基于Faster R-CNN算法的變電站設(shè)備識(shí)別與缺陷檢測(cè)技術(shù)研究

于虹,龔澤威一,張海濤,周帥,于智龍

(1.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院,昆明 650214; 2.云南電網(wǎng)有限責(zé)任公司臨滄供電局,云南 臨滄 677000; 3.哈爾濱理工大學(xué) 自動(dòng)化學(xué)院,哈爾濱 150080)

0 引 言

變電站是電網(wǎng)中負(fù)責(zé)電壓轉(zhuǎn)換和電能分配的重要節(jié)點(diǎn)。其安全性和可靠性直接關(guān)系到電力系統(tǒng)的安全性和穩(wěn)定性[1-3]。我國(guó)《國(guó)家電網(wǎng)公司人工智能技術(shù)應(yīng)用2022年工作計(jì)劃》中明確指示,建設(shè)和運(yùn)營(yíng)兩級(jí)人工智能“兩庫(kù)一平臺(tái)”,形成一批高精度、高價(jià)值的電力專用模型。變電站作為電力系統(tǒng)中重要且不可或缺的一部分,是構(gòu)建強(qiáng)大智能電網(wǎng)的基礎(chǔ)。由于可再生能源的不確定性以及人們對(duì)網(wǎng)絡(luò)安全和隱私問(wèn)題的擔(dān)憂,變電站的運(yùn)營(yíng)迎來(lái)了新的挑戰(zhàn),因而科學(xué)進(jìn)行變電站運(yùn)營(yíng)和維護(hù)的重要性不言而喻。

據(jù)2022電網(wǎng)設(shè)備故障統(tǒng)計(jì)報(bào)告,約有50%以上的電力設(shè)備故障在早期出現(xiàn)溫度異常,因此,準(zhǔn)確、及時(shí)地檢測(cè)變電站的設(shè)備缺陷對(duì)電力系統(tǒng)的安全穩(wěn)定運(yùn)行具有重要意義。目前在變電站缺陷檢測(cè)方面已經(jīng)研究出了一些成果和方法,包括定向梯度直方圖(HOG)與向量機(jī)(SVM)結(jié)合法[4]、超高頻局部放電檢測(cè)法[5]、時(shí)頻脈沖轉(zhuǎn)換算法[6]。但是在設(shè)備運(yùn)行過(guò)程中,這些方法并非很適用,定向梯度直方圖(HOG)與向量機(jī)(SVM)結(jié)合法對(duì)變電站設(shè)備信息提取不足,精度達(dá)不到識(shí)別要求,超高頻局部放電檢測(cè)方法的復(fù)雜性使得定位缺陷區(qū)域變得困難,并不適合多種設(shè)備且存在誤報(bào)的情況,時(shí)頻脈沖轉(zhuǎn)換算法只適用于潮濕引起的設(shè)備缺陷,并不能檢測(cè)多種缺陷。而利用紅外檢測(cè)法對(duì)變電站設(shè)備進(jìn)行檢測(cè),具有不需停止運(yùn)行,可避免直接接觸高壓設(shè)備,對(duì)溫度比較敏感、技術(shù)相對(duì)成熟等優(yōu)勢(shì)[7-9]。因此,紅外線檢測(cè)法可以用來(lái)檢測(cè)設(shè)備因工作異常而造成的溫度變化,對(duì)設(shè)備故障及時(shí)進(jìn)行預(yù)警,被廣泛用于電力設(shè)備熱故障診斷領(lǐng)域。目前,大部分變電站利用變電站巡檢機(jī)器人對(duì)設(shè)備進(jìn)行紅外探測(cè)、建立無(wú)人機(jī)巡檢平臺(tái),對(duì)變電站設(shè)備進(jìn)行智能巡檢,大大降低了維護(hù)人員采集設(shè)備紅外圖像的工作量[10-11]。然而,目前大批量的圖像或視頻監(jiān)測(cè)仍然需要人工檢測(cè),這既耗時(shí)又低效,也難以滿足有大批量的紅外線圖像檢測(cè)需求的工業(yè)場(chǎng)景。因此,進(jìn)行紅外缺陷識(shí)別的算法智能化研究就顯得尤為重要。

