基于改進(jìn)Mask R-CNN的變壓器絕緣套管故障智能診斷

王堅(jiān)俊，孫林濤，劉昌標(biāo)，劉江明，周?chē)?guó)偉，郭創(chuàng)新

（1.國(guó)網(wǎng)浙江省電力有限公司，杭州 310007；2.浙江大學(xué) 電氣工程學(xué)院，杭州 310027）

0 引言

變壓器在電力系統(tǒng)中發(fā)揮著電壓轉(zhuǎn)換和電力輸送的重要作用，是電力系統(tǒng)安全穩(wěn)定運(yùn)行的基石。變壓器絕緣套管是變壓器箱外的主要絕緣裝置，保證變壓器繞組引出線與電網(wǎng)的安全連接。一臺(tái)變壓器包含數(shù)個(gè)套管，套管的任何故障都會(huì)直接導(dǎo)致變壓器發(fā)生故障。CIGRE（國(guó)際大電網(wǎng)會(huì)議）工作組于2015年通過(guò)統(tǒng)計(jì)指出，在變壓器的起火或爆炸事故中，由套管所引起的故障超30%［1］。因此準(zhǔn)確的變壓器絕緣套管故障診斷對(duì)保障變壓器安全穩(wěn)定運(yùn)行具有重要意義。

變壓器絕緣套管的故障診斷方法包括超高頻法、介質(zhì)損耗法、頻域光譜技術(shù)等。文獻(xiàn)［2］使用超高頻法對(duì)絕緣套管中局部放電時(shí)產(chǎn)生的超高頻電磁波信號(hào)進(jìn)行檢測(cè)，從而獲得局部放電信息，實(shí)現(xiàn)局部放電監(jiān)測(cè)，但這種方法不易實(shí)現(xiàn)故障定位。文獻(xiàn)［3］提出了利用介質(zhì)損耗測(cè)量法來(lái)判斷絕緣套管的絕緣性能，但是這種方法需要離線實(shí)驗(yàn)，會(huì)影響變壓器的正常運(yùn)行。文獻(xiàn)［4］提出了基于頻域光譜技術(shù)的絕緣套管潮濕故障診斷，這種方法的缺點(diǎn)是只對(duì)影響絕緣套管阻尼的故障敏感。上述方法難以實(shí)現(xiàn)在線故障定位或僅能診斷特定類(lèi)型故障。由于不同類(lèi)型的絕緣套管故障會(huì)導(dǎo)致不同的絕緣套管發(fā)熱特性，因此利用紅外圖像可以準(zhǔn)確地實(shí)現(xiàn)絕緣套管故障在線診斷。同時(shí)隨著智能電站和巡檢機(jī)器人的發(fā)展和普及，變壓器產(chǎn)生了大量的紅外圖像數(shù)據(jù)集，為利用深度學(xué)習(xí)算法實(shí)現(xiàn)絕緣套管故障診斷提供了數(shù)據(jù)支持。

近年來(lái)，國(guó)內(nèi)外學(xué)者也展開(kāi)了一系列基于紅外圖像的缺陷智能診斷方法研究。在早期階段，研究人員主要通過(guò)利用閾值分割［5］、區(qū)域分割［6］、邊緣檢測(cè)［7］等算法實(shí)現(xiàn)紅外圖像中目標(biāo)與背景的分割，這些方法一般只適用于背景簡(jiǎn)單的圖像，在處理復(fù)雜背景的圖像時(shí)，有魯棒性差、分離度低等問(wèn)題。得益于人工智能方法的快速發(fā)展，越來(lái)越多的智能算法被運(yùn)用到這一領(lǐng)域，例如文獻(xiàn)［8］基于YOLO 網(wǎng)絡(luò)實(shí)現(xiàn)了電力設(shè)備紅外診斷，YOLO 是典型的一階段算法，具有檢測(cè)速度快但精度有所欠缺的特點(diǎn)。文獻(xiàn)［9］利用Faster RCNN（更快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)）算法和溫度閾值法實(shí)現(xiàn)了變電設(shè)備紅外圖像缺陷識(shí)別，但電壓過(guò)熱型故障設(shè)備本身溫升較小，使用溫度閾值法不易實(shí)現(xiàn)電壓過(guò)熱型故障的準(zhǔn)確診斷。文獻(xiàn)［10］利用Gentle Adaboost 分類(lèi)器實(shí)現(xiàn)了支柱絕緣子紅外圖像識(shí)別，但是這種算法在處理不同角度拍攝的支柱絕緣子紅外圖像時(shí)有一定局限性。文獻(xiàn)［11］基于R3Det 模型實(shí)現(xiàn)了變電設(shè)備電壓過(guò)熱型缺陷診斷，適用于不同角度的變電設(shè)備檢測(cè)，減小了干擾區(qū)域的影響，實(shí)現(xiàn)了較高的診斷精度。

