内蒙古赤峰市024000
摘要：输电线路作为电力工业的重要基础设施，是电网的重要组成部分，其安全稳定运行关系到电力系统的可靠性及国民经济的可持续发展。
关键词：深度学习；输电线路；视觉检测
随着我国能源经济的快速发展和输电线路规模的不断增长，基于视觉的输电线路智能检测在维护输电安全稳定方面发挥重要作用，尤其是基于深度学习的智能检测方法，在大数据时代具有显著的优势和较高的应用价值。 一、深度学习概述
深度学习(DL)是机器学习(ML)领域中一个新的研究方向，其是学习样本数据的内在规律和表示层次，这些学习中获得的信息对如文字、图像、声音等数据的解释有很大帮助。它的最终目标是让机器能像人一样具有分析学习能力，能识别文字、图像、声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远超过先前相关技术。
二、深度学习在输电线路视觉巡检技术中的应用
1、输电线路在线监测。通过在输电线路沿线安装远程智能线路巡线装置，对输电线路设备和通道环境进行监拍，构建输电线路在线监测系统。根据处理方法的不同，基于视觉的输电线路在线监测可分为图像、视频监测。输电线路在线视觉监测提供了一种实时监测和了解线路运行可靠性的手段，可有效、快速、连续地获取输电线路杆塔、廊道环境、地形变化等信息，及时发现绝缘子污染，闪络定位、微气候、风偏、线路舞动、覆冰、异物侵入等条件，提高了被监测输电线路区段的稳定性和安全性。
与其他巡检方法相比，基于视觉的输电线路在线监测具有较强实时性，能实现动态巡检，感知变化能力强；局限性在于成本高、监测范围相对较小、对设备硬件和工作条件的要求高。在通信方面，网络信号是监测系统的重要部分，但室外输电线路的通信环境难以保证；在电源方面，蓄电池及其室外保护机箱是设备收集信息的必要前提，在连续监测和环境温度变化中，电池损耗明显，这增加了在线监测系统发生故障的可能性，使维护相对困难。
将深度学习应用于输电线路在线监测系统中的智能处理模块，采集完远程输电线路视觉信
息后，通过通信系统传输到存储服务器和智能处理服务器，智能处理服务器对采集到的输电线路图像进行基于图像的静态状态检测及基于视频的动态状态检测。当出现紧急情况时，控制模块向可视终端服务器发送预警命令，并通过状态检测结果发送具体紧急情况描述信息，控制远程设备持续检测缺陷问题。输电线路在线监测系统要求基于深度学习的视觉检测方法具有较高的实时性。由于视觉信息采集范围有限，单个采集器采集内容重复性高，对不同采集器，采集内容差异大，因此训练数据的监督需考虑样本的多样性，同时考虑重复性干扰，以保证模型的泛化能力。
2、激光雷达扫描。基于激光雷达的输电线路巡检能快速获取其路段的三维空间信息，非接触式工作模式允许在带电条件下巡检，具有数据精度高、穿透力强、数据处理效率高等特点，能提高巡检效率。通过车辆和无人机搭载激光雷达扫描仪对输电线路信息进行巡线采集，获得输电沿线激光点云数据，经后期数据处理，能实现输电线路的真实三维重建，获得杆塔、输电线、绝缘子、沿线地表形态、地表树木和建筑等的三维模型，同时能准确测量线路弧垂和交叉跨越距离，最大限度地真实反映地表条件。当前，激光雷达巡检也可用于输电线路验收。激光雷达巡检可通过手持、背包、车辆、飞行器、爬行机器人等搭载方式检测，与其他视觉巡检方法相比，输电线路状态巡检具有完整性高、精度高、操作简单
、模块性强等优点。
三维点云数据具有无序性和稀疏性等特点。当前，基于深度学习的三维点云数据处理有三种：①建立深度模型，可直接训练三维点云数据，无需降维预处理。②将三维点云映射为多视图或转换为二维深度图，由常规CNN处理，最后聚合物体二维特征表达，得到物体三维特征表达。③在三维空间中用体素描述物体，进行三维卷积实现目标检测。
