繼電保護(hù)壓板狀態(tài)識(shí)別嵌入式智能設(shè)備的應(yīng)用

黃日泉，周 恒，李新海，羅海鑫，廖偉全，易 婷，曾新雄

(廣東電網(wǎng)有限責(zé)任公司中山供電局，廣東 中山 528400)

0 引言

目前,變電站運(yùn)維工作中繼電保護(hù)壓板狀態(tài)監(jiān)視仍主要依靠人工定期巡檢完成。隨著計(jì)算機(jī)和通信技術(shù)的發(fā)展,利用智能化設(shè)備實(shí)現(xiàn)繼電保護(hù)壓板巡視的智能化具有重要意義。

1 智能化實(shí)現(xiàn)方案

實(shí)現(xiàn)繼電保護(hù)壓板的智能化嵌入式巡視需要解決的主要問(wèn)題在于壓板狀態(tài)識(shí)別和信息數(shù)字化。目前有兩種繼電保護(hù)壓板狀態(tài)智能化嵌入式實(shí)現(xiàn)方案,一種是基于手持巡檢儀的半智能化巡視,一種是遠(yuǎn)程“遙視”監(jiān)測(cè)?；谑殖盅矙z儀的半智能化巡視通過(guò)手持巡檢儀與繼電保護(hù)壓板預(yù)先安裝的固定裝置進(jìn)行信息交換,實(shí)現(xiàn)自動(dòng)化采集、存儲(chǔ)和上傳壓板狀態(tài)信息；而遠(yuǎn)程“遙視”監(jiān)測(cè)通過(guò)變電站內(nèi)攝像機(jī)采集繼電保護(hù)壓板圖像并傳輸?shù)竭\(yùn)維中心,以便運(yùn)維人員觀察并及時(shí)作出判斷。

無(wú)論是基于手持巡檢儀的半智能化巡視,還是遠(yuǎn)程“遙視”監(jiān)測(cè),都已經(jīng)被應(yīng)用到變電站繼電保護(hù)壓板巡視中。在實(shí)際應(yīng)用中,基于手持巡檢儀的半智能化巡視需要依賴事先安裝固定裝置來(lái)達(dá)到識(shí)別壓板狀態(tài)的目的,智能化程度不足；而遠(yuǎn)程“遙視”監(jiān)測(cè)由于攝像機(jī)本身及拍攝角度限制,存在拍攝死角,導(dǎo)致圖像的采集受到一定限制,而且遙視本身并不具備圖像分析和壓板狀態(tài)識(shí)別等功能。

利用工業(yè)高清照相機(jī)、嵌入式單元和Mobile Net算法設(shè)計(jì)出的一種嵌入式設(shè)備,可實(shí)現(xiàn)對(duì)變電站繼電保護(hù)壓板狀態(tài)的智能識(shí)別。該設(shè)備具有變焦、自動(dòng)對(duì)焦功能,巡檢人員可遠(yuǎn)距離任意調(diào)整角度采集圖像；同時(shí)在Mobile Net算法和嵌入式AI加速芯片的支持下,繼電保護(hù)壓板狀態(tài)識(shí)別的準(zhǔn)確率達(dá)可達(dá)100 %,對(duì)單張繼電保護(hù)壓板屏柜圖像中多個(gè)壓板的狀態(tài)識(shí)別平均耗時(shí)2400 ms左右,可有效提高變電站繼電保護(hù)壓板的巡視效率。

2 方案實(shí)施與測(cè)試

2.1 繼電保護(hù)壓板狀態(tài)識(shí)別嵌入式設(shè)備

新設(shè)計(jì)的一種手持式繼電保護(hù)壓板狀態(tài)識(shí)別嵌入式設(shè)備,由前殼體、觸摸顯示屏、嵌入式單元、電源模塊、后殼體、固定組件、高清鏡頭相機(jī)和手持手柄組成。

