CN115220479A - 动静协同的输电线路精细化巡检方法与*** - Google Patents

Abstract

本发明属于巡检技术领域，本发明提供了一种动静协同的输电线路精细化巡检方法与***，通过动静态检测协同配合，实现电力***大范围覆盖的精细化巡检，采用静态与动态数据的分段式检测提高检测精细化的同时，节省不必要的人力及算力资源。其包括以下步骤：固定采集设备采集回传静态信息；多层感知机融合多类别静态信息评估故障程度；巡检无人机对输电线路进行精细化巡检并上传多角度图像信息：若发生非紧急故障，则调用巡检无人机进行精细化巡检，获取所述巡检无人机的巡检信息，并通过通讯模块将所述巡检信息传输至目标数据控制中心；融合无人机多视角和固定视角图像信息的故障分类模型。

Description

动静协同的输电线路精细化巡检方法与***

技术领域

本发明涉及一种输电线路巡检方法与***，具体涉及一种动静协同的输电线路精细化巡检方法与***。

背景技术

输电线路的巡检是有效保证输电线路及其设备安全的一项基础工作，通过对输配线路的巡视检查来掌握线路运行状况及周围环境的变化，及时发现设备缺陷和安全隐患，从而保证输配电线路安全和电力***稳定。随着输电线路无人机自动化的巡视开展，无人机的自动巡检技术愈加成熟，在开展自动巡检过程中，通过无人机巡检的方法极大提高了巡检的效率。无人机搭载各类可见光、红外或者激光设备执行巡检任务，可以全面检测和掌握电力杆塔的安全情况，通过无人机巡检，能够大幅降低成本和劳动强度，保障输电线路的安全可靠的运行。

由于输电线路很庞大，遍布各地，因此，输电线路往往采用分区段式管理，为各个区段分别设置无人机。目前，比较广泛采用的无人机巡检模式是固定航线巡检，即无人机在各个区段内沿着预设的航线进行巡检，这种巡检模式的优点是巡检效率高、飞行安全系数高，但针对输电线路中存在的一些部件故障，例如绝缘子故障、均压环故障、输电线路破损等，难以实现精细化的故障检测。

发明内容

本发明目的是提供了一种动静协同的输电线路精细化巡检方法与***，通过动静态检测协同配合，实现电力***大范围覆盖的精细化巡检，采用静态与动态数据的分段式检测提高检测精细化的同时，节省不必要的人力及算力资源。

本发明为实现上述目的，通过以下技术方案实现：

一种动静协同的输电线路精细化巡检方法，包括以下步骤:

S1：固定采集设备采集回传静态信息：接收电力***目标巡检区段的输电线路的固定采集设备采集的静态信息，并将所述静态信息上传以便下一步进行初步的状态判断;

S2：多层感知机融合多类别静态信息评估故障程度：根据固定采集设备采集的静态信息，通过多层感知机融合多类别数据对当前设备状态进行评估，并根据评估结果决定是否调用巡检无人机进行精细化巡检;

S3：巡检无人机对输电线路进行精细化巡检并上传多角度图像信息：若发生非紧急故障，则调用巡检无人机进行精细化巡检，获取所述巡检无人机的巡检信息，并通过通讯模块将所述巡检信息传输至目标数据控制中心;

S4: 融合无人机多视角和固定视角图像信息的故障分类模型：融合固定摄像头的静态图像信息和无人机精细化巡检的多角度图像信息，使用基于图像特征的多头注意力机制模型进行图像故障分类，引入置信度门控机制和信息散度约束实现多视角学习。

优选地，S1步骤的过程还包括：

S11：位于输电线路的固定采集设备采集输变电场景下的静态信息；机巢的控制中心通过通讯模块与上述固定采集设备进行通讯，接收固定采集设备采集的静态信息并存储；

S12：机巢的控制中心作为***的核心部分，控制信息的传递以及各模块之间的交互；采集器通讯模块为固定采集设备和机巢的控制中心的数据传输提供信息通道，确保机巢的控制中心能够接受固定采集设备采集的多类型的静态信息；

S13：通过输电线路的固定采集设备采集现场的多类型静态信息，并通过通讯模块将多类型静态信息上传至机巢的控制中心，来对输电线路的运行状态进行初步判断。

优选地，所述S2步骤的过程还包括：

S21：该步骤包含的软件部分包括机巢控制中心、静态判断模块，其中，基于静态信息的机巢静态判断模块搭载于机巢的控制中心上，接收固定采集设备采集的静态信息，并根据这些静态信息通过多层感知机模型初步判断目标巡检区域设备状态，并根据评估结果决定是否调用巡检无人机进行精细化巡检，若发生非紧急故障则生成触发信息；机巢控制中心接收来自静态判断模块生成的触发信息，进一步下发目标指令给机巢控制模块以调度巡检无人机进行精细化巡检；

