-
输电线路的安全运行是确保从发电侧到输电侧整个电网稳定的关键。因为高压输电线路和配电线路是连接发电厂、变电站和用户的纽带。近年来,输电线路上鸟巢、高空悬挂物等异物引起的安全事故频频发生。在电线上缠绕异物可能会导致三相短路以及接地放电。目前常见的输电线路检查方法有人工巡检、无人机巡检和图像形态学[1-3]。
输电线路系统将电力从发电站输送到配电站,用于住宅和工业用途。与架空传输系统相比,地下传输配置环保但非常昂贵。因此,架空电力线更常用于世界范围内的电力传输[4-5],有时会穿越恶劣环境(沙漠、山区、茂密森林和水库等),输电线路安装在垂直固定塔上[6]。
为了高效、可靠地传输高压电力,输电线路需要进行例行检查,以进行早期故障检测和维护。传输设备故障的检测和定位非常重要,因为它有助于电力传输公司最大限度地降低维护成本并防止不必要的停电。在美国,停电半小时会导致大中型工业客户平均损失15 707美元,中断8小时损失近94000美元[7]。除此之外,不断增长的全球人口和对电力供应的过度依赖都需要提供有效的策略来检查输电线路[8-10]。
传统的巡检方式是熟练的巡线员沿着输电线路手动攀爬,以检测故障或执行日常维护。世界上大部分地区沿线爬行检查是最常见的方法[11]。然而,巡线员的生命可能处于危险之中,因为他们可能会从线路上掉下来或是触电身亡。另一种技术是使用地面望远镜检查线路,尽管在地面徒步巡逻保证了人类操作员的安全,但它非常繁琐、缓慢且效率极低,因为它可能无法提供清晰的线路可视化[12]。
此外,在卡车上使用空中吊篮和机械臂的地面检查也适用于输电线路检查。典型的地面机器人是广达服务公司开发的LineMaster机械臂,其使用安装的液压执行器,可以由地面巡线员或空中篮内的巡线员远程控制臂[13-14]。这种方法的优点是对输电线路进行精确的检查、维护和升级时,不用中断对用户的供电。然而,这种技术缓慢且危险。此外,由于卡车的尺寸较大,可能会影响车辆的运动,将手臂部署到山区或跨越大型水体将具有挑战性[15]。使用配备有望远镜的机载操作员的直升机对线路进行目视检查,该技术比其他方法更快;但使用直升机需要熟练的人员(如飞行员)、加油和直升机本身的定期维护,这使得它成为一种昂贵的检查方法[16]。
随着无人机和机载传感器技术的发展,可实现多传感器协同,提高设备缺陷判断的准确性和自动化程度。通过无人机配备红外、紫外、摄像头等设备,可以及时定位和发现处于萌芽状态的隐患,排除故障,保障输电线路的安全运行。之后还可通过搭载专用设备,对故障点进行细节信息采集,为后续的维护决策做准备[17]。
文献[18]研制了一种高负载、高清、广角摄像头的输电线路巡检无人直升机。文献[19]提出全面实现“机巡为主、人工巡检为辅”的协同巡检模式,推进输电线路“机巡、人工巡检”智能化巡检模式。
目前,深度学习算法可以分为两类。一类是两阶段检测算法,算法分为两个阶段,首先生成候选区域,然后对区域建议进行修正和分类。该类算法的典型代表是基于候选区域的R-CNN算法。另一类是单阶段检测算法,算法不需要生成候选区域,其典型代表是基于回归的YOLO算法。直接实现端到端的物体检测。为了应对实际应用中检测算法需要快速反应的需求,研究人员选择YOLOv5为基础算法。文献[20]提出了基于YOLOv4-tiny的鸟巢定位识别方法,该算法的精度可以达到77.20%;文献[21]提出了一种基于物联网的变电站视觉检测方法,利用传感器融合技术和视觉识别技术实现了变电站的自动检测功能,检测效率提高到85%;文献[22]提出了基于深度学习的鸟巢检测方法,采用新的硬样本挖掘算法来提高模型对小物体的检测能力,引入焦点损失函数,并增加ROI挖掘模块来解决类不平衡问题,检测精度达到82.51%。然而,YOLOv5自身对于被遮挡的目标以及小目标检测仍有不稳定性。所以,本文提出将注意力模型集成到YOLOv5网络的输电线路隐患检测算法,给网络提供目标的全局信息,从复杂的图像中获取语义信息,提高算法检测精度。
本文的主要贡献有:
1) 从真实变电站中采集4 000张鸟巢和高空悬挂物的数据集。该数据集场景丰富,应用价值高,使得训练后的模型具有很强的鲁棒性。
2) SE注意力机制被整合到YOLOv5中,细化通道维度中特征图的重要性。实验结果表明,算法精度提高了2%。
-
采用电力企业内部数据集作为实验支撑。
Labelimg作为标注工具,对数据集进行人工标注。将数据集按照0.8的比例分为训练集和测试集。数据集(训练集)分布如图7所示。
在进行数据训练之前,首先会对数据进行Mosaic数据增强,对增强数据进行可视化,使算法对小目标的检测能力大大提高。
实验环境配置:GPU为GeForce RTX 3080,内存64 GB,CUDA为11.1版,python为3.7版,实验采用Pytorch学习框架。
-
本实验采用平均精度(mAP)进行评价。mAP是每个AP类别的平均值。首先,对于每个不同的召回值(包括0和1),实验选择大于或等于这些召回值的最大精度值,然后计算PR曲线下的面积,其面积就是AP值。因此,首先计算准确率和召回率。计算公式分别为:
式中,TP的含义是模型预测为正值的正样本;FP的含义是模型预测为负值的正样本;FN的含义是模型预测为负值的负样本。
-