利用紅外圖像實(shí)現(xiàn)絕緣套管故障的在線準(zhǔn)確診斷有3個(gè)關(guān)鍵點(diǎn)：一是提高紅外圖像中絕緣套管的目標(biāo)檢測(cè)準(zhǔn)確率；二是均衡正常樣本和故障樣本的影響；三是提高模型診斷速度以實(shí)現(xiàn)在線診斷。為此本文基于Mask R-CNN（改進(jìn)掩膜區(qū)域卷積神經(jīng)網(wǎng)絡(luò)）算法，通過(guò)數(shù)據(jù)增廣和改進(jìn)損失函數(shù)實(shí)現(xiàn)樣本均衡和提高目標(biāo)檢測(cè)準(zhǔn)確率，并改進(jìn)了其主干網(wǎng)絡(luò)以提高檢測(cè)速度，實(shí)現(xiàn)在線診斷。

1 Mask R-CNN模型

變壓器運(yùn)行時(shí)，絕緣套管、避雷器、電流互感器、電壓互感器以及環(huán)境溫度有明顯的差異，這種差異也體現(xiàn)在變壓器紅外圖像中。為了避免圖像中其他區(qū)域的干擾，有效提取絕緣套管溫度特征信息，必須從紅外圖像中準(zhǔn)確分割出絕緣套管，檢測(cè)的精度直接決定了變壓器缺陷診斷的準(zhǔn)確度。

常見(jiàn)的目標(biāo)檢測(cè)算法為圖像中每個(gè)目標(biāo)輸出一個(gè)類(lèi)別標(biāo)簽和矩形邊界框坐標(biāo)，而Mask RCNN［12］作為一種實(shí)例分割算法，在訓(xùn)練時(shí)使用的是像素級(jí)別的標(biāo)注，可以獲得更大信息量，不但給出檢測(cè)目標(biāo)的類(lèi)別、矩形邊界框坐標(biāo)，而且給出每個(gè)目標(biāo)像素級(jí)別的掩膜，實(shí)現(xiàn)了待檢測(cè)目標(biāo)的像素級(jí)別分割，非常適合本文提出的任務(wù)場(chǎng)景。

Mask R-CNN 是在Faster R-CNN 的基礎(chǔ)上改進(jìn)得到的，屬于兩階段目標(biāo)檢測(cè)網(wǎng)絡(luò)，如圖1所示，主要由主干網(wǎng)絡(luò)、特征金字塔網(wǎng)絡(luò)、區(qū)域生成網(wǎng)絡(luò)、3個(gè)輸出分支構(gòu)成。

圖1 Mask R-CNN網(wǎng)絡(luò)模型

1.1 主干網(wǎng)絡(luò)

主干網(wǎng)絡(luò)是用于提取原始圖像特征的多層神經(jīng)網(wǎng)絡(luò)，基于遷移學(xué)習(xí)的思想，主干網(wǎng)絡(luò)可以使用預(yù)訓(xùn)練的參數(shù)，而不需要從隨機(jī)初始參數(shù)中訓(xùn)練主干網(wǎng)絡(luò)，從而提高訓(xùn)練速度、減少過(guò)擬合。因此骨干網(wǎng)絡(luò)一般采用固定的網(wǎng)絡(luò)結(jié)構(gòu)，Mask R-CNN常用的主干網(wǎng)絡(luò)為VGG（超分辨率測(cè)試序列）、ResNet（殘差網(wǎng)絡(luò)）、DenseNet（稠密卷積網(wǎng)絡(luò)）等。

