基于FR-CNN算法的線路巡檢元件故障識別仿真

田毓鑫，蔡富東

(山東理工大學(xué)電氣與電子工程學(xué)院，山東 淄博 255049)

1 引言

線路部件在惡劣環(huán)境下容易出現(xiàn)雷擊、異物損壞等問題，造成輸電線路發(fā)生意外事故，因此需要對輸電線路部件故障進行定期巡檢和識別。線路巡線方式主要有人工巡線、無人機巡線，采用多種巡線方式可為監(jiān)控線路工況提供現(xiàn)場實時視頻或圖像數(shù)據(jù)等。通過數(shù)字圖象處理技術(shù)、淺層圖象機器學(xué)習(xí)或深度學(xué)習(xí)等方法對電子設(shè)備進行觀察，可以提高故障檢測的效率，具有重要的工程應(yīng)用價值[1]。

目前國內(nèi)外采用的線路巡檢元件故障識別方法，基本上都是針對某一類元件的特點設(shè)計提取特征的算法，然后根據(jù)選定的特征在圖中判斷目標是故障還是分類，因此，這些特征提取算法泛化性較差[2]。基于以上原因，提出FasterR-CNN(FR-CNN)算法，解決傳統(tǒng)的線路巡檢元件故障識別方法魯棒性差，識別速度慢的問題。FR-CNN在區(qū)域建議網(wǎng)絡(luò)中選取候選區(qū)域，將預(yù)測建議框數(shù)量限制在300個，從而大大提高了目標檢測的速度。將FR-CNN算法應(yīng)用于線路巡檢元件故障識別工作中，旨在提高元件故障識別速度，同時保證識別精度。

2 線路巡檢元件故障識別方法設(shè)計

2.1 劃分線路巡檢元件狀態(tài)類型

因線路各元器件的安裝位置、結(jié)構(gòu)、電壓、變電容量等不同，各元器件運行狀態(tài)的影響因素也不同。線路巡檢要素的狀態(tài)可以劃分成四種，分別為正常、注意、異常、嚴重。在“正?！睜顟B(tài)下變壓器各功能部件運行正常，各功能部件的評估參數(shù)值遠低于規(guī)程規(guī)定的參考值，接近設(shè)備出廠值或在高質(zhì)量產(chǎn)品值范圍內(nèi)變化；如有預(yù)測指標參數(shù)，預(yù)測指標參數(shù)也遠低于注意值；無任何異常[3]。當(dāng)電力變壓器處于“注意”狀態(tài)時，表明電力變壓器的某些功能部件已經(jīng)處于注意狀態(tài)，即當(dāng)功能部件單獨進行評估時，某些評估指標的參數(shù)值達到了規(guī)程規(guī)定的關(guān)注值，或者因為其中的一些指標參數(shù)值呈現(xiàn)整體劣化趨勢，因而使評估結(jié)果處于注意狀態(tài)；或者因為變壓器有歷史的檢修記錄或家族缺陷史，所以需要密切關(guān)注這些指標的劣化趨勢[4]。同時，還可以對不同的線路巡檢元件進行分類，并將巡檢元件在不同狀態(tài)下的運行參數(shù)設(shè)置為比較特征，用于對線路巡檢元件進行故障識別。

2.2 實時收集線路巡檢圖像

為提高巡線效率，保證在巡線過程中不撞塔和傳輸線，根據(jù) GPS的定位功能，設(shè)計了一種基于巡線圖像采集的巡線路徑。對每一桿的 GPS定位按目標電網(wǎng)線路提供的位置進行選件，并在每一桿上依次懸停進行圖像采集工作。在高壓架空線路上，巡線機器人完成自主越障功能，但對障礙物的識別需要完全依靠攝像機，因此，攝像機的成像質(zhì)量和后期的數(shù)據(jù)處理都會影響其越障能力[5-6]。選材 ALIENTEK推出ATK-OV5640-V11攝像機，OV5640有3種供電電壓要求，分別為1.5 V、3.0 V和2.8 V。其供電電壓要求 DVDD為1.5 V，AVDD和 DOVDD為2.8 V，AF-VCC為3.0 V，這三種電壓等級的電壓信號分別由 LDO穩(wěn)壓器提供。在完成所有桿塔拍攝后，為保證巡游機器人的安全移動，將巡游機器人設(shè)定為最高巡航高度，然后直線移動至起始點。巡檢機器人的單程移動時間約為30分鐘，兩桿塔相距約150米，懸停拍攝時間約30 s，因此，巡檢機器人可以對約9個桿塔進行巡檢和返回，最終將巡檢線路上的每幀圖像都保存下來。

