基于無人機影像深度學習算法的輸電線路缺陷智能識別技術研究

許文濤

（中國南方電網有限責任公司超高壓輸電公司柳州局，廣西 柳州 545000）

0 引言

無人機遙感技術的興起，為輸電線路巡檢帶來了新的機遇。無人機遙感具有便捷、靈活、低成本、多角度、高時空分辨率的特點，能大幅降低地面人工巡檢的勞動強度和作業風險，顯著降低數據獲取成本[1-2]。但是如何從海量數據中快速提取有價值的信息，成為擺在我們面前亟需解決的問題。

隨著人工智能新時代的開啟，深度學習為計算機視覺領域帶來了革命性的進步，為解決該問題提供了方案[3]。

深度學習不需要人工設計提取特征，可以較好地應對背景復雜、場景多變、目標特征多樣化的電力巡檢可見光圖像，高度契合電力巡檢中海量可見光圖像智能化處理的需求，通過引入深度學習方法，可以實現目標的智能識別，進而實現線路設備的缺陷檢測[4]。

因此，研發基于無人機遙感與深度學習算法的輸電線路智能巡檢平臺，不僅是“新基建”的迫切要求，而且將使老舊線路煥發出新的活力，因而具有重要意義和巨大的市場潛力。

根據國網（運檢/4）305—2014《國家電網公司架空輸電線路運維管理規定》，架空線路設備缺陷管理系統規定了878種缺陷。由于部分類型的缺陷根據危害等級被劃分為3種（如絕緣子自爆缺陷根據損壞程度不同被分為一般、嚴重、危急3種），統計出包括基礎、桿塔、導地線、絕緣子、金具、接地裝置、通道環境、附屬設施等在內的8類共499種缺陷，分布如表1所示[5]。

表1 線路巡檢常見缺陷統計

從表1缺陷類型分布看，桿塔、金具、絕緣子類缺陷較多，占缺陷總量的68%。基于可見光圖像，使用圖像處理的方法進行架空線路的缺陷檢測可以覆蓋約90%的缺陷[5]，僅有30余種缺陷難以根據可見光圖像確定。隨著無人機遙感技術和深度學習算法的發展，國內外在輸電線路缺陷檢測領域已經開展了大量的研究，取得了不少研究成果。

1 Yolov5目標檢測算法原理

Yolo系列模型經過不斷改進，已推出多個版本，但其結構均是由輸入層、Backbone、Neck（自Yolov3增加該層）、Head和Prediction（輸出層）組成[6]。

在Yolov5 的官方代碼中，給出了Yolov5s.pt、Yolov5m.pt、Yolov5l.pt、Yolov5x.pt四個權重模型，其中，Yolov5s網絡是Yolov5系列中深度最小、特征圖寬度最小的網絡，其檢測速度最快，但精度也相對較低[7]；其他三種結構則是對網絡加深加寬，精度提升的同時速度降低。用戶可以根據需要選擇合適的模型。

在輸入層，Yolov5首先對圖像進行Mosaic增強，通過隨機縮放、裁剪、排布等方式，豐富了數據集，提升了小目標的檢測效果。

其次，Yolov5將初始錨框的計算嵌入到代碼中，使得在每次訓練時，程序可以自適應地計算不同訓練集中的最佳錨框值。

最后，Yolov5改進了圖像填充算法，算法根據圖片的長寬比自適應地計算需要添加的像素數，從而縮減了黑邊的范圍，降低了信息冗余，提高了推理速度。

在Backbone層中，Yolov5首先采用切片操作，即Focus結構，在減小圖像長寬的同時增加了圖像通道個數[8]。

進而，Yolov5繼承了Yolov4的CSPDarknet53 結構，但分別在Backbone和Neck中使用兩種不同的CSP結構。在Backbone中引入殘差組件，而在Neck中，則使用Convolution-Batch Normalization-LeakyReLU組件。

在Neck層中，一方面，Yolov5采用了CSP結構，加強了網絡特征融合的能力；另一方面，采用了FPN（Feature Pyramid Network）+PAN結構，FPN層自頂向下傳達強語義特征，而特征金字塔則自底向上傳達強定位特征，兩兩聯手，從不同的主干層對不同的檢測層進行參數聚合。

與之前的版本類似，Yolov5最終輸出為三個不同尺度的特征圖，對于不同尺寸的目標識別具有較好的魯棒性。Yolov5采用GIOU_Loss作為定位損失函數，采用加權nms的方式，提高了被遮擋物體的檢出率。

