无人机自动巡检技术在输电线路缺陷识别应用研究

无人机自动巡检技术在输电线路缺陷识别应用研究

刘派

广东电网有限责任公司揭阳供电局，广东 揭阳 522000

摘要：本文利用基于深度学习算法的目标检测技术实现输电设备本体缺损和发热缺陷的

检测，同时考虑到机巡图像的归档以及缺陷的管理，通过机巡图像坐标和航线航点的信息实现机巡图像的批量重命名以确定缺陷的准确位置，从而实现了无人机巡检数据的规范化管理和智能化分析。

关键词：无人机；输电线；自动巡检；缺陷识别

引言

    输电线路缺陷识别的目标是尽早发现和及时消除设备中存在的各种影响线路安全运行的缺陷，这就要求同时检测缺陷的类别和具体位置。缺陷的定位是检修工作正常开展的前提，准确的缺陷位置能够帮助检修人员快速定位缺陷部件，因而其不仅可以提高检修效率，同时也是检修人员人身安全的重要保障。缺陷的类别是制定检修计划的依据，针对不同类型缺陷的检修工作存在不同的作业风险，需要不同的备品备件，因而需要制定不同的施工计划。缺陷类别的准确识别能够对检修计划编制和执行过程的优化具有指导性作用。

1 缺陷的精确定位原理

1.1 无人机自动巡检技术

    近年来，无人机在架空输电线路巡检工作的应用越来越广泛，然而，传统手动遥控飞行作业相当考验驾驶员的操作技能和心理素质，稍微不留意便可能发生撞塔炸机等事故，从而造成了很多不必要的心理负担和经济损失。

    为了有效提高无人机作业的质量和安全性，无人机自动巡检技术应运而生。无人机自动巡检是指无人机根据预设的航线自动完成巡检任务的一种作业方式。其原理是先运用激光雷达对输电线路进行扫描并构建出其三维点云模型，然后对采集到的高精度点云数据进行矢量化、对象化处理，提取关注部件的信息，然后根据智能控制算法自动生成各种形式的自动巡检航线（如图1），并让无人机按照绘制好的航线进行飞行作业，从而实现让无人机自动飞行和拍照等功能。

图 1 激光点云模型和自动驾驶航线

   点云模型中的每个点都有唯一的三维坐标，即经度、纬度及高程。基于实时动态（Real-time kinematic，RTK）载波相位差分技术的激光雷达使得根据点云模型绘制出来的航线具有厘米级的精度，从而有效地保证了无人机在强电磁场中自动驾驶飞行的稳定性和精准性。自动驾驶技术不仅可减少对操作人员技能水平的依赖，同时在数据采集方面更具规范性。无人机的自动驾驶是按照设定好航线进行飞行，并在指定的航点以合适的云台角度进行拍摄，以获取到质量更高的图像。而这些航点正是对应于我们关注的杆塔关键部件，主要包括架空地线挂点、耐张压接管和绝缘子金具组装串等。正是因为航线规划中航点与杆塔部件存在一一对应的关系，为我们对其采集到的图像进行精确命名提供了依据。目前，揭阳供电局输电管理所应用于自动巡检中的无人机型号为DJI精灵4RTK，RTK网络的应用确保了激光点云坐标与现场实际的误差能够在厘米级的范围内，从而有效地保障了无人机自动巡检过程中的安全。

1.2 机巡图像定位杆塔

    大疆系列无人机拍摄得到的可见光图像和红外测温图像的属性信息中均包含着图像的坐标和拍摄时间等重要信息。显然，通过计算机巡图像坐标与实际杆塔坐标的距离，方可确定图像所拍对象的杆塔号；然后根据图像拍摄时间与航线航点顺序关系，便可确定图像的具体部件。

1.3 机巡图像定位具体部件

    图像对应的杆塔号确认后，还需要进一步确定图像所对应的相序。自动巡检航线本质上是就一系列航点按照一定顺序的连起来的线。其中每一个航点信息包含该点对应的线路名称

name、杆塔号tow、部件obj、航点类型type、航点顺序seq以及该点的纬度lat、经度lon

和程alt，记为pionk=[namek，towk，typek，seqk，latk，lonk，altk]线则可表示一系列航点的集合，记为：kLINE=[point1point2…pointk…,pointp] (1)