該嵌入設(shè)備中,前、后殼體為阻燃ABS塑料外殼；觸摸顯示屏為5寸高清高亮高分辨率電容觸摸屏,可實(shí)現(xiàn)多點(diǎn)觸控；嵌入式單元搭載了ARM全新Cortex-A72架構(gòu)和六核64位高性能處理器,主頻高達(dá)1.8 GHz,集成四核Mali-T860 GPU,擁有強(qiáng)大的硬解碼能力,最大可支持4 K硬解,板載模塊化深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)加速器NPU,無(wú)需外部緩存,擁有強(qiáng)勁算力與超高效能,同時(shí)嵌入式單元支持以太網(wǎng)和USB有線通信,支持WiFi和藍(lán)牙無(wú)線通信；電源模塊主要由聚合物鋰電池和電壓轉(zhuǎn)換電路構(gòu)成,具有可充電、輸入過(guò)壓保護(hù)、輸出過(guò)壓過(guò)流保護(hù)和過(guò)溫保護(hù)等功能,為嵌入式單元提供一個(gè)穩(wěn)定、可靠的工作電源；高清照相機(jī)具有光學(xué)防抖、可變焦和自動(dòng)對(duì)焦等功能,支持WiFi通信和NFC連接功能。該設(shè)備可通過(guò)WiFi通信,控制高清照相機(jī)對(duì)繼電保護(hù)壓板進(jìn)行拍攝,并對(duì)拍攝圖像進(jìn)行分析,識(shí)別出壓板狀態(tài)；同時(shí)可通過(guò)4G無(wú)線通信、USB接口、以太網(wǎng)口模塊,將拍攝的壓板圖像和識(shí)別結(jié)果上傳至服務(wù)器。

2.2 工業(yè)高清照相機(jī)

繼電保護(hù)壓板狀態(tài)識(shí)別嵌入式設(shè)備采用分體式PixPro SL10高清照相機(jī),設(shè)備攝像組件可方便拆卸安裝。

油菜葉片是油菜最主要的生命活動(dòng)場(chǎng)所，是直接反映油菜種類和生長(zhǎng)狀況的主要器官。油菜葉片顏色變化是進(jìn)行油菜營(yíng)養(yǎng)狀況診斷的重要依據(jù)之一。近年來(lái)，隨著計(jì)算機(jī)視覺(jué)技術(shù)在農(nóng)作物營(yíng)養(yǎng)診斷領(lǐng)域的不斷應(yīng)用，利用計(jì)算機(jī)視覺(jué)技術(shù)進(jìn)行油菜營(yíng)養(yǎng)診斷也不斷發(fā)展[1]。但在各類應(yīng)用中，由于常規(guī)方法很難去除油菜葉片圖像中的葉脈部分，從而導(dǎo)致一般未考慮油菜葉片中的葉脈對(duì)營(yíng)養(yǎng)診斷的影響。油菜主葉脈較大，在進(jìn)行營(yíng)養(yǎng)測(cè)定時(shí)均要去除主葉脈以免影響測(cè)定結(jié)果。因而，研究油菜葉片圖像中主葉脈的去除方法具有重要意義。

工業(yè)高清照相機(jī)的選型主要考慮成像分辨率、變焦、防抖、便攜、支持的通信方式等各項(xiàng)參數(shù)。

2.3 繼電保護(hù)壓板狀態(tài)識(shí)別

繼電保護(hù)壓板狀態(tài)識(shí)別嵌入式設(shè)備采用Mobile Net算法來(lái)進(jìn)行識(shí)別,以下是針對(duì)該算法的說(shuō)明。

2.3.1 Mobile Net網(wǎng)絡(luò)

Mobile Net于2018年由谷歌發(fā)布,是為嵌入式和移動(dòng)式深度學(xué)習(xí)應(yīng)用而設(shè)計(jì)的網(wǎng)絡(luò),相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法,占用資源更少、運(yùn)算速度更快、準(zhǔn)確率更高。同時(shí),Mobile Net是基于CNN模型的算法,在嵌入式單元AI計(jì)算模塊的AI加速芯片支持下,可進(jìn)一步提高運(yùn)算速度。

深度可分離卷積是Mobile Net的核心單元,它由兩層構(gòu)成：深度卷積和逐點(diǎn)卷積。深度卷積針對(duì)每一個(gè)輸入通道用單個(gè)卷積核進(jìn)行卷積,得到輸入通道數(shù)的深度,然后運(yùn)用逐點(diǎn)卷積,即應(yīng)用一個(gè)簡(jiǎn)單的1×1卷積,對(duì)深度卷積中的輸出進(jìn)行線性結(jié)合。與傳統(tǒng)卷積相比,深度可分離卷積減少了8～9倍的計(jì)算量。