2.3 線路巡檢圖像預(yù)處理

按指標所占比例小于5%，在5%～12%之間，超過12%的指標分為小指標、中指標和大指標。最終僅對分為小目標和中目標的圖像進行處理，對包含大目標的圖像不進行剪切處理。先計算目標所占畫幅的大小，然后對其中的小目標和中目標進行剪切，剪切后的圖像與原始圖像一起進行圖像壓縮、亮度變換、水平翻轉(zhuǎn)等常規(guī)操作。這個擴展部分與原始圖片集一起構(gòu)成訓(xùn)練樣本。

2.3.1 圖像壓縮處理

采用雙線性差對采集的巡線圖像進行壓縮處理，首先計算縮放因子，設(shè)放縮前后的像素點分別為P0(x0，y0)和P(x，y)。放縮公式可以表示為

(1)

式中Hf和Vf分別表示的是水平和垂直方向上的壓縮因子，srcWidth和dstWidth分別為原圖長度和寬度，srcHeight和dstHeight分別為縮放后的長度和寬度[7]。遍歷壓縮圖像中的每一個點(i，j)計算對應(yīng)于原圖中的坐標P0(x0，y0)公式如下

(2)

計算距離點P0最近的 4 個點坐標和權(quán)重，最終根據(jù)式(3)計算P0點坐標。

P0(x0，y0)=w1P1(x1，y1)+…+w4P4(x2，y2)

(3)

按照上述公式，依次遍歷所有樣本圖像，進行圖像壓縮。在此基礎(chǔ)上，只改變圖像的大小，不會損失目標信息。

2.3.2 透視畸變校正

在獲取圖像時，如果攝像鏡頭的光軸不與間隔桿平面垂直，就會在像平面上產(chǎn)生透視幾何失真，影響形狀判斷結(jié)果。所以，透視失真需要校正。當(dāng)使用照相機拍攝時，圖像的幾何結(jié)構(gòu)如圖1所示。

圖1 幾何成像關(guān)系圖

平面上未畸變的理想坐標像點的極坐標為(ρ，θ)，畸變像點為(ρ′，θ′)，定義d為垂直物面與透鏡之間的距離，c為物面上成像點到光軸與物面交點的距離，a、b分別為物面傾斜時物面與光軸及垂直物面的投影，f為焦距?；趫D2中的成像關(guān)系，可以得到

(4)

由此可以得出

(5)

在此基礎(chǔ)上，建立了理想圖像的幾何坐標與失真圖像的幾何坐標的相互關(guān)系，將整個圖像的中心點作為極坐標原點[8]。依次將各理想圖像的點坐標(ρ，θ)代入，可以得到相應(yīng)畸變圖像的點坐標(ρ′，θ′) ，再將該點坐標的像素值賦給理想坐標，即可實現(xiàn)畸變圖像的校正。

2.4 構(gòu)建FR-CNN網(wǎng)絡(luò)模型

FR-CNN 的框架流程如圖2所示。

圖2 FR-CNN模型框圖

FR-CNN模型中的RPN網(wǎng)絡(luò)主要負責(zé)生成候選框的坐標以及是否為前景的分數(shù)。另一部分是負責(zé)FastR-CNN的檢測模塊。從總體上看，前向卷積網(wǎng)絡(luò)用于提取特征，后向 RPN網(wǎng)絡(luò)和FastR-CNN檢測網(wǎng)絡(luò)共享前向特征[9]。該網(wǎng)絡(luò)在每一個特征圖的錨節(jié)點上生成不同大小的候選框，該檢測網(wǎng)絡(luò)通過檢測和識別該候選區(qū)域中的目標類別來確定該候選區(qū)域。網(wǎng)絡(luò)模型中的損失函數(shù)下

(6)

2.5 提取線路巡檢元件特征

利用FR-CNN網(wǎng)絡(luò)模型，在 python上構(gòu)建 tensorflow，從vgg16中提取圖片中的信息，然后輸入到后續(xù)的網(wǎng)絡(luò)中進行分類和定位。在特征提取中，Vggl6型 CNN用于對線路巡檢圖像進行特征提取，該模型包括13個卷積層、13個 ReLu激活層和4個池化層。該網(wǎng)絡(luò)模型采用層疊式結(jié)構(gòu)，將多個3*3卷積核與1*1相結(jié)合，用3*3卷積核提取特征，用1*1卷積核降維數(shù)據(jù)[11]。而 VGGNet網(wǎng)絡(luò)結(jié)構(gòu)與以往卷積核的不同之處在于，它首次采用了小尺寸結(jié)構(gòu)和層疊結(jié)構(gòu)，卷積層均采用了3*3的卷積核結(jié)構(gòu)，旨在代替大尺寸的卷積核，更有利于細節(jié)特征和高維數(shù)據(jù)特征的提取，少數(shù)網(wǎng)絡(luò)還采用1*1的卷積核來代替3*3的卷積核，從而使整個網(wǎng)絡(luò)的非線性度得到提高，參數(shù)數(shù)目大大減少。假設(shè)圖層為卷積層，以彩色掃描圖像為原始輸入，將圖層的輸出特征向量表示為