S22：所述机巢静态判断模块采用多层感知机模型综合多类别静态信息对当前设备状态进行判断，包括如下过程：

通过固定采集设备采集的静态信息以及其对应的故障等级历史记录，构建多类别 信息设备状态判断数据集，通过固定采集设备采集的静态信息并综合其对应的设备状态信 息进行数据集数据的构造，其中对应的故障等级采用无故障、紧急故障、非紧急故障三种类 别进行标注，即为同一时刻多类别静态信息所对应的设备状态标签，以此数据集来训练多 层感知机模型，其中，使用固定采集设备采集的温度、湿度、烟雾浓度、环境气体浓度四种静 态信息进行整合作为多层感知机模型的输入，经过多层感知机进行故障判级，输出无故障、 紧急故障、非紧急故障三种故障等级，定义损失函数

对训练过程进行约束，

公 式定义如下：

其中，

表示故障等级的标签，

表示预测输出的故障等级，

表示样本总数量；

基于所述训练步骤对多层感知机模型进行训练，将训练好的多层感知机模型部署在机巢静态判断模块中，对设备状态进行初步判断；

S23：针对部署于机巢静态判断模块的多层感知机模型输出的故障等级分别采取措施进行应对：针对紧急故障，由于需要得到及时处理和维修，则需要派相关工作人员立刻前往现场进行进一步的排查和处理；针对非紧急故障，则采用巡检无人机进行进一步的精细化巡检，由机巢静态判断模块生成触发信息发送至机巢控制中心，从而进一步调度巡检无人机进行精细化巡检；

S24：根据机巢控制中心下的机巢静态判断模块判断是否发生故障，如果判断发生紧急故障，则及时派相关工作人员前往现场做进一步的排查处理；如果发生非紧急故障，则由机巢静态判断模块生成触发信息回传给机巢控制中心，以便调用巡检无人机进行精细化巡检。

优选地，所述S3步骤的过程还包括：

S31：该步骤所包含的硬件部分包括巡检无人机，实现对输电线路及杆塔周围各个设备和部件的多角度、高精度的图像采集；

S32：该步骤所包含的软件部分包括机巢控制模块、机巢控制中心、无人机通讯模块、数据存储中心，其中，机巢控制模块接收机巢控制中心下发的触发信息，并调度巡检无人机进行精细化巡检；无人机通讯模块用于接收来自机巢控制中心的指令以及回传巡检信息至机巢控制中心；数据存储中心基于数据库技术进行搭建，通过接收来自机巢控制中心的所有无人机精细化巡检信息，并将生成的数据文件和飞行日志保存至数据库中。

优选地，所述S4步骤的过程还包括：

S41：基于无人机精细化巡检结果得到的数据库构建多视角图像故障分类数据集，通过巡检无人机近距离对输电线路及杆塔周围各个部件进行多角度的图像采集，再基于巡检无人机搭载的高清摄像头回传的大尺度静态图像信息，采用人工综合评判的方法，对各个部件的故障类型进行标注，定义已知的故障类型有：绝缘子故障、均压环故障、防振锤故障、杆塔结构故障、输电线路破损、输电线路靠近障碍物、鸟类筑巢，所述数据集的样本对由多视角图像及故障类型标注结果组成，具体来说，多视角图像包括N个无人机巡检视角图像，通过对输电线路或者杆塔等部件进行多角度的图像采集得到；多视角图像还包括由固定在杆塔上的摄像头采集到的大尺度静态图像信息；

S42：使用基于图像特征的多头注意力机制模型进行图像故障分类，并引入置信度门控机制和信息散度约束进行改进，实现多视角学习，提高故障分类准确性;

S43：使用损失函数对故障分类模型的训练过程进行约束,所述损失函数包括两个 部分，第一个部分是对N个无人机巡检视角图像和固定视角的图像经过预训练模型特征提 取、多头注意力机制模型编码、多层感知机模型映射并经过置信度门控机制筛选得到的概 率分布进行基于信息散度的约束，使得不同视角的N+1个概率分布两两之间尽可能保持一 致，实现不同视角的图像信息之间兼容互补，定义该部分损失函数为

,其公式如（3）所 示，

其中N代表无人机巡检视角的数量，x与y分别代表不同的两个视角，

与

分别 代表对应视角的概率分布，损失函数的值等于N+1视角的两两视角之间信息散度的和；第二 个部分是对上述N+1个视角的概率分布采用集成学习的思想进行投票表决，每个视角预测 的结果具有相同的权重，得票数最高的预测类别将作为整体的故障分类结果，与人工综合 研判标注的结果进行损失计算，定义该部分损失函数为

