圖像識(shí)別在電力巡檢中的應(yīng)用與研究

張朝暉 成鑫 劉永軍 陳述

摘? 要：電力線路設(shè)施的巡檢與運(yùn)維，在大量引入無(wú)人機(jī)之后，大幅提高了線路設(shè)施的運(yùn)維效率，同時(shí)提高了運(yùn)維質(zhì)量。通過(guò)無(wú)人機(jī)攜帶光學(xué)設(shè)備，對(duì)塔架設(shè)施進(jìn)行細(xì)節(jié)拍照，隨后通過(guò)人工對(duì)照片進(jìn)行分析判斷故障。為了提高照片故障分析的效率，基于人工智能算法，開(kāi)發(fā)了相應(yīng)的圖像批處理軟件，將無(wú)人機(jī)作為數(shù)據(jù)采集端，識(shí)別軟件作為后端算法端，通過(guò)大量的數(shù)據(jù)學(xué)習(xí)和分析，實(shí)現(xiàn)了應(yīng)對(duì)多種典型故障具有較高的識(shí)別準(zhǔn)確率。

關(guān)鍵詞：電力巡檢? 圖像識(shí)別? 算法? 人工智能

中圖分類號(hào)：TM76 ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? 文章編號(hào)：1674-098X（2021）02（c）-0032-05

The Application and Research of Image Recognition in Electric Power Inspection

ZHANG Zhaohui? CHENG xin? LIU YongJun? CHEN Shu

（Yangquan Coal Industry （Group） Co.， Ltd. ，Yangquan， Shanxi Province，? 045008 China）

Abstract： Inspection and operation and maintenance of power line facilities， after the introduction of a large number of UAVs， greatly improve the efficiency of operation and maintenance of line facilities， and improve the quality of operation and maintenance. The UAV carries optical equipment to take detailed photos of the tower facilities， and then analyzes the photos manually to judge the fault. In order to improve the efficiency of photo fault analysis， based on the artificial intelligence algorithm， the corresponding image batch processing software is developed. The UAV is used as the data acquisition end， and the recognition software is used as the back-end algorithm end. Through a large amount of data learning and analysis， it can deal with a variety of typical faults with high recognition accuracy.

Key Words： Electric power inspection; Image recognition; Algorithms; Artificial intelligence

隨著多旋翼無(wú)人機(jī)進(jìn)入了電力巡檢領(lǐng)域后，成為了巡檢人員視覺(jué)和動(dòng)作的延伸，無(wú)人機(jī)能去到巡檢人員無(wú)法到達(dá)或不便到達(dá)的地方，高效而安全地完成了原本耗時(shí)耗力的周期性工作，把巡檢人員從高強(qiáng)度的體力勞動(dòng)中逐步解放出來(lái)。為響應(yīng)國(guó)家2025智能制造戰(zhàn)略，煤礦系統(tǒng)的電力日常運(yùn)維工作流程進(jìn)一步細(xì)化為：數(shù)據(jù)采集-數(shù)據(jù)整理-數(shù)據(jù)分析-信息提取-結(jié)論上報(bào)幾個(gè)環(huán)節(jié)，除了數(shù)據(jù)采集手段得到了質(zhì)的提升外，其余環(huán)節(jié)仍需人工的大量介入，因此為了實(shí)現(xiàn)全流程的自動(dòng)化，需要針對(duì)數(shù)據(jù)處理開(kāi)發(fā)相應(yīng)的自動(dòng)化軟件。

1? 無(wú)人機(jī)電力系統(tǒng)巡檢數(shù)據(jù)處理現(xiàn)狀

無(wú)人機(jī)電力巡檢發(fā)展到現(xiàn)在，目前仍然處于“人巡為主，機(jī)巡為輔”的階段，原因還是無(wú)人機(jī)巡檢目前還處于手動(dòng)操控為主，巡檢工人在實(shí)際上崗前，需要經(jīng)歷一定的培訓(xùn)才能開(kāi)始使用[1]。隨著電力運(yùn)維要求的逐步提高，簡(jiǎn)化巡檢過(guò)程、提高巡檢效率成為無(wú)人機(jī)在巡檢領(lǐng)域發(fā)展的重要課題，自動(dòng)化智能化無(wú)疑將是無(wú)人機(jī)發(fā)展的重要方向。