1.2 特征金字塔網(wǎng)絡(luò)

提出特征金字塔網(wǎng)絡(luò)的目的是充分提取多尺度特征圖。原始紅外圖像經(jīng)過(guò)主干網(wǎng)絡(luò)提取特征后分別得到不同尺度大小的特征圖，將不同大小的特征圖經(jīng)過(guò)特征金字塔網(wǎng)絡(luò)處理后得到多尺度特征圖信息。如果僅利用單個(gè)深層特征，會(huì)導(dǎo)致圖像中小物體的像素信息在下一個(gè)采樣的流程中丟失［13］。

因此利用特征金字塔網(wǎng)絡(luò)融合淺層與深層特征圖信息可增強(qiáng)網(wǎng)絡(luò)特征提取能力。

1.3 區(qū)域生成網(wǎng)絡(luò)

每個(gè)特征金字塔網(wǎng)絡(luò)連接一個(gè)區(qū)域生成網(wǎng)絡(luò)，所有區(qū)域生成網(wǎng)絡(luò)共享參數(shù)，通過(guò)ROI Align將不同尺度的候選區(qū)域歸一化到相同的尺寸大小。ROI Align使用雙線性差值，而不是ROI Pool采用的池化運(yùn)算，因此降低了因舍入產(chǎn)生的誤差［14］。

1.4 3個(gè)輸出分支

基于ROI Align 算法提煉出的候選區(qū)域，有3個(gè)功能分支的輸出，分別是分類(lèi)、檢測(cè)和分割。分類(lèi)分支由全連接層和Softmax層組成，檢測(cè)分支將回歸擬合檢測(cè)框的左下、右上坐標(biāo)，分割分支將連接全卷積網(wǎng)絡(luò)，每個(gè)分類(lèi)會(huì)生成一個(gè)二進(jìn)制掩碼。

2 構(gòu)建絕緣套管數(shù)據(jù)集

2.1 數(shù)據(jù)采集及標(biāo)注

本文所使用的變壓器絕緣套管紅外圖像由某省電力公司提供，一共有1 342張樣本圖像，其中1 256張正常絕緣套管紅外圖像，86張故障絕緣套管紅外圖像。使用Labelme 軟件對(duì)絕緣套管紅外圖像進(jìn)行標(biāo)注，在圖中框出絕緣套管，并標(biāo)記相應(yīng)的正常/故障標(biāo)簽，保存為XML文件。

2.2 數(shù)據(jù)增廣

從上文可以明顯看出，絕緣套管紅外圖像的正負(fù)樣本數(shù)量很不均衡，正樣本數(shù)量遠(yuǎn)大于負(fù)樣本數(shù)量。通過(guò)在損失函數(shù)中為負(fù)樣本配置更大權(quán)重可以在一定程度上改善這個(gè)問(wèn)題，但如果要從本質(zhì)上解決這個(gè)問(wèn)題，可以利用數(shù)據(jù)增廣技術(shù)來(lái)擴(kuò)增負(fù)樣本的數(shù)量，以平衡正負(fù)樣本的數(shù)量。常見(jiàn)的圖像增廣技術(shù)為水平垂直翻轉(zhuǎn)、旋轉(zhuǎn)縮放、裁剪平移等，完成擴(kuò)增的數(shù)據(jù)集如圖2所示。

圖2 數(shù)據(jù)擴(kuò)增

3 改進(jìn)Mask R-CNN模型

3.1 主干網(wǎng)絡(luò)改進(jìn)