，其公式如（4）所示，

其中

表示该故障人工标注类别对应的概率分布，

表示该故障经过分类 模型预测得到的类别概率分布，两者之间进行几何距离计算作为损失函数的值。综合上述 两个部分的损失函数作为故障分类模型的训练损失函数，总的损失函数公式如（5）所示，

其中

用于权衡两个部分损失函数的比例，

的取值范围在0到1之间，合理的取值 可以防止模型对单个损失函数的优化上过度拟合，模型的训练应当兼顾这两个损失函数的 优化。

优选地，所述的具体过程如下：

S421，调用在大规模公开数据集上预先训练好的ResNet18残差网络预训练模型，在训练时固定ResNet18的参数保持不变，将其作为通用的图像特征提取器，对多视角图像进行特征提取，输出N+1个尺寸为512*7*7的特征图，并展开为一维特征向量；

S422，使用多头注意力机制模型分别对各个视角图像对应的一维特征向量进行编码，得到N+1个长度为1024的一维高级特征向量；

S423，将上述S422中编码后得到的N+1个一维高级特征向量分别输入多层感知机分类器，输出N+1个视角图像对应预测的故障类型概率分布；

S424，对S423中所述的N+1个概率分布引入置信度门控机制，使用argmax函数计算出概率分布对应的最大概率类别，已知每个类别的概率取值在0到1之间，若该分布最大概率类别对应的概率值小于门控阈值β，则舍弃该视角图像预测的概率分布结果，具体计算结果如公式（2）所示：

其中，p表示某个视角预测的概率分布，x为该概率分布中最大概率对应的类别，

为该类别的概率值；例如，若设置门控阈值β为0.8，某个视角预测的概率分布中第x类的概 率值最大为0.75，则不满足置信度门控机制的要求，舍弃该视角图像预测的概率分布结果。

S425，将S424中经过置信度门控机制的若干个概率分布两两之间计算信息散度，对其分布一致性进行约束，目的是使得各个视角图像预测概率分布之间尽可能相似，由若干个视角的图像信息共同决定模型的预测故障类别；

S426，利用集成学习的思想对若干个视角图像预测得到的故障类别进行投票表决，综合研判得到故障分类模型预测的最终结果，其故障类别应当属于上述S41中定义的已知故障类型，多头注意力机制模型接收来自不同视角经过预训练模型ResNet18提取后的图像特征，包括N个无人机巡检视角和固定摄像头的视角，进行多次编码，最终利用多层感知机将融合后的特征映射至较低维度，输出图片对应的故障类别概率分布。

一种用于实现所述动静协同的输电线路精细化巡检方法的***，其特征在于：包括固定采集设备、动态检测模块、处理模块以及判断模块，

其中，固定采集设备包含温度传感器、湿度传感器、烟雾浓度传感器、环境气体传感器和固定摄像头，上述传感器与固定摄像头根据输电线路的监测需求布置于相应监测节点上，固定采集设备将采集的巡检信息通过通讯模块传输至控制中心；

动态检测模块包含巡检无人机巡检，无人机通过无人机控制模块接收控制中心信号；

处理模块包括机巢的控制中心、静态判断模块以及通讯模块，通讯模块与机巢的控制中心相连，静态判断模块与控制中心互相连通，通讯模块连接固定采集设备与动态检测模块，静态判断模块是指用于判别故障，调用无人机以及后续数据处理的软件模块，其搭载在机巢的控制中心上。

本发明的优点在于：

本发明将输电线路中固定采集设备的的多类别静态信息和无人机精细化巡检的多视角动态图像信息进行综合协同，通过固定采集设备的多类别静态信息指导巡检无人机进行精细化巡检，并综合巡检无人机采集的多视角动态图像信息和固定摄像头回传的大尺度静态图像信息进行故障类别分类，实践表明该动静协同的输电线路精细化巡检方法大大提升电力***巡检的精细化程度，针对固定采集设备采集的静态信息所蕴含的设备状态信息进行了挖掘，有效地判断了可能发生的故障等级，为电力***高效处理各种类别的故障提供了关键参考；另外，综合多视角动态图像信息和大尺度静态图像信息进行的故障类别分类，更加精确地从多个视角对故障进行综合研判，帮助电力***精细化地了解故障程度，从而做出更加合理、精确地处理。同时，基于该方法构建的动静协同的输电线路精细化巡检***应用到输电线路日常故障检修中对故障检测和故障处理工作具有重大的参考和指导性意义，对维持输电线路的稳定和高效有着极其重要的作用。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明具体实施例方法流程图

