翟兵，朱龍昌，秦雄鵬，黃緒勇，曹俊，耿浩，趙順

（1.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，云南 昆明 650217；2.云南華晉科技有限責(zé)任公司，云南 昆明 650051；3.云南電力技術(shù)有限責(zé)任公司，云南 昆明 650012；4.北京國遙新天地信息技術(shù)股份有限公司，北京 朝陽 100020）

0 前言

在當(dāng)前中國經(jīng)濟(jì)社會(huì)現(xiàn)代化與蓬勃發(fā)展的大歷史背景下，國際社會(huì)對(duì)電能的供給、傳輸?shù)陌踩捌溥\(yùn)行可靠性的要求愈來愈高，架空輸電線對(duì)供電系統(tǒng)的運(yùn)行可靠性與安全起到了關(guān)鍵性的影響。近年來，我國關(guān)于鳥類保護(hù)的相應(yīng)規(guī)范不斷確立并完備，中國鳥類的數(shù)量種類及其活動(dòng)場(chǎng)所已擴(kuò)至了前所未有的規(guī)模，給輸電線路的安全運(yùn)營帶來了一定的影響。

為解決架空輸電線和鳥類保護(hù)之間的問題，一些學(xué)者進(jìn)行了研究。文獻(xiàn)[1]主要研究輸電線路鳥害綜合防治的技術(shù)，系統(tǒng)分析鳥害類型與機(jī)制，按區(qū)域分布狀況與規(guī)律，給出鳥害識(shí)別的經(jīng)典圖例；同時(shí)研究了常用的鳥害預(yù)防方式，并針對(duì)缺點(diǎn)設(shè)計(jì)新的抗鳥措施，以進(jìn)一步提高輸電線路抗鳥害技術(shù)水平，降低輸電線路重合閘率，提升供電系統(tǒng)安全穩(wěn)定性，但此方法防治費(fèi)用較高，不適用于普遍使用。文獻(xiàn)[2]提出超高壓輸電線路鳥害預(yù)防及處理的對(duì)策研究方向，從超高壓輸電線路鳥害重合閘與故障特點(diǎn)入手，系統(tǒng)總結(jié)傳統(tǒng)預(yù)防鳥害設(shè)備的使用方法與優(yōu)點(diǎn)，介紹可以高效預(yù)防鳥害的新型預(yù)防鳥害設(shè)備，并通過對(duì)便拆式防鳥罩與風(fēng)車刺鳥設(shè)備的剖析來探究創(chuàng)新型設(shè)備對(duì)減少鳥害事件所產(chǎn)生的效果，但此方法裝置拆卸困難。

為了彌補(bǔ)傳統(tǒng)方式中存在的不足，本文提出了一種基于改進(jìn)模糊小波域的架空輸電線路鳥害監(jiān)測(cè)響應(yīng)模型。通過改變隸屬度函數(shù)取值范圍，提高圖像的清晰度，精準(zhǔn)判斷鳥害距離，啟動(dòng)雷達(dá)聲波驅(qū)鳥裝置對(duì)鳥害進(jìn)行驅(qū)逐，該方法對(duì)于架空輸電線路鳥害的防治有較強(qiáng)的應(yīng)用性。

1 改進(jìn)模糊小波域算法

1.1 模糊小波域算法原理

在傅里葉區(qū)域消除點(diǎn)存在擴(kuò)散現(xiàn)象，根據(jù)擴(kuò)散現(xiàn)象建立擴(kuò)散函數(shù)，處理消除后的模糊效果，對(duì)圖像本身所在的小波區(qū)域進(jìn)行降噪處理[3-4]。在成像過程中，由于受到模糊度與噪音的影響，其所獲得的圖像y可表示為：

式中，x為原始像素大小，*表示模糊小波域算法中的卷積操作；h算法中的光點(diǎn)擴(kuò)散函數(shù)值；n表示在圖像成像過程中產(chǎn)生的具有隨機(jī)性的白噪聲[5-6]?；谀：〔ㄓ蛩惴ǖ奶幚砉奖磉_(dá)為：

其中，Y、X、H和N分別為y、x、h、n的傅里葉變換結(jié)果[7-8]。

1.2 模糊小波域算法誤差兼容改進(jìn)

利用模糊小波域算法提取傅里葉域內(nèi)部的維納濾波，確定維納濾波在傅里葉域的誤差范圍，計(jì)算過程如公式（3）所示：

其中，f(x,y)代表了維納濾波器在x,y處的誤差范圍，δ為信噪比的方差系數(shù)。

計(jì)算出誤差后，對(duì)誤差進(jìn)行兼容改進(jìn)，該誤差的來源為傅里葉域在進(jìn)行變換時(shí)產(chǎn)生的濾波參量變化，因此需要對(duì)維納濾波參量進(jìn)行修正，修正過程如公式（4）所示：

