首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 输电线路绝缘子缺陷快速识别系统设计及其应用

输电线路绝缘子缺陷快速识别系统设计及其应用

2024-10-18 157 上传者：管理员

摘要：因架空输电线路的绝缘子长期处于暴露环境，易产生缺陷，严重影响输电线路的安全运行。因此，设计输电线路绝缘子缺陷快速识别系统。基于无人机图像采集模块，搭建绝缘子缺陷的快速识别系统，通过图像管理模块筛选缺陷图像。采用YOLO算法定位绝缘子缺陷，利用OpenCV剪切分离关键部件区域。设计Mask RCNN缺陷检测通道，实现绝缘子缺陷的快速识别与决策。实验结果表明，设计系统可精准、快速识别绝缘子缺陷部位，有效提高了社会效益和经济效益。

关键词：
Mask RCNN
YOLO算法
图像采集
电力系统
绝缘子缺陷检测
加入收藏

架空输电线是电力传输的主要载体，其运行状态对电力系统的安全性有很大影响[1]。大部分的输电线路都是暴露的，工作环境较恶劣，其各个部分均可能发生不同程度的损伤和故障[2-4]。然而，输电线路距离较长，绝缘子数量较多，采集到的图像资料数量较大。因此，从海量的图像资料中对输电线路绝缘子缺陷进行快速识别具有重要意义。

文献[5]通过无人机采集图像信息，根据绝缘子的缺陷类型和结构特征，利用IOU结构结合全局RoI定位目标，并通过投票平均完成目标检测。该方法可有效提升识别效率，但在远景摄影中识别精度有待提升。文献[6]使用SINet框架，应用细粒度纹理增强，通过最近邻解码和分组反向关注，引导特征聚合并生成精细的位置区域图，集成分类网络，完成绝缘子缺失检测。这种方法可以有效地提高检测的准确度，但是检测效率需要进一步改进。

为了快速识别输电线路绝缘子缺陷，设计了输电线路绝缘子缺陷快速识别系统。利用无人机巡检采集图像，运用缺陷智能识别和分类系统分类输电线路绝缘子图像数据并筛选缺陷图像数据，根据图像的相关地理位置信息快速找到缺陷绝缘子所在杆塔位置，从而更快地修复缺陷，提高线路的巡检效率，保证电能的安全可靠传输。

1、绝缘子缺陷快速识别的硬件系统设计

绝缘子缺陷图像识别分类系统主要分为三大模块，分别是图像收集模块、图像管理模块、缺陷管理模块，以下将具体介绍不同模块。

图1 无人机巡检系统E-R图

1.1 图像收集模块

在图像收集模块中，利用无人机巡检系统E-R图进行巡视数据收集，主要实现无人机任务查看与巡检数据的存储。巡视任务查看支持多条件查询无人机巡视任务。支持批复空域查看，提供批复空域地图展示以及实际飞行轨迹、作业巡航与批复空域对比展示。无人机巡视数据接入主要包括无人机巡视任务和无人机巡视结果数据的接入[7]。无人机巡检系统E-R图如图1所示。

1.2 图像管理模块

图像管理模型主要功能是对收集的图像进行识别处理。主要实现绝缘子图像的管理、绝缘子导入图像清单展示、识别和删除待检测的绝缘子图像[8-9]。图像识别的主要功能是引入绝缘子样本图片，对样本图片的相关参数进行简单的修改和删除操作，改进卷积神经网络识别模型的训练与识别。

1.3 缺陷管理模块

在缺陷管理模块中，包括缺陷信息的登记录入、缺陷处理流程的管理与维护、缺陷相关信息的查询。缺陷管理模块主要功能就是通过识别巡检图像得出的缺陷情况进行登记、管理、统计，并将缺陷发送到对应的巡检员，并接受巡检员提报的与缺陷相关的信息。

2、改进深度学习的绝缘子缺陷快速识别算法设计

2.1 基于YOLO的绝缘子图像定位方法

首先，采用YOLO算法对缺陷进行定位，并对其进行检测[10-11]。通过SXS网格对图像进行划分。将输入的图像分割成为等尺寸的网格，计算单元中心点的位置，完成对包围盒的预测。过程如下：

