基于深度学习的架空输电线路异物定位识别方法.pdf

2023年9月计算机应用文摘第39 卷第19 期基于深度学习的架空输电线路异物定位识别方法易敏（国网四川省电力公司眉山供电公司，四川眉山6 2 0 0 10)摘要：传统方法在架空输电线路异物定位识别中应用效果不佳，不仅异物正确定位识别次数比较少，而且识别时间比较长，无法达到预期的异物定位识别效果，因此，文章提出基于深度学习的架空输电线路异物定位识别方法。采用无人机航拍技术采集输电线路图像，采用图像分割算法对原始图像进行分割处理，提取异物图像目标区域并对目标区域中值滤波进行处理。利用深度学习网络模型提取输电线路轮廓特征，通过特征比对判断输电线路是否存在异物，并利用欧式距离定位到异物位置。经实验证明，该设计方法正确识别次数较多，且识别时间较短，在架空输电线路异物定位识别方面具有良好的应用前景。关键词：深度学习；架空输电线路；异物定位识别；无人机航拍技术；图像分割算法YI Min中图法分类号：TM721Identification method of foreign body positioning inoverhead transmission line based on deep learning(State Grid Sichuan Electric Power Company Meishan Power Supply Company,Meishan,Sichuan 620010,China)Abstract:The traditional method has poor application effect in the positioning and recognition offoreign objects in overhead transmission lines.Not only the number of correct positioning andrecognition of foreign objects is relatively small,but also the recognition time is relatively long,which cannot achieve the expected foreign object positioning and recognition effect.Therefore,thispaper proposes a deep learning-based overhead transmission line foreign object positioning andrecognition method.The drone aerial photography technology is used to collect transmission lineimages,and the image segmentation algorithm is used to segment the original image.The target areaof the foreign object image is extracted and the median filter of the target area is processed.The deeplearning network model is used to extract the contour features of the transmission line,determinewhether there is a foreign body in the transmission line through feature comparison,and use theEuropean distance to locate the foreign body position.Experiments have proved that the designmethod has many correct recognition times and short recognition time,which has good applicationprospects in the positioning and recognition of