(7)

(8)

2.6 實現(xiàn)線路巡檢元件故障識別

2.6.1 防震錘元件故障識別

利用建立的FR-CNN網(wǎng)絡(luò)模型，根據(jù)來自于分類器識別的待檢測圖像信息，以及含有防振錘的矩形區(qū)域，實現(xiàn)輸電線路防振故障檢測。由待測圖像中的等效邊比值 G來判斷防振錘區(qū)域是否足夠大，然后對防振錘區(qū)域進行裁減，公式如下

(9)

式中W和H分別為輸入圖像的高度和寬度，(x1，y1)和(x2，y2)分別是防振錘定位網(wǎng)絡(luò)輸出矩形區(qū)域的右下頂點坐標和左上定點坐標。在確定防振錘擊區(qū)的同時，設(shè)置確定是否剪切的閾值R，并加入剪切層，加快防振錘擊區(qū)故障檢測過程[12]。采用基于深度學(xué)習(xí)的檢測器網(wǎng)絡(luò)為二級結(jié)構(gòu)，輸入的是由剪切層剪切出的含有防振錘的矩形區(qū)域，其中防振錘故障為檢測目標，由于故障特征在圖像中顯示得很小，所以采用了一種更精細的目標檢測器網(wǎng)絡(luò)，即FR-CNN。利用FR-CNN網(wǎng)絡(luò)可以實現(xiàn)不同尺寸待測圖像的輸入，輸入圖像通過網(wǎng)絡(luò)后就可以得到圖像上每個像素點的分布情況。防振錘上每一個點代表輸入待測圖像上對應(yīng)的感覺區(qū)為防振錘概率，設(shè)置概率閾值，當(dāng)某個點大于設(shè)定的閾值時，檢測器判斷該點對應(yīng)的原待測圖像上存在防振錘故障，當(dāng)檢測圖像返回原圖像時，防振錘故障得到準確識別。

2.6.2 間隔棒和絕緣子元件故障識別

隔離桿和絕緣子元器件故障的識別，主要是利用FR-CNN網(wǎng)絡(luò)模型訓(xùn)練得到的故障數(shù)據(jù)與設(shè)定線路巡檢元器件故障數(shù)據(jù)的相似性來獲得識別結(jié)果。相似度測度的具體公式如下

(10)

式中σi和δi分別表示的是設(shè)置的特征向量和提取的巡檢元件特征向量。若式(10)得出的計算結(jié)果大于門限值，則對應(yīng)的狀態(tài)即為間隔棒和絕緣子元件的識別結(jié)果。

3 仿真分析

3.1 配置仿真測試環(huán)境

識別性能測試實驗有Linux、windows和VR三種實驗環(huán)境。Linux環(huán)境主要用于構(gòu)建caffe框架，培訓(xùn)和測試傳輸線部件識別和故障檢測網(wǎng)絡(luò)。利用HTCVIVIE相關(guān)設(shè)備對傳輸線進行虛擬巡檢，實現(xiàn)人機交互。

3.2 設(shè)置識別性能評價指標

衡量識別精度的指標是mAP，指的是多個類別的平均準確率的平均值。AP指的是單個類別的平均準確率，衡量的是模型在該類別上識別效果的好壞，而mAP衡量的是模型在所有類別上識別效果的好壞，實際上，mAP就是求所有AP的平均值.mAP的值介于0-1之間，且越大表示該模型的識別準確率越好。實驗中，用mAP來評判模型識別的效果。

3.3 識別性能測試結(jié)果分析

此次實驗主要采用黑盒測試方式，就是設(shè)置線路巡檢元件故障數(shù)據(jù)，將其轉(zhuǎn)換為已知狀態(tài)，并在此基礎(chǔ)上分別利用三種不同的識別方法得出識別結(jié)果，將得出的識別結(jié)果與設(shè)置的數(shù)據(jù)進行比對，得出正確識別和錯誤識別的數(shù)量，最終得出的識別率測試結(jié)果，如表1所示。

表1 識別性能測試結(jié)果

從表1中可以看出，三種識別方法的mAP指標值分別為0.624、0.688和0.940，由此可見設(shè)計識別方法的平均準確率更高，識別精度更高。

在此基礎(chǔ)上測試3種方法的線路巡檢元件故障識別耗時情況，得到對比情況如圖3所示。

圖3 識別耗時對比情況

分析圖3可知，文獻[3]方法的識別耗時平均值為6.2s，文獻[4]方法的識別耗時平均值為4.1s，所提方法的識別耗時平均值為1.0s。所提方法在線路巡檢元件故障識別中的耗時較短，識別準確率較高，具有一定的應(yīng)用性。

4 結(jié)束語

通過對設(shè)計的線路巡檢元件故障識別方法進行測試，其最終平均識別率達到90%以上，符合實際應(yīng)用需求，能夠應(yīng)用于實際生產(chǎn)生活中。