基于小样本学习目标检测算法的输电线防外破监测装置设计

赵明悦，范继辉

（山东大学微电子学院，山东济南，250101）

0 引言

电力传输过程中存在着众多影响因素，例如输电区域的违章建房、违章施工、突发或季节性外力破坏，所以需要对输电线路进行智能实时监控，将损失降至最低。通过对全国20 多个省份调研（如图1 所示），外力破坏因素占线路跳闸比例高达的51%。常用的输电线路的管理模式和作业模式包括人工巡检、视频监控、无人机巡检等。传统的巡视方式在采集数据、数据有效性、分析处理及时性等方面还存在问题，对现场缺陷识别、目标补充拍摄、缺陷实时精准定位和过程管控等功能还具有一些缺陷。例如，人工巡线周期长、效率低、劳动强度大、误差大、监管难，无人机作业危险系数高，成本高，效率低。

图1 线路跳闸影响因素

鉴于此，我们设计一种基于小样本学习目标检测算法的输电线防外破监测装置，采用芯片为一管八路，一个芯片可同时控制八个巡检系统。与此同时，电池使用温度范围为-40℃～70℃，可以面对一般的极寒天气，同时由于直接安装在电网铁塔上，不容易受到大风天气的影响。

1 装置架构

该装置采用基于多尺度特征图检测、SSD 的研究目标检测技术，在SoC 芯片上实现超低功耗运转，定时智能化监测。装置样机如图2 所示，该装置可以实现图像测距技术。通过搭建的大数据平台，精确地监控任一段电力传输网的工作状态、工作环境，并对可能出现的工作隐患做出报警与智能、实时处理。内嵌人工智能算法，危险人员、吊车、塔吊、挖掘机、鸟类、飞行物、汽车、烟火八大类别，检测到目标后回传图片以及前后5s 视频到平台端。自动和受控采集，远程传输和断电续传，工业级高清广角和星光级超低照度摄像头，800 万动态抓拍，200 万夜视监控。配备自动浮充电、过压保护、欠压保护、过流保护，具备对蓄电池电量、电池电压、充电电压、充电电流、负载电流、工作温度进行监测，20W 太阳能板，10Ah 电池。具备远程控制拍照，5s 小视频录制，系统软件远程升级，工作和休眠。

图2 输电线防外破监测装置样机

2 功能实现

该装置可以实现如下功能：图像测距，根据拍摄画面进行对物体的大小测定，并且预测物体与输电线间距离；覆盖式监控，将输电网络任一处的实时图像、视频、环境情况传输到控制中心，实现超低功耗的无死角、全天候监控；智能分析，智能前端分析，云端检测，能够识别出所有靠近输电网络的人、物或者环境变化；隐患预警，对于非法接近电网的人员、车辆、鸟禽，或者山火、泥石流等自然灾害，能够识别并将预警信息传输到控制中心；智能处理，控制中心可以设置对隐患的智能反应，例如识别出鸟类、非法人员靠近后自动播放驱逐的音乐、警告语，也支持实时远程喊话、自动报警巡逻人员；智能录像，对于出现安全隐患的场景智能录像，也可由控制人员控制任意时段录像；大数据平台，将输电网络中所有产品纳入一个平台，支持通过电脑端、手机端精确查看与控制输电网络。

3 大数据管控平台

对展示区域中监测设备的数量，进行报警类型数量统计并且显示设备位置，大数据管控平台首页见图3。“设备区”展开树形列表，选中塔杆或设备可在地图上展示具体位置。点击地图坐标点，可显示所在位置所有设备的信息，并可以直接跳转查看具体报警信息。

图3 大数据管控平台首页

4 图像测距

进行相机标定以获取内参，外参。内参为焦距，外参为相机与外部环境相关的参数；使用yolov3 进行目标检测，获取像素坐标；根据几何推导法，由目标检测的两个贴地点（像素坐标系）推到出实际位置（世界坐标系），并计算出对应的距离，即检测物体的实际宽；计算检测物体的实际高。

检测物体的图像宽/检测物体的实际宽=检测物体的图像高/检测物体的实际高

以图4 为测量示例，测量结果见表1。

表1 测量结果 单位均为：m

图4 测量示例

平移向量tvec=[-4.43398963,-2.24047419,1607.06812524]

旋转矩阵rvec=[[0.99999944,-0.00043626,-0.0009634],[-0.000337,0.73201995,-0.68128312],[0.00100244,0.68128306,0.73201939]]

