，塑料布被風吹起造成兩股高壓線纏繞，纏繞在高壓電線上的風箏線因雨水導電造成短路事故，引發(fā)跳閘停電事故并損壞設備。更嚴重的是，異物纏繞造成電力設備對地放電距離縮減，極易對經(jīng)過電力設備底下的行人造成電擊傷害。根據(jù)統(tǒng)計，近年來由于外部因素所導致的電力線路跳閘或者故障停運的事故呈現(xiàn)逐年遞增的勢態(tài)。截止2015年，國家電網(wǎng)公司330 kV及以上輸電線路外力破壞占總故障跳閘的15.8%，而異物短路占外破跳閘總數(shù)[1]的55.4%。可見對于異物檢測技術的需求已經(jīng)迫在眉睫。目前我國大部分地區(qū)還是采用傳統(tǒng)的人工巡檢方式，主要是巡檢人員通過步行或者騎行的方式沿輸電線路巡視，檢測工具則大多依靠人眼直接觀察、佩戴望遠鏡等。但是，由于巡檢時間過長、巡檢設備較多和巡檢路線大多崎嶇難行等因素的綜合，極易使得巡檢人員產(chǎn)生疲累、厭倦的負面情緒，因而漏檢的狀況時有發(fā)生。根據(jù)中國電科院的統(tǒng)計顯示，每年由于漏檢造成的直接經(jīng)濟損失[2]都要超過26億元。可以預見，為了跟上當下社會對電力系統(tǒng)的發(fā)展需求，為了保證優(yōu)質的供電質量確保電力設施安全可靠運行，使用智能巡檢來代替?zhèn)鹘y(tǒng)的人工巡檢已經(jīng)成為發(fā)展趨勢。智能巡檢設備主要以搭載攝像頭的無人機或巡檢車為主，按照設定好的巡檢路線對沿途電力設備進行圖像采集。通過對采集到的圖像進行處理，進而判斷圖像中是否存在異物纏繞的情況，當檢測到異物時及時通知維護人員前來清除，保護電力設備運行。經(jīng)典的目標檢測算法是背景差法和幀差法。其中背景差法更適合在攝像角度固定的監(jiān)控攝像設備上使用，這并不符合巡檢移動時背景不斷變化場景中的應用;而幀差法則是先建立檢測線路的背景模板，通過實時采樣的圖像與背景模板逐一比較從而得到結果。但是，即使巡檢設備每次的檢查點相同，巡檢設備的攝像頭也難以保證航向角和云臺角度與模板視角一致，這些差異極易被算法判斷為變化的前景異物，從而產(chǎn)生誤判[3]。綜上可知，傳統(tǒng)方法的缺陷在于無法克服尺度、平移和旋轉對檢測任務的影響。尺度不變特征轉換（Scale Invariant Feature Transform，SIFT）是一種局部特征描述子，可在圖像中檢測出關鍵點，因此對尺度、平移和旋轉甚至亮度變化保持不變性，對于采樣視角的變化也有一定程度的穩(wěn)定性。但是此方法需要建立待測區(qū)域的模板圖像庫，當場景變化就需要將建立庫的工作重復一次，不具備良好的適應性。

依賴于計算機視覺的發(fā)展和深度學習在目標檢測領域的應用發(fā)展。目前圖像目標檢測方法主要分為兩類：基于候選框的R?CNN[4]，F(xiàn)aster R?CNN[5];基于回歸方法的YOLO（You Only Look Once）[6]，SSD（Single Shot MultiBox Detector）[7]等。其中主要用到深度神經(jīng)網(wǎng)絡模型都是卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network， CNN）。本文選擇在TensorFlow平臺上實現(xiàn)SSD算法完成異物檢測任務，首先為此建立專用于異物檢測的“高壓線異物檢測數(shù)據(jù)集”;然后在訓練數(shù)據(jù)集上用K?means聚類得到的參數(shù)設置先驗框的寬高比;接著在預訓練模型上利用遷移學習和微調的方式實現(xiàn)異物檢測網(wǎng)絡;最后給出在不同的先驗框的寬高比參數(shù)設置下異物纏繞的檢測定位對比結果。

1? 數(shù)據(jù)集的構建

目前用于目標識別和檢測賽事的通用數(shù)據(jù)集圖片都整理成較為清晰、拍攝角度相對固定的圖片。與此不同的是，特定的目標檢測任務的數(shù)據(jù)集構建需要從零開始，人工對圖片進行篩選，使其能更好地契合深度學習網(wǎng)絡的學習規(guī)律。

1.1? 原始數(shù)據(jù)的篩選

首先，整理近年來人工清除高壓設備上異物纏繞的備案圖片，獲取原始數(shù)據(jù)，這部分工作主要是依賴人工篩選。

1） 將風箏纏繞、氣球纏繞、條幅纏繞以及農(nóng)業(yè)大棚碎片纏繞這類頻繁引發(fā)停運事故的圖片作為整理收集工作的主要目標，如圖1所示。

2） 對同一異物，選取不同的拍攝角度、不同的遠近景采集到的圖片。多種方位的采集有助于在訓練網(wǎng)絡時減少過擬合現(xiàn)象，如圖2所示。

3） 在同一類高壓電氣設備上，對于不同的纏繞異物進行整理，如圖3所示。

4） 巡檢任務大多是全天候執(zhí)行，為了提高算法對不同光照強度下異物檢測的泛化能力，對不同時段、不同天氣環(huán)境下采集到的圖片進行整理，如圖4所示。

