架空输电线路图像识别技术应用现状
摘要：随着我国智能电网建设的发展，高压输电线路的智能运维也不断融入新技术，踏入新台阶，输电线路的图像监控技术已得到了广泛的应用，本文介绍基于输电线路图像监控技术的图像识别的基本原理、图像识别技术针对输电线路运维的发展瓶颈及解决对策。
关键词：架空输电线路；在线监测；图像识别；智能运维
1 架空输电线路图像监测设备的优势及弊端
1.1 架空输电线路图像监测技术的优势
架空输电线路由于其功能的特殊性，距离跨度较大，运行环境复杂，大部分的架空输电线路位于交通不便利的山郊野外，除了日常巡视外难以对其状态进行持续有效的检测。图像监测技术通过简单的还原现场情况，做到多个角度、多个机位、多个状态量的监测，已经成为输电运行维护重要的监测手段之一。应用图像监测技术，不仅能直接对线路外力破坏隐患区域、偏远不易到达区域、运行环境恶劣区域等特殊区段进行有效监控，还可对线路运行的参数，如覆冰、舞动、杆塔倾斜、本体缺陷等起到辅助监测的作用。图像监测技术由于其可全天候待机的特性，运维人员随时随地可查看输电线路运行状态，极大程度提高了输电线路的安全稳定运行能力。
1.2 架空输电线路图像监测技术的弊端
图像监测设备的功耗主要由设备姿态控制功耗及图像传输功耗两部分组成。输电线路图像监测技术受到的最大一个制约为设备供电环境，目前供电最为稳定的导线取电、地线取电技术尚未成熟，实际使用过程中受外界影响较大，且存在一定安全隐患。在实际应用中，图像监测设备普遍采用的供电方式为太阳能供电与电池供电相结合的方式，太阳能供电受环境制约较大，而电池供电受到电池容量及设备功耗影响，亦不能提供连续不间断的供电。
受供电环境的制约，输电线路图像监测设备往往采取在设定的时间间隔里将在设定位置拍摄图片并上传服务器的自动工作模式，其余时间设备出于休眠状态，以这样的方式来节省功耗带来的问题便是无法做到全时间段进行图像拍摄及监测工作。虽然后台人员可远程操作设备进行图像拍摄，但面对不断增多的视频设备，每个设备数十个的监测点，即便图像监测设备电力供应得到保证，以现有人力无法做到全天24小时不间断进行视频监盘工作。面对外力破坏隐患点，由于现场情况不可控，随时都有可能发生危害输电线路安全的事故，这时如果采用传统的图像监测技术，线路的状态不能完成被监测、图像监测仍然存在盲区。
因此通过人工观察、分析图像的方式已经不能满足输电线路的实际运维需求，图像识别技术通过自动分析判断异常情况，将设备异常情况上报服务器，在外部隐患方面，还可通过现场的声音来进行报警，提醒现场施工人员停止危害输电线路的行为，避免造成输电线路的外力破坏。
2 图像识别技术
2.1 图像识别的原理
图像识别的原理实则为对人类识别图像的方法进行模范，人类识别图像不仅仅是靠着整个图像在记忆中的存储，也依靠着图像本身所具有的一些特征来将图像进行分类，通过一个个的特征最终将图像准确地识别出来。人类具有感知图像的能力，在看到图片的瞬间就能对其进行迅速的识别，目前的图像识别技术无论在速度还是准确性上与人脑识别都存在较大差距，这是因为一张图像所包含的信息量巨大，人类可以很轻松将图像中的有用信息进行提取并在大脑内依靠经验进行迅速地计算，而计算机既缺乏在视觉上对图像的认知，也缺乏对图像特征识别的经验，计算机只能机械化地对庞大量级的数据进行处理。图像识别技术模拟人脑进行识别的方法，通过对图像特征参数的提取，排除多余的干扰信息，对不同的图像进行分类，总的来说识别过程都是围绕着特征参数展开的。
2.2基于卷积神经网络的图像识别算法