图2为本发明具体实施例***模块图

图3为本发明具体实施例静态信息故障分类模型图

图4为本发明具体实施例多视角信息故障分类模型图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

步骤详细说明：

首先位于输电线路的固定采集设备采集到输变电场景下的静态信息，并通过通讯模块上传至机巢控制中心；控制中心将静态信息数据转发至静态判断模块，静态判断模块通过多层感知机融合多类别静态信息对当前设备状态进行评估，输出当前设备状态；若静态判断模块判断发生非紧急故障，则生成无人机巡检触发信息发送至机巢控制中心；机巢控制中心接收到无人机巡检触发信息将其转发至控制模块，控制模块进一步调度无人机进行精细化巡检；巡检无人机按照既定线路进行精细化巡检，从多个角度采集设备图像，并通过通讯模块将图像信息上传至机巢控制中心；机巢控制中心接收到巡检无人机的多角度图像信息和固定摄像头的静态图像信息上传至数据存储模块进行保存，并由数据存储模块转发至故障分类模型进行进一步故障检测；故障分类模型融合固定摄像头的静态图像信息和无人机精细化巡检的多角度图像信息，使用引入置信度门控机制和信息散度约束的基于图像特征的多头注意力机制模型进行图像故障分类，输出最终检测的图像故障类别。

本发明实际中要解决的技术问题：

传统的固定航线巡检虽然巡检速度快、巡检距离远，但在事先不确定故障类型的前提下，无法针对特定的故障类型搭载对应的传感器进行精细化巡检，多类型故障的检测能力有限且单次巡检效率低，无法做到对沿线的设备可能发生的各种类型故障进行高精度、高效率的检测，因此要提出一种新的精细化无人机巡检模式；

固定机位的监控摄像头，具有可视角度小、图像分辨率低等缺点，而且部分故障类型通过单一角度难以发现，从而难以胜任多种故障类型的检测任务，因此亟需综合巡检无人机采集的多视角动态图像信息和固定摄像头回传的大尺度静态图像信息对故障类别进行分类。

参考图1，一种动静协同的输电线路精细化巡检方法，包括以下步骤:

S1：固定采集设备采集回传静态信息：接收电力***目标巡检区段的输电线路的固定采集设备采集的静态信息，并将所述静态信息上传以便下一步进行初步的状态判断;

S2：多层感知机融合多类别静态信息评估故障程度：根据固定采集设备采集的静态信息，通过多层感知机融合多类别数据对当前设备状态进行评估，并根据评估结果决定是否调用巡检无人机进行精细化巡检;

S3：巡检无人机对输电线路进行精细化巡检并上传多角度图像信息：若发生非紧急故障，则调用巡检无人机进行精细化巡检，获取所述巡检无人机的巡检信息，并通过通讯模块将所述巡检信息传输至目标数据控制中心;

S4: 融合无人机多视角和固定视角图像信息的故障分类模型：融合固定摄像头的静态图像信息和无人机精细化巡检的多角度图像信息，使用基于图像特征的多头注意力机制模型进行图像故障分类，引入置信度门控机制和信息散度约束实现多视角学习。

本实施例中，S1步骤的过程还包括：

S11：位于输电线路的固定采集设备采集输变电场景下的静态信息，固定采集设备包括温度传感器、湿度传感器、烟雾浓度传感器、环境气体传感器等；机巢的控制中心通过通讯模块与上述固定采集设备进行通讯，接收固定采集设备采集的静态信息并存储；

S12：机巢的控制中心作为***的核心部分，控制信息的传递以及各模块之间的交互；采集器通讯模块为固定采集设备和机巢的控制中心的数据传输提供信息通道，确保机巢的控制中心能够接受固定采集设备采集的多类型的静态信息；

S13：通过输电线路的固定采集设备采集现场的多类型静态信息，并通过通讯模块将多类型静态信息上传至机巢的控制中心，来对输电线路的运行状态进行初步判断。

本实施例中，所述S2步骤的过程还包括：

S21：该步骤包含的软件部分包括机巢控制中心、静态判断模块，其中，基于静态信息的机巢静态判断模块搭载于机巢的控制中心上，接收固定采集设备采集的温度、湿度、烟雾浓度、环境气体浓度等静态信息，并根据这些静态信息通过多层感知机模型初步判断目标巡检区域设备状态，并根据评估结果决定是否调用巡检无人机进行精细化巡检，若发生非紧急故障则生成触发信息；机巢控制中心接收来自静态判断模块生成的触发信息，进一步下发目标指令给机巢控制模块以调度巡检无人机进行精细化巡检；

