Автоматизированная система поиска и обнаружения птичьих гнезд на линиях электропередач | Статья в журнале «Молодой ученый»

Отправьте статью сегодня! Журнал выйдет 5 февраля, печатный экземпляр отправим 9 февраля.

Опубликовать статью в журнале

Авторы: ,

Рубрика: Технические науки

Опубликовано в Молодой учёный №25 (367) июнь 2021 г.

Дата публикации: 17.06.2021

Статья просмотрена: 12 раз

Библиографическое описание:

Соловьев, В. А. Автоматизированная система поиска и обнаружения птичьих гнезд на линиях электропередач / В. А. Соловьев, К. К. Славнов. — Текст : непосредственный // Молодой ученый. — 2021. — № 25 (367). — С. 103-106. — URL: https://moluch.ru/archive/367/82486/ (дата обращения: 26.01.2022).



В статье авторы пытаются разработать автоматизированную систему поиска и обнаружения дефектов и неисправностей линий электропередач с помощью беспилотных летательных аппаратов.

Ключевые слова: нейронная сеть, линия электропередач, БПЛА.

Линия электропередач (ЛЭП) представляет собой протяжённое сооружение из проводов, кабелей, опор, изоляторов и вспомогательных устройств. Из-за своей сложности на ЛЭП возникают аварийные ситуации из-за возникших дефектов и неисправностей. Своевременное их обнаружение и устранение позволяют увеличить срок эксплуатации ЛЭП.

Одна из специфических проблем отключений воздушных линий (ВЛ) является проблема отключения ВЛ, связанные с птицами. По наблюдениям орнитологов, птицы любят садиться на опоры ВЛ по нескольким причинам. Для хищных птиц сверху лучше обзор для поиска добычи и удобная позиция для атаки на жертву. Все птицы чувствуют себя в большей безопасности на высоте, а когда рядом нет ничего высокого, то они выбирают опоры ВЛ [1].

Часто птицы устраивают гнезда на опорах ВЛ, что может вызвать аварийные последствия. Даже некрупные птицы могут спровоцировать перекрытие воздушного изоляционного промежутка провод — траверса по струе помета [1]. Птицы загрязняют изоляторы экскрементами, что в дальнейшем приводит к перекрытию загрязненной изоляции под рабочим напряжением при тумане, мороси или росе (рис. 1).

На деревянных опорах загрязнения экскрементами нередко приводят к возгоранию от токов утечки траверс и самих опор. Помимо этого, при гнездовании птицы используют куски проволок и нередко шунтируют ими изоляционные конструкции [1].

Остатки птичьих экскрементов

Рис. 1. Остатки птичьих экскрементов

В качестве локализатора птичьих гнезд была выбрана one-stage detector нейронная сеть you only looked once (YOLO) третьей версии, так как данная модель, согласно [2, 3, 4], работает точнее и быстрее своих аналогов.

YOLO v3 одно из последних обновлений архитектуры YOLO [5]. Модель состоит из 106 сверточных слоев. Особенностью v3 является то, что обнаружение происходит в трех различных масштабах. В YOLOv3 обнаружение выполняется путем применения ядер обнаружения 1×1 на картах признаков трех разных размеров в трех разных местах сети (рис. 2).

Архитектура детектора YOLO v3

Рис. 2. Архитектура детектора YOLO v3

Размер ядра обнаружения составляет 1×1×(B×(5+ C)). Здесь B –количество якорей, которые может предсказать ячейка на карте признаков, 5 — для 4 координат ограничивающей рамки и значения достоверности, C –количество классов. Так на обученном датасете COCO, B = 3 и C = 80, поэтому размер ядра равен 1×1×255.

Входное изображение сжимается на первых 81 сверхточных слоях, таким образом, что на 81 слое шаг сжатия будет равен 32. Если у нас есть изображение разрешения 416×416, то результирующая карта признаков будет иметь размер 13×13. Первое детектирование производится на 82 слое, что дает нам карту признаков размера 13×13×255.