Mask R-CNN 是典型兩階段目標(biāo)檢測(cè)網(wǎng)絡(luò)，包括第一階段的候選區(qū)域生成和第二階段的檢測(cè)框坐標(biāo)回歸、類(lèi)別分類(lèi)、掩碼生成［16］。因此Mask R-CNN的算法具有檢測(cè)精度高，但推理速度慢的問(wèn)題。尤其以VGG、ResNet、Densenet 為代表的主干網(wǎng)絡(luò)，網(wǎng)絡(luò)層數(shù)達(dá)到幾十層甚至上百層，模型權(quán)重大小達(dá)到上百兆，帶來(lái)了極大的計(jì)算壓力。為了解決這一問(wèn)題并滿(mǎn)足運(yùn)維檢修過(guò)程中實(shí)時(shí)性的要求，本文利用MobileNetv3［17］作為Mask RCNN 的主干網(wǎng)絡(luò)，它是經(jīng)典的輕量級(jí)高效模型，可利用可分離卷積結(jié)構(gòu)降低卷積計(jì)算成本。

可分離卷積是由逐深度卷積和逐點(diǎn)卷積構(gòu)成，逐深度卷積將卷積核拆分成單通道形式，在不改變輸入特征圖像深度的情況下，對(duì)某一特定輸入通道進(jìn)行卷積操作。逐深度卷積雖然大幅減小了卷積計(jì)算量，但其輸出的特征圖僅有輸入層所有特征圖的一部分信息，為了保證輸出的特征圖包含所有特征圖信息，提出了逐點(diǎn)卷積。逐點(diǎn)卷積使用1×1 的卷積核，將逐深度卷積每層的輸出結(jié)合起來(lái)，這樣能讓每個(gè)新的特征圖都包含上一層各個(gè)特征圖的信息。

假設(shè)卷積的輸入特征圖尺寸為W×H×Cin，輸出的特征圖尺寸為W×H×Cout，如果使用標(biāo)準(zhǔn)卷積計(jì)算，此時(shí)的理論計(jì)算量F0為：

式中：kw和kh分別為卷積核的寬和高。

利用逐深度卷積，把輸入特征圖拆分為m組，同樣將輸出特征圖也拆分為m組，按順序?qū)γ拷M內(nèi)的特征圖做普通卷積計(jì)算，則計(jì)算量F1為：

然后對(duì)逐深度卷積的輸出結(jié)果用1×1 的卷積核進(jìn)行逐點(diǎn)卷積，此時(shí)的理論計(jì)算量為：

將逐深度卷積和逐點(diǎn)卷積的計(jì)算合并在一起，可以得到可分離卷積和常規(guī)卷積之間計(jì)算量之比：

可以看出可分離卷積能極大地減少計(jì)算量。對(duì)于一個(gè)3×3 大小的卷積核來(lái)說(shuō)，可分離卷積大概可以減少8～9倍的計(jì)算量。

3.2 損失函數(shù)改進(jìn)

Mask R-CNN 的損失函數(shù)L由3 個(gè)輸出分支的損失函數(shù)構(gòu)成，分別為分類(lèi)損失Lc、定位損失Lb和分割損失Lm，即：

式中：a、b、c分別為分類(lèi)損失、定位損失、分割損失的權(quán)重。

本文提出絕緣套管故障診斷任務(wù)可以看作一個(gè)二分類(lèi)任務(wù)，其分類(lèi)損失函數(shù)LCE可以寫(xiě)作：

由于正負(fù)樣本數(shù)量和不同樣本分類(lèi)的難度都存在一定差異，需要盡可能減小這種差異對(duì)神經(jīng)網(wǎng)絡(luò)帶來(lái)的影響，常見(jiàn)的方法為引入FocalLoss［18］作為損失函數(shù)，在交叉熵?fù)p失函數(shù)的基礎(chǔ)上引入了兩個(gè)系數(shù)α和γ，F(xiàn)ocalLoss 的函數(shù)計(jì)算如式（7）所示：

式中：α用來(lái)平衡正負(fù)樣本數(shù)量不平衡的問(wèn)題，正樣本的權(quán)重為α，負(fù)樣本的權(quán)重為1-α，如果負(fù)樣本數(shù)量較少，可使α取小于0.5的值，讓負(fù)樣本損失函數(shù)的權(quán)重更大，讓模型更關(guān)注負(fù)樣本；γ用來(lái)解決難分類(lèi)樣本的問(wèn)題，如對(duì)于正樣本中易分類(lèi)樣本，其置信度p遠(yuǎn)大于難分類(lèi)樣本，因此賦予其損失函數(shù)(1-p)γ的權(quán)重參數(shù)，使得易分類(lèi)樣本的損失函數(shù)大小遠(yuǎn)小于難分類(lèi)樣本的損失函數(shù)大小，讓模型更多的關(guān)注難分類(lèi)樣本。