激光雷达技术在传输线路精确测量和三维重建方面具有显著优势，它在基于视觉的输电线路巡检中能发挥独特作用。随着激光雷达技术的发展，设备价格逐渐降低，适用性提高。
三、发展方向
1、专业化数据管理和模型研究。数据驱动的智能视觉检测方法与数据的结构和内容特征密切相关。现有的公开数据集中，关于输电线路的数据很少，一些人工智能应用比赛中能获得少量经处理的无人机航拍数据，而真实的输电线路场景数据很难从公共渠道获取。这就决定了现有模型研究的出发点并不接近输电线路的应用，而且也无法开展更广泛的研究来促进应用的实际发展，这使得现有模型对整个输电线路视觉数据的智能化处理缺乏针对性
及适用性。由于输电线路结构复杂，从整体到局部规格各异，自然环境变化不可预知，因此不同输电线路路段的巡检数据差异大，直接导致模型应用范围的局限性；因此，为更好地将深度学习应用于输电线路巡检，专业化数据管理是推动有效研究的主要因素。
基于视觉的输电线路巡检内容需标准化。输电线路的构建基于功能，而基于视觉的检测基于目标视觉内容及其抽象语义。在多样性方面，同一类输电线路部件有较多类型，不同类型间视觉相似度有高低，这意味着基于视觉的检测需更精细的视觉语义划分。就一致性而言，输电线路缺陷的标准描述基于功能考虑，并非所有基于功能考虑的缺陷描述都可转化为基于视觉的缺陷描述。因此，基于视觉的缺陷检测缺乏输电线路的专业视觉缺陷标准。通过对视觉巡检内容，尤其是缺陷内容的专业化描述，能在一定程度上确保将深度学习应用于输电线路巡检研究的一致性及有效性。
输电线路是一个巨大的有机结构，常规视觉检测方法所采用的评估手段难以在更大范围内度量智能算法的有效性，特别是目前基于深度学习的方法往往将采集的大部分数据用于训练，只留下少量数据用于评估，可能会严重低估输电线路实际场景的丰富性和多样性带来的困难，得到不真实评估结果，从而阻碍这一方向的实际应用研究。根据从不同类型的巡
检场景中获取的输电线路视觉状态信息，建立专业化任务评估方法是该方向应用研究有效、可持续发展的必要前提。
2、无监督数据构建和学习自动化。深度学习是一种基于大数据的方法，深度模型训练需大量高质量的监督样本。对于输电线路视觉检测任务，不仅需巡检专家对大量高分辨率数据进行长期标注，还需考虑监督信息的有效性，避免不同监督信息间的数据矛盾。有效的标注方案进一步增加了高质量、大规模标注要求的标注难度，甚至要求标注人员对视觉检测的相关原理有一定了解，以确保标注的有效性。这是由于输电线路的复杂性造成，这与公共数据集中目标检测共性问题不同。随着输电线路的扩建和巡检的推进，积累了大量的视觉巡检数据，自动高效地构建高质量的数据集是这一方向研究亟待解决的问题。
目前，主流深度模型的最佳训练效果取决于复杂的参数调节，而深度学习技术往往较复杂，从头开发难度大。为解决深度学习模式对人工依赖性强的问题，自动化深度学习模型训练方法及开放、可迁移的输电线路预训练模型能让更多非深度学习的电力专业人员使用这种方法，尤其是输电线路巡测的自动深度学习开发平台，能更有效地推动该方向的应用发展。
在缺陷故障检测中，视觉检测难点之一是缺少目标样本。通常，在通过巡检获得的输电线路视觉信息中，正常样本比例远大于缺陷样本，导致用于学习的样本类别比例不平衡，模型对大量样本的类别存在偏见，无法有效地学习缺陷目标的视觉特征。对缺陷样本太少的问题，数据增强是一个重要的解决方案，通过数据增强可有效扩充小样本。目前，基于深度学习的数据增强主要使用GAN。
参考文献：
[1]罗雄麟.深度学习研究进展[J].计算机应用研究，2014(07)．
[2]赵振兵.基于深度学习的输电线路视觉检测研究综述[J].广东电力，2019(09).
