張利

（中國石化集團勝利石油管理局有限公司電力分公司，山東 東營 257000）

0 引言

基于無人機圖像識別技術的應用，對輸電線路的缺陷分析與處理效果提升方面有積極作用。隨著電力需求的逐漸增加，電網規(guī)模也在逐漸擴大，輸電線路的缺陷對輸電穩(wěn)定性會產生直接的影響，因此，定期對輸電線路進行巡檢與分析處理，可保證輸電線路的穩(wěn)定性[1]。但是，由于輸電線路的布設地形比較復雜，交通不便，巡檢人員的安全保障比較低，因此，通過無人機圖像識別技術的應用，對輸電線路缺陷問題進行識別與分析，該技術的應用具有操作性以及靈活性，可提高輸電線路缺陷識別與分析水平[2]。

1 無人機圖像識別技術概述

1.1 概念

無人機圖像識別技術的應用，則是在無線通信鏈路的基礎上，對數據傳輸過程進行優(yōu)化，在識別過程中，包含無人機飛行控制、數據管理等內容[3]。無人機在飛行后，從地面到高壓輸電塔之間進行控制，并對巡視目標進行識別與分析，在巡視結束后，返回地面，結束分析處理任務。數據管理是無人機飛行到巡檢目標時，可通過采集數據分析，對數據采集、數據傳輸、數據存儲、數據清除等方面進行分析，從而實現(xiàn)無人機圖像識別分析水平提升。無線通信鏈路可對無人機飛行狀態(tài)、圖像信息等進行數據整合，對不同數據進行分類與處理的基礎上，提高數據信息的綜合處理水平。通過對無人機實時傳輸的通信處理，可對輸電線路巡檢數據進行采集與處理，可實現(xiàn)圖像數據傳輸與圖像識別分析[4]。

1.2 系統(tǒng)組成

無人機圖像識別技術的應用，則是在智能巡檢與分析處理的角度，對實時數據進行分析，并對圖像的缺陷位置進行標注，通過對數據結果與原始圖像數據進行備份與處理，可實現(xiàn)無人機圖像識別與分析水平提升[5]。無人機圖像識別與分析中，其中包含視頻傳輸、圖像傳輸兩大功能模塊，無人機搭載高清相機以及圖傳模塊發(fā)射端，地面工作終端則是圖傳模塊接收端、4G傳輸模塊，通過無人機圖像識別系統(tǒng)的搭建，可利用深度卷積神經網絡算法，對圖像數據進行預處理分類識別。在對圖像缺陷進行分析與處理的基礎上，可對識別結果進行分析與處理，為輸電線路缺陷識別提供依據[6]。與此同時，對圖像結果以及原始圖像數據進行備份，并利用4G網絡對圖像數據進行分析，將其發(fā)送到控制中心，從而達到輸電線路缺陷辨認與分析處理的目的[7]。

2 輸電線路缺陷無人機圖像識別技術實踐要點

2.1 輸電線路缺陷識別

輸電線路缺陷識別可采用層次化特征的表達方式，對輸電線路的數據傳輸進行計算，在數據預處理的基礎上，可對圖像缺陷位置進行識別，如果存在圖像數據缺失的情況，可通過缺陷數據進行標注，將有問題的圖像結果反饋到人機交互界面。在此基礎上，深度學習的輸電線路缺陷圖像識別與分析，重點是對被識別圖像的識別點進行提取與處理，并通過制作樣本數據，對訓練的數據集進行對比分析，分析輸電線路的實際應用與運行情況。

（1）對圖像數據進行處理，建立數據集合空間。

（2）Faster-Rcnn的模型訓練，在對標簽的數據輸入進行訓練與分析的基礎上，采用隨機梯度處理的方式，對數據信息的迭代處理過程進行優(yōu)化，完成多目標識別分析任務。

（3）Fastrer-Rcnn模型測試與修正，在對相關數據進行分析與處理的基礎上，可對數據以及訓練參數等進行調整，達到模型分析與信息處理的目的。

（4）輸電線路缺陷分類分析，對輸電線路的缺陷問題、正常數據等進行分析，并對缺陷圖片進行標注，在建立訓練數據集與測試數據集的基礎上，可通過輸電線路的數據傳輸與信息處理，滿足輸電線路的缺陷識別分析需求。