内参矩阵camera_matrix=[[2.22404863e+04,0.00000 000e+00,9.46127166e+02],

[0.00000000e+00,3.02218477e+04,5.01926804e+02],

[0.00000000e+00,0.00000000e+00,1.00000000e+00]]

由于我们在测距的时候只能计算目标的宽和高，最后测出来的数据和上面的比较，行人两轮车误差相差 ±0.1m 左右，压路机，挖掘机，卡车，汽车误差相差 ±0.3m 左右，吊车，塔吊误差相差 ±0.8m 左右。

5 整体架构

针对输电线路巡检方式在时效性、数据处理分析和管理方面的不足，我们结合人工智能、边缘计算等技术，前端采用ARM 主控海思芯片和NPU 神经网络计算，融合前置AI智能分析、从而赋予摄像头终端智能识别人、车、物、事及其特定行为的能力，满足动态实时认知和监控的需求，在特定的应用场景下发挥智能识别和实时预警的作用。整体概况如图5 所示。

图5 整体概况

■5.1 目标检测算法

在样本检测过程中，采用多尺度特征图检测、SSD 的研究目标检测方法，同时在多维度上预测，同时识别多个目标。针对小目标检测，改进传统SSD 算法，优化损失函数，加入中心损失函数，量化剪枝网络架构。

具体步骤如下：

（1）根据已有的基于边缘绘图参数自由算法的输电线识别技术，识别出输电线。

（2）先对步骤（1）识别出的多根输电线中两条最外围边缘输电线求最佳拟合直线，再根据图像的输电线所在区域取最佳拟合梯形，保持最佳拟合梯形重心不变对最佳拟合梯形进行扩大，扩大后即为从输入图像提取的检测范围；取最佳拟合梯形，扩大后作为从输入图像提取的检测范围。此步骤删减图像中不需要监控的区域，提高了运算速度。

（3）取扩大后的最佳拟合梯形中与上底、下底平行的若干条直线，将梯形的高平均分为长度相等的五段，将最佳拟合梯形从上到下分成五个面积不等的部分，面积最小的部分经过六层反卷积层，反卷积层层数按步长为1 依次递减，直至面积最大的部分经过二层反卷积层，构建改进后的DSSD 网络模型。

（4）将步骤（2）得到的从输入图像提取的检测范围输入步骤（3）构建的改进后的SSD 网络模型进行训练。

（5）将待检测的图像经过步骤（1）、步骤（2）处理后输入训练好的改进后的SSD 网络模型，得到输电线的检测结果。

■5.2 边缘计算

根据识别功能领域特定应用来构建大数据分析架构，对数据进行功能挖掘。将计算算法前置到边端，将需求在边缘端解决，即在输电线防外破监测装置中完成目标识别监测算法，避免传输大量图片及视频数据，仅需传输监测结果和报警信息，节约网络带宽，提高资源利用率的同时提高速度。终端监测设备配备计算芯片，其中模型固化层将训练压缩后的深度学习模型固化为硬件模块，并于底层硬件系统运行；应用顶层根据识别物体不同更改深度学习网络架构，将目标检测算法进行裁剪压缩并移植到嵌入式系统，前置监测设备摄像头实时拍照并实时检测，仅将异常结果传输至后端，去除无用信息的传输及干扰。前端采用分级编码、记忆联想等机制，应用图像增强和去噪、去雾、稳定、增强技术，结合图像语义理解和分析技术，实现对施工车辆、异物入侵、导线断股等巡检缺陷图像信息感知识别。

■5.3 AI 算法远程升级

智能巡检装置针对不同的边缘设备，基于AI 训练算法开发与硬件研发人员提供一体化的框架构建、算法优化和模型训练集成功能，针对不同业务场景，进行定制化边缘计算模型开发，并实现算法的远程自动化更新测试。算法升级流程见图6。

图6 算法远程升级流程

■5.4 实验结果

单张图像的通道隐患目标识别时长小于 2s；且漏报率不高于 5%。具体目标检测准确率如表2 所示。保证国家电力资源传输的稳定性，节省了大量人力物力，预防可控灾难的发生。同时，智能识别的应用不限于电网，还可应用于支付宝推出的刷脸支付，刷脸门禁等需要智能识别、分析的企业。

表2 测定目标准确率

6 结论

通过改进SSD 目标识别算法，应用于智能化识别的输电线防外破监测装置，并加入边缘计算、算法远程升级等功能，可以实现高准确率的输电线防外破监测识别，并及时报警处理，最大程度的保护输电线路的正常工作，节省人力物力。