杨瑞鹏

（内蒙古电力（集团）有限责任公司鄂尔多斯供电公司）

0 引言

传统的输电线路巡视作业主要依靠人工巡视完成，但是由于其低效率、高成本和完全依赖作业人员经验等缺点，近年来逐渐被无人机巡视取代，而智能巡检也成为研究的热点。本文阐述一种改进的Faster RCNN 算法在智能巡检中的应用，以便提高智能巡检系统识别、定位绝缘子及其缺陷的效率。

1 输电线路无人机巡检系统现状

在中西部地区，架空输电线路多建设在人烟稀少的地方，交通不便，传统的人工巡检方式需要巡视人员徒步到线路杆塔附近并使用相机或望远镜等工具对杆塔进行观察，巡视效果受巡检人员的经验及现场环境影响较大，且耗时长、巡检成本高。随着无人机巡检技术的运用，无人机按既定的航线飞行，云台相机采集到图片即可，极大地提高了巡检效率，成本也更低。因此，无人机精细化巡检已经成为输电线路巡视的重要手段之一，目前各大电网已经形成了“无人机巡检为主，人巡为辅”的巡检模式，并正向无人机完全代替人工巡视方面发展。

传统的无人机精细化巡检时，主要是使用无人机云台相机拍摄输电线路杆塔、金具等，再通过人工查看图片并进行缺陷分析，分析质量受人的经验影响较大。输电线路无人机自动巡检技术目前正朝着智能化方向发展，无人机平台现在已经可以搭载激光扫描仪、可见光相机和双光热成像相机，再加上图片识别技术就可以迅速发现线路缺陷并即时将图像传输给缺陷识别人员，无人机进行近距离多方位监测，就可以发现并判断线路异常。如果将来无人机可以利用神经网络方法对缺陷进行定位并识别，就可以在巡检中自动识别出缺陷，将极大降低检测成本、提高检测效率。

2 输电线路无人机智能巡检系统前沿技术简介

随着计算机学科发展，深度学习在计算机领域的应用给输电线路无人机精细化巡检带来启示。其中深度卷积神经网络（Convolutional Neural Network，CNN）可以通过堆叠多层卷积神经网络来融合并提取不同尺度、非线性且数量可观的物体特征信息，在目标检测任务中得到广泛应用。如果将其利用到输电线路绝缘子检测中，将绝缘子检测问题转化为特殊小目标检测问题，利用深度神经网络对无人机拍摄的巡检图片进行自动识别检测和定位，可大大提高识别的准确度和巡检速度。因此，基于深度学习的输电线路绝缘子缺陷图像识别与分析，重点是对被识别绝缘子的识别点进行提取并处理，通过不断生成样本数据并训练，对训练生成的数据集进行对比，分析输电线路绝缘子的实际运行情况。

近年来，一种基于深度神经网络的无人机智能巡检系统以无人机作为多源数据采集平台，针对输电线路绝缘子缺陷特征进行多目标物体分析识别，通过Faster RCNN 算法，来对绝缘子图片进行分析，可有效提高绝缘子缺陷的检测效率。模型实施步骤如下：

1）利用卷积神经网络对绝缘子缺陷图片的识别点特征进行提取。

2）利用RPN（Region Proposal Network）提取生成绝缘子缺陷信息候选区域（Region Proposal）并进行检验。

3）在对绝缘子缺陷信息进行处理过程中，可从绝缘子原始图片的卷积特征中提取特征向量，并针对不同的特征数据进行分析，可对选区的坐标及数据处理过程进行完善，从而提高绝缘子缺陷分析识别的准确性。

对于这种算法模型，由于绝缘子缺陷自身尺寸很小，且特征不明显，所以绝缘子缺陷区域在整张照片中占比很小，导致很多还包含有缺陷信息的选区常常因为重叠度高或者类别置信度低而被剔除，如果能将这些选区合理利用，将会有助于提高检测精度。为此，有学者提出一种改进的Faster RCNN 算法，可以显著提高绝缘子及其缺陷的识别精度，作者认为，可以将此项技术应用到输电线路其他缺陷检测当中。

该技术提出基于深度神经网络的无人机智能巡检系统，该系统依靠无人机平台和Faster RCNN 算法，利用通信技术对无人机实现云端控制与操作，或部署在无人机平台，让无人机在采集线路杆塔数据时，实时进行处理并生成缺陷报告。

该算法首先构建绝缘子数据集，对不同时间、不同地点、不同角度的绝缘子进行拍摄，并对图像做清晰度变换、旋转、裁切、镜像等预处理，形成原始数据集。为了更有效地提取绝缘子特征，需要采用标注软件对数据集中的目标进行标注，标签为“insulator”和“defect”。标注时标注框的大小要尽可能与目标大小一致，尽量减少标注框内其他物体信息。最终构建一个包含2500 张图片的绝缘子缺陷数据集（Insulator Defect Dataset，IDD）。其中随机抽取2000 张图片作为训练集，其余500 张图像构成测试集。

为验证和评价本文所提算法的性能，基于绝缘子缺陷数据集，对改进的Faster RCNN 算法进行训练和测试，分别对绝缘子检测准确率和缺陷检测准确率进行统计，并与Faster RCNN 算法的测试结果做对比，检测结果如下表以及图1 和图2 所示。实验表明，针对小目标检测，改进算法的识别准确率有明显提升。相比于Faster RCNN，改进算法对绝缘子缺陷的检测准确率提高了3.1%，证实改进算法对小目标特征提取和判断的准确度更高。

图1 改进的Faster RCNN 对输电线路绝缘子缺陷的部分检测结果

图2 线路绝缘子缺陷检测结果前后对比

表 原Faster RCNN 和改进后的Faster RCNN 对线路绝缘子的缺陷识别精度

3 结束语

得益于无人机体积小、飞行灵活，可自由搭载负载等特点，无人机已广泛应用于输电线路巡检工作中，对目标缺陷的智能识别技术更是在无人机精细化巡检中具有很高的应用价值，而基于神经网络的无人机智能巡检系统依靠无人机平台采集多源数据，利用Faster RCNN 算法实时对采集的数据进行检验分析，可提高对绝缘子缺陷识别以及定位的精度，极大提高了巡检质量。利用深度学习算法的强大学习能力，对算法模型进行大量数据训练，将来也可以应对在复杂环境背景下处理绝缘子缺陷数据。如果将该成果推广至输电线路的通道、金具及其他附属设施的检测，针对不同缺陷数据进行识别与分类，将极大地满足输电线路巡检需求，具有很高的工程推广价值。