2 數據獲取與預處理

基于2020年7月至9月無人機巡檢獲取的500 kV輸電線路共362張缺陷照片開展研究，照片像素數為5 472×3 078，這些照片已經過專業檢修人員和同類缺陷識別軟件的篩選。由于無人機影像較大，考慮到硬件配置和計算效率，將影像進行四等分裁剪，裁剪后獲得1 448張圖像。

本文利用lableImg軟件對這些照片進行了樣本的標注，共獲取絕緣子類缺陷樣本1 056個，導線類缺陷260個，金具類缺陷328個，桿塔上有鳥巢圖片471個。為擴充樣本數量，增強特征學習能力，使用Mosaic增強模塊對樣本進行了旋轉、顏色空間變換、模糊和鏡像變換。通過上述數據預處理，剔除沒有目標信息的圖像，得到了共3 696張缺陷圖片，用于后續模型的訓練和預測。

3 平臺構建

本文采用的運行環境為Windows10系統，64位，處理器為Intel（R）Xeon（R）Silver 4210 CPU@2.20 GHz/2.19 GHz，內存32 GB，主頻3.0 GHz，顯卡為GPU NVIDIA GeForce RTX 2080Ti，顯存11 GB。本文缺陷檢測算法研究選用的CUDA版本是10.2，集成開發環境是VSCode，使用Python3.7和Pytorch深度學習框架開發。

輸電線路主要缺陷智能識別軟件為網絡版，系統采用B/S架構和分用戶管理的方式，基于Cesium開源三維可視化引擎、PostgreSQL數據庫管理系統和Pytorch深度學習框架構建基于無人機影像深度學習算法的輸電線路主要缺陷智能識別軟件。系統具有無人機光學圖像樣本制作、模型分布式訓練、模型測試、缺陷診斷和確認以及檢測報告生成等功能，可識別桿塔、絕緣子、金具等主要缺陷[9]。

平臺架構如圖1所示。系統同時具備三維GIS功能（如三維可視化、數據庫管理系統、空間分析等）和無人機遙感圖像處理功能（如數據預處理、基于深度學習算法的輸電線路缺陷檢測），可以生成訓練報告、測試報告和缺陷識別結果評估報告。

圖1 系統架構圖

4 算法驗證

4.1 模型訓練

平臺選擇Yolo5s模型進行輸電線路缺陷檢測，訓練數據和驗證數據的比例為9:1，每次輸入網絡中圖像的數量為16，初始學習參數為0.01，迭代次數為500次，IoU閾值設為0.5。絕緣子自爆類缺陷訓練結果如圖2所示。

圖2 絕緣子自爆類缺陷訓練結果

4.2 缺陷檢測

采用前述模型和軟件識別出的缺陷結果如圖3所示。其中絕緣子類缺陷包括絕緣子自爆、傘裙損壞和放電燒傷；金具類缺陷包括防振錘銹蝕、損壞，線夾銹蝕，接線管彎曲；導線類缺陷包括導線跳股、纏繞不合格等。

圖3 不同類型缺陷識別結果

4.3 模型驗證

本文對不同缺陷類型的識別精度進行了分析。表2列出了不同類型缺陷的識別精度和識別召回率。

表2 缺陷檢測結果

從表2可以看出，整體缺陷平均識別精度均值達93%，鳥巢識別精度最高，為96%，絕緣子類缺陷識別精度為90%，略低于金具類缺陷和導線類缺陷的識別精度，這是因為絕緣子缺陷相對較小，在進行多尺度特征提取的過程中容易漏掉，因此提高絕緣子自爆、燒傷等小目標缺陷識別精度是后續的重要工作。

5 結束語

本文基于Yolov5目標檢測算法和無人機巡檢獲取的可見光照片，實現了輸電線路絕緣子、金具、導線等主要缺陷的智能識別。研究表明，使用文中模型對輸電線路主要缺陷識別的平均精度均值可達93%，平均召回率96%。

本文提出了可泛化的輸電線路多缺陷檢測模型，研發了基于無人機影像深度學習算法的輸電線路主要缺陷智能識別軟件，為開展輸電線路的快速智能巡檢、缺陷檢測模型的擴展和優化提供了基礎平臺。

Yolov5是一種輕量級的深度學習算法，在今后的工作中，可以將訓練好的模型嵌入到移動端，乃至無人機平臺，實現邊緣計算，以進一步提高檢測效率。基于可見光圖像開展深度學習缺陷檢測算法研究，在實際工程應用中，激光點云數據對于通道類缺陷（如樹障等）檢測具有優勢，紅外圖像對于溫度異常更為敏感，采用無人機搭載多種傳感器，同步獲取多源遙感數據，研發相應的缺陷檢測算法，有望實現一站式輸電線路智能缺陷檢測。