圖 1球頭掛環檢測模型示意
在輸電線路中，球頭掛環作為一種關鍵連接部件，其性能狀態直接影響輸電線路的整體穩定性和安全性。然而，由于長期暴露在復雜多變的自然環境中，球頭掛環容易出現各種缺陷（如裂紋、腐蝕和磨損等），這些缺陷不僅會降低其機械強度，還可能引發嚴重的安全事故。現有的檢測技術受到主觀因素的影響，難以發現微小缺陷，且檢測結果受光線、角度等因素的影響較大，檢測結果準確性不高。
因此，在該研究背景下，不少研究學者針對輸電線路檢測技術展開研究，分別采用不同方法進行輸電線路缺陷檢測，但存在檢測時間長、受環境影響大或依賴高質量數據集等問題[1-4]。在以往研究成果[5-6]的基礎上，筆者提出了基于ResNet50網絡的輸電線路球頭掛環超聲檢測技術。所提方法可以提高輸電線路球頭掛環的檢測精度和效率，降低漏檢和誤檢的風險，為輸電線路的安全運行提供有力保障。
1. 球頭掛環超聲檢測技術
1.1 球頭掛環超聲回波信號平滑處理
文章利用超聲檢測儀對輸電線路球頭掛環進行檢測，并獲取大量超聲回波信號，計算超聲對于球頭掛環的反射系數，從而獲取大量的超聲回波信號[7-8]。其具體計算過程如下
式中：Rs為超聲檢測儀對于球頭掛環的反射系數；Q1為球頭掛環的阻抗值；Q2為球頭掛環所用材料的標準阻抗值；ρz為球頭掛環材料的密度；Ck為設定的超聲檢測儀聲速；Hb為獲取的球頭掛環超聲回波信號；rz為超聲檢測儀與球頭掛環的接觸面積；Fr為球頭掛環的能量反射率。
然后，對球頭掛環超聲回波信號進行平滑處理[9]，去除回波信號中的干擾因素，提高回波信號的質量，為后續構建球頭掛環檢測模型奠定基礎。其具體處理過程為
式中：sign表示符號函數：Mh為門限函數；θz為回波信號的門限參數；γ為信號振蕩參數；ku為回波信號恒定偏差值；u為回波信號的門限值；
1.2 基于ResNet50網絡的檢測模型構建
根據超聲回波信號，利用ResNet50網絡，構建球頭掛環檢測模型。ResNet50網絡作為一種深度殘差網絡，引入殘差塊結構，通過跳躍連接提高了信息在網絡中的傳遞速度，利于更加深層次地分析輸入數據[10-11]。將其應用到球頭掛環檢測模型中，能夠提取出豐富的回波信號特征，并對提取的特征進行深入分析。
球頭掛環檢測模型如圖1所示，將處理過的回波信號作為輸入數據，輸入到檢測模型中。利用起始卷積層a1~a50先對其進行卷積處理，提取出回波信號中的低級特征[12]，再利用池化層和殘差模塊對回波信號的維度進行壓縮和恢復，并在全連接層b1~b50中生成相應的特征向量，再將其映射到對應的類別數，生成最終的檢測模型。
先對輸入的球頭掛環回波信號進行特征提取[13]。在提取時，需要多個卷積層和殘差塊共同作用，即
式中：Jc為多卷積層函數；F1，F2等為多個卷積層；Tz為殘差塊函數；g（x）為非線性映射函數，Ws（x）為非線性映射權重矩陣；x為輸入數據的格式轉換結果。
在此基礎上，通過設定損失函數[14]，構建相應的球頭掛環檢測模型，即
式中：Ls為設定的損失函數；yi為球頭掛環第i種缺陷類別出現的概率；pi為球頭掛環缺陷出現的概率；Cm為構建的球頭掛環檢測模型；Wk為全連接層的權重矩陣；bm為全連接層的偏置項。
計算球頭掛環異常處的缺陷參數，檢測出其缺陷類別，即