其中，M表示修正后的誤差。分別在傅里葉域以及小波域進(jìn)行求解，對(duì)比變化差異，利用迭代變換對(duì)其進(jìn)行修正，完成對(duì)誤差的兼容改進(jìn)[9-10]。

2 架空輸電線路鳥害識(shí)別模型

2.1 實(shí)時(shí)監(jiān)控原始圖像采集

本文采用YOLO 算法對(duì)實(shí)時(shí)監(jiān)控原始圖像進(jìn)行采集，通過YOLO 算法分析從端到端的對(duì)象。將入口圖像分為S×S的網(wǎng)格，篩選信息網(wǎng)絡(luò)，分析目標(biāo)的信息中心所處網(wǎng)格位置[11]。在確定隸屬網(wǎng)格后，檢測(cè)該網(wǎng)格內(nèi)部所有信息[12]。在檢測(cè)的過程中，計(jì)算網(wǎng)格邊界框信息置信率。計(jì)算公式為：

其中，c表示信息采集過程的置信度；P表示目標(biāo)是否存在，存在取值為1，不存在取值為0；i表示邊界框之間的重疊范圍，通過i判斷預(yù)測(cè)邊界框是否正確，當(dāng)i為1 時(shí)，則表示實(shí)際標(biāo)注框和預(yù)測(cè)框出現(xiàn)重疊。設(shè)定閾值，比較對(duì)邊界框，將數(shù)值低于閾值的類置歸為0，用非極大值的方法去除重復(fù)度最大的邊界框，統(tǒng)計(jì)剩余邊界框信息，該信息為實(shí)時(shí)監(jiān)控原始圖像信息，輸出采集結(jié)果并記錄[13-14]。

2.2 圖像深層次特征提取

為防止出現(xiàn)特征提取流程中會(huì)形成階梯消失和階梯破壞等問題，本文提出圖像深層次特征，確定最小波系數(shù)的過濾值，對(duì)維納濾波進(jìn)行過濾處理，其計(jì)算如公式（6）所示：

其中，Yw(x,y)表示圖像信息深層次提取后階梯信號(hào)經(jīng)維納濾波后在頻域f(x,y)上的取值；Yw表示逆傅里葉變換；yw表示過濾處理后最小波系數(shù)的過濾值。經(jīng)過過濾后，圖像不會(huì)發(fā)生階梯消失或破壞。

利用經(jīng)維納濾波后的yw信息對(duì)圖像進(jìn)行深層次提取，提取過程如公式（7）所示：

式中，λj(x,y)為WWF 過濾器在圖像j尺寸下x,y處的深層次特征提取位置；Wj(x,y)代表了原圖在j尺寸下(x,y)處的最小波系數(shù)。同時(shí)確定特征位置和特征量，根據(jù)分析結(jié)果實(shí)現(xiàn)深層次提取。

2.3 架空輸電線路鳥害網(wǎng)格識(shí)別模型

在監(jiān)測(cè)輸電線路的鳥類過程中，監(jiān)測(cè)設(shè)備拍攝目標(biāo)數(shù)量一般較小，容易出現(xiàn)多目標(biāo)集中和小目標(biāo)的問題，為此，本文建立架空輸電線路的鳥害網(wǎng)格識(shí)別模型，通過多尺度融合對(duì)鳥害進(jìn)行了網(wǎng)格化辨識(shí)，以便滿足特殊的輸電線路鳥類監(jiān)測(cè)任務(wù)。將信號(hào)圖像劃分為416×416的網(wǎng)格，對(duì)網(wǎng)格實(shí)施多次卷積操作，通過卷積操作得到硬閾值處理的濾波系數(shù)，計(jì)算過程如公式（8）所示：

式中，λj(x,y)表示處理得到的閾值系數(shù)；Wj(x,y)處理的額定數(shù)值。

為提高計(jì)算速度，保證任務(wù)的實(shí)時(shí)性，通過兩個(gè)多尺度特征同時(shí)預(yù)測(cè)鳥類位置與種類，通過3×3 和1×1 等卷積后獲得26×26 的特點(diǎn)網(wǎng)格，并與信號(hào)圖像網(wǎng)格整合成為第一個(gè)尺寸特點(diǎn)，利用硬閾值處理來對(duì)網(wǎng)格模型進(jìn)行第一尺度的特征識(shí)別，識(shí)別過程如公式（9）所示：