目前应用得较多的基于卷积神经网络的图像识别技术在传统图像识别的方法上融入了神经网络的算法，这种神经网络是对人类真实的神经网络的一种人工模仿。卷积神经网络是一个多层的神经网络，首先由多个独立神经元组成一个个二维平面，再由二维平面来搭建一层层的神经网格。卷积神经网络主要结构为特征参数提取和特征图像映射两方面。通过对图像的小块样本进行学习，提取出特征参数，即为获取神经元的方法，然后对特征参数做卷积运算，得到图像的特征图像映射，通过多个平面形式的特征映射组成卷积圣经网络的每一层。卷积计算的过程是一个深度学习的工程，通过层层叠加的卷积运算，图像的特征通过不断的积累图像库，以不断学习的方式来完善对特征参数的定义，以此来提升识别的准确性，降低报错几率。
深度学习的神经网络需要算法（Algorithm）、大数据（Big Data）和算力（Computation）三个部分的支持，其中某个环节的薄弱将极大影响到图像识别技术的效率和精准性。算法跟特征量的数量、具体的卷积计算方法有关，大数据即为所能提供进行学习的样本数量，而算力则是图像识别技术的数据处理能力。
3 架空输电线路图像识别技术
3.1架空输电线路图像信息传输
通过前端视频监控设备拍摄到的现场图片需要传输到后端服务器，当前主要通过CDMA/GPRS/3G/4G等方式进行数据传输。随着相机技术发展，图像分辨率极其所能包含的信息量大大提升，越清晰的图像意味着视频监控设备与后端服务器的数据传输量越大。输电线路运维现场所需要的图像采样率较为密集，同一位置所拍摄的图片多为极度相似，大量无用的图像回传后台造成电量损耗及后台的存储空间浪费。由于数据传输是设备电量消耗的重要因素，在延长设备电池使用时间的制约下就要求所传输的图像信息传是有效的，这就要求在图像信息传输前就有图像识别的过程。
3.2前端识别与后端计算相结合的图像识别模式
由于前端进行大量数据计算同样消耗大量电源，目前架空输电线路图像识别技术的前端识别功能仅做一个图像的初步识别，通过低功耗且能提供较强算力的芯片，既能实现现场的高频次图像采样，又能保证对采样图像的预处理。前端进初步识别的图像中若无特殊情况将以更低频次进行定时采样回传至后端设备，若有疑似存在问题的图片，将会回传至后台服务器进入卷积神经网络进行精确识别，通过前端和后端配合，提升图像识别的准确性和实时性。
3.3 针对不同特征参数的算法
图像识别中的特征参数提取只针对某特定的特征，针对防外力破坏的图像识别只对吊车等超高机具进行识别，由于架空输电线路设备本体种类繁多，不同的构成部分其特征参数提取也不尽相同，不同的测量角度下也有不同的特征参数提取方法，这就要求对图像的预处理，消除背景影响并增强本体特征，并对不同的特征参数提取方式设计不同的算法，通过同一图片进入不同卷积算法的方式来进行不同类别特征参数的图像识别。
3.4 架空输电线路图像识别技术的瓶颈
架空输电线路缺陷种类繁多，不同运行工况下对设备状态要求存在差异，其缺陷样本的建立需要大量数据支持，一些细小金具、异物、销钉等缺陷由于图像品质难以检测，除此，架空输电线路的外部环境更为复杂，外力破坏形式多样，如此复杂的运行工况决定了架空输电线路图像识别的精度普遍不高，在保证检出率的同时误报率大大提升，在控制误报率的同时检出率又大大下降，且最终的识别结果仍需监盘人员进行进一步确认。
4 结语
作为辅助人工进行智能运维的强力手段，架空输电线路的图像识别技术已越来越多应用到现场，随着算法的不断优化以及更大更全的图像数据库创建，架空输电线路图像识别技术必定能更高效稳定的服务电力行业。