基于YOLOv3算法的絕緣子紅外圖像故障檢測(cè)方法

武建華，梁利輝，紀(jì)欣欣，劉云鵬，裴少通

(1. 國(guó)網(wǎng)河北省電力有限公司檢修分公司，河北 石家莊 050071；2.華北電力大學(xué)，河北 保定 071003)

電力外絕緣設(shè)備的在線(xiàn)監(jiān)控與劣化診斷對(duì)于維護(hù)電力系統(tǒng)的安全穩(wěn)定運(yùn)行具有重要意義。在電網(wǎng)運(yùn)行中，電力設(shè)備部件因絕緣破損、接觸面氧化腐蝕、設(shè)計(jì)載流量不足等原因?qū)е碌牧踊斑^(guò)熱運(yùn)行，會(huì)引起具有異于常態(tài)的溫度分布[1]。紅外熱像法基于視場(chǎng)內(nèi)待測(cè)物體的輻射量差異，即響應(yīng)輻射量的相對(duì)變化值，得到待測(cè)物體溫升分布的熱像圖[2]，依據(jù)溫升曲線(xiàn)的異常分布，檢測(cè)出待測(cè)設(shè)備是否劣化故障[3-4]，該方法以其安全、高效、直觀(guān)等優(yōu)勢(shì)，在電力系統(tǒng)中廣泛應(yīng)用[5-7]。然而，目前的紅外運(yùn)檢策略往往通過(guò)現(xiàn)場(chǎng)采集數(shù)據(jù)，經(jīng)由后臺(tái)技術(shù)人員依據(jù)溫升差異進(jìn)行經(jīng)驗(yàn)排查，評(píng)估絕緣子的運(yùn)行狀態(tài)[8-9]。由于電網(wǎng)規(guī)模增長(zhǎng)，以及直升機(jī)、無(wú)人機(jī)、機(jī)器人巡線(xiàn)的大量應(yīng)用，使得紅外運(yùn)檢中產(chǎn)生的大量紅外圖像積壓，從而降低了運(yùn)檢效率，桎梏著紅外運(yùn)檢的發(fā)展。

2015年Faster R-CNN模型在COCO檢測(cè)大賽中拔得頭籌，也將目標(biāo)檢測(cè)識(shí)別的速度和效率提升到新的臺(tái)階[10]。國(guó)內(nèi)一些研究學(xué)者開(kāi)始將紅外熱成像法與深度學(xué)習(xí)理論應(yīng)用相結(jié)合，為電力設(shè)備在線(xiàn)監(jiān)測(cè)與故障診斷開(kāi)辟了新的道路，推動(dòng)了基于紅外圖像處理的電力設(shè)備診斷的發(fā)展[11-12]。文獻(xiàn)[13]采用深度卷積神經(jīng)網(wǎng)絡(luò)算法，提取輸電線(xiàn)路元件中的有效凸缺陷、異常掃描點(diǎn)數(shù)，由此實(shí)現(xiàn)缺陷類(lèi)型識(shí)別，該算法收斂速度快、泛化能力強(qiáng)，但是需要人工設(shè)置閾值，檢測(cè)效果不穩(wěn)定，易受背景干擾。文獻(xiàn)[14]初步探究了Faster R-CNN算法在電力設(shè)備診斷中的應(yīng)用，通過(guò)建立網(wǎng)絡(luò)共享參數(shù)，構(gòu)成紅外異常診斷模型，該模型能以較高的準(zhǔn)確率檢測(cè)出紅外異常放電點(diǎn)，但訓(xùn)練數(shù)據(jù)為實(shí)驗(yàn)室數(shù)據(jù)，缺乏工程應(yīng)用校對(duì)，難以確保實(shí)用性。2018年4月，YOLOv3算法橫空出世，在訓(xùn)練準(zhǔn)確率和訓(xùn)練速度上體現(xiàn)出無(wú)與倫比的優(yōu)勢(shì)，并在計(jì)算機(jī)領(lǐng)域受到極大關(guān)注[15-16]。文獻(xiàn)[17-18]采用YOLOv3算法對(duì)絕緣子定位識(shí)別進(jìn)行探索。文獻(xiàn)[19]采用YOLOv3算法實(shí)現(xiàn)了可見(jiàn)光通道下絕緣子串?dāng)嗔训臋z測(cè)。文獻(xiàn)[20]實(shí)現(xiàn)了基于YOLOv3算法的高壓設(shè)備故障發(fā)熱點(diǎn)紅外檢測(cè)，但涉及絕緣子部分的研究不多。目前該算法在故障絕緣子紅外圖像檢測(cè)相關(guān)的研究工作較為缺乏，尚未得到應(yīng)用和推廣。