式中：ql為球頭掛環缺陷參數值；f為檢測模型的求解函數；pm，pn分別表示檢測模型中不同類別與缺陷的實際相似度；mk為檢測系數；hc為缺陷與檢測模型中各個類別的匹配系數。
根據計算的缺陷參數，劃分出不同的缺陷類別，由此輸出相應的檢測結果。
2. 試驗測試
2.1 試驗環境及參數設置
試驗環境配置如下：選用Ubuntu 20.04 LTS作為操作系統，學習框架為PyTorch，數據處理工具為Pandas，編程模型為CUDA。
試驗中，為采集輸電線路球頭掛環的回波信號，選用TH-CS150型超聲檢測儀。該超聲檢測儀的具體參數如表1所示。
Table 1.超聲檢測儀的具體參數
2.2 算例分析
以某輸電線路為例，其長度為10 km，截面積為150 mm2，電阻率為18.8 Ω·mm2·km−1，電抗為31.4 Ω·km−1，電容為4.33 μF·km−1。在該輸電線路中，關鍵位置的連接件均為Q-12M型號的球頭掛環。該球頭掛環具體位置如圖2所示。該球頭掛環的直徑為20 mm，連接桿長度為140 mm，螺紋孔直徑為18 mm，質量為1.5 kg，破壞荷載為120 kN。
圖 2球頭掛環位置示意
使用超聲檢測儀采集100 s的球頭掛環回波信號（見圖2），將其作為試驗原始數據，再對采集的信號進行平滑處理，處理后的球頭掛環回波信號如圖3所示。
圖 3球頭掛環回波信號
基于該回波信號，利用ResNet50網絡對其進行處理，提取出回波信號的特征，由此構建相應的檢測模型。設定的ResNet50網絡參數如表2所示。在該網絡層參數的基礎上，還要設定多個參數，如該ResNet50網絡的學習率為0.028，批處理大小為32，迭代次數為500。
Table 2.ResNet50網絡參數
利用該網絡，提取出回波信號的特征，以便更好地檢測出相應的輸電線路球頭掛環。此外，在此次試驗中，設置了對比試驗，其中，設所提技術為技術1，改進Res2Net-YOLACT模型的輸電線路檢測方法為技術2，基于YOLO目標檢測算法的輸電線路檢測方法為技術3。通過對比3項技術在實際應用中的效果，驗證所提技術的性能。
2.3 檢測結果對比分析
利用3種檢測技術對該輸電線路中的球頭掛環進行檢測，統計3種技術的檢測結果。其具體檢測結果如圖4所示。
圖 43種技術的球頭掛環檢測結果
如圖4所示，在該輸電線路球頭掛環出現磨損時，技術1能夠準確檢測到該掛環的磨損回波信號。技術2和技術3檢測到的磨損信號卻不明顯，其檢測精度遠低于技術1精度。這是因為所提方法對回波信號進行了平滑處理，提高了回波信號的質量。
2.4 誤檢率對比分析
利用3種檢測技術對該輸電線路進行多次檢測，統計其檢測結果的誤檢率，對比3種技術的檢測性能。3種技術的誤檢率對比如圖5所示。
圖 53種技術的球頭掛環誤檢率對比
如圖5所示，技術1的平均誤檢率為6.22%，技術2的平均誤檢率為25.64%，技術3的平均誤檢率為24.78%。可見，技術1的誤檢率最低，其檢測結果的準確性較高。
3. 結語
該研究使用超聲檢測技術，發射并接收來自球頭掛環的回波信號，結合使用ResNet50深度神經網絡模型，憑借其強大的特征提取與分類能力，準確識別出了球頭掛環中的缺陷（如裂紋、磨損等）。試驗結果表明，該方法誤檢率僅為6.22%，具有較高的檢測精度。該技術為輸電線路維護提供了可靠的數據支持，可有效提高運行安全性并降低巡檢成本。
文章來源——材料與測試網