式中，Zx、Zy、Zw和Zh为预测的输出坐标，分别表示输入图像的大小和位置；κ(rx)和κ(ry)为网格内中心点的位置；px和py分别为网格的长度和宽度；表示尺度缩放；bw和bh表示网格的预测长度与宽度。

当绝缘子中心点置于网格时，易被探测。在网格预测周围的包围盒后，对包围盒的置信分数进行计算。此分数不仅反映网格中是否含有绝缘体，并能精确地预测该网格的位置。若此网格中没有绝缘体，则置信得分为0，否则，将被预测的包围盒与由正规绝缘子所包围的正交比（intersection over union,IOU）分数相对应，数值越高，代表两个包围盒之间的重叠面积越大。IOU分数可反映图像中预测网格区域与实际网格区域之间相似性，表达式为：

其中：

式中，I(δ)和U(δ)为预测包围盒和实际包围盒，e={1,2,3,…,n}为图像数量；为图像的输出量；为图像的实际分配。

在网格划分图中，对包围盒预测时，每个栅格还需要预测3种状态分类的可能性。在栅格内包含绝缘子的情况下，其预测的可能性是完整或缺失绝缘子；当栅格中没有绝缘子时，背景的预测可能性最大。在绝缘子的定位图中，浅灰色的栅格代表着绝缘子的预测，而深灰色的栅格代表着预测的背景。为提取图像特征，保留了网络前端的卷积层，仅对最后一层的全部连接进行了修正，并利用卷积层的特征来判断图像中的绝缘子的位置。

图2 网格划分

图3 绝缘子定位图

2.2 基于改进深度学习网络的绝缘子缺陷检测

2.2.1 基于损失函数改进的SRGAN网络

针对SRGAN的目标函数和损耗函数的设计，为解决生成器与判别器不稳定的问题。将SRGAN的目标函数替换为Wasserstein距离，即EMD距离变体，在原损失函数中加入Wasserstein距离散度，计算过程如下：

式中，K为原损失函数，Kx和Ky分别为中心点损失；Kw和Kh分别为网格的尺寸损失。加入距离散度后，计算公式为：

式中，K1为加入距离散度后的损失函数；a为绝缘子位置的预测值，θ为距离散度，可有效处理绝缘子样本分布不均衡的现象。

通过上述计算，有效解决了由于样本分布距离远导致的生成器与判别器训练不平衡问题，进而使得生成器所生成的样本更加多样化，进一步提升了生成器的能力。

2.2.2 基于ResNet结构改进的Mask RCNN网络

Mask RCNN也是由RPN网络，边界框回归及分类模块组成，不同之处是Mask RCNN增加了一条并行的支路[12]，从而实现图像分割。如图4所示。

Mask RCNN以ResNet-101为主要网络的底层，在特征抽取上采用ResNet-101网络以确保特征的多样性，其内部的剩余结构会随着网络的深入而逐渐增大。为了进一步提高图像的分割效果，对从网络中抽取的特征信息进行重用。该方法既可以有效地提高图像的分割效果，又可以提高图像的分割准确度。Mask RCNN的分割流程为：首先通过特征抽取网络来抽取特征，再通过RPN网络生成候选区域，最后利用分类器和定位仪对候选区域进行分割。

图4 Mask RCNN网络结构

2.3 输电线路绝缘子自爆检测流程

在高压输电线路例行巡视时，从巡线频率和成本效益等角度来看，小型无人机巡视已成为常态。将监测图像送至地面识别系统，将缺陷图像和相关信息进行识别，并将其反馈至供电部门，以便对缺陷进行检查和维护。所述的高压输电线路缺陷检测流程，显示了缺陷检测界面的“智能化”功能，可以帮助检修人员进行缺陷诊断，如图5所示。

图5 输电线路缺陷检测流程

3、绝缘子缺陷快速识别系统的运行与应用

3.1 绝缘子缺陷识别流程

绝缘子缺陷有多种类型，由于不同缺陷的特征差别较大，因此每种缺陷均需建立单独的识别模型。首先输入绝缘子图像，通过定位算法识别绝缘子在图像的具体位置，然后判断绝缘子是否缺陷，再对绝缘子进行定位和图像剪切并重建超分辨率图像，分别进行自爆、裂纹、破损、覆冰等缺陷的检验，如果发生其中一项缺陷，系统会记录缺陷信息，并安排人工去现场进行拍照检查，最后反馈给缺陷识别系统。缺陷检测流程如图6所示。