2 缺陷类别的检测方法

    通过重命名实现机巡图像的定位后，接下来需要解决的问题便是从图像中识别出是

否存在缺陷和缺陷的类别，而目标检测技术正好能够满足我们机巡图像缺陷识别和缺陷

图像位置定位的需求。

    所谓的目标检测，就是在给定的图像中精确地找到物体所在位置，并标注出物体的

类别。此外，基于卷积神经网络的目标检测算法相较于传统目标检测算法具有更为强大

的性能，因而广泛应用于图像识别领域。按照检测原理的不同，目标检测算法可分为二

阶段目标检测和单阶段目标检测，本文重点探讨单阶段目标检测。

    为了进一步提高检测速度以满足实时检测的要求，其中牺牲部分精度以大幅提高检测速度的单阶段检测器便应用而生。区别于两阶段检测器，单阶段目标检测并不进行候选区域的推荐，而是直接从特征图回归出目标的边界框和分类概率，因而其速度能够得到极大的提高。单阶段检测算法中应用较为广泛的有 YOLO 检测器和 SSD 检测器。YOLO 检测器，全称为

You Only Look Once，顾名思义，就是对图片仅进行一次扫描便能检测出多个物体，并标记出其位置。这类方法使用了回归的思想，利用整张图作为网络的输入，直接在图像的多个位置上回归出这个位置的目标边框，以及目标所属的类别。YOLO 目前已经迭代出了多个版本，其中 YOLOv1 创造性的将候选区和对象识别这两个阶段合二为一，采用直接回归的思路，利用整张图作为网络的输入，把目标检测的问题转化成一个回归问题，直接在输出层回归边界框的位置及其所属的类别。YOLO目标检测算法的基本流程图如下：

图2 YOLOv1 算法结构图

    由其结构图可以得知，YOLOv1 首先需要对输入的图像进行区域划分，例如图中划分成 S×S 的网格，然后对于每个网格预测 k个边框并且利用回归计算不断修正各个边框的尺寸、置信度以及各个类别的概率，因而可以预测出 S×S×k 个目标窗口，然后根据阈值去除可能性比较低的目标窗口，最后用极大值抑制法去除冗余窗口，保留各个类别中概率最大的窗口。

    YOLOv1 采用预定义的网格代替选择性搜索的候选区域的方法实现了检测速度的大幅度提升，但是由于网格设置比较稀疏，而且每个网格只预测两个边框，加上池化操作会丢失一些细节信息，因而对于小目标的检测效果并不太理想。换言之，YOLOv1对于目标的尺度比较敏感，对于尺度变化较大的物体的泛化能力比较差。有学者在YOLOv1 基础上提出了 YOLOv2，其主要改进措施。

    为了进一步提升 YOLO 网络对小物体的识别能力，需要再次对 YOLO 网络进行优化改进，推出了YOLOv3，利用多尺度特征进行对象检测，即采用了3个不同尺度的特征图的 9个的先验框来进行对象检测,这使得 YOLOv3 成为现今社会中最为先进的目标检测算法之一。

3 缺陷识别模型数据集的构建

    本文缺陷检测系统的开发基于深度学习的目标检测框架。深度学习是一种特征学习方法，能够把数据集中的原始数据通过一些简单的但是非线性的模型转变成为更高层次的，更加抽象的表达。

    数据是深度学习的血液，深度学习的性能能否提升取决于数据集的大小。模型学习的参数越多，训练所需的数据也会增加。否则，具有更多维数和小数据的问题会导致模型过拟合。网络结构是深度学习的核心，合适网络结构，具有更好的非线性表达能力，可以学习更加复杂的变换，从而可以拟合更为复杂的特征输入。因此，主要介绍缺陷检测系统中的关键技术，同时给出发热缺陷检测中温度的提取原理和缺陷判别方案。

    原始机巡图像由于背景环境占比一般都比较大，如果直接从原始尺寸压缩到指定尺寸作为训练数据集，这样会使关注部件很多细节信息的丢失，影响检测效果；并且候选区域也是根据输入的整张图片生成，背景环境的存在必然带来更大的计算量，因而会严重影响模型训练的速度。针对这一问题，本文采用先截图再标注的方法进行处理，具体做法如下：先利用 label Img 软件粗略地标出原始图像中完整关键部件的位置，如图 3所示。

    这一过程不需要对部件类别进行标注，因为我们的目的只是为了获取关键部件的大致位

置，保存后生成对应的 xml 标注文件。

    标注文件中除了包含图像名称，存储路径，图像尺寸等基本属性信息外，还包含了所有标注对象的信息，包括对象标签和标注框的位置信息。根据标注文件中各个标注框的位置信息确定其对应的正方形裁剪框，再利用截图代码对原始图像进行截取，这样能够有效地减小背景环境的占比，同时也能在不丢失关键部件像素信息的情况下缩小图像的尺寸，保留更多的有效信息。

