許文濤

（中國南方電網(wǎng)有限責任公司超高壓輸電公司柳州局，廣西 柳州 545000）

0 引言

無人機遙感技術(shù)的興起，為輸電線路巡檢帶來了新的機遇。無人機遙感具有便捷、靈活、低成本、多角度、高時空分辨率的特點，能大幅降低地面人工巡檢的勞動強度和作業(yè)風險，顯著降低數(shù)據(jù)獲取成本[1-2]。但是如何從海量數(shù)據(jù)中快速提取有價值的信息，成為擺在我們面前亟需解決的問題。

隨著人工智能新時代的開啟，深度學習為計算機視覺領(lǐng)域帶來了革命性的進步，為解決該問題提供了方案[3]。

深度學習不需要人工設(shè)計提取特征，可以較好地應(yīng)對背景復(fù)雜、場景多變、目標特征多樣化的電力巡檢可見光圖像，高度契合電力巡檢中海量可見光圖像智能化處理的需求，通過引入深度學習方法，可以實現(xiàn)目標的智能識別，進而實現(xiàn)線路設(shè)備的缺陷檢測[4]。

因此，研發(fā)基于無人機遙感與深度學習算法的輸電線路智能巡檢平臺，不僅是“新基建”的迫切要求，而且將使老舊線路煥發(fā)出新的活力，因而具有重要意義和巨大的市場潛力。

根據(jù)國網(wǎng)（運檢/4）305—2014《國家電網(wǎng)公司架空輸電線路運維管理規(guī)定》，架空線路設(shè)備缺陷管理系統(tǒng)規(guī)定了878種缺陷。由于部分類型的缺陷根據(jù)危害等級被劃分為3種（如絕緣子自爆缺陷根據(jù)損壞程度不同被分為一般、嚴重、危急3種），統(tǒng)計出包括基礎(chǔ)、桿塔、導(dǎo)地線、絕緣子、金具、接地裝置、通道環(huán)境、附屬設(shè)施等在內(nèi)的8類共499種缺陷，分布如表1所示[5]。

表1 線路巡檢常見缺陷統(tǒng)計

從表1缺陷類型分布看，桿塔、金具、絕緣子類缺陷較多，占缺陷總量的68%?；诳梢姽鈭D像，使用圖像處理的方法進行架空線路的缺陷檢測可以覆蓋約90%的缺陷[5]，僅有30余種缺陷難以根據(jù)可見光圖像確定。隨著無人機遙感技術(shù)和深度學習算法的發(fā)展，國內(nèi)外在輸電線路缺陷檢測領(lǐng)域已經(jīng)開展了大量的研究，取得了不少研究成果。

1 Yolov5目標檢測算法原理

Yolo系列模型經(jīng)過不斷改進，已推出多個版本，但其結(jié)構(gòu)均是由輸入層、Backbone、Neck（自Yolov3增加該層）、Head和Prediction（輸出層）組成[6]。

在Yolov5 的官方代碼中，給出了Yolov5s.pt、Yolov5m.pt、Yolov5l.pt、Yolov5x.pt四個權(quán)重模型，其中，Yolov5s網(wǎng)絡(luò)是Yolov5系列中深度最小、特征圖寬度最小的網(wǎng)絡(luò)，其檢測速度最快，但精度也相對較低[7]；其他三種結(jié)構(gòu)則是對網(wǎng)絡(luò)加深加寬，精度提升的同時速度降低。用戶可以根據(jù)需要選擇合適的模型。

在輸入層，Yolov5首先對圖像進行Mosaic增強，通過隨機縮放、裁剪、排布等方式，豐富了數(shù)據(jù)集，提升了小目標的檢測效果。

其次，Yolov5將初始錨框的計算嵌入到代碼中，使得在每次訓(xùn)練時，程序可以自適應(yīng)地計算不同訓(xùn)練集中的最佳錨框值。

最后，Yolov5改進了圖像填充算法，算法根據(jù)圖片的長寬比自適應(yīng)地計算需要添加的像素數(shù)，從而縮減了黑邊的范圍，降低了信息冗余，提高了推理速度。

在Backbone層中，Yolov5首先采用切片操作，即Focus結(jié)構(gòu)，在減小圖像長寬的同時增加了圖像通道個數(shù)[8]。

進而，Yolov5繼承了Yolov4的CSPDarknet53 結(jié)構(gòu)，但分別在Backbone和Neck中使用兩種不同的CSP結(jié)構(gòu)。在Backbone中引入殘差組件，而在Neck中，則使用Convolution-Batch Normalization-LeakyReLU組件。

在Neck層中，一方面，Yolov5采用了CSP結(jié)構(gòu)，加強了網(wǎng)絡(luò)特征融合的能力；另一方面，采用了FPN（Feature Pyramid Network）+PAN結(jié)構(gòu)，F(xiàn)PN層自頂向下傳達強語義特征，而特征金字塔則自底向上傳達強定位特征，兩兩聯(lián)手，從不同的主干層對不同的檢測層進行參數(shù)聚合。

與之前的版本類似，Yolov5最終輸出為三個不同尺度的特征圖，對于不同尺寸的目標識別具有較好的魯棒性。Yolov5采用GIOU_Loss作為定位損失函數(shù)，采用加權(quán)nms的方式，提高了被遮擋物體的檢出率。