由于背景冗余,目標(biāo)密集,直接應(yīng)用現(xiàn)有的智能缺陷檢測(cè)方法得到的精度不能滿足工業(yè)需要。因此,需要首先提取復(fù)雜紅外圖像中的目標(biāo)設(shè)備。早期的研究人員使用傳統(tǒng)的數(shù)字圖像處理技術(shù)研究了這些方法,包括基于閾值、基于區(qū)域和基于邊緣的方法?；陂撝档姆椒ㄍㄟ^(guò)選擇合適的閾值[12]將前景與圖像背景分開(kāi),該閾值分割方法簡(jiǎn)單且高效,但易受噪聲干擾,導(dǎo)致魯棒性較差?；趨^(qū)域分割的方法是一種分水嶺算法[13],它使用圖像梯度的局部最小值來(lái)形成特定區(qū)域來(lái)分割不同的圖像部分,并且采用對(duì)故障像素聚類的方法,完成了特征提取。然而,它對(duì)物體表面的顏色變化很敏感,會(huì)導(dǎo)致分割不均等問(wèn)題。基于邊緣的方法通過(guò)邊緣檢測(cè)運(yùn)算符(如Sobel算子[14])從圖像中提取邊緣特征,以實(shí)現(xiàn)圖像的分割。但是,它不能保證存在封閉的、連續(xù)的邊緣區(qū)域,并且缺乏對(duì)噪聲干擾的魯棒性,工程實(shí)用性依然需要提升。近年來(lái)成像技術(shù)的快速發(fā)展,為從變電站設(shè)備紅外圖像中提取方法帶來(lái)了新的思路。目標(biāo)分割作為計(jì)算機(jī)視覺(jué)領(lǐng)域的經(jīng)典任務(wù),它可以在圖像中出色地進(jìn)行對(duì)象提取。該任務(wù)不僅可以定位和分類所有實(shí)例,還可以從圖像中分割每個(gè)實(shí)例。許多工程場(chǎng)合都應(yīng)用了實(shí)例分割方法,包括電氣設(shè)備檢測(cè)、絕緣設(shè)備檢測(cè)等。但是大部分算法都是針對(duì)單獨(dú)設(shè)備特征或分類模型來(lái)分析圖像,確定并識(shí)別缺陷,采用的算法大部分都是基于機(jī)器的學(xué)習(xí)算法,精確度較低,只適合單個(gè)設(shè)備類別的缺陷檢測(cè),并且模型復(fù)雜,易受環(huán)境影響,所以并不適合直接應(yīng)用到電力工程中。隨著計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展,以深度學(xué)習(xí)為主的圖像識(shí)別算法在工程中得到廣泛應(yīng)用,主要是依靠拍攝的圖像或錄像進(jìn)行實(shí)時(shí)目標(biāo)檢測(cè)[15-18],但在紅外圖像識(shí)別和檢測(cè)方面應(yīng)用較少,開(kāi)展基于紅外圖像的變電站設(shè)備故障識(shí)別算法迫在眉睫[19-21]。

