输电线路缺陷无人机图像识别技术应用

张利

（中国石化集团胜利石油管理局有限公司电力分公司，山东 东营 257000）

0 引言

基于无人机图像识别技术的应用，对输电线路的缺陷分析与处理效果提升方面有积极作用。随着电力需求的逐渐增加，电网规模也在逐渐扩大，输电线路的缺陷对输电稳定性会产生直接的影响，因此，定期对输电线路进行巡检与分析处理，可保证输电线路的稳定性[1]。但是，由于输电线路的布设地形比较复杂，交通不便，巡检人员的安全保障比较低，因此，通过无人机图像识别技术的应用，对输电线路缺陷问题进行识别与分析，该技术的应用具有操作性以及灵活性，可提高输电线路缺陷识别与分析水平[2]。

1 无人机图像识别技术概述

1.1 概念

无人机图像识别技术的应用，则是在无线通信链路的基础上，对数据传输过程进行优化，在识别过程中，包含无人机飞行控制、数据管理等内容[3]。无人机在飞行后，从地面到高压输电塔之间进行控制，并对巡视目标进行识别与分析，在巡视结束后，返回地面，结束分析处理任务。数据管理是无人机飞行到巡检目标时，可通过采集数据分析，对数据采集、数据传输、数据存储、数据清除等方面进行分析，从而实现无人机图像识别分析水平提升。无线通信链路可对无人机飞行状态、图像信息等进行数据整合，对不同数据进行分类与处理的基础上，提高数据信息的综合处理水平。通过对无人机实时传输的通信处理，可对输电线路巡检数据进行采集与处理，可实现图像数据传输与图像识别分析[4]。

1.2 系统组成

无人机图像识别技术的应用，则是在智能巡检与分析处理的角度，对实时数据进行分析，并对图像的缺陷位置进行标注，通过对数据结果与原始图像数据进行备份与处理，可实现无人机图像识别与分析水平提升[5]。无人机图像识别与分析中，其中包含视频传输、图像传输两大功能模块，无人机搭载高清相机以及图传模块发射端，地面工作终端则是图传模块接收端、4G传输模块，通过无人机图像识别系统的搭建，可利用深度卷积神经网络算法，对图像数据进行预处理分类识别。在对图像缺陷进行分析与处理的基础上，可对识别结果进行分析与处理，为输电线路缺陷识别提供依据[6]。与此同时，对图像结果以及原始图像数据进行备份，并利用4G网络对图像数据进行分析，将其发送到控制中心，从而达到输电线路缺陷辨认与分析处理的目的[7]。

2 输电线路缺陷无人机图像识别技术实践要点

2.1 输电线路缺陷识别

输电线路缺陷识别可采用层次化特征的表达方式，对输电线路的数据传输进行计算，在数据预处理的基础上，可对图像缺陷位置进行识别，如果存在图像数据缺失的情况，可通过缺陷数据进行标注，将有问题的图像结果反馈到人机交互界面。在此基础上，深度学习的输电线路缺陷图像识别与分析，重点是对被识别图像的识别点进行提取与处理，并通过制作样本数据，对训练的数据集进行对比分析，分析输电线路的实际应用与运行情况。

（1）对图像数据进行处理，建立数据集合空间。

（2）Faster-Rcnn的模型训练，在对标签的数据输入进行训练与分析的基础上，采用随机梯度处理的方式，对数据信息的迭代处理过程进行优化，完成多目标识别分析任务。

（3）Fastrer-Rcnn模型测试与修正，在对相关数据进行分析与处理的基础上，可对数据以及训练参数等进行调整，达到模型分析与信息处理的目的。

（4）输电线路缺陷分类分析，对输电线路的缺陷问题、正常数据等进行分析，并对缺陷图片进行标注，在建立训练数据集与测试数据集的基础上，可通过输电线路的数据传输与信息处理，满足输电线路的缺陷识别分析需求。