2 數(shù)據(jù)獲取與預(yù)處理

基于2020年7月至9月無人機巡檢獲取的500 kV輸電線路共362張缺陷照片開展研究，照片像素數(shù)為5 472×3 078，這些照片已經(jīng)過專業(yè)檢修人員和同類缺陷識別軟件的篩選。由于無人機影像較大，考慮到硬件配置和計算效率，將影像進行四等分裁剪，裁剪后獲得1 448張圖像。

本文利用lableImg軟件對這些照片進行了樣本的標注，共獲取絕緣子類缺陷樣本1 056個，導(dǎo)線類缺陷260個，金具類缺陷328個，桿塔上有鳥巢圖片471個。為擴充樣本數(shù)量，增強特征學習能力，使用Mosaic增強模塊對樣本進行了旋轉(zhuǎn)、顏色空間變換、模糊和鏡像變換。通過上述數(shù)據(jù)預(yù)處理，剔除沒有目標信息的圖像，得到了共3 696張缺陷圖片，用于后續(xù)模型的訓(xùn)練和預(yù)測。

3 平臺構(gòu)建

本文采用的運行環(huán)境為Windows10系統(tǒng)，64位，處理器為Intel（R）Xeon（R）Silver 4210 CPU@2.20 GHz/2.19 GHz，內(nèi)存32 GB，主頻3.0 GHz，顯卡為GPU NVIDIA GeForce RTX 2080Ti，顯存11 GB。本文缺陷檢測算法研究選用的CUDA版本是10.2，集成開發(fā)環(huán)境是VSCode，使用Python3.7和Pytorch深度學習框架開發(fā)。

輸電線路主要缺陷智能識別軟件為網(wǎng)絡(luò)版，系統(tǒng)采用B/S架構(gòu)和分用戶管理的方式，基于Cesium開源三維可視化引擎、PostgreSQL數(shù)據(jù)庫管理系統(tǒng)和Pytorch深度學習框架構(gòu)建基于無人機影像深度學習算法的輸電線路主要缺陷智能識別軟件。系統(tǒng)具有無人機光學圖像樣本制作、模型分布式訓(xùn)練、模型測試、缺陷診斷和確認以及檢測報告生成等功能，可識別桿塔、絕緣子、金具等主要缺陷[9]。

平臺架構(gòu)如圖1所示。系統(tǒng)同時具備三維GIS功能（如三維可視化、數(shù)據(jù)庫管理系統(tǒng)、空間分析等）和無人機遙感圖像處理功能（如數(shù)據(jù)預(yù)處理、基于深度學習算法的輸電線路缺陷檢測），可以生成訓(xùn)練報告、測試報告和缺陷識別結(jié)果評估報告。

圖1 系統(tǒng)架構(gòu)圖

4 算法驗證

4.1 模型訓(xùn)練

平臺選擇Yolo5s模型進行輸電線路缺陷檢測，訓(xùn)練數(shù)據(jù)和驗證數(shù)據(jù)的比例為9:1，每次輸入網(wǎng)絡(luò)中圖像的數(shù)量為16，初始學習參數(shù)為0.01，迭代次數(shù)為500次，IoU閾值設(shè)為0.5。絕緣子自爆類缺陷訓(xùn)練結(jié)果如圖2所示。

圖2 絕緣子自爆類缺陷訓(xùn)練結(jié)果

4.2 缺陷檢測

采用前述模型和軟件識別出的缺陷結(jié)果如圖3所示。其中絕緣子類缺陷包括絕緣子自爆、傘裙損壞和放電燒傷；金具類缺陷包括防振錘銹蝕、損壞，線夾銹蝕，接線管彎曲；導(dǎo)線類缺陷包括導(dǎo)線跳股、纏繞不合格等。

圖3 不同類型缺陷識別結(jié)果

4.3 模型驗證

本文對不同缺陷類型的識別精度進行了分析。表2列出了不同類型缺陷的識別精度和識別召回率。

表2 缺陷檢測結(jié)果

從表2可以看出，整體缺陷平均識別精度均值達93%，鳥巢識別精度最高，為96%，絕緣子類缺陷識別精度為90%，略低于金具類缺陷和導(dǎo)線類缺陷的識別精度，這是因為絕緣子缺陷相對較小，在進行多尺度特征提取的過程中容易漏掉，因此提高絕緣子自爆、燒傷等小目標缺陷識別精度是后續(xù)的重要工作。

5 結(jié)束語

本文基于Yolov5目標檢測算法和無人機巡檢獲取的可見光照片，實現(xiàn)了輸電線路絕緣子、金具、導(dǎo)線等主要缺陷的智能識別。研究表明，使用文中模型對輸電線路主要缺陷識別的平均精度均值可達93%，平均召回率96%。

本文提出了可泛化的輸電線路多缺陷檢測模型，研發(fā)了基于無人機影像深度學習算法的輸電線路主要缺陷智能識別軟件，為開展輸電線路的快速智能巡檢、缺陷檢測模型的擴展和優(yōu)化提供了基礎(chǔ)平臺。

Yolov5是一種輕量級的深度學習算法，在今后的工作中，可以將訓(xùn)練好的模型嵌入到移動端，乃至無人機平臺，實現(xiàn)邊緣計算，以進一步提高檢測效率。基于可見光圖像開展深度學習缺陷檢測算法研究，在實際工程應(yīng)用中，激光點云數(shù)據(jù)對于通道類缺陷（如樹障等）檢測具有優(yōu)勢，紅外圖像對于溫度異常更為敏感，采用無人機搭載多種傳感器，同步獲取多源遙感數(shù)據(jù)，研發(fā)相應(yīng)的缺陷檢測算法，有望實現(xiàn)一站式輸電線路智能缺陷檢測。