结合场景分析的输电线路通道可视化分级预警研究

doi:10.11985/2022.03.023

结合场景分析的输电线路通道可视化分级预警研究

武永泉^,¹, 张四维^,¹, 彭冲^,¹, 焦良葆^,², 浦东^,²

1.国网江苏省电力有限公司南京供电公司南京 210019

2.南京工程学院人工智能产业技术研究院南京 211167

Research on Visual Hierarchical Early Warning of Transmission Line Channel Combined with Scene Analysis

WU Yongquan^,¹, ZHANG Siwei^,¹, PENG Chong^,¹, JIAO Liangbao^,², PU Dong^,²

1. Nanjing Power Supply Company, State Grid Jiangsu Electric Power Co., Ltd., Nanjing 210019

2. Institute of Artificial Intelligence Industry Technology, Nanjing Institute of Technology, Nanjing 211167

收稿日期: 2021-01-29 修回日期: 2022-04-16

Received: 2021-01-29 Revised: 2022-04-16

作者简介 About authors

武永泉,男,1984年生,高级工程师。主要研究方向为输电运检管理。E-mail： 260148187@qq.com

张四维,男,1988年生,高级工程师。主要研究方向为输电运检管理。E-mail： 573271628@qq.com

彭冲,男,1992年生,高级工程师。主要研究方向为输电运检技术。E-mail： 272068958@qq.com

焦良葆,男,1972年生,博士,教授,硕士研究生导师。主要研究方向为图像信号处理、视觉信息理解。E-mail： jiaoliangbao@njit.com

浦东,男,1996年生,硕士研究生。主要研究方向为智能电网及信息技术。E-mail： 820385484@qq.com

摘要

针对输电线路横跨地域广,输电通道中隐患目标多的问题,提出了输电线路通道可视化分级预警模型。首先改进深度残差网络提取输入图像的多光谱信息,通过软阈值化来减少噪声影响,提高输电线路通道场景分析模型的准确度;然后利用YOLOv3目标检测算法构建输电线路通道隐患目标识别模型,针对隐患中的烟雾、施工车辆目标小的问题,采用难负样本挖掘策略,减少图片背景的影响,再根据输电线路通道的分级预警结构构建分级预警模型。研究结果表明,结合场景分析的输电线路通道可视化分级预警模型能够科学、准确地反映出输电线路通道的隐患预警状态,为输电线路运行维护工作提供指导。

关键词： 输电线路通道可视化 ; 场景分析 ; 目标识别 ; 分级预警 ; 深度学习

Abstract

In view of the problem that the transmission line spans a wide area and has many hidden targets in the transmission channel, the visual grading warning model of the transmission line channel is put forward. First of all, the depth residual network to is improved to extract the multispectral information of the input image, the noise effect is reduced by soft threshold, the accuracy of the transmission line channel scene analysis model is improved, and then YOLOv3 target detection algorithm is used to build the transmission line channel hidden danger target identification model. Aiming at the problems of hidden smoke and small targets of contruction vihicles, hard example mining strategy is adopted to reduce the impact of the picture background, and then an early warning model is build based on the transmission line channel classification early warning structure. The results show that the visual and graded early warning model of transmission line channel combined with scene analysis can scientifically and accurately reflect the hidden danger warning state of transmission line channel and provide guidance for the operation and maintenance of transmission line.

Keywords： Transmission line channel visualization ; scene analysis ; target recognition ; hierarchical warning ; deep learning

PDF (351KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

武永泉, 张四维, 彭冲, 焦良葆, 浦东. 结合场景分析的输电线路通道可视化分级预警研究. 电气工程学报[J], 2022, 17(3): 194-202 doi:10.11985/2022.03.023

WU Yongquan, ZHANG Siwei, PENG Chong, JIAO Liangbao, PU Dong. Research on Visual Hierarchical Early Warning of Transmission Line Channel Combined with Scene Analysis. Chinese Journal of Electrical Engineering[J], 2022, 17(3): 194-202 doi:10.11985/2022.03.023