3.2 绝缘子缺陷识别结果的应用

通过无人机拍摄，识别到绝缘子可能存在缺陷后，及时传输缺陷报告到系统，并进行分等级预警（缺陷与等级对应关系），管理人员安排检修人员进行查看，检修人员在查看后完成缺陷确认与APP登记。检修人员所处的环境限定了现场条件，导致无法使用电脑，因此，配置了检修人员使用的APP，完成如下功能：

图6 缺陷判断流程图

(1）缺陷登记

基于移动作业APP或后台系统，进行缺陷信息登记，支持缺陷基本信息录入和缺陷照片上传，提供缺陷审批、消缺、验收完整流程管理。支持缺陷详情查看，对未提交的缺陷可进行修改完善或转为隐患等操作。

(2）缺陷流程管理

具备相关审批权限的用户可进行缺陷审核、消缺处理、缺陷验收等操作，实现对在流程中的缺陷记录的内容、状态的跟踪查看；实现对流程中的缺陷记录按照不同环节的查询统计。

(3）缺陷查询统计

实现对所有缺陷记录的精确查询、高级查询、缺陷定位和可视化分布展示；提供消缺提醒功能，实现对历史缺陷的查询展示；提供多维度图表统计分析，实现以统计图表形式展示消缺率，实现按缺陷部位、缺陷性质等维度进行缺陷统计；提供对缺陷的技术原因分析、责任分析及自定义多维度统计。

4、实验与分析

4.1 算法性能对比

为了验证改进深度学习网络的缺陷识别方法对绝缘子缺陷识别的性能，与深度学习的缺陷检测方法、目标搜索和级联识别的缺陷检测方法进行对比测试。实验用计算机软件为MATLAB2016b，内存为16 GB，配置为i5-4200M。对比结果如表1所示。

由表1可知，深度学习的缺陷检测方法与目标搜索和级联识别的缺陷检测方法的缺陷检测精度分别为0.522和0.743，模型训练速度分别为160 ms和166 ms；而改进深度学习网络的缺陷识别方法的缺陷检测精度和模型训练速度分别为0.912和150 ms，此方法的检测精度和训练效率高，证明该方法的识别性能好。

表1 绝缘子缺陷识别性能比较

4.2 绝缘子缺陷识别效果分析

在绝缘子自爆点检测中，经过三种方法计算后即可检测出该绝缘子是否发生自爆，并给出自爆点和数量。三种方法在不同场景下的航拍绝缘子自爆点识别效果对比如图7所示。

由图7可知，在不同场景下，三种方法均可识别绝缘子自爆点位置，但输电线路绝缘子缺陷快速识别方法的识别效果更好。因为输电线路绝缘子缺陷快速识别方法利用SXS网格将图像进行划分，使绝缘子自爆位置更容易被探测到，提高了检测精度。

因为外界环境的不确定性在极大程度上容易影响三种方法的识别效果，为了降低测试结果的偶然性，利用三种方法进行10次测试，验证改进深度学习网络的缺陷识别方法的识别准确性，实验结果如图8所示。

由图8可知，深度学习的缺陷检测方法与目标搜索和级联识别的缺陷检测方法的识别准确率分别在73%和84%左右，而改进深度学习网络的缺陷识别方法的识别准确率始终高于90%，证明改进深度学习网络的缺陷识别方法具有良好的识别效果。

图7 三种方法的航拍绝缘子缺陷识别效果对比

图8 三种方法的航拍绝缘子自爆点识别准确率

在实际应用中，绝缘子缺陷快速识别系统可以大幅度降低巡检人员的劳动强度，以及恶劣天气巡检的危险性，降低企业成本，保障企业经济效益，并有助于提升企业的社会形象。

5、结束语

为了提高绝缘子缺陷的识别效率，设计了输电线路绝缘子缺陷快速识别系统。基于无人机收集图像，利用YOLO算法定位绝缘子图像，确定绝缘子位置；采用改进深度学习的绝缘子自爆缺陷识别算法，完成输电线路自爆缺陷的快速识别。识别结果及时通知到巡检人员，实现缺陷的迅速排查及处理。

参考文献: