一种识别样本不平衡的架空线路异常的方法与流程

本发明涉及一种识别样本不平衡的架空线路异常的方法。

背景技术：

保障架空线路的稳定运行是电力系统中最重要的环节之一，维护架空线路的运行需要大量的人力与时间。尤其在密集的树林和深山，维护人员通常需要大量的精力判断架空线路的故障位置。

近年提出了一些故障定位方法，如行波定位分析法。该类方法虽然对于故障定位有一定的效果，但对设备精度要求高，且需要运维人员具有一定的知识水平。该方法只能在故障发生后才能进行检测，而无法查出一些异常状态带来的隐患。

如今无人机技术的发展已逾见成熟。无人机操控方便，使用灵活，拍摄清晰，用于架空线路的巡检可以减少树木对视觉的干扰，还能方便地检测人力难以到达的山区的线路情况。

目前使用无人机检测架空线路还处于人力观察阶段，操作人员将无人机拍摄到的画面经肉眼观察而判断线路中是否存在异常。该巡检方式的确方便了工作人员，但肉眼观察拍摄的画面可能会因光线、拍摄角度和清晰度而使判断不准确。

近几年提出的一些智能检测方法，如r-cnn目标检测算法。该算法多次提取图片特征使运算次数过多，检测缓慢。还有一些基于光学原理的算法，如红外检测方法，虽然能客观地通过温度反应架空线路的状态，但对于例如杆塔倾斜、绝缘子跌落和部件缺失等异常状态难以反映。

公开号为110033453a的中国专利公开了一种基于改进yol0v3的输变电线路绝缘子航拍图像故障检测方法，采用yol0v3网络实现对绝缘子的故障检测，但是该方法，只能用来检测其中一种故障，不能同时检测多种故障，而且，若多种故障同时检测，存在样本不平衡的问题时，无法克服。

若将目标检测技术运用到架空线路的异常检测，不同设备的数量相差较大，在标定图片样本时，会出现严重的样本不平衡现象。例如一段架空线路的变压器数量远远少于电杆的数量，而杆塔倾斜和断线等现象相对来说更不常见，尤其在样本数量不足的情况下该现象更为突出，所以需要处理样本不平衡带来的不利影响。

因此，有必要设计一种识别样本不平衡的架空线路异常的方法。

技术实现要素：

本发明所要解决的技术问题是提供一种识别样本不平衡的架空线路异常的方法，本发明能够克服因架空线路异常数据的样本不平衡而导致训练效果不佳问题，提高异常识别的精度。

发明的技术解决方案如下：

一种识别样本不平衡的架空线路异常的方法，包括以下步骤：

步骤1：对采集的架空线路图片中正常和异常的电气设备进行标定；

标定是指在图像中，通过矩形框标出正常和故障的区域，并标出属于具体的类型，如属于绝缘子故障，还是断线等。

步骤2：构建模型，通过现标定后的图片对模型进行训练，所述的模型为基于focal-loss的yolo_v3模型；

步骤3：采集当前的架空线路图片，将图片输入至训练好的模型中进行识别，得到架空线路识别结果。

所述的模型中，采用的focal-loss函数为：

其中lfl代表loss值；a和γ为需要设置的超参数，a为斜率调整参数，γ为样本控制参数。

pi表示模型当前的训练结果认为第i个样本为正的概率(可以理解为置信度)；

y表示标签值，y＝1，表示正样本，y＝0表示故障样本。

a＝0.25，γ＝2.0。

架空线路的识别包括以下情况：

绝缘子涉及的类别有绝缘子(正常)、绝缘子故障；

杆塔涉及的类别有杆塔(正常)和倾斜杆塔；

线路涉及的类型有断线；

避雷器涉及的类型包括避雷器(正常)和避雷器故障。

基于识别结果，在图片中标定目标框，显示故障类别和置信度。

该方法应尽量降低假阳性才有助于人工排查，所以置信度需有较高的阈值，置信度的阈值为0.7，即大于0.7为有效。

每类电气设备包含外观正常与异常两种状态，而设备异常也有多种类型。如绝缘子可以出现的类别有正常绝缘子、绝缘子损坏和绝缘子跌落。杆塔可以出现的类别有正常杆塔和倾斜杆塔。断线往往可以在杆塔端部或断线处直接表现出来，对于断线可以直接标定，例如某相断线，杆塔端部将会呈现一条导线下坠或消失，其他导线完好的状态，标定框需包含该处杆塔的所有导线和断线处。对于电气配件的跌落在数量上有明显区别，例如某相避雷器跌落，标定框需包含跌落物的安装点和与其平行安装的其他避雷器。所以总类别数大于需被检测的电气设备种数。

步骤2中，将标定的图片数据输入至基于focal-loss改进的yolo_v3模型进行训练，梯度超过15次不下降则训练完成；

步骤3中：采集现场图片，将现场图片输入至模型中进行识别，判断正常和异常的电气设备。

在所述步骤1中能够识别设备外观被破坏或部件缺失的异常，而设备外观未被破坏的设备需要使用相关的传感器进行图像融合而识别(如变压器故障可能发生高温，红外图可以明显反映)。

