近年来无人机技术日趋成熟，应用范围越来越广泛。电力系统领域应用无人机来进行配电导线的巡检已经成为一种成熟稳定的新型作业方式^[1-4]。相比传统的人工巡检方式，该方式极大地提高了工作效率，而相比于直升机巡检方式，则大幅度降低了作业成本。无人机进行电力线路外业巡检会产生大量的巡检图像，通常野外作业结束后，依靠内业人员目视判断电力线路状态^{[5, 6]}。当前人工目视判断方法存在一定的局限性，耗时费力且存在误判现象，无法实时检测配电导线断股缺陷。针对上述问题，本文设计与研发了一套无人机配电导线断股缺陷实时在线检测系统，首先利用全卷积神经网络对图像进行分割处理，将导线与背景图像进行分离，然后采用滑动窗口思想，计算窗口特征参数，通过查找参数异常窗口，从而检测出导线断股缺陷。该检测系统能够实时在线对电力线路导线断股缺陷进行检测判，将野外作业与内业图像处理合二为一，实现了电力线路断股缺陷检测的实时化、智能化、高效化，为电力线路的巡检提供一种可借鉴的技术方案。

无人机配电导线断股缺陷实时在线检测系统主要包括三大部分：①图像采集子系统；②图像传输子系统；③图像处理子系统。图像采集子系统是利用无人机来获取电力线路配电导线实时图像，图像传输子系统是利用无限网络来完成图像数据在无人机与地面计算机之间的传输，图像处理子系统是利用地面计算机来实时检测配电导线图像, 首先识别配电导线是否存在断股现象，若存在则将其与背景环境进行分割，并对断股缺陷程度进行判读。

无人机采用大疆精灵4 Pro V2.0，其上装配的传感器为1英寸CMOS，有效像素为2 000万，图像尺寸为5 472×3 078像素，图像格式为JPEG。无人机有效航行时间为25~30 min，最大飞行海波6 000 m，最大可承受风速10 m/s。大疆精灵4 Pro V2.0操作简单、灵活，仅需配备一名巡检人员可实现无人机的巡检作业。

通讯网路是系统设计的关键技术点，本文基于WinSock编程技术^[7]，利用WiFi实现空中无人机与地面计算机系统之间的通讯。在WinSock编程中，套接字的链接主要有3个步骤：①服务器监听；②客户端请求；③链接确认。具体流程图如图 1所示。

图 1(Fig.1)

图 1 无线通讯流程图 Fig.1 Flow Chart of Wireless Communication

地面计算机主要完成系统软件设置及运行，包括通讯系统、无人机控制系统、图像处理系统等^{[8, 9]}。为了确保计算机能够实时接收和处理无人机传输的导线断股图像，本文对无人机的SDK进行了二次开发，软件开发平台为Visual Studio 2018，开发语言为c#。

导线断股缺陷的实时在线识别对系统的传送速度要求较高，需具备足够的带宽来实现图像影像的无障碍传输。本文采用UDP(user datagram protocol)^{[10, 11]}协议结合WinSock机制完成图像的发送与接受，相比TCP(transmission control protocol)协议，UDP协议较为简便、速度快，更适合用于对传输速度要求高而安全性要求不高的系统，图 2为图像发送与接收流程图。

图 2(Fig.2)

图 2 图像发送与接收流程图 Fig.2 Flow Chart of Image Sending and Receiving

无人机采集的配电导线图像往往比较复杂，包含有大量非导线信息的背景噪声，为此本文利用全卷积神经网络算法对图像进行分割处理，剔除与导线无关的背景噪音，获取没有背景干扰的配电导线图像。

正常无损导线表现为绞线有规律地螺旋地缠绕在一起，沿轴线方向宽度及横截面面积保持不变，不会发生突变。而含有断股缺陷的导线往往在断股处宽度发生突变，断裂导致其变细，散开导致其变宽，导线走向和排布较为杂乱，往往伴随着不同程度的毛刺，导线边缘梯度因此发生突变。本文针对断股导线特有的图像特征，计算和提取断股处的图像信息熵、导线轴向宽度、导线轴向横截面积、导线边缘梯度四个特征值来判断目标区域是否有断股缺陷。