1 引言

近年来,随着计算机视觉技术^[1]的发展,输电线路通道可视化得以实现。通过输电线路通道的可视化管理代替传统的人工定期巡线,有效解决了偏远地区人工巡线困难,隐患高发段高密度巡线要求,以及隐患发现不及时和输电线路“三跨”在线监测等问题^[1⇓-3]。但随着输电线路通道可视化工程的扩建、监视点的增多以及隐患类别的增加,每日采集的数据量和识别出的隐患目标量庞大,这无疑在增加在线监视人员工作量的同时,也不利于输电线路运行维护人员的工作开展。因此,深入研究输电线路通道的各类隐患对输电线路安全稳定运行的影响,以及建立并完善输电线路通道可视化的分级预警模型显得至关重要。已有相关学者在输电通道可视化方面做了不少研究,文献[4]基于泛在电力物联网架构,提出一种基于深度强化学习与图像智能识别的输电线路在线监测系统,实现了对烟雾、树障、异物、覆冰等干扰因素的监控;文献[5]提出一种基于Skyline的输电线路巡检数据三维可视化方法,解决了数据统一化管理问题;文献[6]针对不同应用场景需求,设计了不同的无线通信方案,为可视化监控终端提供了更多的选择;文献[7]通过引入虚拟现实技术,为新兴技术在虚拟与现实一体化提供了参考;文献[8]采用人工智能图像识别技术实现了对工程车辆、山火隐患、导线异物、线路故障的自动识别与预警。

为了提高预警系统的准确率以及过滤不属于输电通道中的隐患,准确地描述各类隐患的预警等级,本文在充分分析已有数据和集合相关专家意见的基础上,采用通道场景和隐患目标类别相结合的方法,建立了输电线路通道的分级预警模型,使运行维护人员能够根据预警等级,在输电线路出现故障前及时采取有效措施消除隐患。其中场景分析模型采用深度残差网络^[8⇓-10]充分利用输入图像的多光谱^[11⇓-13]信息实现输电线路通道的场景识别,并结合已有的预训练的卷积神经网络权重提高识别精度;隐患目标识别模型利用YOLOv3目标检测算法^[10]的高精确度和高检测速度优势,对输电线路通道的隐患目标进行实时检测。

2 相关算法介绍

2.1 深度残差网络

由于受到输电线路通道环境复杂、光线多变等不良因素的影响,输电线路通道可视化模型接收到的现场图像会出现过亮、过暗、模糊不清的现象。因此,需要提取图像更深层的特征信息以提高输电线路通道场景分析的精确度,但随着网络层数的加深反而会出现网络性能下降的退化现象^[11]。为了解决上述问题,本文采用深度残差网络提取输电线路通道的多光谱特征信息,包括输入图像的可见光特征信息、近红外光特征信息以及两者之间的关联特征信息^[8-9],最终通过全连接层将信息整合输入分类网络,实现输电线路通道的场景分析^[14]。

残差网络是由来自Microsoft Research的4位学者提出的卷积神经网络,在2015年的ImageNet大规模视觉识别竞赛中获得了图像分类和物体识别的优胜。其内部残差块的结构如图1所示,包含三个卷积层,卷积层间使用relu激活函数,F(x)表示经过两层权重映射后的结果,残差块的输出结果为H(x)=F(x)+x。残差网络使用跳跃连接,打破了传统的卷积神经网络n-1层的输出只能给n层作为输入的惯例,使某一层的输出可以直接跨过几层作为后面某一层的输入,从而在不过度拟合的情况下拓展网络深度,一定程度上保护了信息完整性,同时简化了学习的难度,有效地减少了参数量和计算量。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 残差块结构图

2.2 目标检测算法

YOLOv3^[15]是目前最先进的目标检测方法之一,很多学者利用其高精度和高检测速度的优势实现各类目标识别项目。例如,赵飞扬等^[16]利用YOLOv3的多尺度特征融合特性实现了复杂场景的火焰识别;钟映春等^[17]以YOLOv3为基础实现了电力铁塔上鸟窝、风筝等异物的识别;还有其他一些利用其实现铁路侵限异物、车辆等^{[18⇓⇓⇓⇓-23]}的识别。因此,针对输电线路通道隐患目标类别以及目标检测算法的可行性,本文选用YOLOv3实现目标检测。

