基于ELSAM定位的輸配電線路缺陷識別方法研究

[摘 要]文章為快速識別輸配電線路常見故障，提出了一種基于ELSAM定位的圖像缺陷識別方法。該方法在SAM圖像分割模型基礎上進行了改進，并基于支持向量機設計分類器，有效剔除圖像干擾，精準定位輸配電線路的關鍵部件，從而提高缺陷檢測的準確度和效率。試驗結果表明，研究構建的模型訓練損失值均下降較快，約迭代20次即可達到穩定，且訓練損失值低。并且對于3種輸配電線路關鍵部件圖像缺陷分類精度在95%以上。說明研究采用的方法能夠顯著提升輸配電線路缺陷識別的精確度和實用性，為智能電網的安全運行提供有力保障。

[關鍵詞]輸配電線路；支持向量機；圖像缺陷分類；訓練損失值；分類模型

[中圖分類號]TP391.41 [文獻標志碼]A [文章編號]2095–6487（2024）12–0161–03

Research on Defect Identification Method for Transmission and Distribution Lines Based on ELSAM Localization

FENG Chenli，CHEN Qidi

[Abstract]In order to achieve rapid identification of common faults in power transmission and distribution lines， a defect recognition method based on Enhanced Location based Segmentation and Attention Model （ELSAM） localization is proposed using unmanned aerial vehicles to collect image data. This method has been improved based on the SAM image segmentation model， and a classifier has been designed using support vector machines to effectively eliminate image interference and accurately locate key components of transmission and distribution lines， thereby improving the accuracy and efficiency of defect detection. The experimental results show that the training loss values of the models constructed in the study decrease rapidly， reaching stability after about 20 iterations， and the training loss values are low. And the classification accuracy of the three key component images is above 95%. The model constructed in this study can significantly improve the accuracy and practicality of defect identification in transmission and distribution lines， providing strong guarantees for the safe operation of smart grids.

[Keywords]transmission and distribution lines； support vector machine； image defect classification； training loss value； classification model

輸配電線路的安全穩定運行直接關系到電力供應的可靠性和穩定性。隨著電網規模的不斷擴大和復雜度的增加，傳統的巡檢方式已難以滿足高效、精準的巡檢需求[1]。因此，利用無人機搭載高清相機進行輸配電線路的定期巡檢，并結合人工智能和計算機視覺技術進行圖像分析和處理，已成為當前電力行業巡檢的重要發展趨勢。無人機技術以高效、靈活、覆蓋范圍廣等優勢，在輸配電線路的巡檢中發揮著重要作用。但是無人機采集的海量圖像數據給后續的缺陷識別工作帶來了巨大挑戰。現有的缺陷識別方法大多依賴于人工查看或簡單的圖像處理技術，不僅效率低下，而且容易漏檢、誤檢。特別是對于一些小目標缺陷（如絕緣子上的微小裂紋、桿塔上的細小異物等），由于其在圖像中的占比小、特征不明顯，現有算法通常難以準確識別。陳相羽等[2]提出SAM圖像分割模型在邊緣檢測、顯著物體識別、圖像異常檢測等任務中表現出很強的泛化性。文章將SAM圖像分割模型直接應用于輸配電線路圖像分割，效果并不明顯。為此提出了一種基于ELSAM定位的輸配電線路缺陷識別方法，期待能實現對輸配電線路缺陷的快速檢測。研究的創新點在于構建了ELSAM定位模型，該模型在通用圖像分割模型的基礎上進行了改進，并設計了分類器，使其能夠在無需大規模標注數據的情況下進行訓練，從而解決了標注數據集難以獲取的問題。

1 基于ELSAM定位的輸配電線路缺陷識別方法

1.1 基于ELSAM的定位模型構建

2 結果分析

為了驗證基于ELSAM定位的輸配電線路缺陷識別模型的有效性，研究構建了模型的訓練環境及訓練數據集，并對模型性能進行了測試，具體見表1。

在模型訓練過程中，為提升模型性能，特別是針對難分類樣本的識別能力，研究引入了Focal Loss作為損失函數。同時，將數據集中的圖像按照4∶1分為訓練集和驗證集，以驗證模型性能，學習率設定為0.0001，迭代次數設定為100。在同等條件下，引入基于行波法的故障定位模型和基于遺傳算法的故障定位模型，并與研究構建的模型進行比較，結果如圖1所示。由圖1可知，無論是在提示點生成數據集中還是在分類器訓練數據集中，研究構建的定位模型訓練損失值均下降較快，約迭代20次即可達到穩定，且訓練損失值低。說明該模型能夠在較短的迭代次數內有效學習數據中的特征，適用于輸配電線路不同部位的缺陷檢測。

由圖2可知，基于ELSAM定位的輸配電線路缺陷識別模型輸出圖像的條紋更加清楚，并且改進后的模型在捕捉并呈現細節信息方面更加優秀，同時證明了改進算法提取輸配電線路圖像特征的有效性。

最后分別將基于行波法的故障定位模型、基于遺傳算法的故障定位模型及研究構建的模型應用于某輸配電線路的實際缺陷檢測，收集圖像共計100張，缺陷識別結果以混淆矩陣的形式呈現，如圖3所示。由圖3可知，研究構建的模型對于輸配電線路3個部件圖像缺陷分類精確度均在95%左右，而其他兩個模型的精確度僅在80%左右。說明研究模型能夠在復雜的圖像環境中精準捕捉缺陷特征，并實現高效且準確的分類。

3 結束語

研究圍繞輸配電線路巡檢中圖像缺陷識別準確率低、識別效率低等問題，提出了一種基于ELSAM定位的輸配電線路缺陷識別模型。試驗結果表明，研究構建的模型能夠快速準確地對圖像進行處理，且模型處理的圖像條紋更加清楚，特征細節信息更加豐富。而且，研究基于ELSAM構建的缺陷識別模型能夠準確、快速地定位出圖像中的具有缺陷的輸配電線路部件，并對這些缺陷進行準確的分類。但是研究構建的模型僅針對輸配電線路關鍵部件進行分類試驗，后續研究將會對缺陷部位進一步細化，更加準確地判斷出故障部位。

參考文獻

[1] 潘德泰，李貴亮，何啟遠，等.基于計算機視覺的電網輸變配環節配電線路巡檢系統[J].電子設計工程，2023，31（17）：85-89.

[2] 陳相羽，李豪，王炳炎，等.基于SAM預訓練大模型智能化組合策略的燃料組件水下快速精確定位優化研究[J].核動力工程，2023，44（2）：140-145.