人工智能圖像識別技術在架空輸電線路巡檢業務中的應用

南方電網廣東東莞供電局 張 程 田 河 吳付耿 郭偉明

目前，我國在電網巡檢圖像處理技術方面開展了一系列研究，但多數研究是在實驗室的局限之下進行和推進，局限性較大，在實際業務操作之中，高壓、特高壓輸電線路處于偏僻的地區，圖像采集的背景相對來說較為艱難，主要包括自然景觀和人文景觀兩方面，這一系列問題都給人工智能圖像識別技術的運用造成了一系列困難，也對目標識別工作提高了難度，造成了一些不確定性影響因素。

1 人工智能圖像識別技術在架空輸電線路巡檢業務中的應用技術

1.1 輸電線路本體輔助巡視圖像識別技術

在實際工作運行過程之中，輸電線路巡視業務需要采集大量的數據資料，如果只采用人工操作的方式效率會下降，尤其是不適合連續高強度的運行狀態，經常會有缺陷沒有被及時發現。當前，傳統的機器學習技術對于緩解識別缺陷和檢測問題有莫大的幫助，但是識別正確率并不高，缺乏泛化能力，無法進行大規模的普遍使用，在未來的研究之中，可以把該項技術運用在深度學習神經網絡技術之中，對無人機采集圖像數據展開精準識別，這樣能夠對提高輸電線路的巡視作業效率有幫助。

該項技術的具體工作步驟如下：工作人員可以分析具體的場景，不同的場景對應到不同的數據圖像采集難點，將業務場景轉化成智能圖像場景之后，工作人員需要了解不同的場景有怎樣的樣本要求，樣本數量和樣本來源要得到充足的保障，還要選取合適的路徑和手段展開模擬訓練并進行驗證。除此之外，還要展開針對模型的目標檢測，查看是否還具有絕緣子和其他的設備存在一些問題需要修復[1]。

具體而言，要對輸電線路本體輔助巡視圖像識別技術的場景展開研究。絕緣子的損壞場景有其特征和識別要素，輸電線路的絕緣子大多數是散狀或圓形，主要的作用是承受重量運行線路的絕緣子，具有對稱的特征，同時還包括玻璃絕緣體自爆的合成絕緣子破損，這些特質通過檢查可以發現對稱性如何，其中合成絕緣子灼傷技術可以通過絕緣子的原線方向粉末進行識別。一般來說，玻璃瓷器這些絕緣子都可以通過放電痕跡來判別識別因子。

與此同時，在脫落時可以進行場景識別，發現脫落因素，也可以從脫落的圖像中找到缺失的部位，確定零部件的結構和所處的位置，判斷輸電線路掛點的所在之處。在識別程序的運行過程中，還要判斷輸電線路絕緣子和定位，絕緣子之間是否存在某種聯系。此外，還要對絕緣子兩端的范圍進行檢查，這些孔洞的目的是防止螺栓脫落，同時還要檢查絕緣子兩端在一定區域之內是否固定完畢。同時，工作人員還要對倒地線的斷骨和斷線進行查看，通過查找橫向導線的不規則毛刺，判斷輸電線路導電線折斷之后是否會發生散落現象，對于斷落的倒地線可能會發生抽搐變形的情況。工作人員可以通過圖片查找來找到線路的彎曲方向，判斷作業倒地線[2]。

1.2 輸電線路通道輔助巡視圖像識別技術

輸電線路通道的安全性是供電可靠性的前提和保障，如果外部條件發生一系列改變，那么就有可能威脅到輸電線路以及輸電線路旁邊的其他設備[3]。因此，相關工作人員要對危險進行及時清除，防止發生損壞或整體設備的燒毀，如果要做到這一點，監控設備在輸電線傳輸時要對整體狀況進行監測，傳輸實時圖像并進行分析，防止外部不良因素的入侵，如果發現輸電線路通道中存在異常情況，如山火、外破，必須針對實際情況進行檢查。但反觀現狀，輸電線路通道輔助形式圖像在使用過程中體現出較大的局限性，比如上文所提到的檢測方法不能夠直接用在方案的解決之中，對于輸電本體而言，輸電通道之上如果發生冒煙等現象，可能會由多方面因素共同導致，這和單一的輸電本體形狀有一定的差別，這時工作人員可以用圖片和案例作為樣本模型展開輔助，但是在實際情況中這種情況比較少。具體而言，輸電線路通道輔助巡視圖像識別技術可以分為以下幾個方面來描述。

