圖像識別在電力巡檢中的應用與研究

張朝暉 成鑫 劉永軍 陳述

摘? 要：電力線路設施的巡檢與運維，在大量引入無人機之后，大幅提高了線路設施的運維效率，同時提高了運維質量。通過無人機攜帶光學設備，對塔架設施進行細節拍照，隨后通過人工對照片進行分析判斷故障。為了提高照片故障分析的效率，基于人工智能算法，開發了相應的圖像批處理軟件，將無人機作為數據采集端，識別軟件作為后端算法端，通過大量的數據學習和分析，實現了應對多種典型故障具有較高的識別準確率。

關鍵詞：電力巡檢? 圖像識別? 算法? 人工智能

中圖分類號：TM76 ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? 文章編號：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

隨著多旋翼無人機進入了電力巡檢領域后，成為了巡檢人員視覺和動作的延伸，無人機能去到巡檢人員無法到達或不便到達的地方，高效而安全地完成了原本耗時耗力的周期性工作，把巡檢人員從高強度的體力勞動中逐步解放出來。為響應國家2025智能制造戰略，煤礦系統的電力日常運維工作流程進一步細化為：數據采集-數據整理-數據分析-信息提取-結論上報幾個環節，除了數據采集手段得到了質的提升外，其余環節仍需人工的大量介入，因此為了實現全流程的自動化，需要針對數據處理開發相應的自動化軟件。

1? 無人機電力系統巡檢數據處理現狀

無人機電力巡檢發展到現在，目前仍然處于“人巡為主，機巡為輔”的階段，原因還是無人機巡檢目前還處于手動操控為主，巡檢工人在實際上崗前，需要經歷一定的培訓才能開始使用[1]。隨著電力運維要求的逐步提高，簡化巡檢過程、提高巡檢效率成為無人機在巡檢領域發展的重要課題，自動化智能化無疑將是無人機發展的重要方向。

現有電力巡檢無人機的工作模式以人工操作巡檢、人工整理數據為主，其巡檢效率及人工參與時間還有較大優化空間。目前的巡檢作業模式和數據整理模式面臨的挑戰主要有三大環節。（1）需要占用大量人力（包含前期培訓和現場操作）（2）數據不閉環（無人機所采集的數據不能實時地同步到數據處理單元）（3）信息不連續（處理數據得到的信息無法及時傳遞回到生產系統以指導生產）。為了解決以上問題，提出了3種思路：（1）無人機采用自動巡檢以解決數據采集階段人工占用量大的問題（2）引入智能識別技術在前端（無人機）/后端（服務器）對數據進行處理，進而獲取關鍵信息（3）引入無人機作業管理平臺，將無人機整個作業過程信息閉環。

2? 圖像識別算法研究與應用

基于無人機視覺的高壓塔線系統巡檢技術由于其成本低、安全性高、不受空間限制及航程遠等優勢在電力行業中受到了越來越多的關注和應用。無人機電力塔線系統巡檢的首要任務是對輸電塔線及其關鍵部件進行識別定位[2]。目前，機器視覺中常用的目標檢測算法以淺層結構模型為主（支持向量機、回歸算法模型、傳統BP神經元網絡等）。而淺層機器學習模型受限于其本身的特征學習能力限制，在復雜背景中的識別效果較為有限。深度學習雖然具有較強的特征學習分類能力，但絕大多數深度學習中需要大量的卷積和微分計算，計算強度大耗時長。目前常用的基于深度學習的目標檢測算法如RCNN等雖然在識別準確率上高于淺層算法，但識別過程需要的計算時間長，難以滿足實時檢測的要求[3]。

