论文部分内容阅读
摘 要：电力线路设施的巡检与运维，在大量引入无人机之后，大幅提高了线路设施的运维效率，同时提高了运维质量。通过无人机携带光学设备，对塔架设施进行细节拍照，随后通过人工对照片进行分析判断故障。为了提高照片故障分析的效率，基于人工智能算法，开发了相应的图像批处理软件，将无人机作为数据采集端，识别软件作为后端算法端，通过大量的数据学习和分析，实现了应对多种典型故障具有较高的识别准确率。
关键词：电力巡检 图像识别 算法 人工智能
中图分类号：TM76 文献标识码：A 文章编号：1674-098X（2021）02（c）-0032-05
The Application and Research of Image Recognition in Electric Power Inspection
ZHANG Zhaohui CHENG xin LIU YongJun CHEN Shu
（Yangquan Coal Industry （Group） Co.， Ltd. ，Yangquan， Shanxi Province， 045008 China）
Abstract： Inspection and operation and maintenance of power line facilities， after the introduction of a large number of UAVs， greatly improve the efficiency of operation and maintenance of line facilities， and improve the quality of operation and maintenance. The UAV carries optical equipment to take detailed photos of the tower facilities， and then analyzes the photos manually to judge the fault. In order to improve the efficiency of photo fault analysis， based on the artificial intelligence algorithm， the corresponding image batch processing software is developed. The UAV is used as the data acquisition end， and the recognition software is used as the back-end algorithm end. Through a large amount of data learning and analysis， it can deal with a variety of typical faults with high recognition accuracy.
Key Words： Electric power inspection; Image recognition; Algorithms; Artificial intelligence
隨着多旋翼无人机进入了电力巡检领域后，成为了巡检人员视觉和动作的延伸，无人机能去到巡检人员无法到达或不便到达的地方，高效而安全地完成了原本耗时耗力的周期性工作，把巡检人员从高强度的体力劳动中逐步解放出来。为响应国家2025智能制造战略，煤矿系统的电力日常运维工作流程进一步细化为：数据采集-数据整理-数据分析-信息提取-结论上报几个环节，除了数据采集手段得到了质的提升外，其余环节仍需人工的大量介入，因此为了实现全流程的自动化，需要针对数据处理开发相应的自动化软件。
1 无人机电力系统巡检数据处理现状
无人机电力巡检发展到现在，目前仍然处于“人巡为主，机巡为辅”的阶段，原因还是无人机巡检目前还处于手动操控为主，巡检工人在实际上岗前，需要经历一定的培训才能开始使用[1]。随着电力运维要求的逐步提高，简化巡检过程、提高巡检效率成为无人机在巡检领域发展的重要课题，自动化智能化无疑将是无人机发展的重要方向。
现有电力巡检无人机的工作模式以人工操作巡检、人工整理数据为主，其巡检效率及人工参与时间还有较大优化空间。目前的巡检作业模式和数据整理模式面临的挑战主要有三大环节。（1）需要占用大量人力（包含前期培训和现场操作）（2）数据不闭环（无人机所采集的数据不能实时地同步到数据处理单元）（3）信息不连续（处理数据得到的信息无法及时传递回到生产系统以指导生产）。为了解决以上问题，提出了3种思路：（1）无人机采用自动巡检以解决数据采集阶段人工占用量大的问题（2）引入智能识别技术在前端（无人机）/后端（服务器）对数据进行处理，进而获取关键信息（3）引入无人机作业管理平台，将无人机整个作业过程信息闭环。