一是要擴充樣本，深度巡視有可能造成諸多困擾問題，這些困擾導致大量的直接數據被刪除，深度神經網絡具有一定的學習功能，如果訓練數據樣本不足可能會造成一系列的問題，也會讓模型難以在實踐之中得到準確的利用，因此如果缺乏樣本也可以人為地增加通過訓練數據的補充，展開原始圖像的旋轉和位移，也可以采用鏡像轉換等多種方式，解決要面對的問題，神經網絡的學習還存在諸多方面的問題，不一樣的樣本也需要不一樣的訓練數據作為輔助。

展開神經網絡的深度學習必須具有較強的模仿能力，如果樣本過少容易造成過度擬合，就算形成了一定的固定化模板，在訓練模式上也無法通過實際檢測的考驗。為了防止這一問題反復出現，有關工作人員需要檢測已有樣本的變化部分，可以通過增加學習樣本的形式加以突破。此外，工作人員還會采用位置變化和位置旋轉等不同的手段進行圖像識別，圖像識別也可以在某種程度之上增加學習樣本的總量彈性，變換算法主要運用在手寫體數字字符的辨識之中，之后可以針對原圖進行彈性變換，擴充樣本，讓手寫體數字識別的效果大大提升，通過樣本彈性的提高可以增加漢字字體的圖像識別，達到不錯的效果。

二是在輸電線路通道輔助巡視圖像研究中，還要進行遷移學習，采用機器學習算法挖掘問題，那就是大量的數據訓練往往難以被集中獲取，尤其是在一些新開發的科技領域之中這一現象更為明顯。不同的領域都需要對訓練數據的范圍進行標定，這樣才能滿足傳統的機器學習需求，但是人力、物力資源耗費較大，導致承受力度不足。反之，如果數據積累數量不足，有些運用無法得到正常的開展。

除此之外，傳統的機器學習假設數據訓練往往不能滿足全部的要求，人們可能會經常遇到數據過期等情況，針對這一現象就可以采用標注訓練方式來解決，但這樣的操作需要高昂的成本，也是對人力物力資源的浪費。從另外一個角度來看，如果擁有的訓練數據是分散的且不同步的，如果將其完全丟棄也較為浪費。利用遷移學習的方式可以解決以上問題，并針對數據的問題加以合理利用，采用遷移學習的形式能夠轉移現有的數據，對將來的學習形成輔助的效果，其目標是在新的環境中運用舊有的學習內容。從這個角度來看，遷移學習和傳統的機器學習有一定的差別[4]。

三是可以采用圖像識別嵌入式區域展開警戒診斷，以傳統的多目標識別模型作為基礎，擴展分析網絡層，打造異物入侵診斷的基本框架，針對以上算法模型在受到資源局限性的環境下，滿足高性能計算機的運用需求，同時對計算方式進行定制，建設深度學習模型，構建性能較高，耗能較低的診斷系統。也就是說，可以針對常見的缺陷和危險區域入侵場景進行研究，一直到神經網絡結構的末端，在多目標識別的基礎與前提之上可以增加混合網絡層，這樣的方式能夠在范圍內展開特征性兼容檢測，打造區域入侵診斷的框架，讓目標具有完整性，在網絡刪減和參數共享的背景之下展開深度學習。

工作人員還可以采用壓縮模型的方式來減少神經網絡的深度，保留大量的參數權重，優化模型的參數結構，在這一基礎上還可以采用數據流進行模型的處理，把學習的模型變成相對固化的模塊，硬件模塊被壓縮之后可以進行深度學習，運行底層的硬件系統，這樣的方式能夠讓頂層應用的高性能處理，減少時間損耗。此外，頂層應用也可以針對各種類型的學習目標調整框架網絡，確保硬件的功能優化[5]。