foreign objects in overhead transmission lines.Key words:deep learning,overhead transmission lines,foreign body positioning identification,aerialphotography technology,image segmentation algorithm1引言架空输电线路分布跨度较大，部分线路段临近市区以及建筑施工等区域，一些生活垃圾、建筑垃圾等异物会悬挂于架空输电线路上，常见的异物有风筝、塑料袋、鸟巢等,架空输电线路上如果存在异物,会缩短架空输电线路放电距离，对架空输电线路运行造成不良影响,从而引发输电线路故障。为了保证架空输电线路可以正常、安全可靠地运行，需要对线路异物文献标识码：A进行检测以及定位识别，辅助技术人员完成架空输电线路除障工作。最早采取的线路异物定位识别方式为人工方式，由专业的技术人员到现场对输电线路进行检查，确定线路上是否存在异物以及异物的具体位置,这种方式效率较低，而且人工成本较高。随着物联网技术、信息技术等现代化技术的不断革新与发展，自动化识别方式逐渐取代了传统人工方式，利用现代化技术对架空输电线路异物进行智能定位识别。自动化识别的出现与应用在一定程度上提升了架空114输电线路异物定位识别效率。但由于国内关于该方面的研究起步较晚，相关理论与技术还不够成熟，架空输电线路异物定位识别自动化水平较低。虽然一些学者与专家提出了一些方法和思路,但是目前该方面的研究尚处于初步探索阶段，现行方法不仅正确识别次数较少，而且识别时间较长，无法满足实际需求，为此提出基于深度学习的架空输电线路异物定位识别方法。2架空输电线路图像采集所有的异物定位识别分析都是在架空输电线路图像数据基础上实现的，因此首先对架空输电线路图像样本进行采集。输电线路采样采用无人机航拍技术，根据实际需求本文将IYHD-A5F8六旋翼无人机作为飞行器，将IYFAS-5555高清相机作为架空输电线路图像采集器，将高清相机固定在无人机机身上，根据实际情况对无人机飞行高度参数进行设定，其计算公式为：h=uo/c式中，h表示无人机飞行高度；u表示高清相机物镜镜头焦距;o表示架空输电线路拍摄要求图像分辨率；c表示高清相机像元尺寸大小 1)。利用式（1)对无人机飞行高度参数进行设定，除此之外，还需要根据实际情况对高清相机像素、拍摄频率以及无人机飞行速度等参数进行设定。通过无线蓝牙接收高清相机拍摄到的架空输电线路图像数据并将其发送到计算机上，用于后续异物图像目标区域提取及异物定位识别。3异物图像目标区域提取考虑到拍摄到的输电线路图像背景复杂多样，故采用图像分割算法对原始图像进行分割处理，并提取异物图像目标区域。首先将原始的彩色图像进行灰度化处理并将其转换为灰度图像，转换后的图像灰度等级为H个。为了将原始图像背景与目标分离,考虑到原始图像背景与目标的灰度差异性，故设定一个初始阈值G,将灰度等级小于阈值的像素判定为输电线路目标,将灰度等级大于阈值的像素判定为背景 2 为了提高架空输电线路图像的分割精度，根据架空输电线路图像目标与背景的类间方差，对初始值进行优化,图像目标与背景的类间方差计算公式为：U=ey(x1-x2)2式中，表示架空输电线路图像目标与背景的类间方差；e表示初步划分的图像背景类像素占整个图像的比例；y表示初步划分的图像目标类像素占整个图像计算机应用文摘的比例;x1表示初步划分的图像背景类的平均灰度值;x2表示初步划分的图像目标类的平均灰度值 3。根据架空输电线路图像目标与背景的类间方差，将阈值优化为：W=G-U式中,表示优化后的分割阈值。利用优化后的阈值对原始图像进行二次分割，将灰度等级小于阈值的像素划分为输电线路目标,将灰度等级大于阈值的像素划分为输电线路背景,利用形态学对背景与目标进行分割,以提取异物图像目标区域,其用公式表示为：=T()-(x)H-(4)式中,表示异物图像目标区域;T（）表示原始图像；(x)H-表示输电线路背景像素集合 4。考虑到图像可能存在噪声,故采用中值滤波技术对提取的异物图像目标区域进行降噪处理，其用公式表示为：d=Med(uR)式中,d表示中值滤波后的异物图像目标区域;Med表示动态窗口中像素中值;R表示选定的二维模板 5。(1)通过对提取的异物图像目标区域进行滤波处理，提出区域中输电线路的轮廓特征。