2 图像识别算法研究与应用
基于无人机视觉的高压塔线系统巡检技术由于其成本低、安全性高、不受空间限制及航程远等优势在电力行业中受到了越来越多的关注和应用。无人机电力塔线系统巡检的首要任务是对输电塔线及其关键部件进行识别定位[2]。目前，机器视觉中常用的目标检测算法以浅层结构模型为主（支持向量机、回归算法模型、传统BP神经元网络等）。而浅层机器学习模型受限于其本身的特征学习能力限制，在复杂背景中的识别效果较为有限。深度学习虽然具有较强的特征学习分类能力，但绝大多数深度学习中需要大量的卷积和微分计算，计算强度大耗时长。目前常用的基于深度学习的目标检测算法如RCNN等虽然在识别准确率上高于浅层算法，但识别过程需要的计算时间长，难以满足实时检测的要求[3]。 2.1 基于YOLOv3方法的电力部件识别定位
YOLOv3在基本保证准确度的前提下，速度大幅提升，背景误检率低，通用性强。因此本文以YOLOv3识别方法为主，提取电力部件的识别特征并进行目标识别验证[4]。
YOLOv3方法中的目标检测识别过程如图1所示。其主要实现步骤为：（1）分割图像，边界框的预测和分类。YOLOv3将输入图像分成SxS个格子，每个格子在三个不同的尺度预测若干个边界框及其置信度，以及若干物体属于某种类别的概率信息。边界框信息为物体的中心位置相对于格子位置的偏移量及宽度和高度。置信度反映是否包含物体以及包含物体情况下位置的准确性。YOLOv3对每个边界框通过逻辑回归预测一个物体的得分，如果预测的这个边界框与真实的边框值大部分重合且比其他所有预测的要好，那么这个值就为1。如果重合度没有达到一个阈值（YOLOv3中设定的阈值是0.5），那么这个预测的边界框将会被忽略，也就是会显示成没有损失值。（2）CNN提取网格中的特征。CNN对整个图像进行系列卷积运算，得到特征图。取出特征图上每个边框内的特征形成高维特征向量。（3）图像中物体的识别分类。每个网格预测多个边界框，根据计算得到的分类误差，置信度以及类别概率等判别物体[5]。
2.2 软件架构
本文使用了最新检测的YOLO3深度学习目标算法模型对输电塔线系统中的关键部件进行识别取得了良好的效果，同时，由于YOLO3内只使用单个卷积神经元网络核心对视频图像中的目标检测对象进行识别，其效率更高速度更快。通过测试发现，基于YOLO3模型的输电塔线系统关键部件识别平均时间在0.36ms，完全达到了实时检测的要求[6]。
该软件针对无人机电力巡检而开发，基于航拍图像的输电线路部件故障自动检测系统，主要依托QT强大的人机交互功能和先进的人工智能算法对输电线路部件进行智能识别分类。
本系统包含识别诊断和缺陷管理两大模块（见图2）。识别诊断模块利用泛化性强、识别精度高的网络模型对输电线路部件图像实现批量自动故障检测并分类保存。缺陷管理模块主要对识别诊断结果进行人工确认，通过故障部件图像经纬度信息确定所属塔杆所在具体位置，自动生成相应的故障检测报表，以便维修工作人员及时维护，为输电线路故障检测提高工作效率，从而实现了输电线路部件识别及故障检测智能化（见图3）。
2.3 应用情况
对杆塔上的部件，如接地装置、拉线及基础、绝缘子、导线、地线、引流线、防雷装置、各种监测装置、杆号、警告、防护、指示、相位等标识电缆、电缆头等的状态进行图像数据采集。本次实验数据集来源于无人机巡检图像（见图4）。训练集共有2000张图像，图5随机展示了数据集中的8张图像。
本次实验使用YOLO3 模型对测试集图像进行测试，结果如表1所示，针对塔线系统的四个关键部分的识别正确率较高，对不同目标的平均运算速度为 32.9ms。同时，我们对比了几种不同常用模型的目标识别速度（以帧每秒 FPS单位为标准），从结果如可以看到，Yolo V3模型的处理速度要远远好于常用模型，30.4帧每秒的速度完全达到了对视频进行实时目标识别定位的要求。
3 结语
本文对山西阳泉市阳煤集团的电力系统通过引入无人机实现巡检数据的自动化采集以及基于的YOLO3深度学习目标算法开发了数据处理软件，开展自动化电力巡检研究。通过大量的数据学习和分析，实现了应对多种典型故障具有较高的识别准确率，初步形成了一整套行之有效的电力系统巡检自动化系统，为后续进一步实现全自动化、智能化的煤矿电力运维提奠定了良好的基础。
参考文献
[1] 匡载波，王江.基于脑启发视觉神经元网络输电线路部件识别的研究[J].电力系统及其自动化学报，2020，32（4）：14-20.
[2] 裴少通.基于红外紫外成像检测技术的绝缘子运行状态分析与评估[D].华北电力大学（北京），2019..
[3] 王万国，田兵，刘越，等.基于RCNN的无人机巡检图像电力小部件识别研究[J].地球信息科学学报，2017，19（2）：256-263.
[4] 李鑫，崔昊杨，许永鹏，等.电力设备IR图像特征提取及故障诊断方法研究[J].激光与红外，2018，48（5）：659-664.