其中，H1表示識(shí)別的第一尺度特征。

以同樣的方式也獲得了52×52 的特點(diǎn)網(wǎng)格，并與信號(hào)圖像網(wǎng)格整合成為第二尺寸特點(diǎn)，根據(jù)公式（10）得到鳥害網(wǎng)格識(shí)別模型的最小波函數(shù)，即為第二尺度特征：

其中，H2表示識(shí)別的第二尺度特征。

利用以上兩個(gè)多尺度特征，引入多尺度特征分析方法提高多目標(biāo)集中檢測(cè)或小檢測(cè)精度，選擇了與實(shí)際情景相符的尺度數(shù)目，降低估算量。結(jié)合改進(jìn)后的模糊小波域算法保存圖像細(xì)節(jié)信號(hào)，對(duì)鳥害進(jìn)行網(wǎng)格化處理，依靠上述兩個(gè)多尺度特征完成對(duì)架空輸電線路鳥害的識(shí)別[15]。

3 聲波驅(qū)鳥裝置應(yīng)急響應(yīng)模型

3.1 鳥害距離判斷模型

通過對(duì)比每分鐘內(nèi)鳥類警戒、逃跑、驚飛3種行為的頻率作為鳥害距離判斷模型的依據(jù)，將所有數(shù)據(jù)進(jìn)行樣本正態(tài)性檢測(cè)，如公式（11）所示：

其中，E(L2)表示正態(tài)分布檢測(cè)結(jié)果；L表示鳥類靠近的距離；κ表示波聲響應(yīng)系數(shù)；μ表示鳥類不會(huì)產(chǎn)生反映的距離。在所有數(shù)據(jù)均符合正態(tài)性后，采用單因素方差分析鳥類在距離驅(qū)鳥裝置不同距離下的行為差異，使用LSD 檢驗(yàn)法對(duì)鳥類行為進(jìn)行分析檢驗(yàn)，若在相同距離下鳥類行為差異明顯不同，則選擇該距離作為有效驅(qū)鳥距離，在統(tǒng)計(jì)分析中，采用雙側(cè)檢驗(yàn)對(duì)鳥類行為進(jìn)行顯著性水平P的檢測(cè)，將檢測(cè)標(biāo)準(zhǔn)設(shè)置為0.05，若P＜0.05 則視為差異顯著；若P＜0.01 則視為差異極顯著。LSD 檢驗(yàn)法適用于組別較少的數(shù)據(jù)分析，通過對(duì)不同樣本均值的兩兩比較來計(jì)算組間樣本的標(biāo)準(zhǔn)誤差，是一種檢驗(yàn)效能較高的事后多重誤差檢驗(yàn)法。

3.2 聲波驅(qū)鳥裝置

聲波驅(qū)鳥裝置如圖1 所示：

圖1 聲波驅(qū)鳥裝置

通過鳥害距離判斷模型中的雷達(dá)警戒開關(guān)控制聲波驅(qū)鳥裝置，設(shè)置雷達(dá)警戒范圍，分別分析鳥類的警惕頻率、奔跑頻次和驚飛頻率，確定距定向聲波的不同位置下存在著的差別，根據(jù)鳥類在距離雷達(dá)警戒開關(guān)不同位置下的反應(yīng)來判斷雷達(dá)警戒的范圍距離，并以此作為聲波驅(qū)鳥裝置的驅(qū)鳥范圍。當(dāng)鳥類在相距方向聲波驅(qū)鳥器50 m 時(shí)，鳥類的警戒、奔跑、驚飛活動(dòng)頻率均明顯增加；當(dāng)鳥類在相距方向聲波100 m 時(shí)，鳥類的警戒、奔跑活動(dòng)頻率均明顯增加，而驚飛活動(dòng)頻率無變化；當(dāng)鳥類在相距方向聲波200 m 時(shí)，鳥類的警戒、奔跑、驚飛活動(dòng)頻率均無變化。

綜合上述，根據(jù)鳥類對(duì)定向聲波的敏感范圍，將100 m 設(shè)置為定向聲波的有效驅(qū)鳥半徑，以此距離作為聲波驅(qū)鳥裝置的啟動(dòng)距離。當(dāng)鳥害距離架空輸電線路100 m 以內(nèi)時(shí)，雷達(dá)警戒開關(guān)便會(huì)開啟，控制聲波驅(qū)鳥裝置對(duì)鳥害進(jìn)行驅(qū)逐。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)運(yùn)行環(huán)境