YOLOv3目标检测网络以Darknet-53特征提取网络作为基础网络,实现了端对端的训练,将目标检测由分类问题转换为回归问题,直接预测不同目标的类别和位置,相比需要先产生候选区域的检测算法具有明显的速度优势。而且YOLOv3借鉴了特征金字塔(Feature pyramid networks, FPN)网络中的思想,在3种尺度下进行特征图融合与预测,提高了算法对不同大小目标的检测能力;将其应用于输电线路通道隐患目标检测,有效解决了因监视点距离隐患目标较远造成的目标过小从而引起的漏检问题。特征金字塔结构如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 特征金字塔结构

图2中,FPN网络通过左侧自下而上的卷积网络提取图像特征,然后与右边上采样获得的相同大小的特征图进行融合,使得在小尺度特征图上也可获得丰富的语义信息,提高了小目标的检测精确度。

3 输电线路通道分级预警方案

本文方法构建的输电线路通道分级预警模型结构如图3所示。首先通道输电线路通道可视化模型在规定采样频率下对监视点实现在线监控,然后将传输到可视化模型的各监视点图像分别送入场景分析模块和隐患目标识别模块,再结合场景类别和隐患类别计算分级预警等级,并根据分级预警库输出预警等级和信号。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 输电线路通道分级预警模型

3.1 深度残差收缩网络

针对场景分类的时候,场景中不可避免地会有一些噪声,像高斯噪声、粉色噪声、拉普拉斯噪声等。更广义地讲,场景中很可能包含着与当前分类任务无关的信息,这些信息也可以理解为噪声,这些噪声可能会对分类效果产生不利的影响。深度残差收缩网络,就是对深度残差网络的残差路径进行收缩的一种网络。这里的“收缩”指的就是软阈值化。软阈值化,是很多信号降噪算法的核心步骤,将绝对值小于某个阈值的特征删除,将绝对值大于这个阈值的特征朝着零的方向进行收缩。因此,软阈值化也能够减小深度学习算法遭遇梯度弥散和梯度爆炸的风险。它可以通过以下公式来实现。

(1)$y=\left\{ \begin{matrix} x-\tau \ \ \ \ \ \ \text{ }x>\tau \text{ } \\ 0\text{ }\ \ \ -\tau \le x\le \tau \\ x+\tau \ \ \text{ }\ \ \ \ x<-\tau \ \ \ \ \ \ \ \\\end{matrix} \right.$

式中,$x$为分类中干扰选项的特征值,$\tau $为可设定的阈值。

软值化输出对于输入的导数为

(2)$\frac{\partial y}{\partial x}=\left\{ \begin{matrix} 1\ \ \ \ \ x>\tau \text{ } \\ 0\text{ }\ \ -\tau \le x\le \tau \\ 1\ \ \text{ }\ \ x\text{}-\tau \text{ } \\ \end{matrix} \right.$

