招志強(qiáng) 陳建文

摘要：針對(duì)配電線路終端故障檢測(cè)“快、準(zhǔn)、穩(wěn)”的需求，為實(shí)現(xiàn)復(fù)雜現(xiàn)場(chǎng)遙感監(jiān)測(cè)和故障檢測(cè)，以最大限度確定配電網(wǎng)運(yùn)行安全。研究構(gòu)建了輕型無(wú)人機(jī)遙感系統(tǒng)，采用Phantom 4 Advanced型四旋八翼碳纖維輕質(zhì)化無(wú)人機(jī)，以ARM9微處理器作為地面導(dǎo)航的主控模塊，使用GPS信息自動(dòng)規(guī)劃航拍路徑，融合Lightbridge圖傳技術(shù)和無(wú)線通信技術(shù)進(jìn)行遙感圖像的傳輸，以實(shí)現(xiàn)低耗、高效的遙感監(jiān)測(cè);同時(shí)，為提高多尺度目標(biāo)、小故障點(diǎn)的檢測(cè)精度，引入了一種融合RPN結(jié)構(gòu)的改進(jìn)FasterRCNN，通過多尺度訓(xùn)練、相似性度匹配、OHEM樣本均衡機(jī)制等改進(jìn)FasterRCNN，以優(yōu)化故障檢測(cè)方法的魯棒性，最后，通過對(duì)比實(shí)驗(yàn)，所設(shè)計(jì)方法在故障檢測(cè)結(jié)果的完整度和準(zhǔn)確性上均具有明顯優(yōu)勢(shì)，可滿足配電線路終端故障應(yīng)急處理的要求。

關(guān)鍵詞：多源干擾;遙感圖像;配電線路;故障檢測(cè)

中圖分類號(hào)：TM755;V279

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1001-5922（2020）12-0176-05

0 引言

無(wú)人機(jī)遙感監(jiān)測(cè)因靈活性強(qiáng)、操作簡(jiǎn)便、環(huán)境適應(yīng)性強(qiáng)等，成為配電線路終端故障實(shí)時(shí)監(jiān)測(cè)的首選方式，而限于多源環(huán)境干擾及長(zhǎng)距離、大范圍的監(jiān)測(cè)需求，研究將以提升無(wú)人機(jī)的續(xù)航、即時(shí)飛停、海量存儲(chǔ)的航拍控制性作為重點(diǎn)。同時(shí)，基于人工智能技術(shù)的進(jìn)步，對(duì)無(wú)人機(jī)遙感監(jiān)測(cè)圖像的智能分析日漸成熟，一類為Faster RCNN、Mask R- CNN，一類為YOLO、SSD回歸的目標(biāo)監(jiān)測(cè)算法[1]，兩類均可用于無(wú)人機(jī)遙感圖像數(shù)據(jù)的智能分析。FasterRCNN因具有高精準(zhǔn)的檢測(cè)特性，更適用于配電線路終端故障的檢測(cè)需求，但傳統(tǒng)檢測(cè)使用RPN進(jìn)行候選區(qū)域劃分時(shí)，均需要使用獨(dú)立的卷積神經(jīng)網(wǎng)絡(luò)提取特征圖，訓(xùn)練時(shí)間長(zhǎng)且占用過大內(nèi)存，而將各個(gè)獨(dú)立使用的網(wǎng)絡(luò)整合至一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，可規(guī)避該問題;同時(shí)，基于配電線路終端早期故障檢測(cè)點(diǎn)小、尺度多樣，以最高特征圖進(jìn)行故障檢測(cè)，容易出現(xiàn)漏檢、錯(cuò)檢問題，且基于故障點(diǎn)所占比例較小，負(fù)樣本空間過大，引致了Faster RCNN樣本失衡問題，為此，研究將以這方面的不足作為故障檢測(cè)方法設(shè)計(jì)的重點(diǎn)。

1 配電線路終端的無(wú)人機(jī)遙感檢測(cè)系統(tǒng)