在所述步骤1中，标定软件为labelimg，该软件可以把图像标定后的数据转换成xml文件格式，将样本与对映的xml文件按照voc2007数据集格式组织存放即可。所述标定软件不仅限于labelimg，还有其他的标定软件，生成的数据存放格式有所区别，但都可以转换成voc2007数据集格式。

在所述步骤2中k-means聚类的数目是不定的，需要根据不同情况进行多次实验后取最优，实施例中聚类数目为9效果最佳，分别为(35，50，51，211，24，62，41，62，31，58，27，52，50，322，37，86，32，68)。

括号中的数据每个先验框的尺寸，即先验框的宽，高像素数量。

在所述步骤2中在训练模型时，训练数据通过yolo_v3模型后采用的loss函数为focal-loss。

在所述步骤3中得到的结果经处理后将在图片中标定目标框，显示其类别和置信度，置信度需进行实验而调整为合适的阈值。

架空线路样本标定方法为异常特征标定的方法，以此可以弥补单部件检测时无法检测部件消失的弊端，如绝缘子跌落，在架空线上往往检测不到跌落位置的部件。

异常特征指的是对具体异常状态的特征标定。比如杆塔的异常状态有倾斜状态，标定的类别有杆塔和倾斜杆塔。对于电气配件的跌落特征在数量上有明显区别，例如某处绝缘子跌落，标定框需包含跌落绝缘子的安装点和该处横担上的其他绝缘子；避雷器跌落同理，标定框需包含跌落物的安装点和与其平行安装的其他避雷器。

有益效果：

本发明的识别样本不平衡的架空线路异常的方法，是一种基于focal-loss改进的yolo_v3深度学习检测方法。架空线路中不同的设备类型(包括异常设备)的数量相差较大，会出现严重的样本不平衡现象。相对于未经改进的yolo_v3检测算法，该算法能够提高在训练数据样本不平衡的情况下的异常状态识别精度。相对于传统的人力检测，该方法将无人机技术与人工智能技术结合，减少了环境对视觉的干扰，能方便地检测人力难以到达的山区的线路情况，从而提高了工作人员的效率。对目标的检测能方便未来对图像融合技术发展的响应。

附图说明

图1是本发明的流程示意图；

图2为电杆、变压器和开关标定示意图；

图3为绝缘子标定示意图；

图4为避雷器标定示意图；

图5为倾斜杆塔标定示意图；

图6是架空线路目标检测示例图；

图7是交叉熵损失曲线。

具体实施方式

以下将结合附图和具体实施例对本发明做进一步详细说明：

实施例1：

如图1，本发明的识别样本不平衡的架空线路异常的方法，为一种基于focal-loss改进的yolo_v3深度学习检测方法，其步骤为：

步骤1：对架空线路图片中正常和异常(如外观正常和异常，或其他情况下的正常或异常)的电气设备进行标定；

步骤2：将标定的图片数据带入输入到focal-loss改进的yolo_v3模型进行训练；

步骤3：用训练后的模型识别出架空线路中外观正常和异常的电气设备。

由上述方案可知，在所述步骤1中每类电气设备包含外观正常与异常两种状态，而设备异常也有多种类型，如外观被破坏和部件缺失。在标定前需确认标定的目标以及目标能出现的状态情况，如绝缘子可以出现的类别有正常绝缘子、绝缘子损坏和绝缘子跌落，都应将其标定。杆塔可以出现的类别有正常杆塔和倾斜杆塔。断线往往可以在杆塔端部或断线处直接表现出来，对于断线可以直接标定，例如某相断线，杆塔端部将会呈现一条导线下坠或消失，其他导线完好的状态，标定框需包含该处杆塔的所有导线和断线处。对于电气配件的跌落在数量上有明显区别，例如某相避雷器跌落，标定框需包含跌落物的安装点和与其平行安装的其他避雷器。所以总类别数大于需被检测的电气设备种数。

通过上述方案，够识别设备外观被破坏的异常设备和缺失的设备。而设备外观未被破坏的设备需要使用相关的传感器进行图像融合而判断是否异常。如杆塔倾斜和绝缘子跌落在外观上会有明显的异常，能够被该方法识别。而外观变化不明显的异常状态如局部放电故障，通常在外观上没有变化，可以对目标识别后通过图像融合的方法检测。

本发明需对训练数据进行k-means聚类，聚类的数目是不定的，需要通过实验对比取最优，实施例中聚类数目设为9，分别是(35，50，51，211，24，62，41，62，31，58，27，52，50，322，37，86，32，68)。选用合适的聚类数目可以提高精准度，即预测区域与实际区域的交并比。

式(1)中areaofoverlap代表预测框与标定框的面积的交集，areaofunion代表预测框和标定框的面积的并集。iou则为预测框与标定框的交并比，该数值越大，则表示预测效果更好。