目前基于無(wú)人機(jī)的輸電線路缺陷檢測(cè)雖有了一定的進(jìn)展,但算法應(yīng)用主要以可視化缺陷層面為主。算法可分為雙階段算法和單階段算法,前者以R-CNN[22]、Fast R-CNN[23]、Faster R-CNN[24]為主。后者則包括YOLO、SSD等算法。算法的不斷改進(jìn)和自然語(yǔ)言處理(NLP)技術(shù)的發(fā)展,使得越來(lái)越多的專家學(xué)者將目標(biāo)檢測(cè)算法應(yīng)用于電力設(shè)備安全評(píng)估領(lǐng)域[25]。文獻(xiàn)[26]根據(jù)功率器件缺陷文本的特點(diǎn),建立了基于語(yǔ)義框架的電網(wǎng)缺陷文本挖掘模型,該模型的準(zhǔn)確率明顯高于傳統(tǒng)機(jī)器學(xué)習(xí)方法。而文獻(xiàn)[27]中考慮到電力設(shè)備文本數(shù)據(jù)難以完全挖掘和使用,提出了一種基于修正語(yǔ)義框架的文本挖掘模型,將缺陷文本劃分為固定模式,提取文本特征,驗(yàn)證了缺陷文本挖掘結(jié)果的統(tǒng)計(jì)可靠性。但是實(shí)際上所提出的模型在文本語(yǔ)義信息的提取方面存在一些不足,并且容易受影響造成語(yǔ)義丟失,魯棒性較差。因此,在語(yǔ)義提取和分類過(guò)程中,充分保留文本的語(yǔ)義信息是提升缺陷檢測(cè)的關(guān)鍵。文獻(xiàn)[28]提出了一種改進(jìn)的單階段算法網(wǎng)絡(luò)用于輸電線路中的連接器缺陷檢測(cè)。首先,對(duì)目標(biāo)框采用k均值聚類算法對(duì)數(shù)據(jù)集進(jìn)行聚類,提高缺陷目標(biāo)的檢測(cè)精度;然后,使用單尺度特征映射進(jìn)行檢測(cè),通過(guò)提升采樣的次數(shù),提升對(duì)特征圖的特征獲取以及特征復(fù)用,簡(jiǎn)化了模型,減少了計(jì)算量,提升了檢測(cè)精度。文獻(xiàn)[29]中提出改進(jìn)的相位編組算法用于輸電線路的異常檢測(cè),這種方法只適用于可以外觀可視化的圖像缺陷,但是在變電設(shè)備中并不是所有的缺陷都可以直接觀察。在文獻(xiàn)[30]中,針對(duì)基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)無(wú)法在移動(dòng)端嵌入式設(shè)備上部署這一問(wèn)題,提出一種基于YOLOv3改進(jìn)的輸電線路部件實(shí)時(shí)檢測(cè)算法,建立一種新型輕量級(jí)特征融合檢測(cè)模型LFF-DM(lightweight feature fusion detection model),并且通過(guò)改進(jìn)式的K-means算法等檢測(cè)的目標(biāo)框進(jìn)行聚類,為算法部署到工業(yè)端提供了良好的思路。文獻(xiàn)[31]針對(duì)輸電線路無(wú)人機(jī)實(shí)時(shí)巡檢過(guò)程中,通用目標(biāo)檢測(cè)算法在移動(dòng)端運(yùn)行速度過(guò)慢或無(wú)法運(yùn)行的問(wèn)題,提出一種將多尺度特征融合方法與輸電線路關(guān)鍵部件的檢測(cè)相結(jié)合的算法。該算法結(jié)合關(guān)鍵部件的特征,使用深度可分離卷積設(shè)計(jì)了特征提取網(wǎng)絡(luò),提高了算法在具有邊緣計(jì)算能力的移動(dòng)端ARM設(shè)備上的運(yùn)行速度,這種部署到移動(dòng)端的方法值得借鑒,但是多尺度融合并不適合紅外線圖像,所以針對(duì)于缺陷檢測(cè)方法仍需要改進(jìn)。

首先,利用Faster R-CNN算法[32],對(duì)6種類型的變電站設(shè)備進(jìn)行目標(biāo)檢測(cè),包括套管、絕緣子、電線、電壓互感器、避雷針和斷路器,以實(shí)現(xiàn)設(shè)備的精確定位。然后,對(duì)于檢測(cè)到的變電站設(shè)備的圖像區(qū)域,采用基于稀疏表示分類算法(SRC)進(jìn)行精細(xì)分類[33]。并且使用訓(xùn)練樣本來(lái)確定其所屬的特定變電站設(shè)備標(biāo)簽。最后,利用溫度閾值計(jì)算紅外圖像中的最高溫度,識(shí)別設(shè)備區(qū)域中的缺陷,以確定設(shè)備是否存在缺陷以及相關(guān)的嚴(yán)重程度。與傳統(tǒng)的變電站設(shè)備圖像缺陷檢測(cè)算法相比,文中進(jìn)一步引入SRC分類算法來(lái)實(shí)現(xiàn)對(duì)輸入變電站設(shè)備類別的準(zhǔn)確性進(jìn)行確認(rèn)。這樣的操作對(duì)后續(xù)缺陷和故障檢測(cè)的分析具有重要的意義。文中使用實(shí)際測(cè)量中采集的紅外圖像對(duì)該方法進(jìn)行了測(cè)試,驗(yàn)證了該方法的可行性和準(zhǔn)確性。

