基于RetinaNet算法的输电线路耐张线夹压接缺陷图像检测方法

周飞; 高伟; 李鑫博

doi:10.11973/wsjc202408008

基于RetinaNet算法的输电线路耐张线夹压接缺陷图像检测方法

国网甘肃省电力公司金昌供电公司,金昌 737100

详细信息

作者简介:
周飞（1976—）,男,本科,高级工程师,主要研究方向为输电线路运维、检修管理等

通讯作者:
周飞,shitangmi0eg@163.com

中图分类号: TP391;TG115.28
计量
- 文章访问数: 18
- HTML全文浏览量: 4
- PDF下载量: 6
出版历程
- 收稿日期: 2024-01-10
- 刊出日期: 2024-08-09

Image detection method for compression defects in tension line clamps of transmission lines based on RetinaNet algorithm

State Grid Gansu Electric Power Company Jinchang Power Supply Company, Jinchang 737100, China

摘要

摘要:
对输电线路耐张线夹进行射线检测时,图像特征投影过程忽略了图像清晰度对检测结果的影响,会导致检测结果AP值较低。因此,提出基于RetinaNet算法的输电线路耐张线夹压接缺陷图像检测方法。该方法通过判别耐张线夹压接图像的灰度值等级,计算最优分割阈值并保留检测目标轮廓,补偿该轮廓的倾角差值以提高其清晰度,然后通过二维傅里叶逆变换重构缺陷图像,引入RetinaNet算法融合提取图像特征,解构耐张线夹压接部位,计算缺陷特征比例得出缺陷检测结果。试验结果表明,所提方法得出的缺陷检测结果的AP值较高,检测精度较高,满足了输电线路耐张线夹压接质量检测的需求。
- 输电线路 /
- RetinaNet算法 /
- 耐张线夹压接 /
- 缺陷检测 /
- 图像检测 /
- 输电线路缺陷
Abstract:
When conducting radiographic testing on tension clamps of transmission lines, the projection process of image features ignores the impact of image clarity on the detection results, which can lead to lower AP values in the detection results. Therefore, a method for detecting compression defects in tension line clamps of transmission lines based on RetinaNet algorithm was proposed. This method determined the grayscale level of the compressed image of the tension wire clamp, calculated the optimal segmentation threshold to retain the detection target contour, compensated for the difference in inclination angle of the contour to improve its clarity, and reconstructed the defect image through two-dimensional inverse Fourier transform. The RetinaNet algorithm was introduced to fuse and extract image features, deconstructed the compressed part of the tension wire clamp, and calculated the proportion of defect features to obtain the defect detection result. The experimental results showed that the defect detection results obtained by applying the proposed method had a high AP value and detection accuracy, which met the practical needs of quality inspection for tension line clamps in transmission lines.
- transmission line /
- RetinaNet algorithm /
- strain resistant wire clamp crimping /
- defect detection /
- image detection /
- defect in transmission line

HTML全文

输电线路在电力系统中发挥着不可或缺的重要作用。在输电线路中,存在着诸如耐张线夹等金具,而一旦这些金属附件出现了问题,输电线路将出现掉线等故障^[1]。因此有必要对输电线路中的缺陷进行检测,很多研究人员亦提示出了输电线路中的金具缺陷图像检测方法。

吴刘宸等^[2]针对输电线路中螺栓缺陷的检测方法进行了研究,将输电线路中的螺栓元件部位设置为目标检测模块,在螺栓的目标检测模块中引入区域注意力机制,然后分析模块中螺栓残差块特征,融合多尺度特征并进行分析,得到输电线路螺栓的缺陷检测结果,但该方法检测精度较低。刘兰兰等^[3]针对巡检工作中的输电线路缺陷检测方法进行研究,采用高清摄像头,实时获取输电线路图像,并采用超分辨率的神经网络重构相应的图像。其首先基于重构后的图像构建缺陷检测模型,并在该模型中嵌入卷积块注意力机制；然后定义该模型的损失函数,并基于此优化模型的收敛能力；再利用强化后的模型分析输电线路中的小目标模块,并通过重叠定位的方法进一步缩小检测范围；最后结合特征放大处理过程,分析输电线路模块中的新增浅层特征,由此得到输电线路的缺陷检测结果,但该方法检测实时性较差。刘开培等^[4]针对输电线路中的绝缘子缺陷检测方法进行研究,首先设置无人机目标检测点,获取绝缘子部位的图像信息；然后基于无人机回传的图像信息,重构绝缘子的运行场景,设计深度学习目标检测算法,再利用该算法,将绝缘子的背景区域特征投影压缩处理,并根据压缩节点聚焦绝缘子缺陷特征部位；最后结合自适应调整机制,分析绝缘子缺陷部位的当前状态,得出最终的缺陷检测结果,该方法的检测成本较高。

