劉 草

（華北電力大學(xué)控制與計算機(jī)工程學(xué)院，北京 102200）

1 研究背景

隨著我國電力能源需求不斷增加，對輸電線路設(shè)備運行安全提出了更高的要求。這些設(shè)備長期暴露在野外，受到復(fù)雜多變的天氣情況，例如烈日、風(fēng)沙、雨雪、雷電等的影響，同時又由于輸電線路及其桿塔的自身特性，會產(chǎn)生銹蝕、磨損、材料老化等損傷，這些問題如若不能及時發(fā)現(xiàn)并修復(fù)，會給輸電線路穩(wěn)定運行帶來極大安全隱患。如果發(fā)生輸電線路上電塔螺栓變形、脫落、絕緣子自爆等問題，將導(dǎo)致大面積停電和巨大的經(jīng)濟(jì)損失。

無人機(jī)可以在跨度較大的復(fù)雜地形進(jìn)行巡檢作業(yè)，而且巡檢效率高，較人工巡檢更穩(wěn)定準(zhǔn)確，可以應(yīng)用到輸電線路本體、輸電桿塔部件等不同對象。無人機(jī)巡檢包括可見光遙感巡檢、紅外遙感巡檢、紫外遙感巡檢、激光雷達(dá)巡檢等工作模式。可見光遙感巡檢指在電力巡檢中使用穩(wěn)像儀、相機(jī)等可見光設(shè)備，對輸電線路的電力設(shè)備進(jìn)行巡檢并記錄圖像、攝影等相關(guān)信息。可見光遙感巡檢設(shè)備成本低，巡檢缺陷覆蓋范圍廣，因此在輸電線路巡檢中得到廣泛研究與應(yīng)用。然而，無人機(jī)采集得到的海量巡檢數(shù)據(jù)需要專業(yè)人員用肉眼和大腦完成一系列的分析：檢測出關(guān)鍵部件，判別部件的故障類型，歸類故障等級等。采用人工觀看圖像進(jìn)行部件定位與缺陷分析耗時耗力，而且工作人員的專業(yè)能力不同導(dǎo)致巡檢結(jié)果質(zhì)量參差不齊。隨著深度學(xué)習(xí)在圖像檢測領(lǐng)域的廣泛應(yīng)用，深度學(xué)習(xí)檢測方法應(yīng)用到輸電線路桿塔部件檢測領(lǐng)域，檢測對象包括絕緣子、輸電線、輸電線路配套設(shè)備等，有效提高了電網(wǎng)巡檢的效率和準(zhǔn)確度，在電力巡檢圖像檢測領(lǐng)域迅速崛起。

2 研究現(xiàn)狀與發(fā)展趨勢

2.1 目標(biāo)檢測研究現(xiàn)狀

電網(wǎng)巡檢圖像的目標(biāo)檢測融合了多個高尖領(lǐng)域技術(shù)，包括航空、電子、通信、電力、圖像識別等，隨著深度學(xué)習(xí)的發(fā)展，國內(nèi)外逐漸開始了對電網(wǎng)圖像的對象進(jìn)行目標(biāo)檢測。Faster R-CNN目標(biāo)檢測算法提出了由神經(jīng)網(wǎng)絡(luò)產(chǎn)生候選框的方式，代替了其他R-CNN中產(chǎn)生候選框的方法，成功地完成端到端的訓(xùn)練，訓(xùn)練和測試的速度有了大幅的提高。YOLO系列算法目標(biāo)是能快速準(zhǔn)確地進(jìn)行目標(biāo)檢測，該方法將目標(biāo)區(qū)域預(yù)測和目標(biāo)類別預(yù)測整合于單個神經(jīng)網(wǎng)絡(luò)模型中，從而實現(xiàn)端到端的目標(biāo)檢測。由于卷積神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)充足的情況下目標(biāo)檢測效果明顯，從而得到廣泛的應(yīng)用。C.Sampedro等人利用無人機(jī)對輸電線路進(jìn)行航拍圖像的提取，并對提取的航拍圖像中的各類電塔進(jìn)行分類檢測。Luo等人將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于準(zhǔn)確識別提取高壓線路，從而減少了非高壓線路的干擾。陳志強等人提出一種基于區(qū)域全卷積網(wǎng)絡(luò)的電力巡檢圖像防震錘智能識別方法，利用特征提取網(wǎng)絡(luò)、位置敏感池化等方法提高了檢測的效率和準(zhǔn)確率。此類算法依賴于大規(guī)模人工標(biāo)注的輸電桿塔數(shù)據(jù)集，制作數(shù)據(jù)集成本高昂。其次，在不同的線路上，塔型、背景、電力金具的型號和外形，拍攝位置的角度和金具的尺度均有變化，訓(xùn)練依賴于某一輸電線路的神經(jīng)網(wǎng)絡(luò)，很難遷移應(yīng)用到其他線路。