（5）训练输电线路缺陷分类器，并对训练样本数据训练分类器进行综合处理，在输电线路分类识别与处理的基础上，可满足输电线路缺陷识别与分析的需求。

（6）对输电线路缺陷分类进行测试与修正，并对测试数据的准确率进行检验。结合搭建的多目标识别模型，对输电线路缺陷分类过程进行优化，通过模型参数更新与数据分析处理，可对输电线路缺陷的数据训练样本进行综合分析。在现有的识别图片分析中，可在原有模型的基础上，对不同分类数据进行识别与分析，通过缺陷分类与检验，实现输电线路缺陷识别准确性提升。

2.2 模型

多目标物体识别分析中，可通过Faster-Rcnn算法对无人机巡检图片识别进行分析，并实现输电线路缺陷的有效控制。在实际应用中，模型操作步骤如下：

（1）利用卷积神经网络对输电线路缺陷图片的卷积特征进行提取。

（2）利用Region Rroposal Network提取输电线路缺陷信息的处理与检验。

（3）在对输电线路缺陷图像进行处理中，可从原始图片卷积特征中提取特征向量，并对不同特征数据进行分析，可对矩形区域的坐标及信息处理过程进行完善，从而提高多目标识别分析的准确性[8]。

卷积神经网络模型的搭建，则是对卷积操作以及池化操作过程进行控制，输入数字图像后，对卷积层、池化层进行处理，通过网络模型对图像数据的参数处理，按照3＊3卷积核在5＊5的图像上进行卷积操作，通过特征提取与数据分析处理，降低位移变形的敏感程度。深层卷积神经网络的搭建，可通过输出向量分析与信息处理，达到输电线路缺陷识别与分析的目的。输电线路缺陷分类与识别，可在多目标识别与检验的基础上，对输电线路缺陷图像的特征向量进行映射处理，并通过分类输出向量检验与处理，对输入图像以及神经网络计算等方面进行优化，提高输电线路的缺陷识别处理水平。

2.3 实验

输电线路缺陷无人机图像识别技术的应用，则是在图像识别以及智能巡检分析的视角下，对智能巡检平台进行综合控制，从而满足输电线路缺陷分析与处理的需求。因此，无人机图像识别技术在实际应用中，可对输电线路缺陷图像进行快速识别。为检验技术应用的水平，采用1000张无人机航拍图像识别分析处理的方式进行分析，其中包含20类输电物体、设备的图像，每个物体可发现有25张有缺陷、无缺陷的图像。在进行实验分析的过程中，识别输电线路缺陷诊断的设备以及缺陷类型、缺陷位置等内容。在进行实验分析中，结果表明，利用Faster-Rcnn的多目标物体识别算法，可对输电线路的不同设备进行分类识别与处理，而且，具有识别精度高、效率快的特征。一张2400万像素的高清图片的处理，可通过Nvidia TitanX实现快速处理，处理的时间为0.4s左右。利用ImasgeNet完成不同物体的分类识别，其精度为85%。在现有的实验条件下，对输电线路的识别与处理的精度为83%。为实现缺陷定位，可采用深度残差神经网络的方式，对绝缘子破裂、销钉缺失等问题进行识别，其识别精度为75%。因此，不同特征的缺陷，其具有较高的精度，而且，在对输电线路缺陷进行处理中，可对输电线路裂纹、烧伤等缺陷进行识别与分析，其识别精度分别为45%、37%。通过深度卷积神经网络算法的应用，可提高无人机图像识别效率及精度，降低人工识别输电线路缺陷图像的工作量，进一步提高输电线路的巡视效率及质量。

3 结语

无人机图像识别技术在输电线路缺陷分析中的应用，可利用深度卷积神经网络算法，对输电设备缺陷识别进行分析。输电线路中的图像信息识别是在Faster-Rcnn算法的应用下，对图像识别、输电处理过程等进行信号检验与分析，以此保证输电线路的缺陷识别水平。无人机图像识别技术的应用，则是在输电线路缺陷识别与分析处理的基础上，对输电线路缺陷的图像处理过程、缺陷图像分析等方面进行优化，满足输电线路缺陷识别与分析的综合需求。基于深度卷积神经网络算法的应用，可对输电线路的不同缺陷进行分类，并对不同缺陷进行分类与识别，满足输电线路缺陷识别分析需求。