配電線路周圍多配設(shè)通訊、電力鐵塔及線路，容易受到多種干擾源的影響，為靈活進(jìn)行飛行控制、調(diào)整拍攝視角，以獲取多目標(biāo)的遙感圖像，研究選用起飛靈活的旋翼無(wú)人機(jī)，從整體上，無(wú)人機(jī)遙感監(jiān)測(cè)系統(tǒng)由無(wú)人機(jī)、航拍系統(tǒng)、飛行控制及地面監(jiān)測(cè)等4大模塊構(gòu)成。

1）輕型旋翼無(wú)人機(jī)：為適應(yīng)大范圍、復(fù)雜環(huán)境下配電線路多目標(biāo)、多尺寸的故障目標(biāo)檢測(cè)需求，研究選用由碳纖維材料制成的大疆精靈Phantom 4 Ad-vanced輕型無(wú)人機(jī)，其配設(shè)的FlightAutonomy系統(tǒng)，可實(shí)現(xiàn)無(wú)GPS信號(hào)下的精準(zhǔn)懸停，能夠適應(yīng)各類配電線路終端故障檢測(cè)的各類復(fù)雜場(chǎng)景。

2）航拍系統(tǒng)：無(wú)人機(jī)配有2000萬(wàn)像素的相機(jī)以及可實(shí)時(shí)調(diào)控鏡頭方向的云臺(tái)，且機(jī)身前方的雙目視覺傳感器，檢測(cè)距離高達(dá)30m，在15m范圍內(nèi)的障礙物前可自動(dòng)調(diào)整飛行模式、懸?；蚶@行嘲。航線規(guī)劃是航拍的關(guān)鍵，其應(yīng)該覆蓋故障點(diǎn)范圍的平面，應(yīng)該根據(jù)配電線路高程變化動(dòng)態(tài)調(diào)整航線高度，飛行過低則續(xù)航時(shí)間要求過高，飛行過低則遙感成像不清晰。

3）遙感圖像采集：無(wú)人機(jī)5h超長(zhǎng)續(xù)航的遙控器集成Lightbridge高清圖傳技術(shù)，可在7km內(nèi)傳輸和控制遙感圖像，配置的5.5英寸1080P顯示屏可高清觀測(cè)遙感圖像，且內(nèi)置的DJG04可實(shí)時(shí)查看、編輯和分享遙感圖像;而為擴(kuò)充無(wú)人機(jī)遙感圖像存儲(chǔ)量，另增設(shè)Sdram、Flash兩存儲(chǔ)器，其中Sdrarn選用8MB的64kx16bit的HY57V641620芯片，用于存儲(chǔ)航拍程序運(yùn)行中的中間數(shù)據(jù)，F(xiàn)lash采用2MB的256kx16bit的SST39VF400芯片[3-4]，用來(lái)存航拍視頻。完成遙感圖像采集后，采用無(wú)線通信模式，利用編碼正交頻分復(fù)用方式來(lái)規(guī)避多徑效應(yīng)，以實(shí)現(xiàn)遙感圖像與地面監(jiān)測(cè)站的遠(yuǎn)距離傳輸，滿足配電線路長(zhǎng)距離監(jiān)測(cè)需求。

4）地面監(jiān)測(cè)：該模塊主要向無(wú)人機(jī)發(fā)送定點(diǎn)航拍的任務(wù)指令，控制器航拍軌跡，并接收配電線路終端的遙感監(jiān)測(cè)圖像，而復(fù)雜環(huán)境下無(wú)人機(jī)遙感監(jiān)測(cè)下，需要實(shí)現(xiàn)靈活飛停、自主定點(diǎn)航拍的功能，為此，該地面控制采用并行處理能力的ARM9200微處理器，其通過內(nèi)部程序輸出PWM驅(qū)動(dòng)脈沖，可協(xié)同操控多個(gè)無(wú)人機(jī)的舵機(jī)[5]，用以完成大范圍、多目標(biāo)的遙感監(jiān)測(cè)任務(wù)。