近年來，遷移學(xué)習(xí)和小樣本學(xué)習(xí)在目標(biāo)檢測中的應(yīng)用引起了越來越多的關(guān)注。Fan等人提出以孿生神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，使用多級相關(guān)檢測器確定目標(biāo)對應(yīng)的候選框。陸繼翔等人提出了基于遷移學(xué)習(xí)的小樣本輸電線路巡檢圖像處理方法，針對缺陷樣本不足導(dǎo)致的深度學(xué)習(xí)模型過擬合，提出了擴(kuò)充樣本及訓(xùn)練的一系列使用方法。張永翔等人使用遷移學(xué)習(xí)的方法，用少量的電力巡檢數(shù)據(jù)集對YOLO網(wǎng)絡(luò)進(jìn)行再訓(xùn)練，從而使網(wǎng)絡(luò)能夠準(zhǔn)確檢測電力巡檢關(guān)鍵金具。

2.2 缺陷識別研究現(xiàn)狀

電網(wǎng)巡檢圖像中關(guān)鍵部件的缺陷可以分為部件本體缺陷、部件連接缺陷、部件缺失缺陷和距離類缺陷。部件本體缺陷指由輸電線路部件自身損壞產(chǎn)生的缺陷，如絕緣子掉串、均壓環(huán)裂紋、防震錘變形等；部件連接缺陷即輸電線路部件連接安裝有誤引起的缺陷，如金具安裝方向錯誤、錯位等；部件缺失缺陷即輸電線路部件部分關(guān)鍵零件缺失引發(fā)的缺陷，如銷釘缺失、螺栓缺帽等；距離類缺陷即輸電線路部件間隙距離小，自身懸垂度不符合要求或安全距離范圍內(nèi)有異物導(dǎo)致的缺陷。針對電網(wǎng)關(guān)鍵部件的不同缺陷，深度學(xué)習(xí)缺陷識別方法得到了廣泛應(yīng)用。Varghese等人利用深度學(xué)習(xí)網(wǎng)絡(luò)模型GoogLeNet構(gòu)成輸電桿塔設(shè)施檢測和分類的多級分類框架，成功檢測到輸電線缺失。Lan等人提出了一個由絕緣子、桿塔、輸電線、輸電線路配件四類設(shè)備缺陷組成的巡檢數(shù)據(jù)集，并訓(xùn)練基于R-CNN網(wǎng)絡(luò)的缺陷檢測模型，正確實現(xiàn)了缺陷檢測。Wang等人對輸電線及其配件進(jìn)行圖像語義分割，正確顯示標(biāo)注了圖像中缺陷區(qū)域。但當(dāng)前缺陷識別方法存在缺陷對象種類少、弱紋理缺陷識別困難等問題。