使用中發(fā)現(xiàn),深度卷積部分的卷積核很容易廢掉,即卷積核參數(shù)大部分為0。因此,Mobile Net V2使用了倒轉(zhuǎn)的殘差結(jié)構(gòu),即在采用當(dāng)時(shí)流行的殘差結(jié)構(gòu)的同時(shí),在進(jìn)入深度卷積前先將輸入送入1×1的點(diǎn)卷積,把特征圖的通道數(shù)“壓”下來(lái),再經(jīng)過(guò)深度卷積,最后經(jīng)過(guò)一個(gè)1×1的點(diǎn)卷積層,將特征圖通道數(shù)再“擴(kuò)張”回去,即先“壓縮”,最后“擴(kuò)張”回去。前兩步的輸出都采用ReLU激活函數(shù)處理,最后一步采用線性輸出,可在一定程度上減少信息的丟失。

2.3.2 模型實(shí)現(xiàn)

(1) 圖像轉(zhuǎn)換。使用Python的Numpy庫(kù)和Matplotlib庫(kù)將拍攝的繼電保護(hù)壓板圖像解碼后,調(diào)整為規(guī)定的模型讀取尺寸,再轉(zhuǎn)化為三維的圖像矩陣。一維、二維存放圖像的空間特征,三維存放圖像的顏色通道特征。

(2) 模型調(diào)用。調(diào)用深度學(xué)習(xí)算法,將圖像矩陣投入神經(jīng)網(wǎng)絡(luò),對(duì)輸入矩陣在各隱藏層中進(jìn)行卷積遍歷、池化等操作,產(chǎn)生一個(gè)表示類別的一維矩陣,再使用Softmax函數(shù)將其Softmax向量化得出對(duì)應(yīng)類別的概率向量,取最大概率為結(jié)果,得出對(duì)應(yīng)的繼電保護(hù)壓板狀態(tài)。

2.3.3 繼電保護(hù)壓板狀態(tài)識(shí)別功能實(shí)現(xiàn)

系統(tǒng)環(huán)境：Linux系統(tǒng)；軟件環(huán)境：Python3.5、Tensorflow-GPU 1.10.0。繼電保護(hù)壓板狀態(tài)識(shí)別工作流程如圖1所示。

圖1 繼電保護(hù)壓板狀態(tài)識(shí)別工作流程

2.3.4 實(shí)驗(yàn)測(cè)試

針對(duì)繼電保護(hù)壓板投入、退出、備用等3種狀態(tài)進(jìn)行識(shí)別測(cè)試,共采集40000張具有不同角度、不同光照條件的繼電保護(hù)壓板圖像進(jìn)行模型訓(xùn)練和測(cè)試,數(shù)據(jù)集隨機(jī)分為訓(xùn)練集、驗(yàn)證集、測(cè)試集等3個(gè)子數(shù)據(jù)集。其中,訓(xùn)練集有32000張圖像,驗(yàn)證集有4000張圖像,測(cè)試集分為2個(gè)子集,分別為測(cè)試A集和測(cè)試B集,各有2000張圖像。各測(cè)試指標(biāo)情況見(jiàn)表1。

由表1可知,該嵌入式設(shè)備對(duì)繼電保護(hù)壓板狀態(tài)識(shí)別的準(zhǔn)確率達(dá)到100 %,平均一張圖像的識(shí)別時(shí)間為2400 ms左右。

3 結(jié)束語(yǔ)

利用工業(yè)高清照相機(jī)、嵌入式單元和深度學(xué)習(xí)技術(shù),針對(duì)繼電保護(hù)壓板狀態(tài)識(shí)別設(shè)計(jì)了一種在變電站繼電保護(hù)壓板巡視中識(shí)別壓板狀態(tài)的新設(shè)備,實(shí)現(xiàn)了繼電保護(hù)壓板狀態(tài)的智能化識(shí)別,而且識(shí)別速度更快、識(shí)別準(zhǔn)確率高,極大地減少了巡視過(guò)程的資源投入。