2 配電線路終端的故障檢測(cè)方法

2.1 Fast RCNN故障檢測(cè)方法

Fast RCNN主要由特征提取網(wǎng)絡(luò)、RPN區(qū)域建議網(wǎng)絡(luò)和Fast RCNN故障檢測(cè)等3大模塊構(gòu)成[6]，配電線路終端故障檢測(cè)時(shí)，可先將獲取的遙感圖像數(shù)據(jù)集輸入卷積神經(jīng)網(wǎng)絡(luò)的卷積層，此處選定ResNet50深度殘差網(wǎng)絡(luò)對(duì)遙感圖像進(jìn)行特征提取，獲得最高特征圖后，采用反池化法對(duì)其進(jìn)行采樣，生成低特征圖，并與原各層特征圖將融合;而后，利用RPN區(qū)域建議網(wǎng)生成候選區(qū)域，將其映射至融合的特征圖中，得到相應(yīng)的特征值，便可基于“注意力”機(jī)制，指引FastRCNN在候選框中進(jìn)行故障檢測(cè)，利用ROI池化層生成固定尺寸的特征圖輸入至全連接層中，引入探測(cè)softmax分類概率和邊框回歸生成配電線路終端故障所屬類別概率和區(qū)域坐標(biāo)[7]，即可實(shí)現(xiàn)故障檢測(cè)?；贔ast RCNN的配電線路終端故障檢測(cè)方法如圖1所示。

2.2 基于RPN生成候選區(qū)域

在Faster RCNN檢測(cè)模型中，Selective Search為提取候選框方法，但其耗時(shí)高，而RPN本質(zhì)是“基于滑窗的無(wú)類別obejct檢測(cè)器”，可將物體檢測(cè)整個(gè)流程融人Faster RCNN，耗時(shí)低，為此，研究采用RPN網(wǎng)絡(luò)生成候選區(qū)域，首先將無(wú)人機(jī)遙感檢測(cè)圖像輸入ResNet50卷積網(wǎng)絡(luò)，采用3x3的卷積核以滑動(dòng)窗口的形式生成候選目標(biāo)位置，并以每個(gè)位置為中心映射至原圖上得到9個(gè)錨定框[8]，如此，便得到大量的錨定框。為從中篩選出對(duì)配電線路終端故障檢測(cè)最有效的建議區(qū)域，需要利用探測(cè)softmax和邊框回歸對(duì)RPN候選框進(jìn)行聯(lián)合訓(xùn)練，具體步驟如下：

1）采用探測(cè)softmax分類方法，以錨定框與真實(shí)框之間的IOU比值，為每個(gè)錨點(diǎn)分配一個(gè)二進(jìn)制的標(biāo)簽，正標(biāo)簽分配給IOU比例值高于0.7的錨定框，將負(fù)標(biāo)簽分配給所有IOU比例值小于0.3的錨定框，以區(qū)分前景（物體）和背景[9]。

2）為讓多任務(wù)損失目標(biāo)函數(shù)最小，以將錨定框映射至與真實(shí)框更趨近回歸框，首先，設(shè)配電線路終端故障遙感監(jiān)測(cè)圖像的損失函數(shù)為[10]：

根據(jù)IOU值可剔除多數(shù)無(wú)用錨定框，為簡(jiǎn)化Fast-er RCNN檢測(cè)模型，去除冗余，可使用NMS非極大值抑制方法將選出的錨定框進(jìn)行是“前景（物體）”值排序，保留得分最高的，刪除與其重疊面積過大的其他錨定框。