如果和前一个卷积层的偏置 b 放在一起看的话,这个值为零的区间就变成了[$-\tau +b$,$\tau +b$]。因为$\tau $和b都是可以自动学习得到的参数,从这个角度来看,软阈值化其实是可以将任意区间的特征置为零,是一种更灵活的、删除某个取值范围特征的方式,也可以理解成一种更灵活的非线性映射。从另一个方面来看,前面的两个卷积层、两个批标准化和两个激活函数,将冗余信息的特征,变换成接近于零的值;将有用的特征,变换成远离零的值。之后,通过自动学习得到一组阈值,利用软阈值化将冗余特征剔除掉,将有用特征保留下来。通过堆叠一定数量的基本模块,可以构成完整的深度残差收缩网络。而在软阈值化函数中,阈值的设置必须符合两个的条件：第一,阈值是正数;第二,阈值不能大于输入信号的最大值,否则输出会全部为零。同时,阈值最好还能符合第三个条件：每个样本应该根据自身的噪声含量,有着自己独立的阈值。因为很多样本的噪声含量经常是不同的。例如,在同一个样本集里面,样本A所含噪声较少,样本B所含噪声较多。那么,如果是在降噪算法里进行软阈值化的时候,样本A就应该采用较大的阈值,样本B就应该采用较小的阈值。在深度神经网络中,虽然这些特征和阈值失去了明确的物理意义,但是基本的道理还是相通的。也就是说,每个样本应该根据自身的噪声含量,有着自己独立的阈值。在构建这个子网络中,首先对输入特征图的所有特征求绝对值;然后经过全局均值池化和平均,获得一个特征,记为A。在另一条路径中,全局均值池化之后的特征图,被输入到一个小型的全连接网络。这个全连接网络以Sigmoid函数作为最后一层,将输出归一化到0和1之间,获得一个系数,记为$\alpha $。最终的阈值可以表示为$\alpha \times A$。因此,阈值就是一个0和1之间的数字与特征图绝对值平均的乘积。这种方式不仅保证了阈值为正,而且不会太大。不同的样本就有了不同的阈值。因此,在一定程度上,可以理解成一种特殊的注意力机制,通过软阈值化,将它们设置为零。最后,堆叠一定数量的基本模块、卷积层、批标准化、激活函数、全局均值池化以及全连接输出层等,得到完整的深度残差收缩网络。

3.2 难负样本挖掘策略

针对训练数据集中,负样本(输电线路背景)占据整张图片的比例大,正样本目标(烟雾,施工车量)占据图像的比例小。如果正样本目标尺寸很小,那么正样本很容易被误判为负样本,造成网络无法收敛的问题。

本文提出在训练过程中加入难负样本挖掘策略,图4为训练方法改进后的流程图。首先训练数据集,得到负样本,将置信度大于0.8但与目标真实框的交并比值小于0.5的矩形框输出定义为难负样本;然后将收集到的难负样本加入训练集,重新对网络进行训练,提高网络的检测精度。由于该策略仅在训练时使用,在训练完成检测时与原来一样,因此不会对网络的运算量造成负担。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 训练方法改进后的流程图

3.3 输电线路通道分级预警方案

输电线路通道分级预警^[20⇓-22]是指在输电线路通道出现隐患目标且在输电线路因隐患发生故障之前,根据输电线路通道场景、隐患目标类别以及造成输电线路故障的可能性,向运行维护人员发出预警信号,报告相应预警等级。运行维护人员可以根据预警等级采取适当的应急措施,优先消除危险等级高的隐患,从而减少护线不及时造成的输电线路故障。

为了能够准确地描述各场景和隐患类别对输电线路安全可靠运行的影响,现集合某供电公司提供的输电线路通道可视化图像数据规律和相关专家意见,以指导运行维护人员现场护线工作为原则,建立了如表1所示的输电线路通道分级预警库。主要包括第一级严重预警库、第二级跟踪预警库和第三级一般预警库,并根据预警等级相应配置了红、黄、蓝三种预警信号。同时由于输电通道中的摄像头都是安装在固定位置的,每个摄像头的信息地理位置是已知的,因此设置了如图5所示的一个基于先验知识约束的预警框,该预警框为真正需要检测的输电通道,如果预设的预警框与检测出的隐患相交或者内含,则将提升预警级别,反之则将降低预警级别或者不报警。

表1 输电线路通道分级预警库分类表

场景类别	隐患目标类别	分级预警库
任意场景	烟雾&山火	一级+红色信号①
任意场景	异物(风筝、损坏塑料大棚、损坏布艺广告牌等)	一级+红色信号②
三跨(高速铁路、高速公路、河流)	任意隐患	一级+红色信号③
固定施工-隐患高发段	高危工程机械(吊车、混凝土浇灌车)	一级+红色信号④
高茎植物监控场景	高危&常规工程机械	二级+黄色信号⑤
固定施工-隐患低发段	高危工程机械	二级+黄色信号⑥
固定施工-隐患低发段	常规工程机械(混凝土搅拌车、挖掘机、铲车)	三级+蓝色信号⑦

