张 珍

（上海电力大学电子与信息工程学院，上海 201306）

我国已经建立了南方、西北、华中、华东、华北、东北六大跨省区的电网。由于各地区气候差距以及地形多样性，人工巡检和普通的机器巡检方式无法满足不同输电线路的巡检工作需求。随着无人机（Unmanned Aerial Vehicle，UAV）应用的逐渐普及，电力巡线无人机受到各大电网公司的广泛关注，具有广阔的应用前景。无人机巡检相比于机器人巡检、改造高压输电线、人工巡检等巡检方式具有不可替代的优势。一方面，无人机巡检具有野外作业风险低、成本低以及作业灵活的特点；另一方面，产生的海量数据需要经过人工判读才能得到最终的巡检报告，因此采用图像识别的方法对这些数据进行部件检测识别具有十分重要的意义。无人机巡检受到各大电网公司的广泛关注，具有广阔的应用前景，其巡检效率是人工巡检的8～10 倍。

计算机视觉的进步大大促进了视觉分析的性能，并使其能够应用于实际的应用场景中，如：人脸识别、交通标志识别等。在这种情况下，非常需要对大规模视觉数据进行有效管理。然而，海量的故障图片和正常图片混杂在一起，仅仅依靠人眼实现不间断识别、快速反馈是不现实的。以前的巡检工作是由专业人员肉眼观察并找出故障，随着工作时间的增加不可避免的眼疲劳会导致故障的错检和漏检。所以，国网公司更倾向于用机器视觉代替人眼实现故障检测，这不仅缓解了对专业故障检测员的迫切需求，也大大解放了人力。如今，智能系统和计算机视觉已广泛用于不同情况下的视觉检查任务，例如制造过程、医疗保健系统和农业。绝缘子是电力线的重要组成部分，其可以提高电力系统的整体安全性和稳定性。检测绝缘子上的故障可以减少因此类系统的不稳定性导致的停电和经济损失。在电力巡检中对于绝缘子串的故障识别准确率已经可以达到90%以上。但是，这些故障检测都是将高质量的原始图像作为训练集进行训练的，测试图像使用的也是高质量巡检图像，没有考虑在实际电网工作中需要将含有绝缘子等状态信息的图像压缩后再传输给后端解码并实现故障识别，传输过程不可避免地会出现由于图像压缩产生细节丢失、图像伪影等现象，在输入相同故障识别模型后识别准确率会下降。

一般来说，由于通信带宽的限制，无人机巡检采集的图像数据需要经过压缩传输到后端解码，再实现故障检测。巡检完后再实现故障识别对于紧急故障检测不及时，会造成极大的损失。传统的图像压缩算法是为了给人眼看，针对人眼对于高频信息的丢失不敏感而对于低频信息的丢失敏感等特点实现了多种面向人眼视觉的图像压缩方法。但是，由于人眼识别出一个物体所观察的特征和机器识别一个物体所观察的特征不一致，这些压缩方法不适用于如今由机器视觉代替人眼视觉实现目标识别故障检测的需求，所以，研发一种面向机器视觉的故障检测方法是极其必要的。但是，这要求编码端具有一定的运算能力，可以承载小型网络实现特征提取来模拟机器学习实现故障检测的特征提取过程。

随着硬件处理能力的进步，前端摄像头已逐渐启用了智能功能。智能前端的出现为图像大数据管理和表示带来了机会。不仅可以通过增加的计算能力来改善图像压缩性能，还可以在前端支持视觉分析任务。在有限带宽的约束下，图像数据的有损压缩导致分析性能下降。因此，从原始图像中探索具有更高级功能的结构描述进而解决这些问题并增强图像大数据的可用性。这激发了特征压缩，考虑到特征编码的重要性，在无人机电力巡检工作中，可以在无人机端实现图像的拍摄，并根据特征提取网络提取出低层特征信息用于指导随后的压缩编码，相比原始的图像编码方法，在较低码率下恢复的图像送入故障识别模型中可以获得更高的缺陷识别准确率，这不仅可以提高故障识别过程中信息传递时的速度，还可以充分利用资源。

绝缘子是高压输电线路中用于电气隔离的基本设备，若发生故障则会对输电线路稳定性和安全性造成巨大威胁。因此，在输电线路巡检工作中，对绝缘子状态的智能检测并及时反馈具有重要意义。如今，无人机巡检相比于人工巡检和机器巡检具有显著优势，以其出色的灵活性、低成本、对于环境的适应度、安全性等优点逐渐成为国网的主推方向。

无人机巡检实现输电线路故障检测主要有2 种主要方式：（1）在无人机端运行故障检测模型，根据摄像头采集的图像信息实时对输电线路各个部件状态进行智能识别，最后将故障结果及时返回给运维人员进行维修。直接在无人机端进行智能识别，当检测到故障时可以极快地将信息反馈给维修人员，减轻电力故障造成的经济损失和安全威胁。但是，无人机电池容量和续航时间直接限制巡检工作的进行，无人机不间断运算带来能耗的增多，最终导致无人机续航往往不足以支撑完整输电线路的故障检测，工作能力受到极大影响。（2）在无人机端采集图像，将图像压缩并传输到云端解码，对解码图像进行智能检测并返回状态信息。故障检测模型搭载在后端服务器中，无人机端对图像进行压缩后将码流传输给服务器，经过解码后再在服务器中进行智能检测，可以将无人机中的一部分运算工作量分摊给后端服务器，增加无人机的工作时间和工作效率。