3 RPN+Faster RCNN故障檢測(cè)方法的優(yōu)化設(shè)計(jì)

3.1 多尺度、小目標(biāo)的RPN訓(xùn)練

無(wú)人機(jī)遙感監(jiān)測(cè)下配電線路終端的目標(biāo)尺寸不一，而傳統(tǒng)的Faster RCNN對(duì)遙感圖像多采用固定尺寸，對(duì)于多尺寸檢測(cè)目標(biāo)的適用性較差，為此，研究在將無(wú)人機(jī)遙感監(jiān)測(cè)圖像輸入RstNet50特征提取網(wǎng)絡(luò)之前，根據(jù)故障檢測(cè)目標(biāo)成像清晰度，隨機(jī)調(diào)整圖片大小，生成多尺寸進(jìn)行RPN訓(xùn)練，以適用故障檢測(cè)目標(biāo)的多尺度特征，提升檢測(cè)準(zhǔn)確性。

同時(shí)，無(wú)人機(jī)遙感監(jiān)測(cè)時(shí)，需要檢測(cè)出絕緣子、變壓器、桿塔等等多目標(biāo)故障，而小目標(biāo)因分辨率低、遮擋、形變等多源干擾，RPN無(wú)網(wǎng)絡(luò)中默認(rèn)的錨點(diǎn)參數(shù)無(wú)法召回故障點(diǎn)較小的目標(biāo)，僅可對(duì)最高層特征圖進(jìn)行特征提取及分類，很容易丟失低層特征圖中的小目標(biāo)故障點(diǎn)，影響配電線路終端早期故障的識(shí)別。針對(duì)此，為實(shí)現(xiàn)低層特征圖對(duì)小目標(biāo)的識(shí)別性，研究基于RPN網(wǎng)絡(luò)生成一系列的目標(biāo)候選位置，并賦予其置信度得分，而后，利用NMS篩選局部極大值，將具有較高置信得分的候選目標(biāo)作為特征模板，而較低置信得分的候選目標(biāo)因無(wú)法與其他目標(biāo)或背景區(qū)分，需與特征模板進(jìn)行相似度匹配，以實(shí)現(xiàn)對(duì)初步局部極大值的進(jìn)一步篩選，若匹配，就可加入檢測(cè)之中，以避免小目標(biāo)故障漏檢的問題。這其中，特征模板與底層特征圖中的候選目標(biāo)相似度匹配步驟如下：

1）構(gòu)建模板的圖像特征。利用卷積神經(jīng)ResNet50通過逐層卷積將原始的無(wú)人機(jī)遙感監(jiān)測(cè)圖像層層映射，因各層特征對(duì)原始遙感圖像的表達(dá)能力不同，為了提取更具故障檢測(cè)力特征作為模板，需要分析各層特征對(duì)不同類別的區(qū)分度。

2）將卷積層的特征尺度設(shè)為Kx WxH，其中，K為該層卷積特征圖的數(shù)量，W×H為特征圖的大小[13]，研究選用漢明距離表示高低層特征之間的距離，距離越大，則相似度匹配越高，公式為：

3.2 基于OHEM機(jī)制的RPN訓(xùn)練樣本均衡

Faster RCNN故障檢測(cè)時(shí)，因配電線路終端故障點(diǎn)目標(biāo)在遙感監(jiān)測(cè)圖像中所占比例較少，存在負(fù)樣本過多的問題，造成正負(fù)樣本失衡，RPN網(wǎng)絡(luò)在進(jìn)行分類時(shí)容易將錯(cuò)誤目標(biāo)誤判為正確的且置信分?jǐn)?shù)較高的樣本，此即為困難樣本。以往的均衡方式是使用特定比例的正負(fù)樣本進(jìn)行分類器訓(xùn)練，而后，再用測(cè)試集進(jìn)行檢測(cè)，提取困難樣本加入初始訓(xùn)練集中重新訓(xùn)練，但每次訓(xùn)練所需的固定模型在卷積神經(jīng)網(wǎng)絡(luò)中無(wú)法實(shí)現(xiàn)。為此，研究引入OHEM機(jī)制，來(lái)解決FasterRCNN網(wǎng)絡(luò)框架RPN訓(xùn)練中負(fù)樣本過多的問題，將Faster RCNN的ROI池化層以后設(shè)定為ROI網(wǎng)絡(luò)，通過OHEM機(jī)制的引入，將原有的1個(gè)ROI網(wǎng)絡(luò)拓展為可共享網(wǎng)絡(luò)參數(shù)的2個(gè)ROI網(wǎng)絡(luò)，一個(gè)為只讀，根據(jù)式（1）計(jì)算全部候選區(qū)域的loss值并排序，選定loss值較大的部分候選區(qū)作為困難樣本，將其輸入另一個(gè)ROI網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并輸出預(yù)測(cè)的配電線路終端故障的分類結(jié)果和位置，該方法不依托于正負(fù)樣本的比例來(lái)解決失衡問題，可提升Faster RCNN故障檢測(cè)的準(zhǔn)確性。