网络模型训练阶段,迭代批量大小设置为32,总迭代次数为300次。初始学习率设置为0.001,采用小批量梯度下降法,并使用Adam优化器计算每个参数的自适应学习率。
训练结束后,网络会自动生成用于检测高空悬挂物和鸟巢的PR曲线。PR曲线横轴和纵轴所包围的区域表示算法检测的mAP。YOLOv5训练的PR曲线如图8所示。
YOLOv5网络训练得到的高空悬挂物和鸟巢的具体mAP值如表1所示。
检测目标 mAP/% Garbage
Nests
All classes82.3
85.3
83.8由表1的数据可以看出,当IoU为0.5时,改进的YOLOv5算法检测到的高空悬挂物的mAP可以达到82.3%,鸟巢的mAP可以达到85.3%,所有类别的平均mAP可以达到83.8%。
在本文改进的网络中,注意力机制模块放在残差块后,也就是主干网络的最后一层。从实验可得损耗如图9所示。
一般来说,在模型的训练过程中,损失函数的值越小,模型越好,期望值为0。从图9可以看出,横轴表示迭代时间,纵轴表示损失值。随着迭代次数的增加,定位损失、置信度损失和分类损失基本接近于0。检测效果如图10所示。
其他参数不变的前提下,使用改进的网络训练得到的PR曲线如图11所示。
含有注意力机制的改进YOLOv5网络训练得到的高空悬挂物和鸟巢的具体mAP值如表2所示。
从表2中的数据可以看出,当IoU为0.5时,含有注意力机制的改进网络中,高空悬挂物的mAP可以达到84.2%,鸟巢的mAP可以达到87.4%,所有类别的平均mAP可以达到85.8%。对比表1和表2,无论是检测高空悬挂物还是鸟巢,使用含有注意力机制的改进算法网络检测的mAP比直接使用YOLOv5算法高2%~2.5%。数据表明,SE注意力机制给算法带来的全局信息的嵌入和适应性通道关系的加权对精度有明显的提升,同时,也避免了YOLOv5算法对于被遮挡的目标检测不准确的问题。
检测目标 mAP/% Garbage
Nests
All classes84.2
87.4
85.8
Transmission Line Hidden Danger Detection Based on Attention Model
doi: 10.12178/1001-0548.2022063
- Received Date: 2022-03-04
- Rev Recd Date: 2022-05-08
- Available Online: 2023-04-03
- Publish Date: 2023-03-28
-
Key words:
- attention model /
- hidden danger detection /
- loss function /
- transmission lines /
- YOLOv5
Abstract: In order to improve the efficiency of transmission line inspection and solve the problem of low accuracy of overhead hanging objects and bird nests detection, a transmission line hidden danger detection algorithm integrating SE attention model into YOLOv5 network is proposed to obtain channel-level global features, improve the sensitivity of the model to channel features, and increase the accuracy of overhead overhang and bird's nest detection. Extensive experiments were conducted on a set of transmission line hazard images, and the results show that the YOLOv5 network with the attention model has an average accuracy of 84.2% for overhead overhangs and 87.4% for bird nests, and the mAP value detected by the proposed method is 2% higher than that directly using the YOLOv5 algorithm.
Citation: | QI Pengwen, LI Yuan, LI Yan, LUO Long, ZHAO Yunlong. Transmission Line Hidden Danger Detection Based on Attention Model[J]. Journal of University of Electronic Science and Technology of China, 2023, 52(2): 240-246. doi: 10.12178/1001-0548.2022063 |