S22：所述机巢静态判断模块采用多层感知机模型综合多类别静态信息对当前设备状态进行判断，包括如下过程：

通过固定采集设备采集的静态信息以及其对应的故障等级历史记录，构建多类别 信息设备状态判断数据集，通过固定采集设备采集的静态信息并综合其对应的设备状态信 息进行数据集数据的构造，其中对应的故障等级采用无故障、紧急故障、非紧急故障三种类 别进行标注，即为同一时刻多类别静态信息所对应的设备状态标签，以此数据集来训练多 层感知机模型，其中，使用固定采集设备采集的温度、湿度、烟雾浓度、环境气体浓度四种静 态信息进行整合作为多层感知机模型的输入，经过多层感知机进行故障判级，输出无故障、 紧急故障、非紧急故障三种故障等级，整体模型图见图3，定义损失函数

对训练过程 进行约束，

公式定义如下：

（1）

其中，

表示故障等级的标签，

表示预测输出的故障等级，

表示样本总数量；

基于所述训练步骤对多层感知机模型进行训练，将训练好的多层感知机模型部署在机巢静态判断模块中，对设备状态进行初步判断；

S23：针对部署于机巢静态判断模块的多层感知机模型输出的故障等级分别采取措施进行应对：针对紧急故障，由于需要得到及时处理和维修，则需要派相关工作人员立刻前往现场进行进一步的排查和处理，例如输电线路起火等故障；针对非紧急故障，则采用巡检无人机进行进一步的精细化巡检，由机巢静态判断模块生成触发信息发送至机巢控制中心，从而进一步调度巡检无人机进行精细化巡检；

S24：根据机巢控制中心下的机巢静态判断模块判断是否发生故障，如果判断发生紧急故障，则及时派相关工作人员前往现场做进一步的排查处理；如果发生非紧急故障，则由机巢静态判断模块生成触发信息回传给机巢控制中心，以便调用巡检无人机进行精细化巡检。

本实施例中，所述S3步骤的过程还包括：

S31：该步骤所包含的硬件部分包括巡检无人机，其中，巡检无人机采用多旋翼无人机，搭载高清摄像头实现对输电线路及杆塔周围各个设备和部件的多角度、高精度的图像采集；

S32：该步骤所包含的软件部分包括机巢控制模块、机巢控制中心、无人机通讯模块、数据存储中心，其中，机巢控制模块接收机巢控制中心下发的触发信息，并调度巡检无人机进行精细化巡检；无人机通讯模块用于接收来自机巢控制中心的指令以及回传巡检信息至机巢控制中心；数据存储中心基于数据库技术进行搭建，通过接收来自机巢控制中心的所有无人机精细化巡检信息，并将生成的数据文件和飞行日志保存至数据库中。

本实施例中，所述S4步骤的过程还包括：

S41：基于无人机精细化巡检结果得到的数据库构建多视角图像故障分类数据集，通过巡检无人机近距离对输电线路及杆塔周围各个部件进行多角度的图像采集，再基于巡检无人机搭载的高清摄像头回传的大尺度静态图像信息，采用人工综合评判的方法，对各个部件的故障类型进行标注，定义已知的故障类型有：绝缘子故障、均压环故障、防振锤故障、杆塔结构故障、输电线路破损、输电线路靠近障碍物、鸟类筑巢等，所述数据集的样本对由多视角图像及故障类型标注结果组成，具体来说，多视角图像包括N个无人机巡检视角图像，通过对输电线路或者杆塔等部件进行多角度的图像采集得到，例如针对杆塔上鸟类筑巢故障，单个无人机视角进行图像采集可能可能存在视觉遮挡，多视角的图像采集则可以完整捕捉到存在鸟类筑巢这一故障信息；多视角图像还包括由固定在杆塔上的摄像头采集到的大尺度静态图像信息，摄像头采用固定摄像头具有视角广、图像尺度大等优点，可以在多视角图像特征融合中为故障分类提供背景信息支持，例如针对输电线路距离障碍物过近这一故障情况，近距离采集图像的无人机可能无法及时发现，固定摄像头则可以很好地在大尺度上检测到输电线路距离障碍物过近；

S42：使用基于图像特征的多头注意力机制模型进行图像故障分类，并引入置信度门控机制和信息散度约束进行改进，实现多视角学习，提高故障分类准确性，如图4所述的具体过程如下：

S421，调用在大规模公开数据集上预先训练好的ResNet18残差网络预训练模型，在训练时固定ResNet18的参数保持不变，将其作为通用的图像特征提取器，对多视角图像进行特征提取，输出N+1个尺寸为512*7*7的特征图，并展开为一维特征向量；

S422，使用多头注意力机制模型分别对各个视角图像对应的一维特征向量进行编码，得到N+1个长度为1024的一维高级特征向量；

S423，将上述S422中编码后得到的N+1个一维高级特征向量分别输入多层感知机分类器，输出N+1个视角图像对应预测的故障类型概率分布；

S424，对S423中所述的N+1个概率分布引入置信度门控机制，使用argmax函数计算出概率分布对应的最大概率类别，已知每个类别的概率取值在0到1之间，若该分布最大概率类别对应的概率值小于门控阈值β，则舍弃该视角图像预测的概率分布结果，具体计算结果如公式（2）所示：

