超特高压架空线路自主巡检中的前端AI识别对焦技术研究

杨利波 杨嘉妮

摘要：介绍了一种超特高压架空线路自主巡检中应用的前端AI识别对焦技术。该技术首先选用小型电动多旋翼无人机作为自动巡检工具，搭载1 200万有效像素摄像机;其次构建CNN-BP模型，将卷积神经网络作为输电线路特征提取器，利用改进后的BP神经网络作为特征分类器，若当前输出结果为超特高压架空输电线路，则向摄像机发送自动对焦指令，完成无人机前端图像的采集工作。此技术辅助无人机自主巡检采集精准的线路图像，提升了电力系统输电线路的自主巡检效果。

关键词：输电线路;无人机;自主巡检;CNN;识别

0 引言

超特高压架空输电线路长期暴露在室外恶劣环境中，面临暴雨、强风、冰雹、洪水等自然灾害以及工业污染的威胁，输电线路虽然自身有一定的机械耐受性，但是随着设备老化等问题，超特高压架空输电线路会出现线路损坏现象，导致输电中断，严重时威胁到附近人员的人身安全。为此，使用无人机对超特高压架空输电线路进行定期自主巡检，及早发现其存在的安全隐患，为线路维修管理提供参考依据。在电力自主巡检模式中，自动对焦技术直接影响线路图像采集的质量与精准度，本文对此技术展开重点研究，以提升电力系统输电线路运行的安全系数与效率。

1    输电电力自主巡检的无人机选型

目标识别是人工智能领域的代表性技术之一，无人机自动识别对焦效果的优劣是影响自主巡检质量的关键性因素。电力系统巡检使用的无人机类型丰富，由于超特高压架空输电线路一般坐落在人口较为集中的区域，需要无人机具有良好的环境适应能力，小巧轻便，便于携带;同时，选取飞行性能优异、坠毁风险低的无人机机型。本文将小型电动多旋翼无人机作为自动巡检的工具，搭载1 200万有效像素的摄像机[1]。此类无人机携带便捷，国内生产技术相对成熟，购买价格低，集成性高，后期维护简单。

2 基于卷积神经网络的无人机前端AI自动识别对焦

2.1    基于卷积神经网络的识别对焦模型构建

卷积神经网络（CNN）是典型的人工智能领域应用算法，本文使用卷积神经网络与BP神经网络联合构建深度学习网络模型，实现超特高压架空输电线路无人机前端图像自动识别对焦，采集有效的输电线路图像。识别模型包括CNN特征提取器与BP分类器两部分。

2.2    特征提取器设计

输入层、隐含层、隐含单元、输出层是目标特征提取器的基本构成，各层次进行特征提取的步骤为：

Step 1：输入层，输入目标识别的样本图像到CNN模型中，然后进行图像特征提取。

Step 3：隐含单元，经过上述操作提取到的特征图像在这一层次中转换为向量形式，即获取的最终特征向量。

Step 4：输出层，训练CNN特征提取的过程在输出层中完成。

2.3    特征分类器设计

本文将BP神经网络作为输电线路图像特征分类器，经典的BP神经网络存在学习效率低的缺点，不利于无人机快速进行超特高压架空输电线路图像识别对焦，因此，本文深入分析了影响BP神经网络学习率的原因，并针对性地加以改进，提高无人机对焦效率。

2.4    CNN-BP模型构建

本文采用CNN特征提取器与BP分类器最终构建的无人机巡检自动识别对焦模型结构如图1所示。CNN-BP的输入层接收输电线路的训练样本图像，通过数次卷积与下采样操作获取大规模的特征图像;特征图像在模型中被转换为列向量的形式，便于提取样本图像中的特征向量[3];CNN特征提取器训练的场所为同特征向量完全连接的输出层;改进的BP分类器基于输电线路图像的特征向量输出特征分类结果，判断当前无人机识别的目标是否属于超特高压架空输电线路，如果属于，则执行对焦和图像采集操作。

3 结语

超特高压架空输电线路使用无人机自主采集线路图像完成巡检工作，提高了电力系统检修与故障查询的智能化水平。在巡检过程中，无人机搭载的摄像机能否自动精准识别目标物尤为关键。本文联合使用卷积神经网络与BP神经网络构建了CNN-BP模型，通过学习输电线路特征完成目标物的自动识别与对焦，进而采集到准确的超特高压架空输电线路图像，并以此作为电力线路巡检的依据;采用交叉熵代价函数改进代价函数，解决神经网络学习速度缓慢的问题，提高CNN-BP网络模型自動识别与对焦的效率，满足了超特高压架空输电线路巡检需求。

[参考文献]

[1] 吴立远，毕建刚，常文治，等.配网架空输电线路无人机综合巡检技术[J].中国电力，2018，51（1）：97-101.

[2] 尤波，李忠杰，黄玲.基于改进型BP神经网络的手部动作识别[J].智能系统学报，2018，13（5）：848-854.

[3] 甄然，于佳兴，赵国花，等.基于卷积神经网络的无人机识别方法仿真研究[J].河北科技大学学报，2019，40（5）：397-403.

收稿日期：2020-09-01

作者简介：杨利波（1982—），男，湖南南县人，工程师，研究方向：无人机巡检技术应用与研究，无人机数据深化应用。