Затем карту объектов из слоя 79 пропускают через несколько сверточных слоев, далее она будет увеличена в 2 раза до размеров 26×26. Затем эта карта признаков будет объединена по глубине с картой признаков из слоя 61 и комбинированные карты признаков снова пропускаются через несколько сверточных слоев размером 1×1, чтобы объединить признаки раннего 61 слоя. Затем второе обнаружение производится на 94 слое, что дает карту признаков размером 13×13×255.

Аналогичная процедура повторяется снова, когда карта признаков из слоя 91 пропускается далее по сверточным слоям, и объединяется с картой признаков из слоя 36. Как и раньше, несколько сверточных слоев размером 1×1 следуют друг за другом, чтобы слить информацию с предыдущего 36 слоя. Финальное предсказание получается на 106-м слое, получая признаков объектов размером 52×52×255.

Наше исследование основано на последовательности следующих шагов:

— Сбор данных. Были собраны фотоснимки ВЛ в Хабаровском, Приморском краях, Амурской области, Еврейской автономной области. Собранный фотоматериал был систематизирован и классифицирован.

— Маркировка набора данных. Все фотоснимки птичьих гнезд на ВЛ были промаркированы бесплатной программой LabelImg, исходный код которой находится в открытом доступе [6].

— Обучение нейронной сети.

Обучение нейронной сети происходило с помощью бесплатного инструментария Google Colab [7]. Google Colab позволяет использовать аппаратное обеспечение Google, в том числе графические процессоры (GPU). Обучение происходило на базе GPU Nvidia K80s.

После обучения нейронной сети была осуществлена проверка работоспособности детектора. Через нейросеть прогонялись разные фотографии ВЛ с гнездами и без. Результаты обнаружения птичьего гнезда на произвольном фотоснимке представлены на рисунках 3 и 4.

Результат обнаружения гнезда в Google Colab

Рис. 3. Результат обнаружения гнезда в Google Colab

Выделение обнаруженного гнезда на исходном фото

Рис. 4. Выделение обнаруженного гнезда на исходном фото

В ходе проделанной работы была собрана и систематизирована база данных дефектов и неисправностей ВЛ, удалось обучить и протестировать нейронную сеть на обнаружение птичьих гнезд.

Дальнейшая работа будет проходить по следующим направлениям: постоянное дополнение существующей базы данных, тестирование обученного детектора с помощью БПЛА в реальных условиях, адаптация и обучение нейронной сети для определения других дефектов ВЛ, таких как битые изоляторы, обрывы проводов, оплавление изоляции и т. д.

Литература:

  1. Арбузов, Р.С. «Птичьи» отключения ВЛ. Проблема и решения / Р. С. Арбузов, А. Г. Овсянников // Новости электротехники № 4(52) 2008. — Текст: электронный. — URL: http://news.elteh.ru/arh/2008/52/15.php (дата обращения: 12.06.2021)
  2. Liu W., Anguelov D., Szegedy C. SSD: Single Shot MultiBox Detector [Text] // ECCV 2016–2016, Vol.1. — Pp. 21–37. Liu, Wei et al / SSD: Single Shot MultiBox Detector // Lecture Notes in Computer Science (2016) // — 2016 — P. 1–37.
  3. T. Y. Lin, P. Dollar, R. Girshick, K. He, B. Hariharan, and S. Belongie / Feature pyramid networks for object detection // In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition pages — 2017 — P. 1–9. — direct text.
  4. T. Y. Lin, P. Goyal, R. Girshick, K. He, and P. Dollar / Focal loss for dense object detection // — Feb. 2018 — P. 1–10. — direct text.
  5. Redmon and A. Farhadi / Yolov3: An incremental improvement // 2018 — P. 1–9. — direct text.
  6. LabelImg — URL: https://github.com/tzutalin/labelImg (дата обращения 01.06.2021). — Текст: электронный.
  7. Google Colaboratory — URL: https://colab.research.google.com (дата обращения 01.06.2021). — Текст: электронный.
Основные термины (генерируются автоматически): YOLO, нейронная сеть, карт признаков, GPU, слой, COCO, гнездо, карта признаков, линия электропередач, слой размером.


Задать вопрос