本文結(jié)合現(xiàn)場(chǎng)檢測(cè)和供電公司采集獲取的大樣本外絕緣設(shè)備紅外通道數(shù)據(jù)，針對(duì)輸變電設(shè)備帶電紅外檢測(cè)過(guò)程中面臨的偽彩色類(lèi)型多樣、背景干擾復(fù)雜、拍攝角度不一、紅外圖像疊加圖形字符等多種問(wèn)題，構(gòu)建不同背景干擾下的絕緣子劣化特征識(shí)別數(shù)據(jù)庫(kù)?；赮OLOv3算法的評(píng)判機(jī)制，以及非監(jiān)督學(xué)習(xí)外絕緣設(shè)備紅外劣化圖像特征，研究并建立絕緣子紅外診斷模型。該方法可有效定位出絕緣子紅外圖像中的異常發(fā)熱點(diǎn)，為指導(dǎo)電力系統(tǒng)外絕緣設(shè)備運(yùn)檢，減少人力、物力消耗，提高電網(wǎng)運(yùn)行的智能化監(jiān)控水平，提供新的思路；同時(shí)，該方法融合了數(shù)字圖像處理、深度學(xué)習(xí)、機(jī)器學(xué)習(xí)，是新的故障診斷方法，具有重要的學(xué)術(shù)意義。

1 YOLOv3算法結(jié)構(gòu)及原理

YOLO的本質(zhì)是將目標(biāo)檢測(cè)問(wèn)題處理成回歸問(wèn)題，用單一卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測(cè)邊界框和類(lèi)別概率，速度快，可實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)[21-22]。YOLOv3算法是YOLO系列目標(biāo)檢測(cè)算法的第3代，圖1為該算法的結(jié)構(gòu)圖。圖1(b)為DBL結(jié)構(gòu)，其中BN組件為批量標(biāo)準(zhǔn)化，Leaky ReLU為帶泄露修正線(xiàn)性單元，是ReLU的改進(jìn)函數(shù)。

圖1 YOLOv3算法結(jié)構(gòu)Fig.1 YOLOv3 algorithm structure

該算法擁有106層完全卷積的構(gòu)架，包含卷積、路徑、批量標(biāo)準(zhǔn)化、殘差塊、跳連接、上采樣以及YOLO層[23]。整個(gè)模型在功能上可分為特征提取和處理輸出，特征提取部分為Darknet-53和殘差網(wǎng)絡(luò)的組合；處理輸出采用類(lèi)似于特征金字塔網(wǎng)絡(luò)(feature pyramid network，F(xiàn)PN)；卷積層主要采用1×1和3×3兩類(lèi)濾波器，前者用于壓縮特征表示，后者用于減小寬度和高度，增加信道數(shù)量[24]。復(fù)雜的卷積結(jié)構(gòu)通常意味著模型的訓(xùn)練難度加大、收斂速度變慢，為解決這一問(wèn)題，YOLOv3算法通過(guò)連接層和路徑層實(shí)現(xiàn)跨層連接，促進(jìn)多個(gè)不同特征的融合學(xué)習(xí)。上采樣層通過(guò)2個(gè)上采樣將小分辨率與大分辨率的特征圖有機(jī)結(jié)合，增強(qiáng)小目標(biāo)物體識(shí)別。

相較于之前的版本，YOLOv3算法改進(jìn)主要有3點(diǎn)：①調(diào)整分類(lèi)網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建Darknet-53框架，取代Darknet-19；②為提高較小目標(biāo)物體的檢測(cè)精度，引入多尺度特征進(jìn)行對(duì)象檢測(cè)；③考慮到檢測(cè)目標(biāo)標(biāo)簽的相容性，修改目標(biāo)分類(lèi)函數(shù)，以L(fǎng)ogistic函數(shù)取代softmax函數(shù)。

