基于可视化的输电线路走廊高危物体目标检测

基于可视化的输电线路走廊高危物体目标检测

王骏，杨琦，陈超

云南电网有限责任公司临沧供电局 云南临沧 677000

摘要：在输电线路走廊的可视化巡检中，基于深度学习的目标检测和识别技术在这方面有了新的突破。但在真实的输电线路路走廊巡检图像中，由于防震锤、间隔棒、塔牌、鸟巢等小目标的面积和特征缺失，使得传统的 Faster RCNN、 SSD等深度学习算法的识别准确率不高。为此，本项目拟开展基于卷积神经网络的输变电线路小目标探测方法研究，对提升输变电线路路走廊可视化巡检的准确率和效率有重要意义。

关键词：输电线路走廊巡检；目标检测；可视化

引言：无人机采集到的大量巡检图像，可以用于对输电线路上的电力设备进行识别，并对其进行缺陷检测，可以有效地提升巡检系统的生产与管理的智能化水平。但是，仅依靠肉眼进行识别，工作量较大，而且由于工作时间较长，人工识别的精度较低，存在主观、模糊等问题。如何对图像进行智能分析与提取，实现对电力系统各组成部分的自动识别，对于实时监测设备运行状况，加强对输电线路的管理与维护，都有着十分重要的意义。在《统一加强智能电网发展规划纲要》的蓝图指引下，南网持续提升传统行业，并积极响应“推进互联网、大数据、人工智能与实体经济深度融合”的号召，强化了人工智能与电网巡视工作的融合。近年来，随着深度学习技术的快速发展，计算机视觉研究也发生了翻天覆地的变化。基于深度学习的目标检测、图像识别和分类等视觉技术能够有效降低误报率，并具有较强的自适应能力。因此，利用深度学习和机器视觉技术对无人驾驶飞机获取的图像进行分析和对电力设备进行监控，已成为智能电网发展的必然趋势。

1基于卷积神经网络的目标检测方法介绍

1.1Faster RCNN

FasterRCNN是首个能够提供足够的“端到端”学习的网络。研究内容包括：特征抽取网络、不依赖于类别的区域建议网络、与类别相关的预测网络。特征抽取网络与 RPN网络共用一个卷积的特征。该算法的流程图如下所示：

图1 Faster RCNN 的算法流程

该算法首先使用 RPN算法从影像中提取出罗氏 I，再使用快速 RCNN算法对罗氏 I进行进一步的坐标校正，并对罗氏 I进行分类。在第一个阶段中， RPN网络所抽取到的 proposal不但数目较少，而且具有较高的品质；但由于只是一个粗略的分类，所以还是有一些虚假的假例子，边缘回归比较粗糙。在第二个阶段，快速 RCNN把 proposal分成了 L+1类，例如 PASCAL VOC中的 L=20,1就是背景。

1.2SSD

现有的目标检测方法大多采用卷积网络顶层对具有不同尺度特征的目标进行预测，但该特征图通常采用16或32级的大步长，这会造成对小目标进行多次下采样后，其空间分辨率逐渐降低，从而影响到对小目标的检测。随后，基于 YOLO算法， SSD提出了一种金字塔特征分层模型，实现了对各尺度特征图像的预测，通过浅层高精度的特征图像实现对小目标的检测，而深度图像则实现了对大目标的预测。从而使探测结果更为准确，并在速度和准确度之间实现了良好的平衡，见图2。

图2 SSD网络结构示意图

1.3Retinanet

Retinanet利用 SSD的“特征金字塔”，通过“自顶向下”的“旁通”方式，将“自下而上”的“自底向上”的“自上而下”方式，实现对单分辨率影像的“多尺度”的“多维特征金字塔”的构建。并在不区分样本的情况下，添加了一种可以动态放大交叉熵损失的方法：Focal Loss。公式（1）中给出了定义：

其中，为放缩因子， [0,5]。是调制因子。是加权系数.在 值较小的情况下（难样本），调整系数接近1，但不会对 Focal Loss产生影响；在趋于1 （易分样品）的情况下，调制系数趋于0，在这个时候，损失的比例减小。所以，这种放大系数可以自动地减少易分的样本，并快速地将注意力集中到难以区分的样本上。

2基于 k-means 的目标区域形态约束方法

2.1RPN 多尺度策略

在前面的章节里，我们已经知道了物体的探测是由两个主要的工作组成的：物体的位置和物体的类别。本项目提出了一种基于选择搜索、 EdgeBoxes等非监督的、基于自下而上的目标搜索方法。(2)一种以卷积神经网络为基础的 RPN （regulatory presentation network）。前者以滑动窗口为主，随着影像大小的增加，滑动窗口数目将快速增加，同时，对不同尺度、不同长宽比的要求也要求快速增加，极大的搜索空间也将带来极大的计算量。随后，由于 CNN对卷积图像具有较强的定位能力， FasterR-CNN提出了一种基于区域建议的神经网络，以提高图像的生成效率。另外，由于 RPN和 Fast RCNN共用一个卷积网络，所以无需借助外置的局部发生器，就能在同一神经网络内完成对目标的识别。