考虑到上述缺陷检测方法无法满足当前输电线路运维领域的需要以及耐张线夹压接安全状态的检测需求,笔者采用RetinaNet算法,提出了一种输电线路耐张线夹压接缺陷图像检测方法。该方法通过分析输电线路耐张线夹压接图像特征,结合RetinaNet算法得出其缺陷检测结果。

1. 耐张线夹压接缺陷图像检测方法设计

1.1 重构耐张线夹压接图像

采用高清成像设备获取输电线路中耐张线夹的压接图像,并通过清晰化轮廓的处理过程重构该图像。

基于该图像中每个像素点的色彩分布情况,采用RGB（三原色）通道数值分布的方法设置图像色彩的判别公式,即

{\begin{matrix} 220 ≤ r ≤ 255 \\ 120 ≤ g ≤ 180 \\ 120 ≤ b ≤ 170 \end{matrix}

(1)

式中：r,g,b分别对应图像中三个色彩通道的通道数值。

根据该判别公式,逐个判定原始图像中每个像素点的色彩状态。基于判定结果,得到图像像素点的灰度值等级,将满足判别公式的像素点灰度值定义为“1”,反之则定义为“0”。

计算图像像素点灰度值等级的均值,即^[5-7]

μ_{0} = \sum_{i = 0}^{t} i \frac{P_{i}}{ω_{0}}

(2)

μ_{1} = \sum_{i = t + 1}^{t} i \frac{σ^{2} P_{i}}{ω_{1}}

(3)

式中：μ₀和μ₁分别表示图像中灰度值等级为“0”和为“1”的像素点概率均值；i为图像像素点；t为一维特征矢量；P_i为错分概率；σ为类间方差；ω₀和ω₁分别为两种灰度值等级的熵值。

基于计算所得的均值,标定耐张线夹压接的轮廓边缘分割阈值,将图像信息划分为前景和背景,保留出目标检测部位的轮廓线像素点。轮廓边缘的分割阈值计算方法可表示为

H = \arg \max \sum_{i = 1 + 1}^{L - 1} E_{0} \ln \frac{μ_{0}}{μ_{1}}

(4)

式中：H为轮廓边缘的最优分割阈值；L为图像边长像素数；E₀为耐张线夹压接图像总熵；argmax指通过计算图像边长的像素点和图像总熵,找出使轮廓边缘最大的分割阈值。

按照式（4）计算所得的分割阈值,划分出图像中的耐张线夹压接轮廓边缘像素区域。基于缺陷检测需求,笔者对该轮廓边缘进行清晰化处理。

计算耐张线夹压接图像轮廓边缘的倾角差值,即^[8-9]

d = k \frac{| θ_{1} - θ_{2} |}{C (H)}

(5)

式中：d为倾角差值；k为连线斜率；θ₁和θ₂分别为同一连线上的轮廓倾角；C(H)为基于所计算最优分割阈值下的轮廓像素点数量。

根据式（5）的计算结果,在原图像轮廓中补偿倾角差值,将轮廓清晰化。在此基础上,采用二维傅里叶逆变换的方法重构出轮廓清晰的耐张线夹压接图像,即^[10]

f (x, y)= \iint_{r^{2}} \frac{d k_{x} k_{y}}{{(2 π)}^{2}} e^{i (k_{x} + k_{y})}

(6)

式中：f(x,y)为重构的耐张线夹压接图像；r为检测的耐张线夹的压接缺陷；k_x,k_y分别为两个轴向上的连线斜率；e为投影误差。

通过上述步骤,完成清晰化耐张线夹压接轮廓下的图像重构过程。

1.2 基于RetinaNet算法融合提取图像特征

分析上述步骤重构的耐张线夹压接图像特征。笔者采用RetinaNet算法来融合提取重构图像的特征,该算法的流程结构如图1所示。

图 1 RetinaNet算法流程结构

下载: 全尺寸图片幻灯片

基于如图1所示的算法结构,融合分析耐张线夹压接图像特征。基于算法的主要网络结构,在图像中框取目标区域,分别计算该框选区域的宽度和高度,即^[11-12]

