超特高壓輸電線路無人機全程自主巡檢系統

國網湖北省電力有限公司檢修公司 劉 姜 劉春堂 張楚謙 郭景武 吳嘉琪 張 迪

武漢智銘泰科技有限公司 張 凱

近幾年，伴隨著我國社會對電力能源需求量的不斷增長，電力網絡規模和長度都實現了成倍增加，在這種情況下，依然沿用人工對輸電線路進行檢查的方式必然會逐漸被淘汰。基于超特高壓輸電線路的無人機全程自主巡檢云臺系統，采用深度學習目標識別以及視覺和慣性測量單元結合的導航技術，運用無人機自動飛到線路周邊然后對線路進行拍攝，能夠實現線路的自動巡檢以及監控，這不但能夠提升電力企業對特高壓輸電線路運行的監控能力，同時還有助于降低線路巡檢成本，提升企業經濟效益。

1 無人機發展現狀及線路巡檢的優勢

無人機技術相較于傳統的人工巡檢，使用無人機進行巡檢不僅效率高，而且更加安全。無人機高壓輸電線路巡檢技術系統結合了輸電、電力、遙感、通信、GIS、信息處理等多種技術，同時還涉及到了多個高精尖技術領域，例如飛行控制技術、數據鏈通訊技術、導航技術、遙測遙感技術、故障診斷等，目前使用的無人機可以實現超遠距離、高空快速、自動作業的功能。

利用多旋翼無人機進行超（特）高壓緊湊型輸電線路巡檢工作的優點在于，它能夠適應各種各樣復雜的地形和情況，而且在進行巡檢的時候還能夠從多個方位進行拍攝，并且能夠將故障點的細節也清楚的記錄下來，這就能大大的減少巡檢中投入的工作時間。另外，在無人機完成拍攝后，能高效的將圖片遠程傳送給分析人員，這樣能夠有效的提升巡檢的速度，也能確保檢修人員的安全。

2 超特高壓輸電線路無人機全程自主巡檢云臺系統開發

2.1 系統主要功能

該云臺系統的目的是實現無人監值的線路巡檢，所以應具備根據坐標飛往巡檢起點的功能。在起點的桿塔位置進行桿塔的目標識別確定桿塔的位置，進而根據輸電線路的方向沿途尋找下一座桿塔。在每一座桿塔的位置檢測到后，利用視覺和慣性測量單元相結合的方案進行相對坐標的定位，再此過程中環繞桿塔進行絕緣端以及其他感興趣目標的檢測。檢測流程執行完畢后，無人機系統返回桿塔檢測開始時的位置，進行線路檢測并前往下一座桿塔。

該方案同時具備飛行過程中的安全控制系統，全程利用GPS系統進行絕對坐標的約束，保證無人機系統的安全并在系統異常時及時發出預警。

2.2 硬件選型

根據系統的主要功能，硬件主要使用了以下幾個模塊：處理器、攝像頭、慣性測量單元、GPS、云臺系統、無人機平臺。本部分將根據這幾個模塊的內容分別進行選型。

處理器是該系統的運算核心，常用于嵌入式系統的處理器多為MCU微控制單元或x86以及ARM架構的mini-PC。由于要進行目標識別以及視覺與IMU的融合，該處理器需要一定的算力基礎，而微控制單元的算力顯然達不到需求，所以處理器方面會選用mini-PC進行運算。這里我們采用Nvidia Jetson TX2運算模組，Nvidia Jetson TX2核心板的尺寸和重量僅相當于一張信用卡，市面上存在小尺寸的TX2載板，所以比較適合在無人機上進行使用。

本方案所使用的相機為單目相機。由于要在無人機上使用，工業相機的大重量就會變得難以承擔，所以這里可以使用的航拍相機，參數根據上方所述進行選擇。

對于無人機以及云臺系統的硬件平臺，可以使用無人機以及防抖云臺系統解決方案，進而在該平臺上對運算和檢測模塊進行搭載。

2.3 軟件方案

該系統在軟件上分為桿塔檢測、環繞桿塔飛行、絕緣子及感興趣目標檢測、線路檢測及巡跡幾個方面，涉及的部分包含了三維視覺、深度學習及神經網絡、多傳感器融合等傳統以及現代計算機視覺技術和方法。

無人機在輸電線路上會進行桿塔的檢測，并將桿塔的檢測結果作為感興趣目標的識別位置以及下一個桿塔檢測的開始節點。桿塔的檢測主要使用了深度學習及神經網絡的方法，這里采用卷積神經網絡進行桿塔的識別。卷積神經網絡是一類包含卷積計算且具有深度結構的前饋神經網絡，是深度學習的代表算法之一。由于卷積神經網絡能夠進行平移不變分類，因此也被稱為“平移不變人工神經網絡”。卷積神經網絡首先會交替對圖像進行卷積與池化，以對圖像的特征進行抽象與提取。卷積是一種線性運算，它可以實現圖像像素特征的集中，而池化又稱下采樣，主要目的為降低圖像的數據量，對特征信息進行進一步精煉。在若干層卷積與池化之后，特征圖被依次按行展開，連接成向量，并輸入全連接的BP神經網絡，實現端到端的網絡搭建。在使用卷積神經網絡進行目標識別之前，我們首先要利用已有的桿塔數據集對電線桿塔的模型進行訓練，在訓練后的測試環節中將檢測結果作為正負樣本投入之前訓練過的神經網絡中進行修正，直到達到預期的識別準確率，完成桿塔的訓練環節。而在訓練完成之后，自主巡檢云臺系統就可以使用卷積神經網絡對每一幀圖像進行桿塔的識別，從而完成輸電線路桿塔的檢測環節。