其中，p表示某个视角预测的概率分布，x为该概率分布中最大概率对应的类别，

为该类别的概率值；例如，若设置门控阈值β为0.8，某个视角预测的概率分布中第x类的概 率值最大为0.75，则不满足置信度门控机制的要求，舍弃该视角图像预测的概率分布结果。

S425，将S424中经过置信度门控机制的若干个概率分布两两之间计算信息散度，对其分布一致性进行约束，目的是使得各个视角图像预测概率分布之间尽可能相似，由若干个视角的图像信息共同决定模型的预测故障类别；

S426，利用集成学习的思想对若干个视角图像预测得到的故障类别进行投票表决，综合研判得到故障分类模型预测的最终结果，其故障类别应当属于上述S41中定义的已知故障类型，多头注意力机制模型接收来自不同视角经过预训练模型ResNet18提取后的图像特征，包括N个无人机巡检视角和固定摄像头的视角，进行多次编码，最终利用多层感知机将融合后的特征映射至较低维度，输出图片对应的故障类别概率分布;

S43：使用损失函数对故障分类模型的训练过程进行约束,所述损失函数包括两个部分，

第一个部分是对N个无人机巡检视角图像和固定视角的图像经过预训练模型特征 提取、多头注意力机制模型编码、多层感知机模型映射并经过置信度门控机制筛选得到的 概率分布进行基于信息散度的约束，使得不同视角的N+1个概率分布两两之间尽可能保持 一致，实现不同视角的图像信息之间兼容互补，定义该部分损失函数为

,其公式如（3） 所示，

其中N代表无人机巡检视角的数量，x与y分别代表不同的两个视角，

与

分别 代表对应视角的概率分布，损失函数的值等于N+1视角的两两视角之间信息散度的和；

第二个部分是对上述N+1个视角的概率分布采用集成学习的思想进行投票表决， 每个视角预测的结果具有相同的权重，得票数最高的预测类别将作为整体的故障分类结 果，与人工综合研判标注的结果进行损失计算，定义该部分损失函数为

，其公式如（4） 所示，

其中

表示该故障人工标注类别对应的概率分布，

表示该故障经过分 类模型预测得到的类别概率分布，两者之间进行几何距离计算作为损失函数的值。综合上 述两个部分的损失函数作为故障分类模型的训练损失函数，总的损失函数公式如（5）所示，

其中

用于权衡两个部分损失函数的比例，

的取值范围在0到1之间，合理的取值 可以防止模型对单个损失函数的优化上过度拟合，模型的训练应当兼顾这两个损失函数的 优化。

如图2所示，一种用于所述动静协同的输电线路精细化巡检方法的***，包括固定采集设备、动态检测模块、处理模块以及判断模块，

其中，固定采集设备包含温度传感器、湿度传感器、烟雾浓度传感器、环境气体传感器和固定摄像头，上述传感器与固定摄像头根据输电线路的监测需求布置于相应监测节点上，固定采集设备将采集的巡检信息通过通讯模块传输至控制中心；

动态检测模块包含巡检无人机，巡检无人机通过无人机控制模块接收控制中心信号；

处理模块包括机巢的控制中心以及与其相连的通讯模块，通讯模块连接固定采集设备与动态检测模块，静态判断模块是指用于判别故障，调用无人机以及后续数据处理的软件模块，其搭载在机巢的控制中心上。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种动静协同的输电线路精细化巡检方法，其特征在于，包括以下步骤：

S1：固定采集设备采集回传静态信息：接收电力***目标巡检区段的输电线路的固定采集设备采集的静态信息，并将所述静态信息上传以便下一步进行初步的状态判断;

S2：多层感知机融合多类别静态信息评估故障程度：根据固定采集设备采集的静态信息，通过多层感知机融合多类别数据对当前设备状态进行评估，并根据评估结果决定是否调用巡检无人机进行精细化巡检;

S3：巡检无人机对输电线路进行精细化巡检并上传多角度图像信息：若发生非紧急故障，则调用巡检无人机进行精细化巡检，获取所述巡检无人机的巡检信息，并通过通讯模块将所述巡检信息传输至目标数据控制中心;

S4: 融合无人机多视角和固定视角图像信息的故障分类模型：融合固定摄像头的静态图像信息和无人机精细化巡检的多角度图像信息，使用基于图像特征的多头注意力机制模型进行图像故障分类，引入置信度门控机制和信息散度约束实现多视角学习。