传统的图像压缩主要是基于人眼视觉特性对图像进行编码，使人眼对于解码后的图像失真不敏感，进而实现更好的压缩效果。然而，在电力巡检中，故障检测不再是以人眼为主，随着深度学习实现绝缘子故障检测的识别准确率已经达到95%以上，以机器视觉实现故障检测成为可能。此时图像压缩不应该只考虑人眼视觉，机器视觉也成为需要考虑的重要因素。

1 国内外现状

自提出电视信号数字化后，人们就开始了对图像压缩编码的研究工作。之后，图像编码技术得到了迅速的发展和广泛的应用，并日臻成熟，其标志就是几个关于图像编码的国际标准的制定，基于离散余弦变换（DCT）的JPEG[1]，基于小波变换的JPEG2000[2]，视频编码标准H.26x 和ISO/IEC，关于运动图像的编码标准MPEG-x。这些标准图像编码算法融合了各种性能优良的传统图像编码方法，是对传统编码技术的总结，代表了当时图像编码的发展水平。

传统的图像压缩是根据人眼视觉特性，实现在人眼可接受保真度前提下尽可能减少码率传输[3]，提出了一种基于主成分分析（PCA）的图像压缩技术，使用PCA 对于不相关和冗余数据的处理得到良好的效果[4]。针对传统分形图像压缩中存在计算复杂度高，编码时间较长的问题，提出了一种基于灰度共生矩阵纹理特征的正交化分形编码算法[5]。率失真优化算法被融入到了图像编码算法之中，使其具有更快的编码速度以及较好的压缩效果[6]。结合拉格朗日乘数法实现了率失真优化。

随着运算处理单元的运算能力增强，深度学习技术实现图像压缩编码成为可能。Fu 等[7]结合了深度学习和传统的图像编解码器，提出了一种改进的混合分层图像压缩框架。Schiopu 等[8]提出的编码方法采用基于深度学习的方法来计算每个像素的预测，并采用基于上下文树的位平面编解码器来对预测误差进行编码。Li 等[9-10]将网格编码量化器（TCQ）合并到基于深度学习的图像压缩框架中，并以端到端的方式优化了所有组件，在低比特率下实现出色的性能。结合深度学习的图像压缩技术，基于并行卷积的神经图像压缩网络分别处理蒙版的前景对象和背景场景，在端到端学习框架中优化了所有组件，以实现视觉上令人愉快的重建[11]。采用特殊的网络结构，增加了卷积层之间的前向与后向连接，与传统的前向神经网络相比，信息流的双向流动和视觉特征的循环反馈可有效实现信息流的增强，从而提高图像的压缩效率[12]。基于注意力机制和离散高斯混合模型实现端到端图像压缩方法并将全局上下文注意力模块嵌入到编码器中[13]。使用残差密集卷积模块为基本特征提取模块，通过设计紧凑表示网络和多尺度重建网络，改进网络优化方法，实现兼容传统编码器且支持端对端训练的深度学习图像压缩框架。

计算机视觉技术正在快速发展中，利用人眼完成故障识别工作逐渐被机器视觉所代替，例如在无人驾驶和智慧城市中的应用，利用对摄像头采集到的图像数据进行处理再向上位机发送命令调节。这给图像和视频压缩在大数据时代的发展提供了方向：如何实现一种压缩方法使解码图像或视频对于机器识别的效果最好。如今的图像和视频信息只靠人眼难以实现充分的利用而且如果不经过图像或视频压缩则会占据大量的内存，这不利于资源的有效利用[14-15]。提出了机器视频编码（VCM），旨在减小视觉功能压缩和经典视频编码之间的差距[16]。考虑到智能移动终端运算能力的提升，可以在移动终端进行少量运算分析，再利用分析的特征信息和图像纹理实现视频压缩，在解码端实现目标检测，实验证明经过分析后压缩的方法比未分析直接进行压缩的方法在故障识别方面效果更好。

电力巡检中，随着输电线路的急速扩张，每日巡检工作采集到的图片数量也日益增多，需要将采集的图像进行压缩编码以节省传输数据的成本[17]，使用2 个8 位深度编解码器压缩16 位深度红外图像，结果表明可以达到与16 位HEVC 编解码器相似的结果。在基于迭代航图构造的无人机检查过程中，为了压缩输入视频序列[18]，提出了一种基于迭代航图构建的新型无损视频压缩算法，用于在无人机检查期间捕获的红外视频序列，利用具有两个视图的多视图H.265/HEVC 对于相同轨迹重复飞行的无人机最大可能节省的比特率估计为15.5%～18.9%。然而，由于电力巡检环境一般位于郊区等通信不佳的位置，受到通信带宽与通信成本的限制，巡检采集的图像只能以低码率压缩并传输，高压缩率下还原的图像产生的块效应、图像伪影等细节丢失等，对于绝缘子、防震锤等电力小部件的识别效果会显著降低。

2 总结与展望

随着深度学习技术的快速发展，图像与视频编码有了更多的可能，机器视频编码的出现也促使人们展开新的思考方向。人眼视觉的保真度不再成为衡量编码图像质量的唯一标准。电力巡检的高度智能化将识别算法内嵌到巡检设备中，也说明如今的图像视频编码的最终端有可能是识别算法这个应用场景，此时需要考虑人眼视觉和机器视觉之间的差距，才可以进一步提高图像视频编码性能。