分享：基于ResNet50网络的输电线路球头挂环超声检测

在输电线路中，球头挂环作为一种关键连接部件，其性能状态直接影响输电线路的整体稳定性和安全性。然而，由于长期暴露在复杂多变的自然环境中，球头挂环容易出现各种缺陷（如裂纹、腐蚀和磨损等），这些缺陷不仅会降低其机械强度，还可能引发严重的安全事故。现有的检测技术受到主观因素的影响，难以发现微小缺陷，且检测结果受光线、角度等因素的影响较大，检测结果准确性不高。 

因此，在该研究背景下，不少研究学者针对输电线路检测技术展开研究，分别采用不同方法进行输电线路缺陷检测，但存在检测时间长、受环境影响大或依赖高质量数据集等问题[1-4]。在以往研究成果[5-6]的基础上，笔者提出了基于ResNet50网络的输电线路球头挂环超声检测技术。所提方法可以提高输电线路球头挂环的检测精度和效率，降低漏检和误检的风险，为输电线路的安全运行提供有力保障。 

1.   球头挂环超声检测技术

1.1   球头挂环超声回波信号平滑处理

文章利用超声检测仪对输电线路球头挂环进行检测，并获取大量超声回波信号，计算超声对于球头挂环的反射系数，从而获取大量的超声回波信号[7-8]。其具体计算过程如下 

式中：Rs为超声检测仪对于球头挂环的反射系数；Q1为球头挂环的阻抗值；Q2为球头挂环所用材料的标准阻抗值；ρz为球头挂环材料的密度；Ck为设定的超声检测仪声速；Hb为获取的球头挂环超声回波信号；rz为超声检测仪与球头挂环的接触面积；Fr为球头挂环的能量反射率。 

然后，对球头挂环超声回波信号进行平滑处理[9]，去除回波信号中的干扰因素，提高回波信号的质量，为后续构建球头挂环检测模型奠定基础。其具体处理过程为 

式中：sign表示符号函数：Mh为门限函数；θz为回波信号的门限参数；γ为信号振荡参数；ku为回波信号恒定偏差值；u为回波信号的门限值；${\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}}_{\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">?</span>}}^{\text{<span style="font-size: 16px; color: rgb(0, 0, 0);">*</span>}}$为平滑处理后的回波信号；ph为平滑系数。 

1.2   基于ResNet50网络的检测模型构建

根据超声回波信号，利用ResNet50网络，构建球头挂环检测模型。ResNet50网络作为一种深度残差网络，引入残差块结构，通过跳跃连接提高了信息在网络中的传递速度，利于更加深层次地分析输入数据[10-11]。将其应用到球头挂环检测模型中，能够提取出丰富的回波信号特征，并对提取的特征进行深入分析。 

球头挂环检测模型如图1所示，将处理过的回波信号作为输入数据，输入到检测模型中。利用起始卷积层a1~a50先对其进行卷积处理，提取出回波信号中的低级特征[12]，再利用池化层和残差模块对回波信号的维度进行压缩和恢复，并在全连接层b1~b50中生成相应的特征向量，再将其映射到对应的类别数，生成最终的检测模型。 

图  1  球头挂环检测模型示意

先对输入的球头挂环回波信号进行特征提取[13]。在提取时，需要多个卷积层和残差块共同作用，即 

式中：Jc为多卷积层函数；F1，F2等为多个卷积层；Tz为残差块函数；g（x）为非线性映射函数，Ws（x）为非线性映射权重矩阵；x为输入数据的格式转换结果。 

在此基础上，通过设定损失函数[14]，构建相应的球头挂环检测模型，即 

式中：Ls为设定的损失函数；yi为球头挂环第i种缺陷类别出现的概率；pi为球头挂环缺陷出现的概率；Cm为构建的球头挂环检测模型；Wk为全连接层的权重矩阵；bm为全连接层的偏置项。 

计算球头挂环异常处的缺陷参数，检测出其缺陷类别，即 

式中：ql为球头挂环缺陷参数值；f为检测模型的求解函数；pm，pn分别表示检测模型中不同类别与缺陷的实际相似度；mk为检测系数；hc为缺陷与检测模型中各个类别的匹配系数。 

根据计算的缺陷参数，划分出不同的缺陷类别，由此输出相应的检测结果。 

2.   试验测试

2.1   试验环境及参数设置

试验环境配置如下：选用Ubuntu 20.04 LTS作为操作系统，学习框架为PyTorch，数据处理工具为Pandas，编程模型为CUDA。 

试验中，为采集输电线路球头挂环的回波信号，选用TH-CS150型超声检测仪。该超声检测仪的具体参数如表1所示。 

2.2   算例分析

以某输电线路为例，其长度为10 km，截面积为150 mm2，电阻率为18.8 Ω·mm2·km−1，电抗为31.4 Ω·km−1，电容为4.33 μF·km−1。在该输电线路中，关键位置的连接件均为Q-12M型号的球头挂环。该球头挂环具体位置如图2所示。该球头挂环的直径为20 mm，连接杆长度为140 mm，螺纹孔直径为18 mm，质量为1.5 kg，破坏荷载为120 kN。 

图  2  球头挂环位置示意

使用超声检测仪采集100 s的球头挂环回波信号（见图2），将其作为试验原始数据，再对采集的信号进行平滑处理，处理后的球头挂环回波信号如图3所示。 

图  3  球头挂环回波信号

基于该回波信号，利用ResNet50网络对其进行处理，提取出回波信号的特征，由此构建相应的检测模型。设定的ResNet50网络参数如表2所示。在该网络层参数的基础上，还要设定多个参数，如该ResNet50网络的学习率为0.028，批处理大小为32，迭代次数为500。 

利用该网络，提取出回波信号的特征，以便更好地检测出相应的输电线路球头挂环。此外，在此次试验中，设置了对比试验，其中，设所提技术为技术1，改进Res2Net-YOLACT模型的输电线路检测方法为技术2，基于YOLO目标检测算法的输电线路检测方法为技术3。通过对比3项技术在实际应用中的效果，验证所提技术的性能。 

2.3   检测结果对比分析

利用3种检测技术对该输电线路中的球头挂环进行检测，统计3种技术的检测结果。其具体检测结果如图4所示。 

图  4  3种技术的球头挂环检测结果

如图4所示，在该输电线路球头挂环出现磨损时，技术1能够准确检测到该挂环的磨损回波信号。技术2和技术3检测到的磨损信号却不明显，其检测精度远低于技术1精度。这是因为所提方法对回波信号进行了平滑处理，提高了回波信号的质量。 

2.4   误检率对比分析

利用3种检测技术对该输电线路进行多次检测，统计其检测结果的误检率，对比3种技术的检测性能。3种技术的误检率对比如图5所示。 

图  5  3种技术的球头挂环误检率对比

如图5所示，技术1的平均误检率为6.22%，技术2的平均误检率为25.64%，技术3的平均误检率为24.78%。可见，技术1的误检率最低，其检测结果的准确性较高。 

3.   结语

该研究使用超声检测技术，发射并接收来自球头挂环的回波信号，结合使用ResNet50深度神经网络模型，凭借其强大的特征提取与分类能力，准确识别出了球头挂环中的缺陷（如裂纹、磨损等）。试验结果表明，该方法误检率仅为6.22%，具有较高的检测精度。该技术为输电线路维护提供了可靠的数据支持，可有效提高运行安全性并降低巡检成本。

文章来源——材料与测试网