深度学习的输电线路关键部件检测研究

安徽理工大学电气与信息工程学院 张卿洪

近年来，随着高压输电线路越来越广泛地被应用，输电线路上的故障检测实时性就会受到影响。受光照强度等多种自然条件因素制约，传统人工巡检方式会出现很多问题：不仅费时费力，还会导致图像故障判断错误或者漏判。伴随着深度学习的不断发展，通过操纵无人机搭载摄像机实现输电线路重要部件的识别检测将成为智能电网电力巡检的主流趋势。本文介绍了输电线路的关键部件的作用以及部件可能出现的故障，输电线路部件的多种检测方法，和输电线路数据集的获取与扩充，最后总结了无人机巡检输电线路并采集图像，通过深度学习进行关键部件检测的现实意义。

如今，刮风、下雨、打雷等自然灾害时有发生，使得城市输电线路不断发生故障，造成城市大面积线路故障跳闸，影响人们的正常生活。但是由于地形的复杂，天气的影响，人工巡检很不现实。所以用无人机巡检使接下来的抢修工作更方便高效。

通过无人机可以采集到大量输电线路的图像，这些图像如果仅靠人眼识别判断，不仅费时费力，还会因为人眼长时间看图造成疲劳，导致图像故障判断错误或者漏判，影响检修过程。将机器视觉技术与卷积神经网络相结合的技术可以识别出图像中的部件，以及具体位置，在极大减少人工识别主观判断的错误率的同时，还扩宽了机器识别的视野，能够实时监控输电线路状况。因此，提取无人机采集到的图像并通过神经网络处理图像进行定位识别检测，这是我国以及全世界电网巡检的趋势。

1 输电线路关键部件类型

1.1 绝缘子

绝缘子的功能：电气绝缘和支撑导线，在过电压作用下，不容易发生故障；在输电线路中，能承受住导线的荷重和拉力。

绝缘子会发生的故障：当雨季来临时，绝缘子绝缘性降低，因而当受热时会膨胀炸裂；遇到外力时使绝缘子破损。

1.2 防震锤

输电线路中，防震锤可以减弱或消除导线的振动。

所以它的主要作用是为了防止风力破坏金具、线路绝缘子以及防止线路断股或断裂，保证输电线路的安全。

因为防震锤采用传统的螺杆螺母连接固定在输电线路上，难免会遇到螺杆出现松动的情况，使防震锤发生松动、脱落，导致防震效果降低，影响导线的使用寿命。

1.3 均压环

均压环的作用是电压分布平均。均压环故障主要是均压环脱落，由于均压环是通过一个螺栓环来固定在整个绝缘子上，在供电线路长期正常运行中，如果螺栓安装不紧固或刮风使均压环脱落。

2 输电线路部件检测算法

2.1 基于SSD算法的输电线路检测方法研究

SSD运行速度很快，它只需要对图像进行一次处理即可检测识别到多目标。SSD的检测的基础网络是VGGNet，但由于它的结构比较简单，提取特征的能力不太强，对输电线路关键部件的识别不是很准确。李伟性等人将SSD结构中原有的VGGNet替换为ResNet网络，使网络的深度增加，从而提高了检测准确度。改进的SSD算法不仅替换了VGGNet网络，并通过比较绝缘子和缺陷绝缘子部位的位置关系，计算IOU并进行判断，提高了缺陷位置检测的稳定性。

2.2 基于改进YOLOv4输电线关键部件实时检测研究

YOLOV4作为目前最先进的实时目标检测方法之一，其采用DarkNet网络构建了CSPDarkNet-53特征提取网络，增强了模型的特征学习能力，降低了对计算内存的要求.YOLOv4的目标检测流程图如图1所示。

图1 YOLOv4目标检测流程图

郑伟等人根据无人机拍摄下输电线路目标图像的特征，对YOLOv4进行改进，结合了MobileNet重新设计了一种轻量的特征提取网络来获取更高的特征提取效率，利用空洞模块增强感受野减少小目标的信息损失；在特征融合模块中添加自适应路径网络，得到更高的准确率。基于YOLOv4改进的网络能够在无人机机载端实现实时多尺度目标检测，模型的平均准确率很高，检测速度也很高，能够满足无人机嵌入式平台上实时检测的需求。

2.3 基于改进YOLOv3的输电线路关键部件检测方法

传统的YOLOv3属于Anchor-Base单步目标检测方法，即由骨干网络提取特征，再由检测网络进行分类与定位，采用的是端对端的检测。YOLOv3算法的检测流程图如图2所示。

图2 YOLOv3算法的检测流程

YOLOv3是采用相互级联的残差网络加深了网络结构层数，检测速度很快，但是算法适用性不广泛，如对小目标的检测不精准。为了解决这一问题，翁智等人用Res2Net残差模块代替原有的残差模块，使网络内部结构更加丰富，提高了网络对小目标的检测的精度。但由于Res2Net残差模块减少了的网络深度，对目标的特征提取能力有所影响，最后通过知识蒸馏的方式使检测精度提升。

3 输电线路数据集介绍

3.1 数据来源

由于现在的数据集中并没有输电线路部件这个分类，所以需要自行构建数据集，主要可以通过无人机航拍和网站搜索获取输电线路典型部件的图像数据。数据集中的图像并不是单一存在的，有的图像包含很多类的目标，为保障数据集的广泛性，收集到的数据集应包含多种复杂且广泛的背景、不同的天气状况、不同光照强度、不同拍照角度、不同大小尺寸、不同遮挡条件的图片。

3.2 数据标注

在制作数据集时，我们可以用Labellmg软件标注数据集。信息标注的目的是为了在原始图像中能够根据标注信息找到目标物体的位置和类别。

3.3 数据扩充

数据量的不足可能导致深度神经网络没有训练出准确的模型，导致传输线元件检测泛化性能较差，难以准确检测，因此要对数据进行扩充。且研究表明，对数据进行扩充，比全部使用采集图像制作数据集更能防止过拟合现象。主要采用图像多角度翻转、图像亮度增强、图像垂直拉伸以及裁剪图像大小等方法扩充。

近年来，将无人机技术用于电路巡检越来越受欢迎，深度卷积神经网络在目标检测上取得了显著的进步，有很多用于组件识别训练的模型在更复杂的背景下具有优异的鲁棒性，可以结合样本扩充和深度学习方法应用于电网识别系统，能实时准确地检测，更好的地应用到相关电气工业领域。

将无人机和深度学习技术相结合运用到检测输电线路关键部件有着深远的意义，既解决了人工巡检可能造成的不安全性问题，又提高了检测速度，可以方便工作人员更加快速的展开维修工作，对输电线路系统的安全运行有着重要意义。