[5] 张从新，赵乐，王先培.复杂地物背景下电力线的快速提取算法[J].武汉大学学报（工学版），2018，51（8）：732-739.
[6] 劉志颖，缪希仁，陈静，等.电力架空线路巡检可见光图像智能处理研究综述[J].电网技术， 2020，44（3）：1057-1069.
关键词：电力巡检 图像识别 算法 人工智能
中图分类号：TM76 文献标识码：A 文章编号：1674-098X（2021）02（c）-0032-05
The Application and Research of Image Recognition in Electric Power Inspection
ZHANG Zhaohui CHENG xin LIU YongJun CHEN Shu
（Yangquan Coal Industry （Group） Co.， Ltd. ，Yangquan， Shanxi Province， 045008 China）
Abstract： Inspection and operation and maintenance of power line facilities， after the introduction of a large number of UAVs， greatly improve the efficiency of operation and maintenance of line facilities， and improve the quality of operation and maintenance. The UAV carries optical equipment to take detailed photos of the tower facilities， and then analyzes the photos manually to judge the fault. In order to improve the efficiency of photo fault analysis， based on the artificial intelligence algorithm， the corresponding image batch processing software is developed. The UAV is used as the data acquisition end， and the recognition software is used as the back-end algorithm end. Through a large amount of data learning and analysis， it can deal with a variety of typical faults with high recognition accuracy.
Key Words： Electric power inspection; Image recognition; Algorithms; Artificial intelligence
隨着多旋翼无人机进入了电力巡检领域后，成为了巡检人员视觉和动作的延伸，无人机能去到巡检人员无法到达或不便到达的地方，高效而安全地完成了原本耗时耗力的周期性工作，把巡检人员从高强度的体力劳动中逐步解放出来。为响应国家2025智能制造战略，煤矿系统的电力日常运维工作流程进一步细化为：数据采集-数据整理-数据分析-信息提取-结论上报几个环节，除了数据采集手段得到了质的提升外，其余环节仍需人工的大量介入，因此为了实现全流程的自动化，需要针对数据处理开发相应的自动化软件。
1 无人机电力系统巡检数据处理现状
无人机电力巡检发展到现在，目前仍然处于“人巡为主，机巡为辅”的阶段，原因还是无人机巡检目前还处于手动操控为主，巡检工人在实际上岗前，需要经历一定的培训才能开始使用[1]。随着电力运维要求的逐步提高，简化巡检过程、提高巡检效率成为无人机在巡检领域发展的重要课题，自动化智能化无疑将是无人机发展的重要方向。
现有电力巡检无人机的工作模式以人工操作巡检、人工整理数据为主，其巡检效率及人工参与时间还有较大优化空间。目前的巡检作业模式和数据整理模式面临的挑战主要有三大环节。（1）需要占用大量人力（包含前期培训和现场操作）（2）数据不闭环（无人机所采集的数据不能实时地同步到数据处理单元）（3）信息不连续（处理数据得到的信息无法及时传递回到生产系统以指导生产）。为了解决以上问题，提出了3种思路：（1）无人机采用自动巡检以解决数据采集阶段人工占用量大的问题（2）引入智能识别技术在前端（无人机）/后端（服务器）对数据进行处理，进而获取关键信息（3）引入无人机作业管理平台，将无人机整个作业过程信息闭环。
2 图像识别算法研究与应用