在完成桿塔的檢測后，無人機將以設定的軌跡對桿塔進行環繞飛行，桿塔環繞過程中將采用單目視覺與慣性測量單元融合的方式進行無人機的相對坐標定位。繞桿飛行過程中無人機使用超聲傳感器判斷到周圍障礙物的距離，以防止飛行過程中的撞擊墜落。

在繞桿飛行的過程中巡檢系統會進行絕緣子等感興趣目標的檢測。對于目標的檢測部分依舊使用卷積神經網絡的方法進行訓練與識別，具體的訓練內容需要根據待檢測目標來進行修改，以完成對應目標的檢測。繞桿過程中需要解決待檢測目標區分的問題，舉例來說，如果要得到絕緣子的數量，需要對檢測到的絕緣子進行區分。這里采用神經網絡與三維視覺結合的方式進行判斷。當使用深度學習的方式檢測到感興趣目標的位置時，使用相鄰兩幀的感興趣區域內特征點的匹配，并通過IMU進行尺度恢復，可以確定出相機相對感興趣目標的位姿變換，從而判斷出待檢測目標相對于某點的相對位置。如果不同的圖像檢測到目標的坐標信息在同一范圍內，可以認為檢測到了同一個目標，進而解決了檢測得到目標的區分問題。

繞桿飛行完成后，無人機會根據視覺及IMU的相對定位系統返回環繞飛行的開始位置，然后根據GPS的坐標決定下一步的巡線方向。首先該系統會對獲取到的圖像進行預處理與大津二值化，獲取待檢測圖像的二值圖。預處理主要涉及濾波操作，濾波的目的是將待檢測的特征變換的更加明顯，方便下一步對圖像進行二值化時將待檢測特征與無關目標分離。大津法又稱最大類間方差法，由日本學者大津于1979年提出，是一種自適應的閾值確定的方法。它是按圖像的灰度特性，將圖像分成背景和目標兩部分。背景和目標之間的類間方差越大，說明構成圖像的兩部分的差別越大，當部分目標錯分為背景或部分背景錯分為目標都會導致兩部分差別變小。因此，使類間方差最大的分割意味著錯分概率最小。由于輸電線路多為黑色，所以通過大津法很容易將黑色的輸電線路進行目標分割。得到二值圖后，無人機會在桿塔上空進行慢速盤旋，并進行縱向的sobel邊緣檢測，進而對檢測結果進行霍夫線變換。sobel算子的主要目的是獲取圖像的一階梯度，所以可以用于檢測邊緣。如果在單一方向上使用sobel算子，則可以提取在該維度上的邊緣信息，因此當無人機盤旋至直線沿著圖像總方向的時候將被sobel算子檢出并顯示在檢測結果中。霍夫變換則用于檢測結果中直線的檢測，該算法是一種傳統的直線檢測算法，它會在參數空間中執行投票來決定直線的位置，最終結果由累加空間里的局部最大值來決定。

在飛行過程中無人機會全程使用GPS定位系統進行絕對坐標的定位。GPS可以返回無人機的大致經緯度信息，用于判斷無人機在大尺度上的絕對位置。在檢測過程開始前會對無人機人為劃定一定的檢測區域，巡檢系統工作時，應保證無人機工作在一定的范圍內。當無人機飛離該檢測區域，系統會通過4G發出異常信號，以便及時對該系統進行異常排查。

3 無人機在特高壓輸電線路巡檢中的具體應用

通過對當前輸電線路巡檢工作的調頜分析，從大體情況上來看，一旦輸電線路導線部分發生了外力破壞，受高度角度等原因影響，很難在人工巡檢的過程中被發現，就算是選擇了最為危險的人工登桿檢查，有的地方也很難觀察到。這些不易發現的損傷點更對線路穩定安全運行埋下了種種隱患。利用無人機卻可以較為方便準確地解決這一難題。

2015年5月南網超高壓某局通過“無人機機巡+人巡”模式開展線路隱患排查。人巡通過高倍望遠鏡發現500kV賀羅1線352號大號側第9至第10個間隔棒上方地線（光纜）斷股，該檔距1123m，由于檔距大，光纜距離地面較遠，不能準確判定斷股數目。考慮到無人機快速、靈活的特點，隨后組織無人機開展斷股確認。

為便于操作，操作手首先使無人機懸停在橫線路方向且與導線同等高度的安全位置，調整載荷相機方向對準拍攝導線的方向，并調整焦距至拍攝導線清晰可見的倍率，程控手順線路方向監視無人機飛行姿態及與線路安全距離，操作手始終觀測實時圖傳畫面，然后以不大于3m/s的飛行速度，沿線路方向進行連拍或者錄像飛行。該過程中程控手始終觀測無人機飛行姿態及與線路的安全距離并與操作手溝通，操作手通過實時圖傳畫面結合程控手傳達的各種信息及時調整無人機飛行姿態，圖傳畫面發現損傷點后，第一時間確認該點的高度和距離，懸停無人機進行精細化拍攝或錄像。最后通過圖片核實，發現斷股3處，然后同時利用多旋翼無人機拍攝了故障周邊地形，為后續施工提供了有效資料。最后安全收回無人機至降落點，工作完畢。

結語：該方案實現的超特高壓輸電線路無人機全程自主巡檢云臺系統，擬用以代替當前人工巡線的方式。相比于當前人工巡線高成本、周期長、安全性低等特點，無人機巡線可以大大降低巡線的工作成本，縮短巡線周期，并且可以降低工人巡線的安全風險。同時，該方案降低了巡線所需的人力資源，對實現電網自動化具有重要意義。