4 故障監(jiān)測(cè)方法的應(yīng)用分析

4.1 檢測(cè)準(zhǔn)確性分析

無(wú)人遙感監(jiān)測(cè)下配電線路終端故障檢測(cè)結(jié)果準(zhǔn)確性，可利用目視解譯將其與已知參數(shù)數(shù)據(jù)進(jìn)行比較，但該方法無(wú)法量化，所以，研究引入完整度和準(zhǔn)確度來(lái)評(píng)價(jià)故障檢測(cè)的結(jié)果。

完整度計(jì)算公式為：

式（6）中，TP為檢測(cè)出的配電線路終端故障數(shù)量，TN為未檢測(cè)出的配電線路終端故障數(shù)量。

準(zhǔn)確度計(jì)算公式為：

式（7）中，TP為正確檢測(cè)出的配電線路終端故障數(shù)量，TN為錯(cuò)誤檢測(cè)出的配電線路終端故障數(shù)量。

為驗(yàn)證RPN+FasterRCNN故障檢測(cè)方法優(yōu)化前后的準(zhǔn)確性，選用能見度較好、風(fēng)力4級(jí)以下的2019年5月2日、8月10日、10月2日等3次獲得的500張遙感監(jiān)測(cè)圖像，通過多尺寸、相似度匹配、OHEM樣本均衡機(jī)制等改進(jìn)FasterRCNN，對(duì)配電線路終端故障進(jìn)行檢測(cè)，對(duì)比其與原始的FasterRCNN方法的差異，所得結(jié)果如表l所示。

由表1可知，改進(jìn)的FasterRCNN的完整度，準(zhǔn)確度分別達(dá)到了91.98%、94.37%，較未改進(jìn)前的配電線路終端故障檢測(cè)有明顯的提升，這是因?yàn)橥ㄟ^多尺寸、底層特征圖小目標(biāo)與高層特征圖相似度匹配后，其對(duì)于小目標(biāo)故障點(diǎn)的漏檢率顯著改善;且引入OHEM機(jī)制，使用困難樣本進(jìn)行標(biāo)準(zhǔn)RIO網(wǎng)絡(luò)訓(xùn)練，有效解決了正負(fù)樣本失衡的問題，改善了錯(cuò)檢的問題。

4.2 改進(jìn)設(shè)計(jì)的效果

為檢驗(yàn)FasterRCNN故障檢測(cè)方法優(yōu)化設(shè)計(jì)的有效性，將分析3種改進(jìn)策略不同組合下的配電線路終端故障檢測(cè)效果，結(jié)果如表2所示。

由表2可知，改進(jìn)設(shè)方法1和2相比，通過對(duì)無(wú)人機(jī)遙感監(jiān)測(cè)圖像的多尺度訓(xùn)練，配電線路終端故障檢測(cè)準(zhǔn)確度提升了0.93%;改進(jìn)方法2和3相比，通過底層特征圖與特征模板的相似度匹配，使得RPN+FasterRCNN的網(wǎng)絡(luò)模型對(duì)于小目標(biāo)故障檢測(cè)的魯棒性更優(yōu)，對(duì)應(yīng)的配電線路終端故障檢測(cè)準(zhǔn)確度提升了1.03%;改進(jìn)方法2和4對(duì)比，通過OHEM困難樣本機(jī)制引入，可均衡訓(xùn)練網(wǎng)絡(luò)中正負(fù)樣本，優(yōu)化故障目標(biāo)的檢測(cè)率，可見，上述針對(duì)RPN+FasterRCNN故障檢測(cè)模型的3種優(yōu)化設(shè)計(jì)方案，任意一種均能夠提升配電線路終端故障的檢測(cè)準(zhǔn)確性。