4基于深度学习的线路异物定位识别在上述基础上,利用深度学习技术对滤波处理后的异物图像目标区域的输电线路轮廓进行特征提取，并根据特征识别到输电线路异物。根据实际情况建立深度学习网络模型，该网络模型主要由输入层、卷积层以及池化层三部分组成。对深度学习网络模型参数进行设定，其中包括卷积层数量、卷积核大小以及数量等,将滤波处理后的异物图像目标区域输人深度学习网络模型的输入层中,在输入层内对异物图像目标区域内的输电线路特征进行提取。本文将输电线路中心线作为线路特征,采用最小二乘法对目标区域中像素位置进行拟合，生成电力线中心线,其用公式表示为：n=d8-k?h=1式中，表示拟合得到的输电线路中心线特征;h表示像素数量；8 表示目标区域中前景像素坐标数组；K表示三次曲线数学模型 6 。将提取到的输电线路特征发送到卷积层，在卷积层内利用激活函数对特征卷积进行处理，得到输电线路总特征,其用公式表示为：(2)p=W(n1,n2,nm-1)式中，p表示卷积层输电线路总特征；W表示激活函数；（n1,n2，m-1）表示所有卷积层的输出特征;m表示深度学习网络模型卷积层数量 7 。将提取到的2023年第19 期(3)(5)(6)(7)2023 年第19期总特征发送到池化层，在池化层内对特征进行综合分析,计算当前输电线路目标区域与正常情况下的输电线路目标区域的相似度,表达式为：Ip-pi1U=Ip-pi/p+pi I式中，u表示当前输电线路目标区域与正常情况下的输电线路目标区域的相似度;P1表示正常情况下的输电线路目标区域特征值 8 。在深度学习网络模型池化层中设定一个阈值,若式(8)计算结果大于阈值,则表示图像内输电线路与正常情况下的输电线路非常相似,输电线路不存在异物;若式（8)计算结果小于阈值,则表示图像内输电线路与正常情况下的输电线路存在很大差异,该线路上存在异物 9。利用欧式距离对识别出存在异物的输电线路图像中的异物进行定位,其表达式为：b=/Z(a,-c.)2式中，b表示架空输电线路异物位置；i表示异物像素点数量；n表示架空输电线路像素点数量；i表示输电线路中心线像素点数量；;表示所有像素点坐标；c;表示输电线路中心线穿过的线路节点坐标 10 。利用式(9)计算异物在图像坐标系中的横纵坐标,以定位识别架空输电线路异物位置，进而完成输电线路异物定位识别。5实验论证5.1实验准备与设计为了检验本文方法的有效性与适用性,选择某架空输电线路为实验对象，该架空输电线路全长7 0 0 0m，利用本文方法对该架空输电线路异物进行定位识别。为了保证实验数据与实验结果具有一定的说明性与可靠性,选择两种传统方法作为对比,设计一组对比实验，两种传统方法分别为基于卷积神经网络的识别方法与基于数据挖掘的识别方法，以下用传统方法1与传统方法2 表示。该实验准备了一台六旋翼无人机以及一台高清相机，根据该架空输电线路的实际情况，将无人机飞行高度设定为8 0 0 m，飞行速度设定为2 0 km/h，飞行角度范围设定为0 18 0，相机焦距设定为0.15mm，拍摄频率设定为2.45Hz。该实验将架空输电线路划分为6 个线路段，由无人机搭载高清相机对架空输电线路进行拍摄,共获取到10 0 0 张线路图像。按照上述流程对架空输电线路图像进行预处理，建立深度学习网络模型，模型参数：卷积层数量为3层，卷积核数量为35个。将处理后的图像输人深度学习中,将其中50 0 张图像数据作为深度学习计算机应用文摘网络模型训练样本，并将剩余50 0 张图像作为实验数据样本,通过提取到的线路异物特征对输电线路异物进行定位识别,具体识别结果如表1所列。表1架空输电线路异物定位识别结果(8)线路序号123456本文方法基本可以完成架空输电线路异物定位识别任务，以下对具体定位识别效果进行检验。5.2实验结果与讨论本次实验将正确识别次数作为三种方法识别精度(9)的评价指标，正确识别次数越高，表示该方法识别精度越高，将识别次数作为变量，每识别完10 0 次统计一次正确识别次数，直到识别次数达到8 0 0 次，使用电子表格对实验数据进行记录,具体数据如表2 所列。表2 三种方法正确识别次数对比（次）识别次数/次本文方法10098200197300296400396500495600593700692800791从表2 可以看出，在本次实验中，本文方法正确识别次数相对较多，当总识别次数达到8 0 0 次时，正确识别次数为7 91次，错误识别次数仅为9次，占总识别次数约1%。