但是FocalLoss 也存在兩個(gè)問(wèn)題：一是α和γ的取值完全由實(shí)驗(yàn)得到，只能根據(jù)實(shí)驗(yàn)結(jié)果的好壞不斷調(diào)整（α、γ），為模型訓(xùn)練增添了難度；二是如果數(shù)據(jù)集中存在離群點(diǎn)，如圖3被圈出的樣本所示，這些離群點(diǎn)將被劃分為難分類(lèi)樣本，采用FocalLoss 的模型會(huì)過(guò)度關(guān)注這些離群點(diǎn)，干擾模型的正常訓(xùn)練。

圖3 離群點(diǎn)的干擾示意圖

為了解決這一問(wèn)題，本文引入GHMLoss［19］，與FocalLoss 不同，GHMLoss 不再僅從單個(gè)樣本的置信度p來(lái)調(diào)整Loss，而是按一定置信度范圍的樣本數(shù)量來(lái)調(diào)整Loss。

首先定義梯度模長(zhǎng)g為：

梯度模長(zhǎng)與分類(lèi)的難易程度成正相關(guān)，g越大則該樣本越難分類(lèi)。

傳統(tǒng)蔬菜育種多是以農(nóng)藝性狀調(diào)查結(jié)果為依據(jù)，以抗逆性、豐產(chǎn)性、品質(zhì)為目標(biāo)進(jìn)行品種選育[4]，而關(guān)于加工專(zhuān)用型品種的篩選和評(píng)價(jià)研究較少[5]。但加工前原料品種的外觀、營(yíng)養(yǎng)和加工特性直接影響了加工產(chǎn)品的質(zhì)量[6,7]，針對(duì)加工要求對(duì)品種進(jìn)行評(píng)價(jià)，選擇適宜的品種材料進(jìn)行加工非常必要。本文以參試品比試驗(yàn)的18個(gè)華南型黃瓜優(yōu)良新組合和對(duì)照（燕白黃瓜）作為研究對(duì)象，統(tǒng)一種植，測(cè)定了12項(xiàng)基礎(chǔ)指標(biāo)，采用相關(guān)性分析確定加工適宜性評(píng)價(jià)因子，應(yīng)用層次分析確定評(píng)價(jià)因子權(quán)重，應(yīng)用灰色關(guān)聯(lián)度分析對(duì) 19個(gè)黃瓜育種材料鮮切加工適應(yīng)性進(jìn)行排名和篩選，以期為鮮切加工型黃瓜的育種篩選及加工提供科學(xué)依據(jù)。

對(duì)一個(gè)數(shù)據(jù)集來(lái)說(shuō)，易分類(lèi)樣本的數(shù)量最多，但是難分類(lèi)樣本的數(shù)量也不少，因此少關(guān)注易分類(lèi)樣本的思路是正確的，但不能過(guò)多地關(guān)注難分類(lèi)樣本（數(shù)據(jù)集中的離群點(diǎn)），否則會(huì)導(dǎo)致模型的整體準(zhǔn)確度下降。

為了更好地平衡易分類(lèi)樣本和難分類(lèi)樣本的影響，本文引入了梯度密度這一概念來(lái)衡量一定梯度范圍內(nèi)的樣本數(shù)量：

對(duì)于梯度密度越高的樣本，其損失函數(shù)應(yīng)越??；梯度密度越小的樣本，其損失函數(shù)應(yīng)越大。因此GHMLoss寫(xiě)作：

式中：N表示梯度模長(zhǎng)被劃分為N個(gè)區(qū)域；下標(biāo)i為樣本編號(hào)。

GHMLoss 與FocalLoss 不同，不再過(guò)度關(guān)注難分類(lèi)樣本，而是按照樣本的梯度密度調(diào)整Loss，能夠更好地解決正負(fù)樣本不均衡的問(wèn)題。