和基于大量負(fù)樣訓(xùn)練的有監(jiān)督缺陷檢測方法相比，無監(jiān)督式缺陷識別可以檢測到偏離正常樣本的各種缺陷，可以解決缺陷種類多，負(fù)樣少等問題。無監(jiān)督式缺陷識別方法充分利用正樣特征，減少負(fù)樣數(shù)量少的影響，展現(xiàn)了在電網(wǎng)巡檢圖像缺陷檢測識別領(lǐng)域的巨大潛力。無監(jiān)督式缺陷識別主要包含深度生成式對抗網(wǎng)絡(luò)、卷積自動編碼器網(wǎng)絡(luò)等方法，在絕緣子、工業(yè)零件、木板、織物、鋁材等多種對象達(dá)到較好的效果。Schlegl等人提出深度卷積生成對抗網(wǎng)絡(luò)AnoGAN，使用GAN網(wǎng)絡(luò)的判別器計算特征差值正確檢測帶缺陷的圖像。Thomas等人提出一種基于AnoGAN網(wǎng)絡(luò)改進(jìn)的f-AnoGAN網(wǎng)絡(luò)，計算待檢測圖像特征異常得分以正確區(qū)分有缺陷的圖像。Youkachen等人構(gòu)建卷積自動編碼器學(xué)習(xí)重構(gòu)熱軋帶鋼圖像，結(jié)合銳化處理分割熱軋帶鋼表面缺陷位置。

2.3 發(fā)展趨勢

電網(wǎng)巡檢圖像中的關(guān)鍵部件類別較多、弱紋理、缺陷變化大、正負(fù)樣本比例不均衡，目前大部分目標(biāo)檢測算法和缺陷識別算法面臨著弱紋理、少負(fù)樣本等挑戰(zhàn)。而隨著小樣本目標(biāo)檢測和無監(jiān)督式缺陷檢測方法的完善，電網(wǎng)巡檢圖像關(guān)鍵部件檢測與缺陷識別技術(shù)將朝如下趨勢發(fā)展：

（1）小樣本目標(biāo)檢測算法不需要任何電網(wǎng)巡檢圖像相關(guān)的數(shù)據(jù)集訓(xùn)練，能夠快速、準(zhǔn)確、穩(wěn)定地檢測出電網(wǎng)關(guān)鍵部件。小樣本目標(biāo)檢測算法研究利用少量電網(wǎng)圖像，能夠?qū)崿F(xiàn)快速電網(wǎng)關(guān)鍵部件檢測，克服訓(xùn)練樣本標(biāo)注難，遷移能力差等問題。

（2）無人機(jī)巡檢輸電線路積累大量正常部件圖像樣本，為無監(jiān)督式缺陷識別方法提供有力的數(shù)據(jù)基礎(chǔ)。隨著生成對抗式網(wǎng)絡(luò)、卷積自動編碼器等方法的發(fā)展，學(xué)習(xí)正樣本特征分布，通過判斷檢測樣本與正樣特征分布的距離，能夠有效解決缺陷種類多，負(fù)樣少等問題。

3 結(jié)論

深度學(xué)習(xí)目標(biāo)檢測方法與缺陷識別方法其精度高、穩(wěn)定性強，可移植性優(yōu)越，而且能夠大幅降低成本和勞動強度，提高巡檢過程的有效性，進(jìn)而保障架空輸電線路的安全可靠的運行。文章整理了當(dāng)前目標(biāo)檢測和缺陷分析的若干研究成果。當(dāng)前目標(biāo)檢測方法受限于樣本標(biāo)注和快速遷移檢測問題，缺陷識別方法受限于樣本不均衡、背景變化、缺陷種類多等問題。而小樣本目標(biāo)檢測算法與無監(jiān)督式缺陷檢測方法具有克服電網(wǎng)圖像數(shù)據(jù)背景多變、弱紋理、缺陷種類多等問題的潛力，能夠在電網(wǎng)巡檢圖像關(guān)鍵部件檢測和缺陷分析中發(fā)揮巨大的價值。