基于无人机视觉的高压塔线系统巡检技术由于其成本低、安全性高、不受空间限制及航程远等优势在电力行业中受到了越来越多的关注和应用。无人机电力塔线系统巡检的首要任务是对输电塔线及其关键部件进行识别定位[2]。目前，机器视觉中常用的目标检测算法以浅层结构模型为主（支持向量机、回归算法模型、传统BP神经元网络等）。而浅层机器学习模型受限于其本身的特征学习能力限制，在复杂背景中的识别效果较为有限。深度学习虽然具有较强的特征学习分类能力，但绝大多数深度学习中需要大量的卷积和微分计算，计算强度大耗时长。目前常用的基于深度学习的目标检测算法如RCNN等虽然在识别准确率上高于浅层算法，但识别过程需要的计算时间长，难以满足实时检测的要求[3]。 2.1 基于YOLOv3方法的电力部件识别定位
YOLOv3在基本保证准确度的前提下，速度大幅提升，背景误检率低，通用性强。因此本文以YOLOv3识别方法为主，提取电力部件的识别特征并进行目标识别验证[4]。
YOLOv3方法中的目标检测识别过程如图1所示。其主要实现步骤为：（1）分割图像，边界框的预测和分类。YOLOv3将输入图像分成SxS个格子，每个格子在三个不同的尺度预测若干个边界框及其置信度，以及若干物体属于某种类别的概率信息。边界框信息为物体的中心位置相对于格子位置的偏移量及宽度和高度。置信度反映是否包含物体以及包含物体情况下位置的准确性。YOLOv3对每个边界框通过逻辑回归预测一个物体的得分，如果预测的这个边界框与真实的边框值大部分重合且比其他所有预测的要好，那么这个值就为1。如果重合度没有达到一个阈值（YOLOv3中设定的阈值是0.5），那么这个预测的边界框将会被忽略，也就是会显示成没有损失值。（2）CNN提取网格中的特征。CNN对整个图像进行系列卷积运算，得到特征图。取出特征图上每个边框内的特征形成高维特征向量。（3）图像中物体的识别分类。每个网格预测多个边界框，根据计算得到的分类误差，置信度以及类别概率等判别物体[5]。
2.2 软件架构
本文使用了最新检测的YOLO3深度学习目标算法模型对输电塔线系统中的关键部件进行识别取得了良好的效果，同时，由于YOLO3内只使用单个卷积神经元网络核心对视频图像中的目标检测对象进行识别，其效率更高速度更快。通过测试发现，基于YOLO3模型的输电塔线系统关键部件识别平均时间在0.36ms，完全达到了实时检测的要求[6]。
该软件针对无人机电力巡检而开发，基于航拍图像的输电线路部件故障自动检测系统，主要依托QT强大的人机交互功能和先进的人工智能算法对输电线路部件进行智能识别分类。
本系统包含识别诊断和缺陷管理两大模块（见图2）。识别诊断模块利用泛化性强、识别精度高的网络模型对输电线路部件图像实现批量自动故障检测并分类保存。缺陷管理模块主要对识别诊断结果进行人工确认，通过故障部件图像经纬度信息确定所属塔杆所在具体位置，自动生成相应的故障检测报表，以便维修工作人员及时维护，为输电线路故障检测提高工作效率，从而实现了输电线路部件识别及故障检测智能化（见图3）。
2.3 应用情况
对杆塔上的部件，如接地装置、拉线及基础、绝缘子、导线、地线、引流线、防雷装置、各种监测装置、杆号、警告、防护、指示、相位等标识电缆、电缆头等的状态进行图像数据采集。本次实验数据集来源于无人机巡检图像（见图4）。训练集共有2000张图像，图5随机展示了数据集中的8张图像。
本次实验使用YOLO3 模型对测试集图像进行测试，结果如表1所示，针对塔线系统的四个关键部分的识别正确率较高，对不同目标的平均运算速度为 32.9ms。同时，我们对比了几种不同常用模型的目标识别速度（以帧每秒 FPS单位为标准），从结果如可以看到，Yolo V3模型的处理速度要远远好于常用模型，30.4帧每秒的速度完全达到了对视频进行实时目标识别定位的要求。
3 结语
本文对山西阳泉市阳煤集团的电力系统通过引入无人机实现巡检数据的自动化采集以及基于的YOLO3深度学习目标算法开发了数据处理软件，开展自动化电力巡检研究。通过大量的数据学习和分析，实现了应对多种典型故障具有较高的识别准确率，初步形成了一整套行之有效的电力系统巡检自动化系统，为后续进一步实现全自动化、智能化的煤矿电力运维提奠定了良好的基础。
参考文献
[1] 匡载波，王江.基于脑启发视觉神经元网络输电线路部件识别的研究[J].电力系统及其自动化学报，2020，32（4）：14-20.
[2] 裴少通.基于红外紫外成像检测技术的绝缘子运行状态分析与评估[D].华北电力大学（北京），2019..
[3] 王万国，田兵，刘越，等.基于RCNN的无人机巡检图像电力小部件识别研究[J].地球信息科学学报，2017，19（2）：256-263.
[4] 李鑫，崔昊杨，许永鹏，等.电力设备IR图像特征提取及故障诊断方法研究[J].激光与红外，2018，48（5）：659-664.
[5] 张从新，赵乐，王先培.复杂地物背景下电力线的快速提取算法[J].武汉大学学报（工学版），2018，51（8）：732-739.
[6] 劉志颖，缪希仁，陈静，等.电力架空线路巡检可见光图像智能处理研究综述[J].电网技术， 2020，44（3）：1057-1069.