1.1 Darknet-53網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv3算法的分類(lèi)網(wǎng)絡(luò)繼承了YOLOv2算法的Darknet-19網(wǎng)絡(luò)，并在其結(jié)構(gòu)上去掉所有最大值池化層，增加了更多卷積層加深網(wǎng)絡(luò)，并引入殘差模型，共包含23個(gè)殘差塊，經(jīng)過(guò)5次下采樣，輸出大小為網(wǎng)絡(luò)輸入的1/32。改進(jìn)后的網(wǎng)絡(luò)具備53層卷積，命名為Darknet-53。該網(wǎng)絡(luò)借鑒了殘差網(wǎng)絡(luò)的做法，在一些層之間設(shè)置了快捷鏈路。

圖1(a)虛線(xiàn)框內(nèi)即為Darknet-53網(wǎng)絡(luò)的基本結(jié)構(gòu)，網(wǎng)絡(luò)采用256×256×3作為輸入，圖中的殘差1—8表示具有相對(duì)應(yīng)個(gè)數(shù)重復(fù)的殘差組件，每個(gè)殘差組件由2個(gè)卷積層和1個(gè)快捷鏈路構(gòu)成〔如圖1(c)所示〕。

1.2 多尺度特征檢測(cè)

不同于YOLOv2算法的passthrough結(jié)構(gòu)檢測(cè)細(xì)粒度特征，YOLOv3算法進(jìn)一步采用3個(gè)不同尺度的特征圖進(jìn)行對(duì)象檢測(cè)。如圖1(a)所示，輸入數(shù)據(jù)集通過(guò)Darknet-53網(wǎng)絡(luò)，在79層后經(jīng)過(guò)卷積得到第1個(gè)尺度的檢測(cè)結(jié)果，輸入圖像32倍下采樣的特征圖；特征圖的倍數(shù)較高，感受野較大，適合檢測(cè)圖像中目標(biāo)尺寸比較大的待測(cè)物體，標(biāo)記為輸出1。為實(shí)現(xiàn)檢測(cè)的精細(xì)化，另一條支路在第79層的特征圖上做上采樣，與第61層特征圖進(jìn)行張量拼接，得到第91層較為精細(xì)的特征圖，同時(shí)經(jīng)過(guò)卷積得到相對(duì)輸入圖像16倍下采樣的特征圖，該特征圖的感受野中等，適合檢測(cè)中等尺度的目標(biāo)物體，標(biāo)記為輸出2。為了檢測(cè)更小的物體，在第91層特征圖上進(jìn)一步采樣，并與第36層特征圖進(jìn)行張量拼接，獲得相對(duì)輸入圖像8倍的下采樣特征圖，其感受野最小，適合檢測(cè)小尺寸物體，標(biāo)記為輸出3。

1.3 網(wǎng)絡(luò)識(shí)別特征和計(jì)算方法

1.3.1 交并比計(jì)算

交并比(intersection over union，IOU)是對(duì)象類(lèi)別分割問(wèn)題的標(biāo)準(zhǔn)性能度量，其表明在1組圖像中存在對(duì)象的預(yù)測(cè)區(qū)域和地面實(shí)況區(qū)域之間的相似性[25]。YOLOv3算法以IOU分?jǐn)?shù)RIOU作為評(píng)估模型的指標(biāo)之一，其表達(dá)式為

(1)

其中

式中：V={1,2,…，N}為訓(xùn)練集中所有圖像的像素集合；X為集合V上的像素概率的網(wǎng)絡(luò)輸出；Y為集合V的地面實(shí)況區(qū)域分配。

1.3.2 邊界框計(jì)算

將輸入圖像分成均等大小的單元格，計(jì)算中心點(diǎn)所在單元坐標(biāo)位置，從而實(shí)現(xiàn)預(yù)測(cè)邊界框[16]，計(jì)算公式如下：

bx=δ(tx)+cx;

(2)

by=δ(ty)+cy;

(3)

bw=Pwetw;

(4)

bh=Pheth.