2.根据权利要求1所述动静协同的输电线路精细化巡检方法，其特征在于，S1步骤的过程还包括：

S11：位于输电线路的固定采集设备采集输变电场景下的静态信息；机巢的控制中心通过通讯模块与上述固定采集设备进行通讯，接收固定采集设备采集的静态信息并存储；

S12：机巢的控制中心作为***的核心部分，控制信息的传递以及各模块之间的交互；采集器通讯模块为固定采集设备和机巢的控制中心的数据传输提供信息通道，确保机巢的控制中心能够接受固定采集设备采集的多类型的静态信息；

S13：通过输电线路的固定采集设备采集现场的多类型静态信息，并通过通讯模块将多类型静态信息上传至机巢的控制中心，来对输电线路的运行状态进行初步判断。

3.根据权利要求1所述动静协同的输电线路精细化巡检方法，其特征在于，所述S2步骤的过程还包括：

S21：该步骤包含的软件部分包括机巢控制中心、静态判断模块，其中，基于静态信息的机巢静态判断模块搭载于机巢的控制中心上，接收固定采集设备采集的静态信息，并根据这些静态信息通过多层感知机模型初步判断目标巡检区域设备状态，并根据评估结果决定是否调用巡检无人机进行精细化巡检，若发生非紧急故障则生成触发信息；机巢控制中心接收来自静态判断模块生成的触发信息，进一步下发目标指令给机巢控制模块以调度巡检无人机进行精细化巡检；

S22：所述机巢静态判断模块采用多层感知机模型综合多类别静态信息对当前设备状态进行判断，包括如下过程：

通过固定采集设备采集的静态信息以及其对应的故障等级历史记录，构建多类别信息 设备状态判断数据集，通过固定采集设备采集的静态信息并综合其对应的设备状态信息进 行数据集数据的构造，其中对应的故障等级采用无故障、紧急故障、非紧急故障三种类别进 行标注，即为同一时刻多类别静态信息所对应的设备状态标签，以此数据集来训练多层感 知机模型，其中，使用固定采集设备采集的温度、湿度、烟雾浓度、环境气体浓度四种静态信 息进行整合作为多层感知机模型的输入，经过多层感知机进行故障判级，输出无故障、紧急 故障、非紧急故障三种故障等级，定义损失函数

对训练过程进行约束，

公式定 义如下：

其中，

表示故障等级的标签，

表示预测输出的故障等级，

表示样本总数量；

基于所述训练步骤对多层感知机模型进行训练，将训练好的多层感知机模型部署在机巢静态判断模块中，对设备状态进行初步判断；

S23：针对部署于机巢静态判断模块的多层感知机模型输出的故障等级分别采取措施进行应对：针对紧急故障，由于需要得到及时处理和维修，则需要派相关工作人员立刻前往现场进行进一步的排查和处理；针对非紧急故障，则采用巡检无人机进行进一步的精细化巡检，由机巢静态判断模块生成触发信息发送至机巢控制中心，从而进一步调度巡检无人机进行精细化巡检；

S24：根据机巢控制中心下的机巢静态判断模块判断是否发生故障，如果判断发生紧急故障，则及时派相关工作人员前往现场做进一步的排查处理；如果发生非紧急故障，则由机巢静态判断模块生成触发信息回传给机巢控制中心，以便调用巡检无人机进行精细化巡检。

4.根据权利要求1所述动静协同的输电线路精细化巡检方法，其特征在于，所述S3步骤的过程还包括：

S31：该步骤所包含的硬件部分包括巡检无人机，实现对输电线路及杆塔周围各个设备和部件的多角度、高精度的图像采集；

S32：该步骤所包含的软件部分包括机巢控制模块、机巢控制中心、无人机通讯模块、数据存储中心，其中，机巢控制模块接收机巢控制中心下发的触发信息，并调度巡检无人机进行精细化巡检；无人机通讯模块用于接收来自机巢控制中心的指令以及回传巡检信息至机巢控制中心；数据存储中心基于数据库技术进行搭建，通过接收来自机巢控制中心的所有无人机精细化巡检信息，并将生成的数据文件和飞行日志保存至数据库中。

5.根据权利要求1所述动静协同的输电线路精细化巡检方法，其特征在于，所述S4步骤的过程还包括：

S41：基于无人机精细化巡检结果得到的数据库构建多视角图像故障分类数据集，通过巡检无人机近距离对输电线路及杆塔周围各个部件进行多角度的图像采集，再基于巡检无人机搭载的高清摄像头回传的大尺度静态图像信息，采用人工综合评判的方法，对各个部件的故障类型进行标注，定义已知的故障类型有：绝缘子故障、均压环故障、防振锤故障、杆塔结构故障、输电线路破损、输电线路靠近障碍物、鸟类筑巢，所述数据集的样本对由多视角图像及故障类型标注结果组成，具体来说，多视角图像包括N个无人机巡检视角图像，通过对输电线路或者杆塔等部件进行多角度的图像采集得到；多视角图像还包括由固定在杆塔上的摄像头采集到的大尺度静态图像信息；