5 結(jié)語(yǔ)

無(wú)人機(jī)遙感監(jiān)測(cè)具有高效、宏觀、高分辨率的優(yōu)勢(shì)性，在配電線路終端故障檢測(cè)和應(yīng)急處理中應(yīng)用廣泛，而上述提出的無(wú)人機(jī)遙感監(jiān)測(cè)，創(chuàng)新點(diǎn)在于擴(kuò)增了存儲(chǔ)量、簡(jiǎn)化了起飛操控、并改進(jìn)了圖傳技術(shù)，實(shí)現(xiàn)了在復(fù)雜、多源干擾下場(chǎng)景的遙感圖像的快速采集及回傳;同時(shí)，在故障檢測(cè)方法上，所提出的改進(jìn)RPN+Faster-RCNN網(wǎng)絡(luò)模型，從多層面優(yōu)化了對(duì)不同故障目標(biāo)的監(jiān)測(cè)敏感度，相較于以往的先檢測(cè)故障線路電流波形再進(jìn)行聚類分析、診斷故障的算法，效率和準(zhǔn)確性更優(yōu)。

參考文獻(xiàn)

[1]謝樺，陳昊，張沛，配電線路多源數(shù)據(jù)挖掘時(shí)變故障概率計(jì)算[J/OL].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2020（ 09）：63-67.

[2]鄒敬龍，配電線路故障在線監(jiān)測(cè)裝置自動(dòng)化檢測(cè)技術(shù)的實(shí)際應(yīng)用[J].機(jī)電工程技術(shù)，2019，48（12）：213-215.

[3]王偉賢，李鐘慎.lOkV配電線路防雷改造探索[J].國(guó)外電子測(cè)量技術(shù)，2019，38（ 12）：107-110.

[4]王超洋，樊紹勝，劉錚，等，基于改進(jìn)FasterRCNN的配網(wǎng)架空線路異常狀態(tài)檢測(cè)[J].電力學(xué)報(bào)，2019，34（04）：322-329.

[5]陳晨，楊晶，吳亮.無(wú)人機(jī)遙感監(jiān)測(cè)下大氣污染源追蹤定位仿真[J].計(jì)算機(jī)仿真，2019，36（06）：32-35.

[6]沈偉奇，崔風(fēng)情，陳士俊，等，基于雷達(dá)探測(cè)的輸配電線路綜合驅(qū)鳥系統(tǒng)研究[J].電子測(cè)量技術(shù)，2019，42（11）：1-4.

[7]王勇軍，李智，孫山林，等.輕小型無(wú)人機(jī)遙感組網(wǎng)飛行的高程安全監(jiān)測(cè)冗余容錯(cuò)算法研究[J].地球信息科學(xué)學(xué)報(bào)，2019，21（04）：542-551.

[8]陳丹，林清泉，基于級(jí)聯(lián)式Faster RCNN的三維目標(biāo)最優(yōu)抓取方法研究[J].儀器儀表學(xué)報(bào)，2019，40 （04）：229-237.

[9]高明，趙振剛，李英娜，等，基于光纖傳感的輸電線路桿塔傾斜監(jiān)測(cè)研究[J].電子測(cè)量與儀器學(xué)報(bào)，2018，32（12）：51-59.

[10]李輝，鐘平，戴玉靜，等，基于深度學(xué)習(xí)的輸電線路銹蝕檢測(cè)方法的研究[J].電子測(cè)量技術(shù)，2018，41（22）：54-59.