而两种传统方法的正确识别次数较少，当总识别次数达到8 0 0 次时，传统方法1正确识别次数仅为本文方法的47.8 5%，传统方法2 正确识别次数仅为本文方法的45.8 2%，由此证明，在识别精度方面本文方法优于两种传统方法。为了进一步验证本文方法的可靠性，对三种方法识别时间进行对比，以高清相机获取到的架空输电线路图像时间为开始时间,以输出识别结果时间为结束时间。该实验以架空输电线路图像信噪比为变量，每种信噪比水平的图像选择10 张并取它们的平均值作为最终该信噪比水平对应的识别时间,图像信息比范围在0 10 0 dB,根据实验数据绘制三种方法不同的图像信噪比下线路115识别结果异物类型存在异物风筝存在异物鸟窝存在异物塑料存在异物气球存在异物风筝存在异物塑料传统方法165124207256289328369417异物定位(1 253.15,54.14)(2 146.96,65.74)(3 036.89,45.25)(4 586.28,63.25)(5 274.86,64.25)(6 586.96,57.84)传统方法256117168217258297327384116异物定位识别时间对比图,如图1所示，8.5设计方法6.54.5$/画相酷2.50.50从图1可以看出，在本次实验中本文方法识别时间相对较短，虽然三种方法识别时间均随图像信噪比数值的降低而不断增长，但本文方法增长幅度较小。正常情况下架空输电线路图像信噪比值不会低于2 5dB，因此本文方法最长识别时间不会超过1.35s，比传统方法1快将近5.2 4s，比传统方法2 快将近5.2 4s。本次实验证明，相较于两种传统方法，无论是在识别精度方面还是在识别效率方面,本文方法均表现出明显的优势，更适用于架空输电线路异物定位识别。6结束语异物定位识别是架空输电线路巡检工作中的一个重要项目，目的是为架空输电线路异物清理提供数据依据，辅助架空输电线路巡检工作人员精准、快速完成除障工作，保障架空输电线路安全、可靠运行。本文参考相关文献资料,针对当前架空输电线路异物定位识别理论存在的缺陷与不足，将深度学习技术应用于其中,提出了一个全新的识别思路,有效提高了架空输电线路异物定位识别精度和效率，实现了对传统方法的优化与创新，同时提高了架空输电线路异地定位识别工作智能化与自动化水平，为架空输电线路计算机应用文摘异物定位识别提供了参考依据，具有一定的研究价值。传统方法1传统方法22550图1三种方法识别时间对比图2023年第19 期参考文献：1】李宏辉.全自动运行列车在高架线路运行时接触网异物侵限场景下的应对措施研究与实现J.科技创新与应用，2023,13(10):47-51.2周开河,杨跃平,叶夏明，等.架空线路绝缘喷涂异物检测75100图像信噪比/邮识别及机器人运动轨迹规划J.电测与仪表，2 0 2 3,6 0(6):32-39.3】王胜辉,郭奉天，董兴浩，等.交流电压下架空输电线路巢材类异物放电特性研究J.华北电力大学学报（自然科学版),2 0 2 2,49(5):2 4-32.【4 邹辉军,焦良葆,张智坚，等.面向输电线路小目标异物检测的改进YOLO网络J.南京工程学院学报（自然科学版),2 0 2 2,2 0(3):7-14.5余沿臻,邱志斌,周银彪,等.基于卷积神经网络与ECOC-SVM的输电线路异物检测J.智慧电力,2 0 2 2,50（3）：8 7-92+107.6梁新福,罗日成,党世轩，等.基于数字图像处理的电力线异物识别方法研究J】.电气技术，2 0 2 2,2 3（2）：7 3-7 8.7宋以华,曾光.城市轨道交通线路异物检测与识别技术需求分析J.甘肃科技,2 0 2 1,37(18)：50-52.8虢韬,徐梁刚,史洪云，等.基于网格突变与半空心球邻域角度过滤的三维激光点云电力线异物精准检测定位方法J.电力大数据,2 0 2 1,2 4(7):9-16.9杨剑锋,秦钟,庞小龙，等.基于深度学习网络的输电线路异物入侵监测和识别方法J.电力系统保护与控制，2021,49(4):37-44.10 赵文青，胡安锋.输电线路异物入侵告警系统的研究J.通信电源技术,2 0 2 1,38（1)：7 9-8 1+8 4.作者简介：易敏(1991一），本科，工程师，研究方向：输电线路。