饶成成 丰江波 王昊

（1.广东电网有限责任公司机巡管理中心，广东广州 510000；2.南方电网数字电网研究院有限公司，广东广州 510700）

0.引言

输电线路的运行稳定是电力系统运行安全的重要保障，高压输电线路是我国电力输送的主要来源介质，在国家能源安全方面起着重要作用[1]。随着外界自然条件因素的不断变化，线路的超负荷运转情况时常发生，给电力设备的安全问题带来了极大挑战。国家电网正积极提升电力设备智能化水平和能源配置能力。运用传统方法定期巡检输电线路，需要作业人员登塔检测，其检测效率和安全性难以保障。深度学习的检测技术有了很大的进展和突破，目标检测也逐渐从人工检测过渡到大数据深度学习检测的过程[2]。因此，对基于深度学习的输电线路部件缺陷检测进行研究。

1.输电线路部件缺陷检测

1.1 基于深度学习的目标检测网络识别电路部件

深度学习目标检测网络对目标的识别过程主要分为以下几步，首先通过输电线路部件图片提取特征块，利用基础网络的区域建设网络生成提议区域，并利用分类函数区别目标区域与干扰环境背景。将基础网络中提取的部件特征与利用边框回归函数修正的提议区域的特征信息综合，输入最后的全连接层，通过计算修正的提议区域和全连接层的特征向量，进行信息采集的分类，并重复上述修正提议区域的过程，最后得到确定的检测框。

1.2 利用输电线路图像增广数据

本文针对已有的某地区数据集进行扩充，该数据集包含了十余个不同电压等级，不同杆塔类型输电线路的杆塔关键点图像，其中关键点图像中包括了输电杆塔的基础、地线挂点、绝缘子挂点等重要部位图像[3]。但无人机航拍的高压输电塔均处于外界自然环境中，拍摄时间和角度以及天气状况的不同都会引起图像亮度的变化。输电线路走向及输电塔的朝向也不统一，虽然拍摄时尽量避免拍摄角度和方向正对着太阳光，但因输电线路的关键部位朝向无法改变，造成逆光现象。亮度调整是将图像像素的强度增强或减小，调整对比度，从而控制某个区域的显示精度。亮度和对比度的调整可以通过下式实现：

式中，x为图像某处的像素灰度值，y为调整对比度的增益值，z为调整对比度的偏置值。调整数据图像中亮度与对比度的变化如图1所示。

图1 亮度与对比度调整前后对比

由图1所示，在输电塔图像基础上调节亮度和对比度，扩充更加清晰的图像数据。由于输电线路电压较高，对大气具有严重的电晕放电现象，在放电过程中会产生高频电磁辐射，当无人机距离输电塔较近时，采用图像系统和信号传输系统均会受到一定的干扰，使图像的成像质量下降，会出现噪声，因此在进行数据扩增时，采用高斯噪声的方式进行模拟。无人机在拍摄图像时为了获得更好的拍摄效果，会避免一些杆塔部位的遮挡，不停地变换角度寻找合适位置拍摄，放射变换可以很好地模拟这种情况，由于射电线路的关键部件通常为竖直或倾斜度很小的排列，因此可采用反转与小角度扭曲的方式进行数据增广。

1.3 改进非极大值抑制算法检测部件缺陷

非极大抑制算法是用来去除冗余的检测框的算法，这个算法是对局部区域的最大搜索，去除区域内不是同类别的矩形框。非极大抑制算法在目标追踪、数据挖掘、纹理分析和目标识别中被广泛应用。深度学习检测网络一般会在图片中生成很多冗余的检测框，首先需要去除得分较低的预测框，去除后图片中仍然存在着一些重叠的预测框，针对上述问题，再使用非极大值抑制算法去除剩下冗余的预测框。非极大值抑制的原理是去除预测框列表中得分最高的预测框，再计算剩余的检测框与最终检测结果的交并比指标，去除阈值较高的检测框，重复这一过程，直到预测框列表中的框全部移除，这时最终列表中的框就是网络输出的预测框。新边界框指标包含两个框中心距离的信息、相交时的位置信息，以及相交面积和面积比。根据现有的研究知识，提出新边界框指标代替算法中的交并比指标，新边界框指标对两个框之间的距离过于敏感导致交并比指标在相同位置的数值远大于新边界框指标，针对这一问题，提出将新边界框指标图像看作为交并比指标图像压缩过的指标图像，在压缩中带有损失，使新边界框指标顶部图像不是严格的圆锥形，由此提出压缩映射原理把新边界框指标还原成交并比指标，采用一次函数如下式：

式中，IoU为交并比指标，QIoU为新边界框指标，Aloss为变换损失补偿，k为压缩比例系数，d为一次函数的偏移值。该算法通过压缩映射与损失补偿的方法得到新边界框指标和交并比指标间的映射关系。

2.实验论证分析

为了验证本文方法的检测效果，在数据增广后的数据集的基础上进行实验，利用本文改进的非极大值抑制算法，以输电线路中关键部件绝缘子为研究对象，首先在传统的目标检测网络进行测试，比较两种方法的检测准确率，公式如下：

式中，W为输电线路部件检测的准确率，N1、N2分别为正常绝缘子和缺陷绝缘子的正确检测数值，M1、M2分别为正常绝缘子和缺陷绝缘子的错误检测数值。本文方法实验结果如表1所示。

表1 两种方法检测部件缺陷对比表

由表1可以看出，本文方法比传统方法的正确检测数据更多，经计算得到的传统方法对绝缘子测试集分类的准确率为88.74%，本文方法的检测率为94%，比传统方法的检测率高5.26%。

3.结语

高压输电线路的稳定运行是人们的日常工作和生活中的用电保障，本文基于深度学习目标检测网络识别电路部件，利用输电线路图像增广了数据集的相关数据，并利用改进的非极大值抑制算法对输电线路部件缺陷进行检测，进一步保证了检测识别率，取得了一定的研究成果。但同时也存在着一定的不足，如由于时间和精力的限制，数据采集样本还不够丰富，在不同季节环境下采集到的输电线路部件数据有待补充，相关算法还存在一定的提升空间。