設(shè)定實(shí)驗(yàn)運(yùn)行的CPU 為INTEL I7-9800X，選用2 個(gè)32GB 的DDR4 作為內(nèi)存，使用GTX1080Ti 顯卡顯示內(nèi)部信息，固態(tài)硬盤選擇的是金士頓128GB，同時(shí)配備1T 的硬盤，與固態(tài)硬盤同時(shí)運(yùn)行，完成硬件工作。軟件采用Ubuntu16.04，采用編程語言的Python，使用云框架。

從多個(gè)角度安裝監(jiān)控，確保能夠拍攝到各個(gè)不同的場(chǎng)景，提取不同時(shí)間段和不同天氣下的視頻，包括晴天、雨天和雪天，提取像素幀，選取較為清晰的像素幀圖像作為數(shù)據(jù)集，并將數(shù)據(jù)集儲(chǔ)存在數(shù)據(jù)庫中，統(tǒng)一處理數(shù)據(jù)庫信息，提高實(shí)驗(yàn)的魯棒性。訓(xùn)練圖集，迭代次數(shù)為5000 次，迭代過程的圖像損失值如圖2 所示。

圖2 迭代過程圖像損失值結(jié)果

觀察圖2 可知，在迭代次數(shù)低于2000 次時(shí)，被選擇對(duì)象的損失值極大，當(dāng)?shù)螖?shù)達(dá)到2000 次時(shí)，被選擇對(duì)象的損失值逐漸穩(wěn)定。設(shè)定每進(jìn)行100 次迭代，得到1 個(gè)響應(yīng)模型，則在5000 次訓(xùn)練過程中共得到50 個(gè)模型，模型的平均精度計(jì)算結(jié)果如圖3 所示。

圖3 模型平均精度計(jì)算結(jié)果

根據(jù)圖3 可知，序號(hào)為0～10 的模型精度呈現(xiàn)上升模式，但是普遍較低，序號(hào)為10～20 的模型精度雖然比較平穩(wěn)，但是在60%左右波動(dòng)，無法滿足精度要求，序號(hào)為20～50 的模型精度提高到90%以上，并且波動(dòng)較小，具有很好的應(yīng)用價(jià)值，因此本文實(shí)驗(yàn)選擇的響應(yīng)模型為序號(hào)20～50 內(nèi)部的響應(yīng)模型。

4.2 結(jié)果分析

為確保響應(yīng)模型的試驗(yàn)檢測(cè)效果，設(shè)定10 次實(shí)驗(yàn)，選用本文響應(yīng)模型同時(shí)與基于EFYOLO 的輸電線鳥害響應(yīng)方法和基于深度卷積神經(jīng)網(wǎng)絡(luò)的架空輸電線路應(yīng)急響應(yīng)方法進(jìn)行實(shí)驗(yàn)對(duì)比。分別計(jì)算響應(yīng)過程的準(zhǔn)確率、召回率，計(jì)算公式如下所示：

其中，?表示計(jì)算過程的準(zhǔn)確率，Tι表示預(yù)測(cè)過程中，方法確定輸電線路預(yù)測(cè)有鳥，實(shí)際反饋狀態(tài)為有鳥；TT?方法確定輸電線路預(yù)測(cè)無鳥，實(shí)際反饋狀態(tài)為無鳥，上述兩種參數(shù)表示預(yù)測(cè)結(jié)果正確；Fι表示預(yù)測(cè)過程中，方法確定輸電線路預(yù)測(cè)有鳥，實(shí)際反饋狀態(tài)為無鳥；F?方法確定輸電線路預(yù)測(cè)無鳥，實(shí)際反饋狀態(tài)為有鳥，上述兩種參數(shù)表示預(yù)測(cè)結(jié)果錯(cuò)誤。

召回率計(jì)算公式如下：

其中，?表示召回率。

分別對(duì)比正常天氣和極端天氣下的準(zhǔn)確率和召回率，比較方法效果。

晴天的準(zhǔn)確率和召回率實(shí)驗(yàn)結(jié)果如圖4 所示。

圖4 晴天響應(yīng)測(cè)試實(shí)驗(yàn)結(jié)果

觀察圖4 可知，隨著迭代次數(shù)的增加，響應(yīng)模型的召喚率和準(zhǔn)確率在不斷增加，本文提出的響應(yīng)模型準(zhǔn)確率可以達(dá)到98.75%，召喚率可以達(dá)到98.00%；傳統(tǒng)的基于EF-YOLO 的輸電線鳥害響應(yīng)方法準(zhǔn)確率最高可以達(dá)到96.43%，召喚率可以達(dá)到95.01%；基于深度卷積神經(jīng)網(wǎng)絡(luò)的架空輸電線路應(yīng)急響應(yīng)方法準(zhǔn)確率可以達(dá)到94.28%，召喚率可以達(dá)到93.51%。