图3 利用 Label Img 框选关键部件

4 部件发热缺陷的识别应用方案

    针对输电线路设备的常见发热缺陷，需要重新构建红外图像数据集，其目标类别主要设置为耐张线夹、复合绝缘子、线路避雷器等常见发热部件。完成数据标注及数据集的构建后，便按照同样方法对目标测试模型网络进行训练和测试，训练最大轮数设置为 50万次，训练所得到的学习模型在测量标准为 0.5的情况下具有 0.816 的精确率。预测过程中根据部件检测网络输出的目标类别，选用不同的温度参考框计算程序，其输出识别结果如图 4。

图4 发热缺陷检测结果

    由图 4 可以看出，本文发热缺陷检测方案不但可以从红外巡检图像中正确检测出耐张线夹、复合绝缘子等关键部件的位置，而且还可以直接输出部件检测框温度、温差等信息。

为了验证本文发热缺陷检测方案的可行性，本文分分别利用传统 FLIR 软件和本文检测系统两种方案对同一张图像进行分析，其结果如图 5所示，其中图 5(a)为 FLIR软件分析结果，图5(b)为本文检测系统输出结果。由图 5可以看出，两种方案所标记出的部件热点位置基本一致，其中采用 FLIR软件提取出耐张线夹引流板螺栓温度为 38.7℃，而本文检测系统计算出的引流板螺栓温度为 38.8℃，误差仅有 0.26%，由此可以证明了本文检测方案的可行性。此外，FLIR 软件分析结果中只给出每个标注框的温度值，而部件相对于邻近导线的温差则需要人工计算；相对而言，本文检测系统由于识别程序中内嵌了相关的计算和可视化代码而可以自动输出部件相对于邻近导线的温差，由此也可看出本文检测方案更为高效。

        （a）                                     （b）

             图

图5 发热缺陷检测结果

5 缺陷识别模型的应用效果

     本文目前已完成了部件检测模型和玻璃绝缘子自爆、金具螺栓销钉以及均压环歪斜脱落三类典型缺陷检测模型的学习训练。利用级联式缺陷检测系统分别调用部件检测模型和缺陷检测模型对部门精细化巡视所采集到的 8万张可见光图像进行检测，其中部件检测网络识别14 类部件，具有 82.5%的识别准确率，在重要交叉跨越特殊区段的地线挂点和绝缘子串应用情况的统计中发现地线单挂点和绝缘子单串共 454 处，比人工统计多出 92 处。

    在部件检测的基础进行缺陷检测，发现疑似缺陷 3294处，最终人工核实缺陷共 2246处，其中金具螺栓插销缺失的有 1949 处、玻璃绝缘子自爆 200处、均压环倾斜脱落 97处。

6结束语

    综上所述，基于图像分析和机械学习的检测算法在输电线路本体缺陷检测中已有较为广泛的研究，但其大都止步于从图像中成功检测出目标缺陷，而将其落实到实际线路巡维工作的研究近两年才逐渐出现。然而这些智能巡检系统平台仍然存在不足之处，即没有考虑实际缺陷管理工作中缺陷定级和缺陷跟踪的要求。对此，本文基于无人机自动巡检技术开发出输电线路缺陷智能识别系统，以提高机巡图像分析工作的自动化水平，切实减轻巡检人员的工作负担。

参考文献

[1] 南方电网输电线路“机巡+人巡”协同巡检工作指导意见[S]. 2016.

[2]汤踊, 韩军, 魏文力, 等. 深度学习在输电线路中部件识别与缺陷检测的研究[J]. 电子测量技术, 2018, 41(06):60-65.

[3]鲁轩, 郗来迎, 赵赫男, 等. 基于无人机和图像缺陷识别算法的输电线路巡检系统研究

[J]. 电子设计工程, 2019, 27(12):147-151+157.

[4]李宁, 郑仟, 谢贵文, 等. 基于无人机图像识别技术的输电线路缺陷检测[J].电子设计工程, 2019, 27(10):102-106+112.

[5]彭向阳, 钱金菊, 麦晓明, 等. 大型无人直升机电力线路全自动巡检技术及应用[J].南方电网技术, 2016, 10(02):24-31+76.