2.1 基于YOLOv3方法的電力部件識別定位

YOLOv3在基本保證準確度的前提下，速度大幅提升，背景誤檢率低，通用性強。因此本文以YOLOv3識別方法為主，提取電力部件的識別特征并進行目標識別驗證[4]。

YOLOv3方法中的目標檢測識別過程如圖1所示。其主要實現步驟為：（1）分割圖像，邊界框的預測和分類。YOLOv3將輸入圖像分成SxS個格子，每個格子在三個不同的尺度預測若干個邊界框及其置信度，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確性。YOLOv3對每個邊界框通過邏輯回歸預測一個物體的得分，如果預測的這個邊界框與真實的邊框值大部分重合且比其他所有預測的要好，那么這個值就為1。如果重合度沒有達到一個閾值（YOLOv3中設定的閾值是0.5），那么這個預測的邊界框將會被忽略，也就是會顯示成沒有損失值。（2）CNN提取網格中的特征。CNN對整個圖像進行系列卷積運算，得到特征圖。取出特征圖上每個邊框內的特征形成高維特征向量。（3）圖像中物體的識別分類。每個網格預測多個邊界框，根據計算得到的分類誤差，置信度以及類別概率等判別物體[5]。

2.2 軟件架構

本文使用了最新檢測的YOLO3深度學習目標算法模型對輸電塔線系統中的關鍵部件進行識別取得了良好的效果，同時，由于YOLO3內只使用單個卷積神經元網絡核心對視頻圖像中的目標檢測對象進行識別，其效率更高速度更快。通過測試發現，基于YOLO3模型的輸電塔線系統關鍵部件識別平均時間在0.36ms，完全達到了實時檢測的要求[6]。

該軟件針對無人機電力巡檢而開發，基于航拍圖像的輸電線路部件故障自動檢測系統，主要依托QT強大的人機交互功能和先進的人工智能算法對輸電線路部件進行智能識別分類。

本系統包含識別診斷和缺陷管理兩大模塊（見圖2）。識別診斷模塊利用泛化性強、識別精度高的網絡模型對輸電線路部件圖像實現批量自動故障檢測并分類保存。缺陷管理模塊主要對識別診斷結果進行人工確認，通過故障部件圖像經緯度信息確定所屬塔桿所在具體位置，自動生成相應的故障檢測報表，以便維修工作人員及時維護，為輸電線路故障檢測提高工作效率，從而實現了輸電線路部件識別及故障檢測智能化（見圖3）。

2.3 應用情況

對桿塔上的部件，如接地裝置、拉線及基礎、絕緣子、導線、地線、引流線、防雷裝置、各種監測裝置、桿號、警告、防護、指示、相位等標識電纜、電纜頭等的狀態進行圖像數據采集。本次實驗數據集來源于無人機巡檢圖像（見圖4）。訓練集共有2000張圖像，圖5隨機展示了數據集中的8張圖像。

本次實驗使用YOLO3 模型對測試集圖像進行測試，結果如表1所示，針對塔線系統的四個關鍵部分的識別正確率較高，對不同目標的平均運算速度為 32.9ms。同時，我們對比了幾種不同常用模型的目標識別速度（以幀每秒 FPS單位為標準），從結果如可以看到，Yolo V3模型的處理速度要遠遠好于常用模型，30.4幀每秒的速度完全達到了對視頻進行實時目標識別定位的要求。

3? 結語

本文對山西陽泉市陽煤集團的電力系統通過引入無人機實現巡檢數據的自動化采集以及基于的YOLO3深度學習目標算法開發了數據處理軟件，開展自動化電力巡檢研究。通過大量的數據學習和分析，實現了應對多種典型故障具有較高的識別準確率，初步形成了一整套行之有效的電力系統巡檢自動化系統，為后續進一步實現全自動化、智能化的煤礦電力運維提奠定了良好的基礎。

參考文獻

[1] 匡載波，王江.基于腦啟發視覺神經元網絡輸電線路部件識別的研究[J].電力系統及其自動化學報，2020，32（4）：14-20.

[2] 裴少通.基于紅外紫外成像檢測技術的絕緣子運行狀態分析與評估[D].華北電力大學（北京），2019..

[3] 王萬國，田兵，劉越，等.基于RCNN的無人機巡檢圖像電力小部件識別研究[J].地球信息科學學報，2017，19（2）：256-263.

[4] 李鑫，崔昊楊，許永鵬，等.電力設備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，王先培.復雜地物背景下電力線的快速提取算法[J].武漢大學學報（工學版），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光圖像智能處理研究綜述[J].電網技術， 2020，44（3）：1057-1069.