新窗口打开| 下载CSV

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 不同情况下隐患处理方案

以上的隐患处理方案由下列公式得出

(3)${{f}_{i}}=\left\{ \begin{matrix} \min ({{x}_{p1}},{{x}_{p2}})\le \max ({{x}_{q1}},{{x}_{q2}})\text{ }\,i=1\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \\ \begin{align} & \min ({{x}_{q1}},{{x}_{q2}})\le \max ({{x}_{p1}},{{x}_{p2}})\text{ }\,i=2 \\ & \min ({{y}_{p1}},{{y}_{p2}})\le \max ({{y}_{q1}},{{y}_{q2}})\text{ }i=3 \\ & \min ({{y}_{q1}},{{y}_{q2}})\le \max ({{y}_{p1}},{{y}_{p2}})\text{ }i=4\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \\ \end{align} \\ ({{p}_{1}}-{{q}_{1}})\times ({{q}_{2}}-{{q}_{1}})\cdot ({{q}_{2}}-{{q}_{1}})\times ({{p}_{2}}-{{q}_{1}})>0\text{ }i=5 \\ \end{matrix} \right.$

(4)${{l}_{1}}={{f}_{1}}\cdot {{f}_{2}}\cdot {{f}_{3}}\cdot {{f}_{4}}$

(5)${{l}_{2}}={{f}_{1}}\cdot {{f}_{2}}\cdot {{f}_{3}}\cdot {{f}_{4}}\cdot {{f}_{5}}$

(6)$\lambda =\left\{ \begin{matrix} \text{1 }\ {{l}_{2}} \\ 0.75\text{ }{{l}_{1}} \\ \text{0}\text{.5 }{{l}_{0}} \\ \end{matrix} \right.$

以上为简单判断预设场景预警框与隐患识别框关系,首先随机各选取一条场景预设框与识别出的隐患识别框的边,定义两条边的两个点分别为${{p}_{1}}=({{x}_{p1}},{{y}_{p1}})$,${{p}_{2}}=({{x}_{p2}},{{y}_{p2}})$,${{q}_{1}}=({{x}_{q1}},{{y}_{q1}})$,${{q}_{2}}=({{x}_{q2}},{{y}_{q2}})$。${{f}_{i}}$为对应坐标点大小的状态,${{l}_{0}}$为预警区域与隐患识别框相离,${{l}_{1}}$为以场景预设框与隐患识别框的某一条边为矩阵对角线,判断做出的额矩形是否相交,得到隐患与预警框粗略关系。进一步的通过状态量${{f}_{5}}$可直接得出两边是否跨立,跨立对应于包含的关系其预警级别高于相交,设为更高级预警。通过对预设框每一条边与识别框的四条边进行遍历得到最终判断结果。最后根据不同的$l$值来调整相应的权重,升高或降低预警级别。对于有相对运动的工程器械还需要考虑更多的相关因素。在具体实现中,设所有预设告警区域为$P$,最终的告警优先级受隐患目标在告警区域停留时间为$T$,工程器械的运动速度为$V$,不同种类的工程器械$C$,工程车辆的预警优先级的集合为$F$

(7)$F=f(T,V,C,\lambda )$

通过分析可以得出工程器械停留时间与告警级别正相关,停留时间越长,危险系数越高。工程器械的运动速度与告警级别负相关,速度越快,在告警区域停留时间越短。工程器械告警框到预设框的距离与速度成负相关,速度越快,距离越短。预警框与隐患的相对位置是首要影响因素,与告警优先级正相关,不同种类工程影响也各不相同,有高危、常规工程机械。上述式子可以简化为

(8)$F=\varphi (T,C,\lambda )$

通过试验得到

(9)$F=\lambda {{\left( \frac{T}{60} \right)}^{1.5C}}$

从表2可见,针对烟火、异物这类危险等级高的隐患类别,无论任何场景都发出一级预警红色信号,需要运行维护人员持续关注通道状况并立即分配护线员前往现场值守及反校;表3中“三跨”场景是指跨越高速公路、高速铁路和河流的架空输电线路,针对三跨地区隐患事故在所有的输电线路通道中发生尤其频繁,且事故发生后造成的后果更为严重的问题,将其归为一级严重预警库,识别出三跨场景即发出一级预警红色信号,需要运行维护人员持续关注通道状况,一旦出现隐患目标立即前往现场护线;另一类隐患目标为输电线下固定施工场所的工程机械,根据工程机械的臂展长度分为高危和常规两类。通过预警信号颜色醒目程度的增强一目了然地显示出预警级别,配合场景和隐患类别信息,使得指挥运行维护人员快速选取护线设备及时有效地避免隐患事故的发生。