2 人工智能圖像識別技術在架空輸電線路巡檢業務中的應用舉例

2.1 構建輸電巡檢影像樣本編碼規則研究及標準庫

工作人員在輸電巡檢影像樣本編碼規則的建立中，需要通過標準庫的形式來操作，根據輸電和變電設備的從屬關系進行結構設計和缺陷等級分類，對樣本的規范和具體參數進行標注，建設樣本庫，樣本庫要包括輸電線路的不同型號，比如無人機、直升機等設備的參數，還包括可穿戴設備拍攝的圖片和視頻資料，建設不同的文件儲存格式。為了避免受到兼容性影響，需要針對缺陷數據庫的系統展開分類構建，具體而言，一是工作人員需要收集缺陷信息，制定規范，根據不同的輸電設備研究部件種類以及從屬關系，細分編碼，把變壓器、輸電線等輸電設備按照編碼進行統一的編號和串聯，如果信息規范出現錯誤，則需要重新建設變電設備的標注樣本。

二是工作人員可以采用質量評價技術，設置具體的工作步驟，根據不同的目標和場景打造圖像質量的樣本數據庫，同時對樣本空間進行場景的變換和數據的提取。除此之外，還要根據不同的特征打造各式各樣的回歸模型，展開圖片質量的預測，此項操作在具體執行時需要對圖像的質量打造回歸模型，如果圖像的最終呈現質量低于預測值，就表明這一樣本存在缺陷，不符合該數據庫的要求，需要手動刪除，如果具體值高于設定值，則表明該樣本是符合要求可以利用的。

三是工作人員需要打造分布式樣本數據庫，可以采用數據庫對缺陷樣本數據進行統籌，比如可以采用HDFS分布式文件展開分類存儲，根據主節點和子節點的不同業務類型進行合并，制作標準數據集，展開業務應用層的參數交換。

四是進行數據標注，在標注之后可以把樣本轉化成訓練框架所需要的數據庫，當前較常用的訓練框架包括TORCH、CAFFE，這些模型都已經定制了自己的數據接口，然而以上數據標注工具相對來說缺乏兼容性，使用的覆蓋面積較小，缺乏較為健全的功能菜單，不同類型框架的數據接口之間兼容性也不同，要及時進行格式變換，就導致工作步驟和程序較為煩瑣，為了解決這些問題加快預處理的步驟，有關工作者需要制定可以深度學習的轉化接口，針對不同類型的技術展開轉化整合。

2.2 輸電線路智能立體巡視模式應用

輸電線路人工智能輔助識別，可以通過現有的本體無人機和直升機巡視系統展開數據調整和升級，對整體運行情況進行在線監督，人工智能圖像這一領域開發的情況較為成熟，可以對有缺陷的數據和模塊展開在線分離，展示系統分析結果，并且結合系統要求有選擇性地進行推送，也可以采用模塊化的開發方式展開數據系統的統籌管理。應當包括的板塊是機器人在線檢測、數據儲存、視頻、圖像等。

具體而言，一是要加強對現有巡視數據的獲取，在輸電線路、視頻圖像、機器人在線形式之中，有關工作人員可以制定較為統一的數據協議開發接口獲取視頻圖像，讓機器人在線形式有數據可以傳輸回來，對于圖像視頻的巡檢數據，全國各省市地區都可以制定較為統籌化的數據簽署協議，并開發數據傳輸至端口，通過獲取視頻、圖像完成工作，上述方式可以打通人工智能圖像識別輔助系統之間的內部通道，讓數據傳輸的過程更加快速。

二是工作人員要展開數據統籌和數據分析，利用模塊化的方式開發輸電線路人工智能圖像輔助系統的相關設備，并且對無人機和直升機的數據展開采納和巡檢，檢測離線數據是否正常。此外針對輸電線路通道之內采用的巡視圖像可以采用實時分析模式，還可以對數據存儲和管理技術、告警信息推送技術進行性能的優化。

綜上所述，人工智能圖像識別技術在架空輸電線路巡檢業務中的運用具有廣泛的優勢，并已在架空輸電線路業務中有著廣泛的應用，但是現階段仍然存在著一定的局限性，有關工作人員需要繼續研究相關利用手段，攻堅克難，進一步完善該技術在電力行業的局限性，發揮其作用。