4 實(shí)驗(yàn)結(jié)果分析

4.1 實(shí)驗(yàn)環(huán)境與參數(shù)

本文實(shí)驗(yàn)采用Nvidia 1080Ti 圖形加速器進(jìn)行訓(xùn)練與驗(yàn)證，實(shí)驗(yàn)環(huán)境為Ubuntu 17.04，利用CUDA 和Cudnn 加速訓(xùn)練，計(jì)算機(jī)語(yǔ)言為Python 3.8，深度學(xué)習(xí)框架為Pytorch。實(shí)驗(yàn)數(shù)據(jù)集為1 342張包含絕緣套管的紅外圖像，經(jīng)過(guò)數(shù)據(jù)增廣后，共有1 863張絕緣套管紅外圖像，按8:1:1的比例劃分訓(xùn)練集、驗(yàn)證集、測(cè)試集。

表1 給出了實(shí)驗(yàn)過(guò)程訓(xùn)練主要的超參數(shù)設(shè)置，訓(xùn)練采用Adam優(yōu)化器優(yōu)化網(wǎng)絡(luò)參數(shù)，每次按一個(gè)Batch中的紅外圖像數(shù)據(jù)優(yōu)化網(wǎng)絡(luò)參數(shù)，達(dá)到設(shè)定的最大Epoch 后停止訓(xùn)練。同時(shí)采用weight decay和early stop機(jī)制［21］，一開(kāi)始使用較大的學(xué)習(xí)率，隨著訓(xùn)練輪次的加深，學(xué)習(xí)率逐漸減小，當(dāng)網(wǎng)絡(luò)損失連續(xù)5個(gè)Epoch變化率小于0.01%，即提前終止訓(xùn)練，以此來(lái)加快訓(xùn)練速度，提高模型魯棒性。

表1 模型訓(xùn)練超參數(shù)設(shè)置

4.2 模型評(píng)估指標(biāo)

本文使用故障診斷率、誤報(bào)率、推理時(shí)間3個(gè)評(píng)價(jià)指標(biāo)來(lái)驗(yàn)證模型的性能。模型的故障診斷率表示模型將故障絕緣套管正確識(shí)別為故障的數(shù)量占故障絕緣套管的比率；誤報(bào)率代表模型將正常絕緣套管錯(cuò)誤識(shí)別為故障的數(shù)量占正常絕緣套管的比率；推理時(shí)間代表模型在輸入紅外圖像后給出診斷結(jié)果需要的時(shí)間。診斷率和誤報(bào)率的具體計(jì)算方式為：

式中：ηFDR和ηFAR分別為故障診斷率和故障誤報(bào)率；nTP和nTN分別為正常樣本中被診斷為正常樣本、故障樣本的數(shù)量；nFP和nFN分別為故障樣本中被診斷為正常樣本、故障樣本的數(shù)量。

4.3 模型對(duì)比分析

使用訓(xùn)練集數(shù)據(jù)集訓(xùn)練模型，驗(yàn)證集數(shù)據(jù)集驗(yàn)證模型性能，取驗(yàn)證集準(zhǔn)確率最高的模型用于后續(xù)的測(cè)試。

4.3.1 不同主干網(wǎng)絡(luò)結(jié)構(gòu)的性能對(duì)比

將主干網(wǎng)絡(luò)為Resnet50的Faster R-CNN、主干網(wǎng)絡(luò)為Resnet50 的Mask R-CNN、主干網(wǎng)絡(luò)為Mobile Netv3 的Mask R-CNN 進(jìn)行對(duì)比實(shí)驗(yàn)，驗(yàn)證不同模型進(jìn)行絕緣套管故障的性能。每個(gè)模型采用的數(shù)據(jù)集相同，表2為實(shí)驗(yàn)結(jié)果。