全卷积网络(fully convolutional network，FCN)是深度学习理论体系中一种较为成熟的图像识别与分类技术^[12-14]，具有较强的稳健性和可靠性。

FCN网络主要有两部分：①下采样，包含卷积层和池化层；②上采样，包含反卷积层和softmax分类层。其特点是可以输入任意大小的配电导线图像，经过端到端、像素到像素的网络训练，输出图像大小与输入图像一样，研究表明FCN网络超过以往的语义分割技术，达到了像素级别的分割^[15-17]，图 3为其网络框架结构示意图。本文网络训练环境：CPU为i7-6850K，GPU为Tesla K40c，操作系统为Ubuntu16.04，语言为Python3.6，深度学习库为Tensorflow1.12.0。

图 3(Fig.3)

图 3 FCN网络框架 Fig.3 Frame Diagram of FCN Network

本文采用滑动窗口思想，以一定大小及步长的窗口沿导线轴向方向遍历整个导线，计算每一个窗口内导线的图像信息熵、轴向宽度、轴向横截面面积、导向边缘梯度，并计算每一个特征参数的平均值，据此设置阈值，将每一个窗口的特征参数与平均特征参数进行对比分析，查找异常窗口，最终确定导向断股缺陷处，图 4为导线断股检测流程。

图 4(Fig.4)

图 4 导线断股检测流程图 Fig.4 Flow Chart of Detection

2020年2月6日-7日，嘉善县供电有限公司开展了某电压等级为110 kV的电力线路无人机精细化巡检项目，巡检区段为01~05段。在整个作业过程中，无人机与地面计算机之间的数据传输保持稳定状态，通讯流畅，图像接收没有出现卡顿现象。

图 5为FCN网络分割效果图。从图 5可以看出FCN网络能够有效地剔除背景噪音如绿色植被、水域、非导线直线等，分割出只含有配电导线的纯导线图像，效果理想，为下一步的导线断股检测提供了很好的基础。

图 5(Fig.5)

图 5 FCN网络分割效果图 Fig.5 Image Segmentation Resuls Based on FCN

在分割出配电导线之后，采用Canny算法来提取导线的边缘信息，据此计算导线轴向直线，然后沿着轴向方向创建滑动窗口，计算窗口内的特征值，比较查找异常窗口，用绿色标记正常窗口，用红色标记异常窗口。图 6为配电导线断股检测结果图，从图中可以看出，四种不同类型的断股导线均能识别，表明了本文方法的有效性和可行性。

图 6(Fig.6)

图 6 断股缺陷检测结果图 Fig.6 Image Resuls of Broken Strands Detection

实验中选取了200个数据样本测试本文算法的断股检测精度，计算分类混淆矩阵，如表 1所示。通过计算得出：总体精度为97.5%，断股用户精度为97.05%，断股生产者精度为100%。从表 1中可以看出，存在少量断股样本错分现象，考虑原因为配电导线所处自然环境较为复杂、且部分配电导线断股程度较轻微。

表 1(Tab.1)

表 1 导线断股分类检测混淆矩阵 Tab.1 Confusion Matrix of Broken Strands Detection

表 1 导线断股分类检测混淆矩阵 Tab.1 Confusion Matrix of Broken Strands Detection 断股 非断股 总数 断股 165 5 170 非断股 0 30 30 总数 165 35 200

无人机巡检配电导线实施便捷、作业高效，已成为电力系统日益成熟的一种巡检作业方式。本文设计并研发了一套基于无人机图像的配电导线断股缺陷实时在线检测系统。该系统将深度学习理论中的FCN算法应用于断股检测过程中，利用其剔除背景噪音，分割出纯导线信息。在此基础上，针对断股导线特有的图像特征，采用滑动窗口思想，沿导向轴向方向提取一定大小窗口内导线的特征参数，对比分析查找异常特征参数所在窗口，从而实现配电导线的断股缺陷检测。实验数据表明本文算法具有较高的可操作性和可靠性，对配电导线巡断股缺陷自动检测与识别具有一定程度的借鉴意义。下一步研究将聚焦于扩充和完善导线断股缺陷数据库，在此基础上进一步改进本文算法，提高算法的普适性。