(5)

式中：tx、ty為預(yù)測(cè)坐標(biāo)偏移量，tw、th為尺度縮放；Pw、Ph為預(yù)設(shè)邊界框的寬度和高度；cx、cy為單元格的寬度和高度，即坐標(biāo)偏移量；δ(tx)、δ(ty)為中心點(diǎn)在其所在單元內(nèi)的單元坐標(biāo)；bx、by、bw、bh分別為邊界框相對(duì)于輸入圖像的坐標(biāo)位置和大小，即預(yù)測(cè)輸出坐標(biāo)。

1.3.3 維度聚類(lèi)

在計(jì)算標(biāo)準(zhǔn)框時(shí)，將所有標(biāo)注框中心點(diǎn)的x、y坐標(biāo)都置為0，這樣所有的標(biāo)注框都置于相同位置，從而有效計(jì)算標(biāo)注框之間的相似度。YOLOv3算法采用K-means聚類(lèi)確定標(biāo)準(zhǔn)框[26]，其聚類(lèi)距離度量函數(shù)

D=1-RIOU.

(6)

1.3.4 卷積核計(jì)算

最后一層卷積為1×1卷積，其卷積核尺寸Kker計(jì)算如下：

Kker=[B(5+C)×1×1].

(7)

式中：B為網(wǎng)絡(luò)可預(yù)測(cè)邊界框數(shù)目；C為類(lèi)別概率；5代表4個(gè)坐標(biāo)值(tx、ty、tw、th)和1個(gè)物體置信度。對(duì)于絕緣子紅外故障診斷數(shù)據(jù)集，C=1，B=3。

1.3.5 置信度計(jì)算

先判斷區(qū)域內(nèi)是否含有目標(biāo)物體，如果有，則目標(biāo)對(duì)象O設(shè)為1，否則為0；隨即計(jì)算RIOU，進(jìn)而計(jì)算置信度分?jǐn)?shù)Fcon，即

Fcon=P(O)RIOU，

(8)

式中P(O)用于判定預(yù)測(cè)框內(nèi)是否含有目標(biāo)物體，僅有0/1這2個(gè)值。

1.3.6 損失函數(shù)

YOLOv3算法的誤差包含置信度誤差、分類(lèi)誤差和定位誤差3類(lèi)，均采用二值交叉熵?fù)p失邏輯分類(lèi)器(binary cross entropy，BCE)進(jìn)行計(jì)算，交叉熵公式為

Eloss=-[pilogqi+(1-pi)log(1-qi)].

(9)

式中：Eloss為交叉熵?fù)p失值；pi為樣本期望輸出；qi為樣本實(shí)際輸出。

2 絕緣子紅外圖像故障檢測(cè)算法實(shí)現(xiàn)

通過(guò)現(xiàn)場(chǎng)拍攝和采集圖像，構(gòu)建絕緣子紅外故障圖譜庫(kù)，采用LabelImg完成數(shù)據(jù)集標(biāo)注，通過(guò)圖像預(yù)處理進(jìn)行數(shù)據(jù)增強(qiáng)，提高模型的魯棒性。采用標(biāo)注框K-means聚類(lèi)確定標(biāo)準(zhǔn)框大小，進(jìn)而確定YOLOv3算法3個(gè)尺度的網(wǎng)絡(luò)節(jié)點(diǎn)尺寸。以Darknet-53網(wǎng)絡(luò)為初始模型框架，代入數(shù)據(jù)集進(jìn)行迭代訓(xùn)練，通過(guò)不斷修改參數(shù)，提高模型識(shí)別準(zhǔn)確度和框選置信度，達(dá)到損失函數(shù)收斂閾值，構(gòu)建出紅外圖像故障定位診斷模型。

2.1 訓(xùn)練環(huán)境說(shuō)明

本文所采用的訓(xùn)練環(huán)境參數(shù)包括：戴爾(DELL)PowerEdge T640塔式服務(wù)器，CPU為至強(qiáng)3106，GPU為RTX2080×4，顯卡為GeForce GTX 1080Ti 11 G，內(nèi)存32 GB，固態(tài)硬盤(pán)512 GB，機(jī)械硬盤(pán)4 TB。

2.2 數(shù)據(jù)集預(yù)處理

現(xiàn)場(chǎng)采集拍攝的絕緣子紅外圖像1 673張，考慮到實(shí)際采集圖像拍攝角度的變化影響，對(duì)采集到的數(shù)據(jù)集樣本進(jìn)行隨機(jī)旋轉(zhuǎn)角度處理，如圖2所示。此外，為了使訓(xùn)練模型更具普適性，在YOLOv3算法內(nèi)設(shè)置數(shù)據(jù)增強(qiáng)函數(shù)，對(duì)原始數(shù)據(jù)集進(jìn)行預(yù)處理，分別為調(diào)整飽和度Dsat、調(diào)整曝光度Dexp和調(diào)整色調(diào)Dhue，由此生成更多的訓(xùn)練樣本，參數(shù)設(shè)定依次為Dsat=1.5，Dexp=1.5，Dhue=0.1。