{\begin{matrix} G_{w} = p_{w} c^{z_{w}} \\ G_{h} = p_{h} c^{z_{h}} \end{matrix}

(7)

式中：G_w和G_h分别为框选目标区域的宽度和高度；p_w和p_h分别为宽度和高度相应的区域中心点；c为框选尺度；z_w和z_h分别为宽度和高度相应的回归值。

在算法的特征网络中,融合图像的尺度特征,可得

F (p) = {\begin{matrix} - α {(1 - c)}^{γ} \lg ρ \\ - {(1 - α)}^{γ} \lg (1 - ρ) \end{matrix}

(8)

式中：F(p)为融合的图像特征；α为权重系数；ρ为框选区域多尺度特征的交叉熵；γ为RetinaNet算法的置信度。

将融合后的特征在算法的预测结构中以多层次特征图的形式输出。在此基础上,分析框选区域特征与真实框的交集部分,并以0.5为阈值将交集部分的图像特征提取出来。

通过上述步骤,完成基于RetinaNet算法的耐张线夹压接缺陷图像特征的融合提取。

1.3 解构分析耐张线夹压接缺陷

利用RetinaNet算法输出得到的图像融合特征,通过解构的过程,分析图像中所对应的耐张线夹压接缺陷。

根据耐张线夹压接的主要结构,分解融合的图像特征,即^[13]

λ = \frac{π (D - F (p))}{l}

(9)

式中：λ为融合特征角；D为融合特征分布轴线；l为钢锚管长度。

通过上述步骤计算的融合特征角,解构得到图像中耐张线夹压接的特征值。在此基础上,计算每个部位的缺陷特征比例,即^[14-15]

β_{o} = \frac{N_{o}}{N_{s}}

(10)

β_{L} = \frac{N_{L}}{N_{s}}

(11)

β_{C} = \frac{h_{l}}{l}

(12)

β_{W} = \frac{l_{0}}{l + l_{a}}

(13)

β_{A} = \frac{l_{b}}{l}

(14)

式中：β_o为漏压缺陷特征比例；N_o为漏压数量；N_s为压接槽数量；β_L为欠压缺陷特征比例；N_L为欠压数量；β_C为钢锚管弯曲缺陷特征比例；h_l为钢锚管弦高；β_W为绞线漏压缺陷特征比例；l₀为铝管长度；l_a为钢芯长度；β_A为钢锚管空腔缺陷特征比例；l_b为空腔线程。

基于上述计算,得到图像中耐张线夹压接各部位的缺陷情况,完成压接缺陷的图像检测过程。

2. 检测试验

2.1 试验准备

设计对比试验对所提出的基于RetinaNet算法的输电线路耐张线夹压接缺陷图像检测方法的应用可行性进行测试,并分析该方法的有效性。

制备试验用输电线路耐张线夹试件若干个,其结构如图2所示,所选用的制备材料及相应参数如表1所示。制作好耐张线夹试件后,采用智能压接技术将其与导线进行压接。试验中,耐张线夹的主要压接参数如表2所示。

图 2 输电线路耐张线夹试件结构示意

下载: 全尺寸图片幻灯片

Table 1. 耐张线夹制备材料及相应参数

制备材料	项目	参数
钢锚材料	低碳钢Q235A	-
	内径/mm	12
	外径/mm	20
	材料密度/（kg · m^-3)	7 850
	材料弹性模量/GPa	206
	材料泊松比	0.3
	屈服极限/MPa	235
铝管材料	工业纯铝	-
	内径/mm	36
	外径/mm	60
	杨氏模量/GPa	70
	泊松比	0.31
	材料密度/kg/m³	2 700
钢芯铝绞线	钢芯材料密度/（kg · m^-3)	7 850
	直径/mm	3.02
	外径/mm	9.06
	截面积/mm	7.16
	杨氏模量/GPa	206
	泊松比	0.28
	铝绞线材料密度/（kg · m^-3)	2 700
	杨氏模量/GPa	60
	泊松比	0.31

