在輸電線路中，球頭掛環(huán)作為一種關鍵連接部件，其性能狀態(tài)直接影響輸電線路的整體穩(wěn)定性和安全性。然而，由于長期暴露在復雜多變的自然環(huán)境中，球頭掛環(huán)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(fā)嚴重的安全事故?，F有的檢測技術受到主觀因素的影響，難以發(fā)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(huán)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(huán)超聲檢測技術。所提方法可以提高輸電線路球頭掛環(huán)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(huán)超聲檢測技術
1.1 球頭掛環(huán)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(huán)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(huán)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(huán)的反射系數；Q1為球頭掛環(huán)的阻抗值；Q2為球頭掛環(huán)所用材料的標準阻抗值；ρz為球頭掛環(huán)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(huán)超聲回波信號；rz為超聲檢測儀與球頭掛環(huán)的接觸面積；Fr為球頭掛環(huán)的能量反射率。
然后，對球頭掛環(huán)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(xù)構建球頭掛環(huán)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；??*為平滑處理后的回波信號；ph為平滑系數。
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(huán)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(huán)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(huán)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(huán)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
| ??=?1(?2(?(?50(??* )))) | (5) |
| ??=?? · ?? · ?(?)+??(?) | (6) |
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(huán)檢測模型，即
| ??=-∑???lg?? | (7) |
| ??=????+???? | (8) |
式中：Ls為設定的損失函數；yi為球頭掛環(huán)第i種缺陷類別出現的概率；pi為球頭掛環(huán)缺陷出現的概率；Cm為構建的球頭掛環(huán)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(huán)異常處的缺陷參數，檢測出其缺陷類別，即
| ??=?(??) · ??-???? · ?? | (9) |
式中：ql為球頭掛環(huán)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(huán)境及參數設置
試驗環(huán)境配置如下：選用Ubuntu 20.04 LTS作為操作系統(tǒng)，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(huán)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。