現(xiàn)有電力巡檢無(wú)人機(jī)的工作模式以人工操作巡檢、人工整理數(shù)據(jù)為主，其巡檢效率及人工參與時(shí)間還有較大優(yōu)化空間。目前的巡檢作業(yè)模式和數(shù)據(jù)整理模式面臨的挑戰(zhàn)主要有三大環(huán)節(jié)。（1）需要占用大量人力（包含前期培訓(xùn)和現(xiàn)場(chǎng)操作）（2）數(shù)據(jù)不閉環(huán)（無(wú)人機(jī)所采集的數(shù)據(jù)不能實(shí)時(shí)地同步到數(shù)據(jù)處理單元）（3）信息不連續(xù)（處理數(shù)據(jù)得到的信息無(wú)法及時(shí)傳遞回到生產(chǎn)系統(tǒng)以指導(dǎo)生產(chǎn)）。為了解決以上問(wèn)題，提出了3種思路：（1）無(wú)人機(jī)采用自動(dòng)巡檢以解決數(shù)據(jù)采集階段人工占用量大的問(wèn)題（2）引入智能識(shí)別技術(shù)在前端（無(wú)人機(jī)）/后端（服務(wù)器）對(duì)數(shù)據(jù)進(jìn)行處理，進(jìn)而獲取關(guān)鍵信息（3）引入無(wú)人機(jī)作業(yè)管理平臺(tái)，將無(wú)人機(jī)整個(gè)作業(yè)過(guò)程信息閉環(huán)。

2? 圖像識(shí)別算法研究與應(yīng)用

基于無(wú)人機(jī)視覺(jué)的高壓塔線系統(tǒng)巡檢技術(shù)由于其成本低、安全性高、不受空間限制及航程遠(yuǎn)等優(yōu)勢(shì)在電力行業(yè)中受到了越來(lái)越多的關(guān)注和應(yīng)用。無(wú)人機(jī)電力塔線系統(tǒng)巡檢的首要任務(wù)是對(duì)輸電塔線及其關(guān)鍵部件進(jìn)行識(shí)別定位[2]。目前，機(jī)器視覺(jué)中常用的目標(biāo)檢測(cè)算法以淺層結(jié)構(gòu)模型為主（支持向量機(jī)、回歸算法模型、傳統(tǒng)BP神經(jīng)元網(wǎng)絡(luò)等）。而淺層機(jī)器學(xué)習(xí)模型受限于其本身的特征學(xué)習(xí)能力限制，在復(fù)雜背景中的識(shí)別效果較為有限。深度學(xué)習(xí)雖然具有較強(qiáng)的特征學(xué)習(xí)分類能力，但絕大多數(shù)深度學(xué)習(xí)中需要大量的卷積和微分計(jì)算，計(jì)算強(qiáng)度大耗時(shí)長(zhǎng)。目前常用的基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法如RCNN等雖然在識(shí)別準(zhǔn)確率上高于淺層算法，但識(shí)別過(guò)程需要的計(jì)算時(shí)間長(zhǎng)，難以滿足實(shí)時(shí)檢測(cè)的要求[3]。

2.1 基于YOLOv3方法的電力部件識(shí)別定位

YOLOv3在基本保證準(zhǔn)確度的前提下，速度大幅提升，背景誤檢率低，通用性強(qiáng)。因此本文以YOLOv3識(shí)別方法為主，提取電力部件的識(shí)別特征并進(jìn)行目標(biāo)識(shí)別驗(yàn)證[4]。