1.2? 原始數(shù)據(jù)的規(guī)范化

因為原始圖片是從不同的記錄設備上整理得到，圖片的命名和格式各不相同，在此需要統(tǒng)一圖片名稱并且將所有的圖片格式都轉換成“.jpg”格式。同時對圖片的名字進行重命名，統(tǒng)一規(guī)定為從“000001”開始的6位數(shù)序號排序，結果如圖5所示。

在完成以上初步處理之后，針對不同設備所采集到的圖片存在大小差異明顯、像素過大導致算法讀入數(shù)據(jù)緩慢等問題，進一步對圖片的寬度做規(guī)范化處理。統(tǒng)一以寬度500像素作為規(guī)范的標準大小，僅在單一的度量方向上規(guī)范化，避免原圖中寬高比為1∶2和2∶1的長方形圖片在某個特定方向上壓縮變形，從而導致圖像中的目標物失真，目標的特征失去準確性。

1.3? 數(shù)據(jù)集的標注和格式轉換

對以上處理后的原始圖片進行人工標注，進而生成“.xml”文件，標注工具選擇Labelimg軟件。對圖片中出現(xiàn)的風箏纏繞、氣球纏繞、條幅纏繞以及農(nóng)業(yè)大棚碎片纏繞統(tǒng)一用“foreignobj”標簽標注，如圖6所示。

最終整理標記圖片357張，其中285張劃分為訓練和驗證集，72張劃分為測試集。并且生成數(shù)據(jù)劃分文件：測試集“test.txt”、 訓練集“train.txt”、 訓練和驗證集“trainval.txt”、 驗證集“val.txt”。按照PASCAL VOC（The PASCAL Visual Object Classes）數(shù)據(jù)集的數(shù)據(jù)存放結構完成最終數(shù)據(jù)集的建立。將“.xml”文件放進“Annotations”，“.jpg”文件放進“JPEGImages”，“.txt”文件放進“ImageSets＼Main”。最后進行數(shù)據(jù)格式轉換，將訓練集和測試集的每張圖片對應的“.xml”格式文件轉換為更符合TensorFlow處理的二進制數(shù)據(jù)編碼方案，即TFRecord格式文件[8]。

2? 使用K?means聚類結果設置先驗框默認參數(shù)

SSD算法采用在不同大小的特征圖上預先按照一定的寬高比設置先驗框參數(shù)。如圖7所示，在淺層特征圖上更容易發(fā)現(xiàn)小目標，而深層的特征圖則負責檢測大目標。在SSD原始算法中，先驗框的寬高比參數(shù)默認設置為{1，2，3，1/2，1/3}。但是在特定場景下，如異物檢測任務中，異物的寬高比會呈現(xiàn)較大的數(shù)值，雖然SSD網(wǎng)絡可以通過學習適當?shù)恼{整邊界，但若是為網(wǎng)絡選擇更好的先驗框，可以使網(wǎng)絡更容易學習以便預測更好的預測框[9]。

SSD的預測框是通過對預測值解碼得到的，解碼過程即式（1），可以觀察到預測值[l]直接影響預測框位置，式（1）決定整個預測框中心水平或者豎直偏移。預測偏移值[l]應該是向由式（2）編碼得到的偏移值[g∧]靠近，因此選取更加合適的先驗框尺寸可以使得計算出的真實偏移值不會有太大的波動，而是在一個較小的范圍內變化，預測值更容易得到好的結果。

式中：[bcx]，[bcy]是預測框的中心坐標;[dcx]，[dcy]是先驗框的中心坐標;[gcx]，[gcy]是標注框的中心坐標;[lcx]，[lcy]是算法預測值;[g∧cx]，[g∧cy]是標注框與先驗框間的偏移量。

通過K?means聚類得到的5類結果，聚類中心的數(shù)值為：0.57，1.35，2.39，4.6，6.2。分析數(shù)值規(guī)律可以發(fā)現(xiàn)，異物的形狀還是以1∶1，1∶2和2∶1為主，不同于通用數(shù)據(jù)集的是多了一些寬高比為4.6和6.2的形狀，這表明橫向跨度較大的目標也存在于訓練集中。

3? 異物檢測模型訓練

3.1? 深度學習開發(fā)環(huán)境的配置

在Windows系統(tǒng)下搭建TensorFlow?gpu平臺，配置CUDA 9.1，cuDNN 7.0，Python 3.6軟件環(huán)境。計算機的硬件配置：CPU為InterIntel 酷睿i7?8700，內存容量8 GB，GPU為NVIDIA GeForce GTX 1060。