1 基于Faster R-CNN的設(shè)備檢測(cè)

文中基于Faster R-CNN算法建立變電站設(shè)備識(shí)別模型,模型整體框架結(jié)構(gòu)如圖1所示。先對(duì)目前收集的設(shè)備紅外線檢測(cè)圖像進(jìn)行訓(xùn)練,生成設(shè)備識(shí)別模型。然后將需要檢測(cè)的設(shè)備紅外線圖像導(dǎo)入模型進(jìn)行檢測(cè)。檢測(cè)網(wǎng)絡(luò)主要由兩部分組成,一是以提取不同尺度特征為主要作用的RPN網(wǎng)絡(luò)(區(qū)域建議網(wǎng)絡(luò)),二是負(fù)責(zé)對(duì)不同尺度的圖片進(jìn)行邊框回歸和分類回歸的R-CNN網(wǎng)絡(luò)(區(qū)域卷積神經(jīng)網(wǎng)絡(luò))。

圖1 Faster R-CNN目標(biāo)檢測(cè)結(jié)構(gòu)圖

當(dāng)紅外線圖像導(dǎo)入時(shí),首先經(jīng)過(guò)預(yù)訓(xùn)練過(guò)的卷積特征提取層來(lái)提取紅外線圖像的特征,然后將提取的特征進(jìn)行輸出,再則通過(guò)RPN(region proposal network)網(wǎng)絡(luò),該部分網(wǎng)絡(luò)完成對(duì)可能包含檢測(cè)目標(biāo)的區(qū)域的篩選,并且將可能包含目標(biāo)檢測(cè)的區(qū)域使用目標(biāo)框標(biāo)記。之后結(jié)合第一部分對(duì)紅外線圖像提取的特征圖,使用Rol(region of interest)將對(duì)應(yīng)物體找出來(lái),并把它們的特征提取到新的張量里面進(jìn)行分類。最后通過(guò)R-CNN模塊,根據(jù)紅外線設(shè)備特征對(duì)物體進(jìn)行具體分類,同時(shí)對(duì)目標(biāo)框作出更好的調(diào)整與回歸,讓目標(biāo)框更為準(zhǔn)確。

2 設(shè)備識(shí)別和缺陷診斷

2.1 SRC算法

SRC分類方法(sparse representation based classification method)的原理是,利用訓(xùn)練集中圖像的稀疏線性表示測(cè)試集,加上稀疏誤差項(xiàng)對(duì)于圖像線性表示的誤差進(jìn)行補(bǔ)償,從而在此基礎(chǔ)上進(jìn)行對(duì)應(yīng)類別的判斷。然而,需要構(gòu)造一個(gè)訓(xùn)練樣本的全局字典。假設(shè)字典包含M類目標(biāo),全局的內(nèi)容字典表示為A=[A1,A2,…,AM]∈Rd×N,其中表示樣本的公式Ai∈Rd×Ni(i=1,2,…,M)分別表示為第i類訓(xùn)練樣本。對(duì)于具有未知目標(biāo)標(biāo)簽的測(cè)試樣本y,稀疏表示過(guò)程為:

(1)

(2)

(3)