下载: 导出CSV

| 显示表格

Table 2. 耐张线夹的主要压接参数

项目	参数
导线型号	LGJ-240/40
钢锚压接工序/次	3
外铝管压接工序/次	7
导线切割长度/mm	140

下载: 导出CSV

| 显示表格

为制备的若干试件设置不同的缺陷类型,其具体参数如表3所示。完成上述步骤后,可开展耐张线夹压接缺陷检测试验。

Table 3. 耐张线夹压接缺陷设置

缺陷类型	缺陷参数	缺陷程度
轴线偏差	钢管同轴/%	0
		5
		10
压接不紧密	凹凸槽压槽数量占比/%	100
		80
		60
		40
		20
对边距超标	铝管对边距/mm	-0.2
		-0.1
		0
		+0.1
		+0.2
压接长度偏差	钢芯压接长度占比/%	100
		90
		80
		70
		60

下载: 导出CSV

| 显示表格

2.2 压接缺陷图像检测

随机选取一个耐张线夹压接缺陷试件,采用所提方法分析该试件缺陷,其射线检测原始图像及处理结果如图3所示。

图 3 耐张线夹压接缺陷射线检测原始图像及处理结果

下载: 全尺寸图片幻灯片

由图3可知,应用所提方法处理耐张线夹压接缺陷射线检测图像后,试件的轮廓清晰度有较大幅度提升,重构后的图像分辨率更高。基于处理后的压接图像,采用所提方法分析该试件的缺陷情况,结合标准压接参数,得到该试件的铝管对边距有0.1 mm的偏差量,属于对边距超标的缺陷类型。通过与所选试件的实际缺陷对比可知,所提方法得出的缺陷检测结果准确。初步判断,所提出方法具备可行性。

2.3 结果评价指标

为了更加直观地体现输电线路耐张线夹压接缺陷检测结果的有效性,设置定量指标来评价试验中不同检测方法的检测结果。基于输电线路的耐张线夹压接运维需求,采用AP值作为结果评价指标,其计算方法为

A_{p} = \frac{Δ υ \cdot \sum (r^{τ} - r^{τ - 1})}{N_{A}}

(15)

式中：A_p为检测结果的AP值； $Δ υ$ 为压接质量因子；r为检测的耐张线夹压接缺陷程度；τ为检测的耐张线夹压接缺陷数量；τ－1为实际的耐张线夹压接缺陷数量；N_A为检测的耐张线夹压接试件数量。

计算所得的AP值平衡点越高,说明相应方法的检测效果越好,有着更高的精度。

2.4 结果分析与讨论

为了分析检测结果的有效性,采用对比分析的方法对其结果进行评价。基于上述设定的结果评价指标,分别采用参考文献[2],[3],[4]所提出的输电线路缺陷检测方法与文章所提方法进行对比,不同方法检测结果的AP值曲线如图4所示。

图 4 不同方法检测结果的AP值曲线

下载: 全尺寸图片幻灯片

由图4可见,所提方法在输电线路耐张线夹压接质量检测中的AP值较高,平衡点为0.812,而其他3种方法的AP值平衡点分别为0.635,0.664,0.729。

3. 结论

提出一种基于RetinaNet算法的输电线路耐张线夹压接缺陷图像检测方法,该算法能够更好地处理复杂的背景和目标检测问题。最后进行了对比试验,试验结果表明,该方法在输电线路的耐张线夹压接缺陷检测工作中有着更高的精度,在实践应用中具有可行性。

图 1 RetinaNet算法流程结构

下载: 全尺寸图片幻灯片

图 2 输电线路耐张线夹试件结构示意

下载: 全尺寸图片幻灯片

图 3 耐张线夹压接缺陷射线检测原始图像及处理结果

下载: 全尺寸图片幻灯片

图 4 不同方法检测结果的AP值曲线

下载: 全尺寸图片幻灯片

Table 1 耐张线夹制备材料及相应参数

制备材料	项目	参数
钢锚材料	低碳钢Q235A	-
	内径/mm	12
	外径/mm	20
	材料密度/（kg · m^-3)	7 850
	材料弹性模量/GPa	206
	材料泊松比	0.3
	屈服极限/MPa	235
铝管材料	工业纯铝	-
	内径/mm	36
	外径/mm	60
	杨氏模量/GPa	70
	泊松比	0.31
	材料密度/kg/m³	2 700
钢芯铝绞线	钢芯材料密度/（kg · m^-3)	7 850
	直径/mm	3.02
	外径/mm	9.06
	截面积/mm	7.16
	杨氏模量/GPa	206
	泊松比	0.28
	铝绞线材料密度/（kg · m^-3)	2 700
	杨氏模量/GPa	60
	泊松比	0.31