2.2方法描述

为了使 RPN 更好地适应本文数据集，提出了一种基于K-means的分类方法，对本文数据集中目标边界框的归一化长宽进行聚类。k均值算法是一种非监督的方法，它把原始数据分成 k个聚类。该算法首先从已知的“特征”中抽取出特征矢量，并计算出每一个数据与聚类中心之间的距离，再按最短距离对其进行分类，并对其进行聚类，最后对聚类中心进行更新。该算法的终止条件为聚类中心不发生变化。可以用（2）式来表示目标函数：

在将数据点分成群集 k的情况下， 为1，否则为0。其中，为各聚类的中心，在这里，我们用欧几里得距离来衡量。

3实验数据收集

3.1输电线路走廊巡检图像电力小部件数据集

本文以云南电网为例，利用无人机采集的高电压输电线巡检影像，对多个类型的小型目标进行识别，并对其识别性能进行测试。在不同的影像中，物体的姿态、外形都有很大的差别。如图3所示：由于观测角度的不确定与随机，这些被检测的小目标在飞行过程中往往会出现模糊与遮挡等现象，因此对此类巡逻图像中的小目标进行快速准确的检测是一个巨大的挑战。

图3 输电线路走廊巡检电力小部件数据集示意图

首先，通过对原始图像库的清理，筛选出不含目标和差别极小的图像，从而提升目标检测的训练样本的质量。最后得到了45369个图像，我们将这些图像按7:2:1的比例分成了31758个训练图像，9073个验证图像，4537个测试图像。

文中着重介绍了电力系统中的小型元器件，而没有涉及到诸如绝缘子、电塔等大型元器件。样品图示的类别包含了防震锤，间隔棒，鸟巢，塔牌等四大类电器小零件和障碍。利用开放源码软件 BBOX实验室标签对数据进行标注。

3.2目标区域形态约束方法统计结果

3.2.1aspect ratio 统计

为获得适当的高宽比，我们将目标包络盒的标准长宽聚类。通过设定不同 k值获得的精度试验结果见表1：

表1 簇类数目对准确率的影响

结果显示，随着聚类数的增加，分类精度提高；在聚类数大于或等于3的情况下，聚类数的增加速度变慢。由于特征 ratio的类型愈多，生成的拟合子的数量愈多，因此训练计算的工作量也愈大。所以我们选取 cluster=3，以提高计算效率。这时的群集结果显示在表2中：

表2 聚类结果

最终，设置 anchor aspect ratio 为{1:2,2:1,1:1}。

3.2.2scale 统计

统计原图中各类目标的面积，结果如图 4：

图4 各类目标面积直方图统计

从直方图中可以得到如下的统计结果

表3 各类目标 ground truth scale 统计

总结

在对卷积神经网络基本原理进行阐述的基础上，给出了一个新的物体探测框架。本文拟从 Faster RCNN、 SSD、 Retinanet等三个角度出发，研究基于 Faster RCNN、 SSD、 Retinanet等多个领域的关键技术。本文将重点研究如何提升巡逻图像 middle （小目标）的检测准确率，并从多个角度对其进行研究： Faster RCNN在第一级筛选出大量负面样本，与一级检测器中正、负样本极不平衡的情形相比，具有更好的检测效果。SSD算法采用了多个尺度的特征，但对于较小的目标，其检测结果不太理想；Retinanet通过使用 FPN特征金字塔和 Focal Loss损失的方式，取得了更好的效果。然而，随着 Io U阈值的增加， Retinanet的预测平均准确率迅速下降，这表明其预测结果并不完全符合目标的实际边界盒。

在此基础上，利用K-means聚类技术，对电网巡检图像进行形态学约束。在此基础上，利用k-means聚类技术，对电网巡检图像中的目标尺寸、归一化长度等参数进行聚类。

参考文献

[1]郝飞,雷鹏,张彦斌,等.基于WebGIS的高压线输电走廊地质监测系统研究及应用[J].地理信息世界, 2022(004):029.

[1]王胜利,周璋鹏,焦小强,等.特高压输电线路通道三维可视化系统的实现[J].北京测绘, 2021, 035(005):648-652.

[1]苏晓.综合可视化值守平台在输电线路运检中的应用[J].2023.

作者简介：王骏（1988年11月19日），男，汉族，云南临沧，江西南昌大学，本科，工程师，输电运检管理，

杨琦（1989年2月22日），女，黎族，云南临沧，云南财经大学，本科，助理会计师，资产核算管理，中级经济师，

陈超（1992年6月24日），男，汉族，贵州清镇，宁德师范学院，本科，工程师，电网建设