可以看出,SRC中的關(guān)鍵問(wèn)題是稀疏系數(shù)的求解。通過(guò)準(zhǔn)確可靠的解決方案,可以準(zhǔn)確地獲得樣本的目標(biāo)標(biāo)簽。但是關(guān)鍵問(wèn)題在于,當(dāng)實(shí)際環(huán)境中來(lái)了一張?jiān)O(shè)備缺陷紅外線圖像后,去求解此幅圖像在數(shù)據(jù)庫(kù)所有圖像上的稀疏表示,此算法一般比較耗時(shí)。對(duì)于實(shí)時(shí)應(yīng)用問(wèn)題,依然無(wú)法滿足要求。所以,問(wèn)題之關(guān)鍵還是歸結(jié)于范數(shù)最小化問(wèn)題上。雖然式(1)中的0-范數(shù)最小化問(wèn)題很難直接求解。但研究人員發(fā)現(xiàn),1-范數(shù)最小化優(yōu)化和0-范數(shù)最小優(yōu)化在某些條件下是等價(jià)的。因此式(1)可以轉(zhuǎn)化為:

(4)

(5)

式中ε是允許的重建誤差。

基于Faster R-CNN對(duì)變電站設(shè)備的檢測(cè)結(jié)果,文中使用SRC對(duì)檢測(cè)結(jié)果的每個(gè)區(qū)域進(jìn)行精確識(shí)別。利用已知目標(biāo)標(biāo)簽作為訓(xùn)練樣本構(gòu)建全局字典。根據(jù)上述稀疏表示和重建過(guò)程計(jì)算任何類別中輸入樣本的重建誤差。根據(jù)創(chuàng)建的誤差,精確確定變電站設(shè)備標(biāo)簽。

2.2 缺陷診斷

變電站設(shè)備運(yùn)行出現(xiàn)異常在溫度上會(huì)有所體現(xiàn),大部分設(shè)備出現(xiàn)缺陷時(shí)會(huì)出現(xiàn)溫度升高,這也是文中進(jìn)行缺陷識(shí)別的依據(jù)。設(shè)備在運(yùn)行過(guò)程會(huì)出現(xiàn)硬件不良類問(wèn)題,包括設(shè)備零件松動(dòng),電線接觸不良;接觸面類問(wèn)題,包括接觸面潮濕、腐蝕或者氧化以及設(shè)施問(wèn)題,包括電氣接觸部件故障,絕緣子破損等。這些缺陷都會(huì)造成局部溫度升高,發(fā)熱不正常的現(xiàn)象。

電學(xué)可以根據(jù)加熱特性的不同,將設(shè)備的熱缺陷分為電流加熱和電壓加熱。電流加熱缺陷意為電流在設(shè)備和導(dǎo)線之間進(jìn)行流通時(shí),經(jīng)過(guò)電阻發(fā)生異常而產(chǎn)生的加熱,主要發(fā)生在各個(gè)設(shè)備之間的接觸部位。重要的是,溫度對(duì)這類缺陷非常敏感,當(dāng)設(shè)備運(yùn)轉(zhuǎn)出現(xiàn)異常狀況時(shí),溫度上升劇烈,并且此類缺陷占據(jù)總?cè)毕荼壤?0%以上,易被發(fā)現(xiàn),所以這類缺陷為檢測(cè)的重點(diǎn)。電壓加熱缺陷指的是當(dāng)電壓施加到絕緣子這類絕緣器件上時(shí),器件會(huì)因?yàn)殡妶?chǎng)作用而升溫,而電場(chǎng)作用較小,傳導(dǎo)到設(shè)備外殼表面更少,所以一般很難被檢測(cè)。文中算法主要針對(duì)電流加熱缺陷的識(shí)別方法,該缺陷類別包括接頭加熱、斷開(kāi)開(kāi)關(guān)刀口和開(kāi)關(guān)加熱、斷路器觸點(diǎn)加熱、變壓器內(nèi)部連接加熱和套管串加熱。表面溫度判別法是判斷電流加熱缺陷最簡(jiǎn)單、最有效的方法。根據(jù)溫度評(píng)估標(biāo)準(zhǔn),選擇了三個(gè)溫度閾值,即50 ℃、80 ℃和105 ℃來(lái)識(shí)別設(shè)備中的缺陷。緊急缺陷是指對(duì)電力系統(tǒng)具有嚴(yán)重威脅的缺陷,需要緊急制定措施。嚴(yán)重缺陷表示有明顯運(yùn)作異常的故障。一般缺陷指的是需加強(qiáng)監(jiān)督的設(shè)備運(yùn)行安全幾乎沒(méi)有受到威脅。在完成變電站設(shè)備檢測(cè)識(shí)別的基礎(chǔ)上,文中紅外圖像缺陷識(shí)別的過(guò)程如圖2所示。