S42：使用基于图像特征的多头注意力机制模型进行图像故障分类，并引入置信度门控机制和信息散度约束进行改进，实现多视角学习，提高故障分类准确性;

S43：使用损失函数对故障分类模型的训练过程进行约束,所述损失函数包括两个部 分，第一个部分是对N个无人机巡检视角图像和固定视角的图像经过预训练模型特征提取、 多头注意力机制模型编码、多层感知机模型映射并经过置信度门控机制筛选得到的概率分 布进行基于信息散度的约束，使得不同视角的N+1个概率分布两两之间尽可能保持一致，实 现不同视角的图像信息之间兼容互补，定义该部分损失函数为

,其公式如（3）所示，

其中N代表无人机巡检视角的数量，x与y分别代表不同的两个视角，

与

分别代表对 应视角的概率分布，损失函数的值等于N+1视角的两两视角之间信息散度的和；第二个部分 是对上述N+1个视角的概率分布采用集成学习的思想进行投票表决，每个视角预测的结果 具有相同的权重，得票数最高的预测类别将作为整体的故障分类结果，与人工综合研判标 注的结果进行损失计算，定义该部分损失函数为

，其公式如（4）所示，

其中

表示该故障人工标注类别对应的概率分布，

表示该故障经过分类模型预 测得到的类别概率分布，两者之间进行几何距离计算作为损失函数的值，

综合上述两个部分的损失函数作为故障分类模型的训练损失函数，总的损失函数公式如（5）所示，

其中

用于权衡两个部分损失函数的比例，

的取值范围在0到1之间。

6.根据权利要求5所述动静协同的输电线路精细化巡检方法，其特征在于，所述S42步骤具体过程如下：

S421，调用在大规模公开数据集上预先训练好的ResNet18残差网络预训练模型，在训练时固定ResNet18的参数保持不变，将其作为通用的图像特征提取器，对多视角图像进行特征提取，输出N+1个尺寸为512*7*7的特征图，并展开为一维特征向量；

S422，使用多头注意力机制模型分别对各个视角图像对应的一维特征向量进行编码，得到N+1个长度为1024的一维高级特征向量；

S423，将上述S422中编码后得到的N+1个一维高级特征向量分别输入多层感知机分类器，输出N+1个视角图像对应预测的故障类型概率分布；

S424，对S423中所述的N+1个概率分布引入置信度门控机制，argmax函数计算出概率分布对应的最大概率类别，已知每个类别的概率取值在0到1之间，若argmax函数计算出概率分布对应的最大概率类别对应的概率值小于门控阈值β，则舍弃该视角图像最大概率分布结果，具体计算结果如公式（2）所示：

其中，p表示某个视角预测的概率分布，x为该概率分布中最大概率对应的类别，

为该 类别的概率值；

S425，将S424中经过置信度门控机制的若干个概率分布两两之间计算信息散度，对其分布一致性进行约束，目的是使得各个视角图像预测概率分布之间尽可能相似，由若干个视角的图像信息共同决定模型的预测故障类别；

S426，利用集成学习的思想对若干个视角图像预测得到的故障类别进行投票表决，综合研判得到故障分类模型预测的最终结果，其故障类别应当属于上述S41中定义的已知故障类型，多头注意力机制模型接收来自不同视角经过预训练模型ResNet18提取后的图像特征，包括N个无人机巡检视角和固定摄像头的视角，进行多次编码，最终利用多层感知机将融合后的特征映射至较低维度，输出图片对应的故障类别概率分布。

7.一种用于实现权利要求1至6任一项所述动静协同的输电线路精细化巡检方法的***，其特征在于：包括固定采集设备、动态检测模块、处理模块以及判断模块，

其中，固定采集设备包含温度传感器、湿度传感器、烟雾浓度传感器、环境气体传感器和固定摄像头，上述传感器与固定摄像头根据输电线路的监测需求布置于相应监测节点上，固定采集设备将采集的巡检信息通过通讯模块传输至控制中心；

动态检测模块包含巡检无人机，巡检无人机通过无人机控制模块接收控制中心信号；

处理模块包括机巢的控制中心、静态判断模块以及通讯模块，通讯模块与机巢的控制中心相连，静态判断模块与控制中心互相连通，通讯模块连接固定采集设备与动态检测模块，静态判断模块是指用于判别故障，调用无人机以及后续数据处理的软件模块，其搭载在机巢的控制中心上。

Images