雨天的準(zhǔn)確率和召回率實(shí)驗(yàn)結(jié)果如圖5 所示。

觀察圖5 可知，雨天對(duì)3 種響應(yīng)方法都會(huì)產(chǎn)生一定的影響，但是對(duì)本文的響應(yīng)模型影響較小，準(zhǔn)確率最高仍然可以達(dá)到98.63%，召喚率可以達(dá)到97.88%；傳統(tǒng)的基于EF-YOLO的輸電線鳥害響應(yīng)方法準(zhǔn)確率最高可以達(dá)到95.37%，召喚率可以達(dá)到94.63%；基于深度卷積神經(jīng)網(wǎng)絡(luò)的架空輸電線路應(yīng)急響應(yīng)方法準(zhǔn)確率可以達(dá)到93.00%，召喚率可以達(dá)到93.01%。

雪天的準(zhǔn)確率和召回率實(shí)驗(yàn)結(jié)果如圖6 所示。

圖6 雪天響應(yīng)測(cè)試實(shí)驗(yàn)結(jié)果

觀察圖6 可知，雪天情況下，三種響應(yīng)方法的準(zhǔn)確率和召回率都隨之降低，但是對(duì)本文的響應(yīng)模型影響較小，準(zhǔn)確率最高仍然可以達(dá)到98.41%，召喚率可以達(dá)到97.32%；傳統(tǒng)的基于EF-YOLO 的輸電線鳥害響應(yīng)方法準(zhǔn)確率最高可以達(dá)到94.01%，召喚率可以達(dá)到94.50%；基于深度卷積神經(jīng)網(wǎng)絡(luò)的架空輸電線路應(yīng)急響應(yīng)方法準(zhǔn)確率可以達(dá)到93.01%，召喚率可以達(dá)到92.05%。

分析識(shí)別速度，在不同天氣條件下，其實(shí)驗(yàn)結(jié)果如表3 所示。

表1 晴天識(shí)別時(shí)間實(shí)驗(yàn)結(jié)果

表2 雨天識(shí)別時(shí)間實(shí)驗(yàn)結(jié)果

表3 雪天識(shí)別時(shí)間實(shí)驗(yàn)結(jié)果

根據(jù)上表可知，本文提出的響應(yīng)模型識(shí)別速度最高可以達(dá)到56frame/s，傳統(tǒng)的基于EFYOLO 的輸電線鳥害響應(yīng)方法識(shí)別速度最高為40 frame/s，基于深度卷積神經(jīng)網(wǎng)絡(luò)的架空輸電線路應(yīng)急響應(yīng)方法識(shí)別速度最高為28 frame/s，而在雨天和雪天等極端天氣下，傳統(tǒng)方法的識(shí)別速度更慢，而本文提出的響應(yīng)模型幾乎不會(huì)受到影響，因此可以證明，本文提出的響應(yīng)模型具有更好的識(shí)別能力。

綜上所述，本文提出的基于改進(jìn)模糊小波域的架空輸電線路鳥害應(yīng)急響應(yīng)模型具有極好的魯棒性，在極端天氣下也能夠很好地完成響應(yīng)，精準(zhǔn)地識(shí)別鳥害，快速啟動(dòng)報(bào)警裝置，確保輸電線路安全運(yùn)行。

5 結(jié)束語

架空輸電線路鳥害事故一直是輸電線路領(lǐng)域的重要研究方向之一，本文采用改進(jìn)模糊小波域算法研究了一種新的響應(yīng)模型，完成了以下工作：

1）保存實(shí)時(shí)監(jiān)控拍攝的圖像細(xì)節(jié)信號(hào)，消除噪音和模糊，使用YOLO 算法采集原始圖像，通過殘差網(wǎng)絡(luò)技術(shù)對(duì)圖像獲取深層次的特征。

2）建立輸電線路鳥害網(wǎng)格識(shí)別模型，通過多尺度融合的方法對(duì)鳥害進(jìn)行了網(wǎng)格化辨識(shí)。

3）建立鳥害距離判斷模型，測(cè)量最佳距離，將測(cè)量結(jié)果作為判斷標(biāo)準(zhǔn)，安置聲波驅(qū)鳥裝置，利用雷達(dá)警戒開關(guān)控制聲波的長度，完成對(duì)鳥害的驅(qū)逐。

4）設(shè)定響應(yīng)檢測(cè)實(shí)驗(yàn)。同時(shí)檢測(cè)準(zhǔn)確率、召喚率，研究證明，改進(jìn)模糊小波域算法能夠有效保證輸電線路工作效果。