基于AI图像识别的输电线路缺陷自动识别技术研究

147

收稿日期:2020-10-17

*基金项目:基于AI 图像识别的油电混动无人机高精度自动驾驶技术研究:GDKJXM20184730(036100KK52180003)作者简介:林俊省(1983—),男,广东潮州人,本科,研究方向:无人机、卫星导航技术、图像识别技术。

0 引言

当前计算机技术的快速发展使得人工智能技术成为当前炙手可热的新兴发展方向,云计算、大数据、物联网、移动互联网和人工智能等主要新兴技术在智能生产方面做出了突出贡献,在实际应用中具备快速发展、传统作业模式的与变革、海量数据管理需求大、智能化要求高、协同要求迫切等特点[1]。作为当前人工智能技术中的引擎技术,AI图像识别在多个领域中都取得了接近或超越人工水平的成果。但当前输电网中的人工智能技术应用程度较低,大部分巡检项目均采用人工方式完成,存在人员培训时间长、作业效率低、巡检时间短等问题,并且很难满足当

前输电网发展所需的应用效果,准确度也难以得到提升。因此,针对输电网中的巡检项目必须引入人工智能技术对其进行不断探索,从而实现智能化输电网发展。基于此,本文结合AI图像识别技术,开展输电线路缺陷自动识别技术研究。

1 基于AI图像识别的输电线路缺陷自动识别方法设计

1.1 输电线路缺陷识别部件标注

利用已有的巡检图片利用AI图像识别技术,对其输电线路中可能存在缺陷问题的部件进行标注,再将标注样本转换为训练模型中框架所需的数据集。在实际应用中,根据输电线路所在不同场景,选择不同的图像质量并进行预测。若预测值低于设定的阈值,则说明该样本不符合当前场景下的缺陷部件标注条件[2]。对不同来源的数据按照不同数据特征和存储格式进行保存,并分别构建缺陷数据文件。

根据输电线路的类型、部件、部件种类和部位之间存在的关系,确定各类输电线路的编码规则、典型缺陷类型等编码规则,将所有输电线路部件信息按照相应的规则进行编码,制定统一输电线路信息规范,以此标注需要进行AI

图像识别的输电线路缺陷识别部位。

1.2 基于AI图像识别的输电线路缺陷识别数据库建立完成输电线路缺陷识别部件标注后,使用端到端的CNN网络建立一个输电线路缺陷识别数据库。对于无人机摄像头采集到的在线巡视数据,采用制定统一数据协议的

方式,获取AI在线巡视数据。为解决在建立数据库前对数据的处理问题,需要利用现有深度学习框架训练数据格式转化接口,以此实现对不同框架下数据的转化与整合[3]。采用“标注—转化——训练”的建立流程,对AI图像识别的精度进行判断,对于不符合数据库训练集要求的数据库要通过迭代校验的方式对其进行优化调整。如图1所示为输电线路缺陷识别数据库基本框架结构。

由图1可以看出,本文提出的输电线路缺陷自动识别结合AI图像识别技术对数据进行训练和优化,并对无人机获取到的缺陷样本规范采集和规范处理,通过统一标注转化及缺陷信息高效存储,实现对输电线路缺陷识别数据库的建立。

基于AI 图像识别的输电线路缺陷自动识别技术研究*

林俊省1 郭锦超2 王昊3

(1.广东电网有限责任公司机巡管理中心,广东广州 510163;

2.广东电网有限责任公司,广东广州 510000;

3.南方电网数字电网研究院有限公司,广东广州 510700)

摘要:针对传统识别技术在对输电线路缺陷问题识别时存在识别用时长,进一步造成识别效率低的问题,开展基于AI图像识别的输电线路缺陷自动识别技术研究。通过输电线路缺陷识别部件标注、基于AI图像识别的输电线路缺陷识别数据库建立、

自动识别输电线路视频图像缺陷目标,提出一种全新的识别技术。通过实地场景验证证明,该识别技术与传统识别技术相比,有效缩短对输电线路缺陷问题的识别时间,并且识别准确率可达100%,为供电企业输电提供安全保障。

关键词:A I 图像识别；输电线路；缺陷；自动识别

中图分类号:TP343.7

文献标识码:A

文章编号:1007-9416(2020)12-0147-03

DOI:10.19695/j.cnki.cn12-1369.2020.12.46

设计开发

Copyright©博看网 www.bookan.com.cn. All Rights Reserved.

第 38 卷 数字技术与应用 www.szjsyyy.com

148

1.3 自动识别输电线路视频图像缺陷目标

完成对模型的建立后,通过AI图像识别技术的训练,存在输电线路缺陷的目标图像,直接将该数据库部署在无人机的嵌入式计算平台当中,对无人机摄像头所拍摄到的输电线路视频画面进行自动目标检测[4]。利用HIRA判断输电线路缺陷图像的危险源,并对其存在的风险进行评估,HIRA的表达式为:

''S I F D

S S L

=⨯⨯⎧⎨

=⨯⎩ (1)

公式(1)中, 'S 表示为输电线路缺陷危险计算值; I 表示为可能存在输电线路缺陷的概率; F 表示为缺陷位置的暴露时间; D 表示为造成直接后果的电流损失量; S 表示为风险值; L 表示为缺陷风险调整系数。