表2 隐患目标的定义

序号	隐患目标的定义
①	烟雾&山火
②	异物(风筝、损坏塑料大棚、损坏布艺广告牌等)
③	高危工程机械(吊车、混凝土浇灌车)
④	常规工程机械(混凝土搅拌车、挖掘机、铲车)

新窗口打开| 下载CSV

表3 场景类别定义

序号	场景类别的定义
①	三跨(高速铁路、高速公路、河流)
②	固定施工-隐患高发段
③	高茎植物监控场景
④	固定施工-隐患低发段

新窗口打开| 下载CSV

4 试验与分析

为了验证本文提出的利用通道场景分析与隐患目标类别相结合的方法构建输电线路通道分级预警模型的有效性,本文基于某供电公司提供的输电线路通道可视化图像数据集制作了适用于分级预警模型的训练集。试验采用分级预警模型的总体准确率作为评价指标,从模型的各预警等级的查全率以及预警信号的查准率两方面进行综合评估。

4.1 场景分析训练集及模型初始化

由于输电线路通道背景环境复杂,光线多变,以及部分场景特征不明显等负面因素影响,现根据已有图像数据规律和专家意见,以识别隐患高发段场景为原则制作数据集。其中,包含7种典型场景：输电线路“三跨”场景(高速公路、高速铁路、河流),固定施工(建筑施工、彩钢瓦棚户区、工程车辆停车场)和高茎植物监控场景。数据集总图片量为1 000幅图像,以“三跨”场景和固定施工场景为主。网络中输入为高光谱图像,为了还原真实场景,对图片的像素点以及对比度进行修正后,放入网络训练。训练采用迁移学习的方式,以2012年ILSVRC (Imagenet large scale visual recognition challenge)数据集上预先训练好的ResNet50网络模型作为初始权重,训练网络时采用动量参数为0.9,学习率为0.001,权值衰减为0.005的随机梯度下降法(Stochastic gradient descent, SGD)对目标损失函数进行优化。

4.2 场景分析训练集

Pascal VOC和COCO是目标检测网络用于训练、检测的常用数据集,但其大多来源于日常生活,没有专门用于输电线路通道隐患目标识别的图像数据集。为防止数据集不符合实际情况造成的目标检测模型精度不高的情况发生,本文通过LabelImg软件在采集图像上标记隐患目标,制作目标识别训练集,标记操作界面如图6所示。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 标记操作界面

隐患目标类别分别是烟火、异物、吊车、混泥土浇灌车、混凝土搅拌车、挖掘机和铲车,对应标记类别名称以及各类别训练数据量如表4所示,训练集共13 200个数据量。网络输入为RGB图像,使用网络参数动量为0.9,学习率为0.001,权值衰减为0.005的随机梯度下降法(SGD)对目标损失函数进行优化。

表4 标记类别名称表

隐患目标类别	标记类别名称	数据量
烟雾	smoke	750
山火	wildfire	750
异物	foreign-matter	1 500
吊车	crane	3 600
混凝土浇灌车	concrete-pour-truck	500
混凝土搅拌车	concrete-mixer-truck	500
挖掘机	excavator	4 600
铲车	forklift	1 000

新窗口打开| 下载CSV

4.3 试验结果与分析

本文试验的软硬件平台为AMD Ryzen Threadripper2970WX CPU,NVIDIA TITAN RTX×2 GPU,Ubuntu18.04 LTS。

因为本文采用场景分析和隐患目标识别相结合的方法实现输电线路通道隐患的分级预警,因此预警信号的准确性需要对两个分类模型的检测效果进行综合考虑。表5为模型检测效果,以模型的查全率(Recall)和查准率(Precision)作为性能评价指标,