圖2 基于紅外線的缺陷診斷流程圖

3 實(shí)驗(yàn)與分析

3.1 數(shù)據(jù)集準(zhǔn)備

文中分別選取了套管、絕緣子、電線、電壓互感器、避雷針和斷路器等6種變電站設(shè)備的紅外圖像進(jìn)行缺陷檢測(cè)。這些圖像主要來(lái)自輸電分公司的儲(chǔ)備和實(shí)際場(chǎng)景中收集的數(shù)據(jù)。該數(shù)據(jù)集包括總共800個(gè)缺陷圖像和1 900個(gè)正常圖像。為了避免在數(shù)據(jù)劃分過(guò)程中引入額外的偏差并影響最終結(jié)果,訓(xùn)練集和測(cè)試集應(yīng)從原始集中隨機(jī)選擇。最后,文中從總樣本集中隨機(jī)選擇1 700幅變電站設(shè)備紅外圖像作為訓(xùn)練集,600幅紅外圖像作為測(cè)試集。各類缺陷數(shù)量如圖3所示。實(shí)驗(yàn)室環(huán)境設(shè)置如表1所示。

圖3 各種類型數(shù)據(jù)集數(shù)量

3.2 性能指標(biāo)

不同的目標(biāo)檢測(cè)算法會(huì)因?yàn)閼?yīng)用場(chǎng)景的不同而展現(xiàn)出不同的效果。算法檢測(cè)性能主要從如下所列的幾個(gè)方面進(jìn)行評(píng)估:P(Precision,精確率)、AP(Accuracy Precision,平均性能)、R(Recall,召回率)、mAP(mean Accuracy Precision,不同類別的平均精度),計(jì)算公式如式(6)～式(9)所示:

(6)

(7)

(8)

(9)

其中,TP表示正確識(shí)別的設(shè)備數(shù)量;FP表示為錯(cuò)誤識(shí)別的設(shè)備目標(biāo)數(shù)量;FN表示誤識(shí)為非設(shè)備目標(biāo)的數(shù)量;k則表示總共識(shí)別目標(biāo)的種類數(shù)。一般P與R呈現(xiàn)相反的變化趨勢(shì),所以一般用mAP來(lái)表示目標(biāo)檢測(cè)的綜合性能。

3.3 結(jié)果分析

為了更快地進(jìn)行基于FasterR-CNN的變電站設(shè)備檢測(cè),在實(shí)驗(yàn)中模型訓(xùn)練學(xué)習(xí)率設(shè)置為0.001,Batch size大小為256,動(dòng)量為0.9,權(quán)重衰減為0.000 1,總迭代次數(shù)為20 000。對(duì)1 700個(gè)訓(xùn)練樣本進(jìn)行訓(xùn)練,以獲得變電站設(shè)備檢測(cè)模型。采用文中算法實(shí)現(xiàn)的6種變電站設(shè)備的檢測(cè)精度如表2所示,各類設(shè)備檢測(cè)精度即在某個(gè)類別識(shí)別出的設(shè)備數(shù)占該類設(shè)備總數(shù)的百分比,各類設(shè)備的平均精度為91.64%,性能如圖4所示,算法的收斂效果如圖5所示。這一結(jié)果驗(yàn)證了Faster R-CNN用于變電站設(shè)備圖像檢測(cè)的有效性。

表2 基于Faster R-CNN的檢測(cè)性能分析

圖4 Faster R-CNN識(shí)別準(zhǔn)確率

圖5 Faster R-CNN的識(shí)別收斂性能

訓(xùn)練樣本還用于訓(xùn)練SRC,以獲得相應(yīng)的分類模型。根據(jù)測(cè)試樣本的Faster R-CNN結(jié)果,確認(rèn)測(cè)試樣本所屬變電站設(shè)備的具體標(biāo)簽。表3顯示了基于SRC的不同類型變電站設(shè)備的缺陷識(shí)別準(zhǔn)確率,即在某個(gè)類別識(shí)別出的缺陷設(shè)備數(shù)占該類設(shè)備總數(shù)的百分比,通過(guò)表中數(shù)據(jù)計(jì)算得到所有類別的平均識(shí)別率達(dá)到91.62%。證明了SRC算法在變電站設(shè)備識(shí)別中的有效性。