圖2 隨機(jī)旋轉(zhuǎn)角度預(yù)處理樣圖Fig.2 Preprocessing sample of random rotation angle

2.3 確定YOLOv3算法標(biāo)準(zhǔn)框尺寸

YOLOv3算法采用多尺度檢測(cè)方式，由文獻(xiàn)[13]可知，在VOC數(shù)據(jù)集中，這組標(biāo)準(zhǔn)尺度為[10,13]、[16,30]、[33,23]、[30,61]、[62,45]、[59,119]、[116,90]、[156,198]、[373,326]，目標(biāo)大小差距很大，不太適用于絕緣子紅外圖像故障檢測(cè)；因此需要依據(jù)數(shù)據(jù)集樣本特征設(shè)定網(wǎng)絡(luò)節(jié)點(diǎn)輸出的標(biāo)準(zhǔn)尺寸，提高邊界框的檢出率。本文采用K-means聚類(lèi)算法進(jìn)行標(biāo)注框的聚類(lèi)分析，確定邊界框大小。為了更好獲得聚類(lèi)效果，將標(biāo)注框數(shù)據(jù)歸一化，如公式(10)—公式(13)所示：

(10)

(11)

(12)

(13)

式中：xmin為標(biāo)注框左下角橫坐標(biāo)；xmax為標(biāo)注框右下角橫坐標(biāo)；ymin為標(biāo)注框左下角縱坐標(biāo)；ymax為標(biāo)注框左上角縱坐標(biāo)；xsize、ysize為輸入圖像的寬度和高度。

對(duì)獲取到的歸一化數(shù)據(jù)進(jìn)行聚類(lèi)分析，圖3所示為標(biāo)注框的聚類(lèi)結(jié)果圖。將數(shù)據(jù)反歸一化處理，確定標(biāo)準(zhǔn)框尺寸為[105,153]、[49,250]、[34,132]、[114,43]、[33,78]、[47,56]、[52,25]、[22,34]、[16,15]。

圖3 聚類(lèi)結(jié)果Fig.3 Clustering result

建立以Darknet-53網(wǎng)絡(luò)為基礎(chǔ)的YOLO底層模型框架，依據(jù)劣化絕緣子的紅外特征確立3個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)輸出尺寸；隨后依據(jù)訓(xùn)練圖像的大小調(diào)節(jié)參數(shù)，使圖像縮放在100～280之間，通過(guò)前向傳播和后向傳播迭代進(jìn)行訓(xùn)練，當(dāng)訓(xùn)練達(dá)到最優(yōu)RIOU最低Eloss時(shí)，保存權(quán)重并退出訓(xùn)練。

每種下采樣尺度設(shè)定3種先驗(yàn)框，共聚類(lèi)出9個(gè)尺寸。在分配上：最小的13×13特征圖上應(yīng)用較大的先驗(yàn)框[105,153]、[49,250]、[34,132]，適合檢測(cè)較大的對(duì)象；中等的26×26特征圖上應(yīng)用中等的先驗(yàn)框[114,43]、[33,78]、[47,56]，適合檢測(cè)中等的對(duì)象；較大的52×52特征圖上應(yīng)用較小的先驗(yàn)框[52,25]、[22,34]、[16,15]，適合檢測(cè)較小的對(duì)象。3個(gè)YOLO輸出層分別對(duì)各自前一層的特征庫(kù)進(jìn)行解析，輸出得到診斷預(yù)測(cè)信息和預(yù)測(cè)置信度。其映射到3個(gè)尺度的輸出張量，代表圖像各個(gè)位置存在各種對(duì)象的概率。通過(guò)橫向比較不同尺度下的RIOU，完成紅外圖像的診斷識(shí)別。

依靠人為干預(yù)調(diào)整參數(shù)，初始速率設(shè)置在0.01～0.001之間，45 000輪后，逐漸減緩；接近訓(xùn)練結(jié)束時(shí)衰減達(dá)到100倍以上，訓(xùn)練過(guò)程中依Eloss的變化和其他指標(biāo)進(jìn)行動(dòng)態(tài)調(diào)整。