（5）訓練輸電線路缺陷分類器，并對訓練樣本數據訓練分類器進行綜合處理，在輸電線路分類識別與處理的基礎上，可滿足輸電線路缺陷識別與分析的需求。

（6）對輸電線路缺陷分類進行測試與修正，并對測試數據的準確率進行檢驗。結合搭建的多目標識別模型，對輸電線路缺陷分類過程進行優(yōu)化，通過模型參數更新與數據分析處理，可對輸電線路缺陷的數據訓練樣本進行綜合分析。在現(xiàn)有的識別圖片分析中，可在原有模型的基礎上，對不同分類數據進行識別與分析，通過缺陷分類與檢驗，實現(xiàn)輸電線路缺陷識別準確性提升。

2.2 模型

多目標物體識別分析中，可通過Faster-Rcnn算法對無人機巡檢圖片識別進行分析，并實現(xiàn)輸電線路缺陷的有效控制。在實際應用中，模型操作步驟如下：

（1）利用卷積神經網絡對輸電線路缺陷圖片的卷積特征進行提取。

（2）利用Region Rroposal Network提取輸電線路缺陷信息的處理與檢驗。

（3）在對輸電線路缺陷圖像進行處理中，可從原始圖片卷積特征中提取特征向量，并對不同特征數據進行分析，可對矩形區(qū)域的坐標及信息處理過程進行完善，從而提高多目標識別分析的準確性[8]。

卷積神經網絡模型的搭建，則是對卷積操作以及池化操作過程進行控制，輸入數字圖像后，對卷積層、池化層進行處理，通過網絡模型對圖像數據的參數處理，按照3＊3卷積核在5＊5的圖像上進行卷積操作，通過特征提取與數據分析處理，降低位移變形的敏感程度。深層卷積神經網絡的搭建，可通過輸出向量分析與信息處理，達到輸電線路缺陷識別與分析的目的。輸電線路缺陷分類與識別，可在多目標識別與檢驗的基礎上，對輸電線路缺陷圖像的特征向量進行映射處理，并通過分類輸出向量檢驗與處理，對輸入圖像以及神經網絡計算等方面進行優(yōu)化，提高輸電線路的缺陷識別處理水平。

2.3 實驗

輸電線路缺陷無人機圖像識別技術的應用，則是在圖像識別以及智能巡檢分析的視角下，對智能巡檢平臺進行綜合控制，從而滿足輸電線路缺陷分析與處理的需求。因此，無人機圖像識別技術在實際應用中，可對輸電線路缺陷圖像進行快速識別。為檢驗技術應用的水平，采用1000張無人機航拍圖像識別分析處理的方式進行分析，其中包含20類輸電物體、設備的圖像，每個物體可發(fā)現(xiàn)有25張有缺陷、無缺陷的圖像。在進行實驗分析的過程中，識別輸電線路缺陷診斷的設備以及缺陷類型、缺陷位置等內容。在進行實驗分析中，結果表明，利用Faster-Rcnn的多目標物體識別算法，可對輸電線路的不同設備進行分類識別與處理，而且，具有識別精度高、效率快的特征。一張2400萬像素的高清圖片的處理，可通過Nvidia TitanX實現(xiàn)快速處理，處理的時間為0.4s左右。利用ImasgeNet完成不同物體的分類識別，其精度為85%。在現(xiàn)有的實驗條件下，對輸電線路的識別與處理的精度為83%。為實現(xiàn)缺陷定位，可采用深度殘差神經網絡的方式，對絕緣子破裂、銷釘缺失等問題進行識別，其識別精度為75%。因此，不同特征的缺陷，其具有較高的精度，而且，在對輸電線路缺陷進行處理中，可對輸電線路裂紋、燒傷等缺陷進行識別與分析，其識別精度分別為45%、37%。通過深度卷積神經網絡算法的應用，可提高無人機圖像識別效率及精度，降低人工識別輸電線路缺陷圖像的工作量，進一步提高輸電線路的巡視效率及質量。

3 結語

無人機圖像識別技術在輸電線路缺陷分析中的應用，可利用深度卷積神經網絡算法，對輸電設備缺陷識別進行分析。輸電線路中的圖像信息識別是在Faster-Rcnn算法的應用下，對圖像識別、輸電處理過程等進行信號檢驗與分析，以此保證輸電線路的缺陷識別水平。無人機圖像識別技術的應用，則是在輸電線路缺陷識別與分析處理的基礎上，對輸電線路缺陷的圖像處理過程、缺陷圖像分析等方面進行優(yōu)化，滿足輸電線路缺陷識別與分析的綜合需求?；谏疃染矸e神經網絡算法的應用，可對輸電線路的不同缺陷進行分類，并對不同缺陷進行分類與識別，滿足輸電線路缺陷識別分析需求。