首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 架空输电线路无人机巡检图像缺陷识别方法研究

架空输电线路无人机巡检图像缺陷识别方法研究

2024-11-26 83 上传者：管理员

摘要：传统人工缺陷图片判读存在效率低下、过度依赖个人经验、识别率低等问题，采用一种基于深度学习的目标检测算法对巡视照片进行模拟训练学习，实现对输电设备部件的识别定位，采用超分辨率算法（SRCNN）对具体部位缺陷进行自主识别，对提高无人机巡检数据照片处理效率具有重要意义。

关键词：
SRCNN
无人机巡检
电网设备
自主识别
超分辨率算法
加入收藏

电网设备规模快速发展，架空输电线路长度每年持续增长。输电线路运检队伍长期处于总量缺员和结构性缺员并存的严峻局面，传统的人工巡视方式存在巡视范围不全面、质量不高、效率低、特殊地形和气象条件下巡视困难等问题，无法满足电网高质量发展要求。

针对输电专业人员数量与设备规模持续增长日益突出的矛盾，国家电网有限公司组织开展了“架空输电线路直升机、无人机和人工协同巡检”相关工作，全面推进无人机智能巡检技术应用，实现线路巡检模式由人工巡检向无人机为主的协同自主巡检模式转变，持续提升输电智能运检水平，运检效益明显提升。然而，无人机在巡检过程中拍摄的大量巡检图片，需要人工进行整理分析、筛查、查缺，这会耗费大量的人力和时间。同时，不同运维人员评判标准的不统一也会产生不同的分析结果，降低缺陷识别率。

为此本文致力解决由人工分析带来的缺陷识别误差，根据无人机巡视图像的坐标信息和无人机自主巡视航线，实现图像功能位置的准确定位，以确保缺陷位置的准确性；然后利用深度学习框架，对原始图片中的金具、绝缘子、销钉等部位部件进行框定，对每张图片进行标注，形成智能识别特征点训练出部件检测模型和缺陷检测模型，并采用级联式的目标检测结构实现杆塔、基础、导地线、绝缘子、金具等输电线路典型缺陷的检测，全面提升图像识别自主化与人工智能相结合的电力巡线作业水平，提高电力巡线等故障的排查率，降低安全隐患，节约人力资源成本，极大地提高无人机巡检数据的处理效率。

1、样本库的标注

要对巡检拍摄的照片缺陷进行自动识别，首先需要建立线路的样本库。这就需要对海量的缺陷图片进行分类，并对每一类缺陷进行标注，构建典型缺陷样本库。样本库构建模块的主要目的是利用针对输电领域的专业标注系统在巡检图像上标记出输电线路各类部件零件及缺陷位置以及相关的描述信息，以供缺陷检测模型使用。通过专业的标注系统，在遵循输电缺陷划分标准的前提下，进行大量人工标注，构建输电线路典型缺陷标注样本库。

图1 缺陷识别方案流程

2、缺陷识别方案设计

结合架空线路巡检图像特点和实际巡检工作中的要求，本文提出的架空输电线路无人机巡检图像缺陷识别总体设计方案如图1所示。

由图1可知，本缺陷识别方案主要包括缺陷部位检测、缺陷部件识别，缺陷部件检测采用卷积神经网络进行，而缺陷识别主要采用一种级联式的二级缺陷检测识别框架。

2.1缺陷检测数据集构建

本文缺陷检测算法采用基于深度学习的目标检测框架。深度学习是一种特征学习方法，能够把数据集中的原始数据通过一些简单的但是非线性的模型转变成为更高层次的，更加抽象的表达数据，深度学习的性能能否提升取决于数据集的大小。其结构如图2所示。其中，输入层至隐藏层的变换过程被称为编码，隐藏层至输出层的变换过程被称为解码，通过上述步骤最小化输入数据的重构误差，以获得最佳数据隐藏层表达。

2.2目标检测算法

完成缺陷数据集的构建以后，接下来就要对巡检照片是否存在缺陷和缺陷的类别进行识别，本文采用的是目标检测算法来实现上述功能。

目标检测指的是在给定的图像中精确地找到物体所在的位置，并标注物体的类别。传统的目标检测方法使用滑动窗口的框架，把一张图分解成几百万个不同位置不同尺度的子窗口，针对每一个窗口使用分类器判断是否包含目标物体，传统方法由于特征和分类器需要手工训练，因此检测准确率并不高。而基于卷积神经网络的目标检测算法较传统检测算法具有更为优越的性能。因此本文采用基于卷积神经网络（CNN）的目标检测方法，以得到更高的识别率。基于CNN的方法也可以看成是对海量滑动窗口分类，首先使用更好的CNN模型判断候选区域的类别，即剔除背景；然后使用预计算的共享特征图加快模型训练和目标检测的速度。

图2 深度学习算法结构

基于CNN的目标检测需要解决三个问题：

(1）如何设计区域生成网络。

(2）如何训练区域生成网络。

(3）如何让区域生成网络和CNN检测网络共享特征提取网络。

本文采用的检测识别算法是基于YOLO系列算法。而作为one-stage的YOLO网络主要由三个主要组件组成：Backbone在不同图像细粒度上聚合并形成图像特征的卷积神经网络。Neck：一系列混合和组合图像特征的网络层，并将图像特征传递到预测层。Head：对图像特征进行预测，生成边界框并预测类别[1-3]。整体原理如图3所示。