在输电线路图片数据的训练样本中，类别的分布是不平衡的。例如一段架空线路的变压器数量远远少于电杆的数量，而杆塔倾斜和断线等现象相对来说更不常见，尤其在样本数量不足的情况下该现象更为突出，所以需要处理样本不平衡带来的不利影响。

原yolo_v3对目标分类采用的是二值交叉熵回归，该回归被广泛运用在分类问题上，但对于样本不平衡的情况没有针对性，这将降低模型对输电线路目标的识别率。focal-loss能够处理正负样本比例失衡的问题，该函数由交叉熵损失函数修改而来，通过减少分类的权重来平衡样本。本发明所采用的模型是在yolo_v3模型的基础上对objectness的loss函数进行改进的，采用focal-loss缓解输电线路样本的类别不平衡对模型带来的不利影响。

单阶段目标检测算法直接采用回归的检测算法，在检测的过程中会出现大量的候选框，但其中只有极少部分含有目标，这将导致负样本过多，也就是样本不平衡。负样本数量太大会直接影响损失函数值，导致模型训练效果差。对于二分类来说，标准交叉熵损失公式如式(2)，式中pi表示模型当前的训练结果认为该样本为正的概率，可以理解为置信度；yi为标签，值为0或1。

图7是y＝1和y＝0时，损失函数l的结果与模型预测结果p的关系曲线。由图可知，当y＝1时，损失函数l单调递减，即p越接近1，l越小，函数在p＝1时存在极小值。这使得在对目标函数求最优解时，模型对正样本的预测值p会更接近y＝1的标签。同理，当y＝0时，损失函数l单调递增，即p越接近0，l越小，函数在p＝0时存在极小值。这使得在对目标函数求最优解时，模型对正样本的预测值p会更接近y＝0的标签。由分析可知，无论样本标签y是0还是1，l都可以表征预测结果与标签之间的差距。并且，对于这两条曲线来说，当模型训练结果与真实值差距越大时，则函数的导数也会越大，换而言之，就是梯度越大，下降越快。这是由对数函数的性质所决定的，它能够使模型预测值越来越接近真实标签。但该loss对正负样本和难易分类样本的权重不能控制。focal-loss是在交叉熵损失函数的基础上添加了两个超参数，以此控制正负样本的比例权重和难易分类样本的权重，通过控制loss来达到平衡训练样本的作用。

focal-loss函数为：

式(3)中lfl代表loss值，loss越小则训练整体误差越小；a和γ为需要设置的超参数。通过设定系数a，可以调整目标函数的斜率，使其值越接近某一个样本值的时候梯度越大，以此控制模型对某一标签的训练效果更佳。在不考虑a的时候，假设a＝1，目标函数主要通过控制γ的大小进行调整，γ≥0。(1-pt)^γ被称作调制系数(modulatingfactor)。当样本被误分类时，置信度并不高，所以pt值很小，调制系数接近1，此时目标函数变化不大；当pt值接近1时，则表示分类正确，且置信度很高，是易分类样本，调制系数接近0，对损失函数的影响小。通过调整γ的大小，能够控制难易样本对目标函数的影响，从而影响训练效果。这就是采用focal-loss对于不平衡样本训练的优势，将其与yolo_v3模型相结合能够提高输电线路图像数据的训练效果。focalloss的效果由参数a和γ共同决定，实施例中a＝0.25，γ＝2.0。当模型训练完成后，使用该模型可以得到输电线路图像中的相关设备的锚定框。需根据情况设置置信度来过滤图片中错误锚定，置信度阈值设置应尽量减少假阳性，以此才能减少人力校验的工作量，实施例设置为置信度小于0.7的将其删除。

使用模型检测出的设备中，类别属于外观变化明显或缺失的设备可直接为工作人员提供参考；类别属于外观无变化的设备可使用其他物理传感器经图像融合后判断是否为异常设备。

实施例1采用某地架空线路图片进行仿真实验。实验基于python-keras库，计算机硬件环境为cpu酷睿i7-9700k，gpurtx2080ti11g，内存32g。

图2-5为labelimg标定示意图，图2中telegraphpole代表电杆，transfomer代表变压器，switch代表开关，标定时需框出该目标的大部分；图3中insulatorfault代表绝缘子故障，图4中lightningarresterdamage代表避雷器故障，标定框需覆盖该处三条线路的安装点，把安装点的配件数量缺失作为关键特征。图5中poletilt代表杆塔倾斜，标定框需覆盖整个倾斜杆塔处。图6为仿真后的部分结果图，该模型分别识别了2根电杆(telegraphpole)、1台变压器(transformer)和1个开关(switch)。通过仿真，采用focal-loss改进的yolo_v3模型相比于原模型的map提升了2.7％。表1是对某不平衡样本采用focalloss时，参数为a、γ条件下的map情况表。由此可见，参数a和γ分别为α＝0.25，γ＝2.0时，具有最高的精度。

表1：参数a、γ条件下的map情况表

在实际使用时，工作人员可以通过锚定框的位置和置信度判断架空线路是否异常。可见该方法对于识别架空线路的异常有一定的效果。已经通过参考少量实施方式描述了本发明，说明了该方法的有效性和实用性。