YOLOv3方法中的目標(biāo)檢測(cè)識(shí)別過(guò)程如圖1所示。其主要實(shí)現(xiàn)步驟為：（1）分割圖像，邊界框的預(yù)測(cè)和分類。YOLOv3將輸入圖像分成SxS個(gè)格子，每個(gè)格子在三個(gè)不同的尺度預(yù)測(cè)若干個(gè)邊界框及其置信度，以及若干物體屬于某種類別的概率信息。邊界框信息為物體的中心位置相對(duì)于格子位置的偏移量及寬度和高度。置信度反映是否包含物體以及包含物體情況下位置的準(zhǔn)確性。YOLOv3對(duì)每個(gè)邊界框通過(guò)邏輯回歸預(yù)測(cè)一個(gè)物體的得分，如果預(yù)測(cè)的這個(gè)邊界框與真實(shí)的邊框值大部分重合且比其他所有預(yù)測(cè)的要好，那么這個(gè)值就為1。如果重合度沒(méi)有達(dá)到一個(gè)閾值（YOLOv3中設(shè)定的閾值是0.5），那么這個(gè)預(yù)測(cè)的邊界框?qū)?huì)被忽略，也就是會(huì)顯示成沒(méi)有損失值。（2）CNN提取網(wǎng)格中的特征。CNN對(duì)整個(gè)圖像進(jìn)行系列卷積運(yùn)算，得到特征圖。取出特征圖上每個(gè)邊框內(nèi)的特征形成高維特征向量。（3）圖像中物體的識(shí)別分類。每個(gè)網(wǎng)格預(yù)測(cè)多個(gè)邊界框，根據(jù)計(jì)算得到的分類誤差，置信度以及類別概率等判別物體[5]。

2.2 軟件架構(gòu)

本文使用了最新檢測(cè)的YOLO3深度學(xué)習(xí)目標(biāo)算法模型對(duì)輸電塔線系統(tǒng)中的關(guān)鍵部件進(jìn)行識(shí)別取得了良好的效果，同時(shí)，由于YOLO3內(nèi)只使用單個(gè)卷積神經(jīng)元網(wǎng)絡(luò)核心對(duì)視頻圖像中的目標(biāo)檢測(cè)對(duì)象進(jìn)行識(shí)別，其效率更高速度更快。通過(guò)測(cè)試發(fā)現(xiàn)，基于YOLO3模型的輸電塔線系統(tǒng)關(guān)鍵部件識(shí)別平均時(shí)間在0.36ms，完全達(dá)到了實(shí)時(shí)檢測(cè)的要求[6]。

該軟件針對(duì)無(wú)人機(jī)電力巡檢而開(kāi)發(fā)，基于航拍圖像的輸電線路部件故障自動(dòng)檢測(cè)系統(tǒng)，主要依托QT強(qiáng)大的人機(jī)交互功能和先進(jìn)的人工智能算法對(duì)輸電線路部件進(jìn)行智能識(shí)別分類。

本系統(tǒng)包含識(shí)別診斷和缺陷管理兩大模塊（見(jiàn)圖2）。識(shí)別診斷模塊利用泛化性強(qiáng)、識(shí)別精度高的網(wǎng)絡(luò)模型對(duì)輸電線路部件圖像實(shí)現(xiàn)批量自動(dòng)故障檢測(cè)并分類保存。缺陷管理模塊主要對(duì)識(shí)別診斷結(jié)果進(jìn)行人工確認(rèn)，通過(guò)故障部件圖像經(jīng)緯度信息確定所屬塔桿所在具體位置，自動(dòng)生成相應(yīng)的故障檢測(cè)報(bào)表，以便維修工作人員及時(shí)維護(hù)，為輸電線路故障檢測(cè)提高工作效率，從而實(shí)現(xiàn)了輸電線路部件識(shí)別及故障檢測(cè)智能化（見(jiàn)圖3）。