图3 目标检测算法基本流程

2.3部件缺损缺陷识别算法

由于输电线路拍摄的照片背景较为复杂，且照片类型十分丰富，照片类型包含：杆塔、金具、绝缘子、附属设施等，每种类型照片拍摄的精度也不尽相同，为提高缺陷识别效率，利用神经网络深度学习算法的优势，本文主要采用一种级联式的两级缺陷检测识别模型，该识别模型组成示意如图4所示。

该模型主要有两级深度卷积神经网络结构组成。其中第一级神经网络主要对输电原始照片部位进行识别，主要是导线、金具、绝缘子、防震锤等尺寸较大设备并对设备部位进行不同分割截取；第二级神经网络则是用于对上一级截取的部位进行识别，主要是螺栓、螺帽、销钉等小部件缺陷识别，检测该部位是否存在缺陷，如导线散股、绝缘子自爆、销钉螺帽缺失等缺陷识别，其常用的识别算法包括：微弱小目标分辨率重建算法、部件缺陷识别算法和缺陷等级评估算法，模块整体流程如图5所示。

其流程为：首先输入识别目标，通过目标分辨率判断其是否属于微弱小目标，若属于，则先对目标进行超分辨率重建，重建出更多的目标细节信息，有利于提升识别效果，随后将重建后的目标输入至类型识别算法和型号识别算法中进行识别，并上报识别结果。

2.3.1微弱小目标超分辨率重建算法

该算法基于深度学习超分辨率算法（SRCNN）方法，首先对于输入的一张低分辨率图像，先使用双立方插值将其放大至目标尺寸，然后用一个多层卷积神经网络去拟合低分辨率图像与高分辨率图像之间的非线性映射，最后输出高分辨图像。其依托深度网络模型和大样本数据学习。本文将收集来的照片样本进行整理后，作为训练集对算法模型进行训练，在训练时，会将原图缩小为三分之一后，再放大为原尺寸作为低分辨率图片，原始图像作为高分辨率图片，模型旨在学习低分辨率图像到高分辨率图像的非线性映射关系。模型在测试阶段，将原始低分辨率图像放大至目标尺寸后，输入模型，随后模型输出对应的高分辨率图像。该微弱小目标超分辨率重建算法，主要针对原始分辨率较低的小尺寸目标，将其重建后送入类型识别和型号识别，将有助于提升目标识别准确率。

2.3.2微弱小目标超分辨率重建流程

微弱小目标超分辨率重建流程其本质都属于卷积神经网络分类识别算法，对于微弱小目标的分类识别，本方案将采用resnet18和csresnext50分别作为类型识别算法和型号识别算法的基础网络模型，其残差网络结构可有助于算法模型在训练时快速收敛，并可有效提取小尺寸目标的深度特征；同时，本方案将在网络模型中使用stride=2的卷积层代替最大池化层来进行采样操作，此举将有效的保留小尺寸目标的有效信息，可保证分类识别的精准度。其识别流程如下，首先将待识别目标输入类型识别算法中，上报识别缺陷识别评估结果信息。类型识别和型号识别流程如图6所示。

图4 两级缺陷识别检测模型流程

图6 目标识别模块的整体流程

本算法根据客户触发相应的算法模式，来进行不同的算法功能运行。算法包含图像预处理模块、目标检测模块、目标缺陷分类识别模块。其主要工作方式如下：首先将输入图像预处理模块处理完成后送入具体的算法功能；若客户触发部件检测模式，则将8 bit图像输入目标检测算法模块检测出所有感兴趣目标，并选择不超过10个目标，上报其像素位置、空间位置、信噪比、目标面积等信息；若客户触发识别模式，则需要客户首先给定一个目标信息，识别算法模块将根据目标信息将目标从8 bit输入图像中进行抠图，随后根据目标分辨率判断其是否属于微弱小目标，若属于，则对目标进行超分辨率重建，若不属于，则直接进入识别流程；进入部件检测流程后，将检出部件送入缺陷分类识别模型，识别其属于何种类型的缺陷并评估其缺陷等级，识别完成后上报识别结果信息。

3、结束语

综上所述，采用基于深度学习的目标检测算法的检测模型可以快速实现对架空输电线路缺陷图像的快速自动识别，大大提高巡检人员的工作效率，节约人力资源成本，极大地提高无人机巡检数据的处理效率。

参考文献:

[1]申泽浩.航拍架空输电线路绝缘子缺陷检测方法研究[D].天津:天津工业大学,2020.

[2]刘琦,翟瑞聪,曾群生,等.架空输电线路均压环缺陷图像智能识别研究[J].电子设计工程,2022(6):170-173+178.

[3]鲁轩,郗来迎,赵赫男,等.基于无人机和图像缺陷识别算法的输电线路巡检系统研究[J].电子设计工程,2019,27(12):147-151+1.

文章来源:王涛,严永锋,汪滢,等.架空输电线路无人机巡检图像缺陷识别方法研究[J].科学技术创新,2024,(24):132-135.