根据上述计算结果划分可能性分值以及相应的分值区间,如表1所示。

根据上述不同分子区间,对输电线路缺陷进行等级划分,完成对输电线路缺陷的自动识别。同时,为保证对缺陷问题的及时处理,可在数据库当中录入相关缺陷类型的处理流程,利用AI图像识别技术,对数据库中存在的缺陷问题进行自动处理[5]。若缺陷问题暂时不具备处理条件,则应当由发出新的净高,并将其u上一次净高进行对比,若缺陷并无发展则可不再重复报警,进入到缺陷处理与跟踪流程当中;若缺陷存在新的发展,则应当立即执行算法分析对缺陷进行识别。

2 实验论证分析

实验对象选取某市级供电企业中输电线路缺陷图像,利用实验软件构建识别信号网,将输电线路缺陷图像进行输入,利用本文提出的识别技术与传统识别技术进行对比。在该市级供电企业中完成相应部署工作,并将其与现有输电线路的无人机巡检视频数据进行对接。完成试验后,比较两种识别技术的效率,得到如表2所示的实验结果对比表。

由表2可以看出,在50min内,本文识别技术完成了对100个输电线路的识别,而传统识别技术仅完成了对42个输电线路的识别。同时,本文识别技术将实际存在的缺陷问题全部找出,而传统识别技术仅找出了32个缺陷问题。通过表2中的数据可知,本文识别技术中采用AI 图像识别,实现了对识别技术的训练,因此在50min内的识别速度逐渐提升。通过实验证明,本文提出的基于

图1 输电线路缺陷识别数据库基本框架结构表1 输电线路缺陷可能性分值以及相应的分值区间

编号 可能性分值

分值区间

1 若发生危险事件，则极易发生预期结果 10

2 超过50%以上的概率发生预期结果

8 3 存在发生危险事件的可能 4 4 曾经发生过危险事件但当前可能性较小

2 5 多年未发生，但少量客观存在 1 6

从未发生，但少量客观存在

0.1

Copyright©博看网 www.bookan.com.cn. All Rights Reserved.

2020年第 12 期

149

AI图像识别的输电线路缺陷自动识别技术与传统识别技术相比,识别速率更高,并且识别结果具有更高的准确性,可将输电线路中存在的缺陷问题全部找出,具有更高的应用意义。

3 结语

本文通过开展基于AI图像识别的输电线路缺陷自动识别技术研究,结合电力设备关键部件,实现针对输电线路的缺陷部位识别,并可为检修人眼提供视频、单张图片或者批量图片的识别功能。同时,将AI图像识别技术引入到输电网建设中的其他方面也可以进一步提升输电网的智能化建设。

Research on Automatic Identification Technology of Transmission Line

Defects Based on AI Image Recognition

LIN Jun-sheng 1,GUO Jin-chao 2,WANG Hao 3

(1.Guangdong Power Grid Co., Ltd., Machine Patrol Management Center, Guangzhou Guangdong 510163;2.Guangdong Power Grid Co., Ltd., Guangzhou Guangdong 510000;3.Beijing Chenical Industry Group Co., Ltd., Guangzhou Guangdong 510700)Abstract:In view of the long time required for identification of transmission line defects in traditional identification technology,which further causes the problem of low identification efficiency, research on automatic identification of transmission line defects based on AI image recognition is carried out. Through the labeling of transmission line defect recognition components,the establishment of a transmission line defect recognition database based on AI image recognition, and automatic identification of transmission line video image defect targets, a new recognition technology is proposed. Field scene verification proves that compared with traditional identification technology, the identification technology effectively shortens the identification time of transmission line defects, and the identification accuracy rate can reach 100%, which provides safety guarantee for power transmission enterprises.

Key words:AI image recognition; transmission line; defect; automatic recognition

参考文献

[1] 周仿荣,方明,马御棠,等.基于YOLO v3的输电线路缺陷快速检测方法[J].云南电力技术,2020,48(4):112-116+120.

[2] 刘长银,王义春,侯艳权,等.无人机电力巡检中的输电线路断股检测与定位[J].黑龙江电力,2020,42(4):314-318.

[3] 胡志坤,赵超越,王振东,等.基于边缘计算和无人机巡检图像的输电杆塔关键部位隐患智能识别[J].浙江电力,2020,39(10):21-27.[4] 黄新波,章小玲,张烨,等.基于径向基概率神经网络的输电导线缺陷状态识别[J].电力系统自动化,2020,44(3):201-214.

[5] 邹捷,许瑞庆,习雨同.深度学习在输电线路工程验收智能缺陷识别中的应用[J].江西电力,2020,44(2):5-9.

表2 两种识别技术实验结果对比表

识别时间 本文识别完成输电线路识别个数

传统识别完成输电线路识别个数

10min 26个 6个 20min 45个 12个 30min 63个 28个 40min 82个 35个 50min

100个 42个 正确识别个数（共77个缺陷问题）

77个

32个

林俊省 郭锦超 王昊:基于A I 图像识别的输电线路缺陷自动识别技术研究

Copyright©博看网 www.bookan.com.cn. All Rights Reserved.