表3 基于SRC的缺陷識(shí)別準(zhǔn)確率

在上述檢測(cè)和識(shí)別過(guò)程的基礎(chǔ)上,基于溫度閾值的思想進(jìn)行變電站設(shè)備的缺陷檢測(cè)。根據(jù)人工統(tǒng)計(jì),在600幅紅外圖像的測(cè)試集中,共有160張紅外線圖像包含有缺陷的設(shè)備,142張圖像被正確判斷為有缺陷設(shè)備圖像,準(zhǔn)確率為88.75%。結(jié)果與實(shí)際情況相符,如圖6所示。實(shí)驗(yàn)結(jié)果表明了在套管、絕緣體、線路、電壓互感器、避雷針和斷路器各類設(shè)備檢測(cè)上,文中方法的精度都達(dá)到了90%以上,綜合性能達(dá)到80%以上。根據(jù)圖7速度與精度圖像可以得出結(jié)論,該算法在精度與速度上比較平衡,驗(yàn)證了文中方法在設(shè)備識(shí)別上的準(zhǔn)確性以及缺陷檢測(cè)的有效性,不再針對(duì)于單個(gè)缺陷設(shè)備,對(duì)多個(gè)變電站設(shè)備具有普適性;在具體的缺陷處理過(guò)程中,由于文中不僅對(duì)設(shè)備進(jìn)行了檢查,而且確認(rèn)了其類別,所以可以幫助工作人員制定更有效的處理措施,對(duì)實(shí)際變電站紅外線檢測(cè)有著積極的意義。

圖7 Faster R-CNN速度與精度

4 結(jié)束語(yǔ)

文中提出一種設(shè)備識(shí)別和故障檢測(cè)相結(jié)合的方法,并且將該技術(shù)應(yīng)用于變電站設(shè)備缺陷的檢測(cè)與診斷。首先,對(duì)于輸入的變電站設(shè)備的紅外圖像,使用Faster R-CNN來(lái)檢測(cè)關(guān)鍵區(qū)域,以獲得感興趣的變電站設(shè)備。在此基礎(chǔ)上,根據(jù)已分類的訓(xùn)練樣本,基于SRC確定檢測(cè)區(qū)域,并確定變電站設(shè)備的具體類型。最后,根據(jù)當(dāng)前紅外圖像中反映的設(shè)備溫度,判斷其是否處于正常狀態(tài)。與傳統(tǒng)的變電站設(shè)備缺陷分析算法相比,文中通過(guò)引入SRC算法,進(jìn)一步確定了輸入設(shè)備的類別,因此分析結(jié)果更加詳細(xì),有利于開(kāi)展有針對(duì)性的診斷和維修。在實(shí)際變電站設(shè)備的紅外圖像集上進(jìn)行了實(shí)驗(yàn),結(jié)果表明了該方法對(duì)變電站設(shè)備缺陷檢測(cè)和識(shí)別技術(shù)的有效性。

未來(lái)的工作主要集中在兩個(gè)方面。首先,出于保密考慮,變電站缺陷數(shù)據(jù)集的可用性受到限制,從而限制了樣本收集過(guò)程。因此,將努力繼續(xù)收集不同設(shè)備的缺陷樣本,從而擴(kuò)大實(shí)驗(yàn)數(shù)據(jù)集,增強(qiáng)檢測(cè)模型的泛化能力。此外,還將進(jìn)一步優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu),對(duì)不同視角下較小目標(biāo)檢測(cè)的針對(duì)性策略。這一優(yōu)化將提高檢測(cè)性能,從而更加靈敏的完成識(shí)別輸電線路缺陷的任務(wù)。