下载: 导出CSV

Table 2 耐张线夹的主要压接参数

项目	参数
导线型号	LGJ-240/40
钢锚压接工序/次	3
外铝管压接工序/次	7
导线切割长度/mm	140

下载: 导出CSV

Table 3 耐张线夹压接缺陷设置

缺陷类型	缺陷参数	缺陷程度
轴线偏差	钢管同轴/%	0
		5
		10
压接不紧密	凹凸槽压槽数量占比/%	100
		80
		60
		40
		20
对边距超标	铝管对边距/mm	-0.2
		-0.1
		0
		+0.1
		+0.2
压接长度偏差	钢芯压接长度占比/%	100
		90
		80
		70
		60

下载: 导出CSV

参考文献(15)

[1]	李鹏吾,刘荣海,周静波,等.基于深度学习的耐张线夹压接缺陷X射线影像智能识别[J].南方电网技术,2022,16（3）：126-133．
[2]	吴刘宸,张辉,刘嘉轩,等.基于区域注意力机制和多尺度特征融合的输电线路螺栓缺陷检测[J].计算机科学,2023,50（1）：438-444．
[3]	刘兰兰,万旭东,汪志刚,等.基于超分辨率重建与多尺度特征融合的输电线路缺陷检测方法[J].电子测量与仪器学报,2023,37（1）：130-139．
[4]	刘开培,李博强,秦亮,等.深度学习目标检测算法在架空输电线路绝缘子缺陷检测中的应用研究综述[J].高电压技术,2023,49（9）：3584-3595．
[5]	刘光辉,杨晓辉,叶中飞,等.输电线路耐张线夹模锻压接质量分析及实验研究[J].热加工工艺,2023,52（3）：106-111,119．
[6]	陈家慧,王方强,兰贵天,等.耐张线夹防滑槽漏压的失效分析与机理研究[J].热加工工艺,2022,51（12）：146-150,155．
[7]	马小敏,范松海,毕茂强,等.一种基于温升监测的输电线路耐张线夹缺陷智能诊断方法[J].重庆理工大学学报（自然科学）,2021,35（5）：207-213．
[8]	张睿哲,周恺,蔡瀛淼,等.基于脉冲反射法的耐张线夹压接质量超声检测技术研究[J].电测与仪表,2023,60（3）：153-156,171．
[9]	李帷韬,侯建平,张倩,等.基于强化学习和Transformer的输电线路缺陷智能检测方法研究[J].高电压技术,2023,49（8）：3373-3384．
[10]	叶翔,孙嘉兴,甘永叶,等.改进YOLOv3模型在无人机巡检输电线路部件缺陷检测中的应用研究[J].电测与仪表,2023,60（5）：85-91．
[11]	徐海青,余江斌,梁翀,等.基于GAN的改进RPN输电线路细小金具缺陷检测方法[J].电子器件,2021,44（6）：1409-1416．
[12]	李雪露,杨永辉,储茂祥.基于改进RetinaNet-GHM算法的钢板表面缺陷检测[J].电子测量技术,2023,46（6）：100-105．
[13]	吴君,范鹏辉,王满利.多尺度融合的CRC-RetinaNet光伏板阴影检测方法[J].激光与光电子学进展,2022,59（16）：1615009．
[14]	戚银城,武学良,赵振兵,等.嵌入双注意力机制的Faster R-CNN航拍输电线路螺栓缺陷检测[J].中国图象图形学报,2021,26（11）：2594-2604．
[15]	赵杰伦,张兴忠,董红月.基于尺度不变特征金字塔的输电线路缺陷检测[J].计算机工程与应用,2022,58（8）：289-296．

施引文献

资源附件(0)

图(4) / 表(3)

计量

文章访问数: 18
HTML全文浏览量: 4
PDF下载量: 6
被引次数: 0

1. 耐张线夹压接缺陷图像检测方法设计
1.1 重构耐张线夹压接图像
1.2 基于RetinaNet算法融合提取图像特征
1.3 解构分析耐张线夹压接缺陷
2. 检测试验
2.1 试验准备
2.2 压接缺陷图像检测
2.3 结果评价指标
2.4 结果分析与讨论
3. 结论

基于RetinaNet算法的输电线路耐张线夹压接缺陷图像检测方法

作者简介: 周飞（1976—）,男,本科,高级工程师,主要研究方向为输电线路运维、检修管理等

通讯作者: 周飞,shitangmi0eg@163.com

计量

出版历程