2.4 訓(xùn)練過(guò)程

訓(xùn)練速率決定著權(quán)值更新的速度，其參數(shù)值設(shè)置太大會(huì)使結(jié)果錯(cuò)過(guò)最優(yōu)值，太小會(huì)使下降速度過(guò)慢，陷入局部收斂。

2.4.1 交叉熵?fù)p失的價(jià)值Eloss

圖4為不同訓(xùn)練速率下的Eloss曲線(xiàn)圖，由圖4(a)可知，訓(xùn)練速率為0.000 1的Eloss曲線(xiàn)初值較低，隨后由于步長(zhǎng)過(guò)小，經(jīng)過(guò)3個(gè)波峰波谷后才收斂穩(wěn)定，整體曲線(xiàn)下降速率較低。隨著訓(xùn)練速率增大，曲線(xiàn)收斂速率逐漸加快，當(dāng)提高速率為0.05時(shí)，雖然前期收斂速度最快，但由于步長(zhǎng)太大錯(cuò)過(guò)最優(yōu)值，Eloss曲線(xiàn)在第995輪次后反向遞增至無(wú)窮大，收斂失敗。由圖4(b)可知，在迭代50 000輪次后，Eloss值收斂在0.02左右。

圖4 不同訓(xùn)練速率下的Eloss曲線(xiàn)圖Fig.4 Eloss curves under different training speed

2.4.2 交并比和置信度

圖5和圖6分別為不同訓(xùn)練速率下的RIOU曲線(xiàn)和置信度曲線(xiàn)。隨著訓(xùn)練的進(jìn)行，絕緣子故障識(shí)別的訓(xùn)練效果不斷優(yōu)化，曲線(xiàn)逐漸上升并呈收斂態(tài)勢(shì)，最終置信度曲線(xiàn)經(jīng)過(guò)微弱振蕩收斂在99.8%左右，RIOU曲線(xiàn)在迭代40 000輪次后進(jìn)一步抬升，最終收斂在90.2%左右。根據(jù)曲線(xiàn)對(duì)比可知，采用0.000 1訓(xùn)練速率，由于步長(zhǎng)太小，在迭代10 000輪次后仍然難以收斂；采用0.05訓(xùn)練速率，因步長(zhǎng)過(guò)大，在迭代次數(shù)達(dá)到1 000時(shí)，錯(cuò)過(guò)最優(yōu)值，模型收斂失敗。

圖5 不同訓(xùn)練速率下的RIOU曲線(xiàn)Fig.5 RIOU curves under different training speed

圖6 不同訓(xùn)練速率下的置信度曲線(xiàn)Fig.6 Confidence curves under different training speed

2.4.3 現(xiàn)場(chǎng)對(duì)比

圖7為不同訓(xùn)練速率下的檢測(cè)效果對(duì)比圖，由圖7可知：0.01訓(xùn)練速率下的模型目標(biāo)框選和置信度表現(xiàn)更優(yōu)。雖然圖7(a)的識(shí)別置信度為97.33%，不及參數(shù)0.000 1和0.005的99.76%和98.88%，但相差不大。對(duì)于故障程度較輕的異常發(fā)熱〔如圖7(c)〕，參數(shù)0.005的識(shí)別模型并未檢出，而0.000 1和0.001參數(shù)識(shí)別的置信度分別為77.22%和59.69%，均不及參數(shù)0.01模型的85.31%。

圖7 檢測(cè)效果對(duì)比Fig.7 Comparison of detection effects

3 現(xiàn)場(chǎng)應(yīng)用

通過(guò)現(xiàn)場(chǎng)檢測(cè)，紅外成像可以檢出的外絕緣設(shè)備異常放電的典型缺陷包括：低值/零值放電、污穢引起的局部放電、破損/裂紋產(chǎn)生的局部過(guò)熱等。本文對(duì)現(xiàn)場(chǎng)采集的400多張測(cè)試樣本，在YOLOv3模型中進(jìn)行測(cè)試和分析。