表5 模型检测效果

原YOLOv3目标检测网络			加入难负样本挖掘策略
隐患目标类别	查全率	查准率	隐患目标类别	查全率	查准率
烟雾	0.831	0.852	烟雾	0.853	0.922
山火	0.923	0.922	山火	0.942	0.965
异物	0.803	0.723	异物	0.806	0.731
吊车	0.872	0.885	吊车	0.914	0.903
混凝土浇灌车	0.891	0.858	混凝土浇灌车	0.926	0.873
混凝土搅拌车	0.908	0.839	混凝土搅拌车	0.956	0.862
挖掘机	0.912	0.901	挖掘机	0.934	0.905
铲车	0.781	0.752	铲车	0.783	0.737

新窗口打开| 下载CSV

计算如式(3)所示

(3)$\left\{ \begin{align} & R=\frac{TP}{TP+FN} \\ & P\text{=}\frac{TP}{TP+FP} \\ \end{align} \right.$

式中,TP为被正确地划分为正例的个数,FP为被错误地划分为正例的个数,FN为被错误地划分为负例的个数。

在数据集上,各个卷积神经网络通过相同训练次数得到的模型进行测试后,指标的对比结果如表6所示。

表6 模型比较结果

模型名称	P	R
深度残差网络	0.85	0.83
深度残差收缩网络	0.89	0.86

新窗口打开| 下载CSV

由表6可以看出,经过改进后的深度残差收缩网络比原网络在查准率和查全率上都有了一定的提升,同时通过YOLOv3目标检测算法对隐患目标进行分类,如表5所示,由于很多都是工程车辆等相对于整张原图来说的小物体,因此在加入难负样本挖掘策略后可以看到有了显著的提升效果。

基于上述模型检测效果的高精确度,现已将其用于某供电公司输电线路通道可视化模型中。并进一步验证本文模型在实际应用中的检测效果,针对一天内20万数据量的预警精确性进行了统计分析,表7中左侧序号对应分级预警库分类表3,表7第2、3列所示为现有模型数据,表7的第4、5列为本文模型数据。

表7 现有分级预警模型评估表与本文模型对比

分级预警库	现有分级预警模型评估		本文模型
分级预警库	查全率	查准率	查全率	查准率
一级+①	0.639	0.875	0.721	0.891
一级+②	0.602	0.751	0.738	0.786
一级+③	0.843	0.918	0.851	0.921
一级+④	0.824	0.917	0.826	0.933
二级+⑤	0.727	0.652	0.753	0.721
二级+⑥	0.839	0.902	0.843	0.936
三级+⑦	0.865	0.933	0.862	0.938

新窗口打开| 下载CSV

5 结论

本文集合已有的图像数据规律和专家意见,充分分析了不同通道场景、不同隐患类别对输电线路安全可靠运行的危害程度,并据此提出了结合场景分析的输电线路通道可视化分级预警方法。首先改进深度残差网络提取输入图像的多光谱信息,通过软阈值化来减少噪声影响,提高输电线路通道场景分析模型的准确度,然后利用YOLOv3目标检测算法构建输电线路通道隐患目标识别模型,针对隐患中的烟雾、施工车辆目标小的问题,采用难负样本挖掘策略,减少图片背景的影响,再根据输电线路通道的分级预警结构构建分级预警模型。根据本文模型在某供电公司实际应用中的预警效果显示,该模型能够较准确地反映出通道预警状态,指导运行维护人员根据不同的预警信号、不同的通道场景和隐患类别,及时有效地采取针对性防范措施,有效避免输电线路故障的发生,减少因故障引发的巨大损失。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

段家振

试析输电线路通道可视化系统关键技术

[J]. 科技创新与应用, 2019(30):151-152.

[本文引用: 2]

DUAN

Jiazhen

Analysis of key technologies of transmission line channel visualization system

[J]. Science & Technology Innovation and Application, 2019(30):151-152.

[本文引用: 2]

[2]

王炜, 王树军, 徐硕, 等.

输电线路通道可视化运维管理体系的应用

[J]. 电气时代, 2018(11):77-79.