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。