3.1 低值/零值絕緣子

圖8所示為低值絕緣子檢測(cè)紅外圖像。瓷絕緣子由于瓷、水泥、鐵腳和鐵帽等部位的熱膨脹系數(shù)各不相同，當(dāng)絕緣子受冷熱變化時(shí)，瓷件受到較大的應(yīng)力，鐵帽內(nèi)部絕緣子容易開(kāi)裂，或在遭受雷擊時(shí)被擊穿而形成低值或零值，在紅外檢測(cè)中，呈現(xiàn)整體溫度異常。檢測(cè)時(shí)，部分整體發(fā)熱不明顯的絕緣子，檢出框覆蓋不全〔如圖8(c)〕，但基本可以有效檢出目標(biāo)。

圖8 低值絕緣子檢測(cè)Fig.8 Low-value insulator detection

3.2 污穢

運(yùn)行在戶(hù)外的絕緣子，受大氣污染或塵土沉積形成污穢層。在高濕環(huán)境下，污穢物中可溶性電解質(zhì)吸收水分，形成導(dǎo)電水膜，容易引起局部放電，主要呈現(xiàn)紅外局部過(guò)熱，且與正常相差不大的特征。在檢測(cè)時(shí)，過(guò)熱明顯的污穢絕緣子可被有效識(shí)別并檢出，過(guò)熱程度較輕的絕緣子會(huì)出現(xiàn)不同程度的漏檢，如圖9(c)所示。

圖9 污穢絕緣子檢測(cè)Fig.9 Contaminated insulator detection

3.3 破損/裂紋

受雷擊、覆冰、自爆、閃絡(luò)等因素影響，運(yùn)行絕緣子可能存在不同程度的破損、橫向或縱向裂紋，多發(fā)于絕緣子的端部、底部。在檢測(cè)時(shí)，故障點(diǎn)過(guò)熱特征明顯，基本可以有效檢出，且置信度較高，如圖10所示。

圖10 破損/裂紋絕緣子檢測(cè)Fig.10 Broken/cracked insulator detection

3.4 多點(diǎn)異常發(fā)熱

在較少情況下，出現(xiàn)不止1項(xiàng)故障設(shè)備。在檢測(cè)這類(lèi)圖像時(shí)，雖然有的設(shè)備框選置信度不高，但是基本可以有效檢出，具有良好的工業(yè)應(yīng)用前景，如圖11所示。

圖11 多點(diǎn)異常發(fā)熱檢測(cè)Fig.11 Multi-point abnormal heating detection

3.5 樣本檢測(cè)結(jié)果

基于YOLOv3紅外診斷算法，對(duì)400張測(cè)試樣本進(jìn)行檢測(cè)，樣本共包含異常放電點(diǎn)673個(gè)。經(jīng)測(cè)試，該模型算法可標(biāo)記出故障點(diǎn)580個(gè)，其中誤檢項(xiàng)26個(gè)，對(duì)于大多數(shù)紅外異常發(fā)熱點(diǎn)均可有效識(shí)別并正確標(biāo)記，測(cè)試平均識(shí)別置信度為0.812 7，誤檢率為0.044 8，漏檢率為0.176 8。

4 結(jié)束語(yǔ)

本文以紅外成像儀現(xiàn)場(chǎng)采集的絕緣子圖像為研究對(duì)象，構(gòu)建了基于YOLOv3算法的絕緣子紅外圖像故障檢測(cè)模型。通過(guò)統(tǒng)一調(diào)節(jié)隨機(jī)旋轉(zhuǎn)角度、曝光度、飽和度、色調(diào)等，增加訓(xùn)練集數(shù)量，使模型更具有普適性。采用K-means聚類(lèi)確定網(wǎng)絡(luò)節(jié)點(diǎn)輸出尺寸，比較不同訓(xùn)練速率下的Eloss、RIOU、置信度曲線(xiàn)以及應(yīng)用效果，確定最優(yōu)參數(shù)為0.01，并針對(duì)現(xiàn)場(chǎng)常見(jiàn)的幾種故障情況進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果表明，該模型在低值/零值放電、破損/裂紋產(chǎn)生局部過(guò)熱時(shí)的表現(xiàn)性能較優(yōu)，對(duì)于過(guò)熱程度較輕的污穢絕緣子會(huì)出現(xiàn)一定的漏檢；識(shí)別置信度為0.812 7，誤檢率為0.044 8，漏檢率為0.176 8。該方法為絕緣子紅外智能化運(yùn)檢提供了新的檢測(cè)方法，具有一定的工程意義。