2.3 應(yīng)用情況

對(duì)桿塔上的部件，如接地裝置、拉線及基礎(chǔ)、絕緣子、導(dǎo)線、地線、引流線、防雷裝置、各種監(jiān)測(cè)裝置、桿號(hào)、警告、防護(hù)、指示、相位等標(biāo)識(shí)電纜、電纜頭等的狀態(tài)進(jìn)行圖像數(shù)據(jù)采集。本次實(shí)驗(yàn)數(shù)據(jù)集來(lái)源于無(wú)人機(jī)巡檢圖像（見(jiàn)圖4）。訓(xùn)練集共有2000張圖像，圖5隨機(jī)展示了數(shù)據(jù)集中的8張圖像。

本次實(shí)驗(yàn)使用YOLO3 模型對(duì)測(cè)試集圖像進(jìn)行測(cè)試，結(jié)果如表1所示，針對(duì)塔線系統(tǒng)的四個(gè)關(guān)鍵部分的識(shí)別正確率較高，對(duì)不同目標(biāo)的平均運(yùn)算速度為 32.9ms。同時(shí)，我們對(duì)比了幾種不同常用模型的目標(biāo)識(shí)別速度（以幀每秒 FPS單位為標(biāo)準(zhǔn)），從結(jié)果如可以看到，Yolo V3模型的處理速度要遠(yuǎn)遠(yuǎn)好于常用模型，30.4幀每秒的速度完全達(dá)到了對(duì)視頻進(jìn)行實(shí)時(shí)目標(biāo)識(shí)別定位的要求。

3? 結(jié)語(yǔ)

本文對(duì)山西陽(yáng)泉市陽(yáng)煤集團(tuán)的電力系統(tǒng)通過(guò)引入無(wú)人機(jī)實(shí)現(xiàn)巡檢數(shù)據(jù)的自動(dòng)化采集以及基于的YOLO3深度學(xué)習(xí)目標(biāo)算法開(kāi)發(fā)了數(shù)據(jù)處理軟件，開(kāi)展自動(dòng)化電力巡檢研究。通過(guò)大量的數(shù)據(jù)學(xué)習(xí)和分析，實(shí)現(xiàn)了應(yīng)對(duì)多種典型故障具有較高的識(shí)別準(zhǔn)確率，初步形成了一整套行之有效的電力系統(tǒng)巡檢自動(dòng)化系統(tǒng)，為后續(xù)進(jìn)一步實(shí)現(xiàn)全自動(dòng)化、智能化的煤礦電力運(yùn)維提奠定了良好的基礎(chǔ)。

參考文獻(xiàn)

[1] 匡載波，王江.基于腦啟發(fā)視覺(jué)神經(jīng)元網(wǎng)絡(luò)輸電線路部件識(shí)別的研究[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2020，32（4）：14-20.

[2] 裴少通.基于紅外紫外成像檢測(cè)技術(shù)的絕緣子運(yùn)行狀態(tài)分析與評(píng)估[D].華北電力大學(xué)（北京），2019..

[3] 王萬(wàn)國(guó)，田兵，劉越，等.基于RCNN的無(wú)人機(jī)巡檢圖像電力小部件識(shí)別研究[J].地球信息科學(xué)學(xué)報(bào)，2017，19（2）：256-263.

[4] 李鑫，崔昊楊，許永鵬，等.電力設(shè)備IR圖像特征提取及故障診斷方法研究[J].激光與紅外，2018，48（5）：659-664.

[5] 張從新，趙樂(lè)，王先培.復(fù)雜地物背景下電力線的快速提取算法[J].武漢大學(xué)學(xué)報(bào)（工學(xué)版），2018，51（8）：732-739.

[6] 劉志穎，繆希仁，陳靜，等.電力架空線路巡檢可見(jiàn)光圖像智能處理研究綜述[J].電網(wǎng)技術(shù)， 2020，44（3）：1057-1069.