表2 不同主干網(wǎng)絡(luò)性能對(duì)比

從表2 可以看出，Mask R-CNN 網(wǎng)絡(luò)相比Faster R-CNN 準(zhǔn)確度更高，主要原因是Mask RCNN 能夠獲得更多的標(biāo)注信息，能夠?qū)^緣套管和背景做更精細(xì)的分類(lèi)。但是Mask R-CNN 網(wǎng)絡(luò)的檢測(cè)時(shí)間較長(zhǎng)，不能滿(mǎn)足絕緣套管實(shí)時(shí)故障診斷的要求。而使用MobileNetv3作為主干網(wǎng)絡(luò)診斷準(zhǔn)確率略差于使用ResNet50 作為主干網(wǎng)絡(luò)的模型，檢測(cè)速度卻有很大的提升，能夠很好地滿(mǎn)足實(shí)際需要。

4.3.2 不同損失函數(shù)的性能比較

使用MobileNetv3 作為Mask R-CNN 的主干網(wǎng)絡(luò)，將損失函數(shù)為交叉熵的Mask R-CNN、損失函數(shù)為FocalLoss的Mask R-CNN、損失函數(shù)為GHMLoss 的Mask R-CNN 進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表3所示。

表3 不同損失函數(shù)性能比較

可以看出GHMLoss相比交叉熵?fù)p失函數(shù)可以明顯的提升故障診斷準(zhǔn)確率，和FocalLoss也有一定的優(yōu)勢(shì)，驗(yàn)證了GHMLoss在平衡正負(fù)樣本、難易樣本問(wèn)題上的作用。

從測(cè)試集中抽取的不同樣本的變壓器絕緣套管故障診斷效果如圖4 所示。圖4（a）和圖4（b）分別展示了含故障絕緣套管紅外圖像及其對(duì)應(yīng)的診斷結(jié)果，圖4（c）和圖4（d）分別展示了無(wú)故障絕緣套管紅外圖像及其對(duì)應(yīng)的診斷結(jié)果。從紅外圖像可以看出，圖4（a）中間的絕緣套管頂部出現(xiàn)了明顯的發(fā)熱，模型也成功地以97.8%的置信度將其診斷為故障絕緣套管，其他紅外圖像無(wú)異常的絕緣套管，模型也未發(fā)生誤判，驗(yàn)證了模型故障診斷的準(zhǔn)確性。

圖4 改進(jìn)Mask R-CNN診斷效果

5 結(jié)語(yǔ)

本文提出了一種基于改進(jìn)Mask R-CNN 的變壓器絕緣套管故障診斷方法，并將其應(yīng)用到變壓器絕緣套管故障診斷中。首先收集并標(biāo)注含變壓器絕緣套管的紅外圖像，使用數(shù)據(jù)增廣技術(shù)擴(kuò)大數(shù)據(jù)集中故障絕緣套管的數(shù)量，緩解正負(fù)樣本不均衡的問(wèn)題。然后針對(duì)Mask R-CNN 檢測(cè)精度高，但檢測(cè)時(shí)間慢的問(wèn)題，提出利用輕量級(jí)網(wǎng)絡(luò)Mobile Netv3 替代Mask R-CNN 的主干網(wǎng)絡(luò)。同時(shí)使用GHMLoss 損失函數(shù)替代了交叉熵?fù)p失函數(shù)，進(jìn)一步解決了正負(fù)樣本、難易樣本之間的不平衡問(wèn)題。最后通過(guò)實(shí)驗(yàn)對(duì)比，分析了數(shù)據(jù)擴(kuò)增、主干網(wǎng)絡(luò)、損失函數(shù)對(duì)模型性能的影響，改進(jìn)后的模型在檢測(cè)準(zhǔn)確度、檢測(cè)時(shí)間等方面都有了一定的提升，故障診斷率達(dá)到89.72%、誤報(bào)率為6.78%，檢測(cè)時(shí)間為每幀216 ms，能夠滿(mǎn)足絕緣套管智能故障診斷的需求。不過(guò)目前受限于收集到的數(shù)據(jù)集標(biāo)簽僅有正常和故障兩類(lèi)，模型僅實(shí)現(xiàn)了絕緣套管正常與故障的診斷，可以依據(jù)導(dǎo)則進(jìn)一步確定套管故障類(lèi)別。未來(lái)將考慮收集故障信息更具體的絕緣套管紅外圖像數(shù)據(jù)集，直接實(shí)現(xiàn)絕緣套管具體故障類(lèi)別的準(zhǔn)確診斷。