基于深度學(xué)習(xí)的變電設(shè)備紅外圖像識(shí)別檢測(cè)技術(shù)應(yīng)用探析

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；深度學(xué)習(xí)；紅外圖像識(shí)別檢測(cè)

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）26-0001-03 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID） ：

0 引言

國(guó)家電網(wǎng)近期提出建設(shè)數(shù)智化堅(jiān)強(qiáng)電網(wǎng)的目標(biāo)，旨在通過深度整合數(shù)字化和智能化技術(shù)，推動(dòng)電網(wǎng)生產(chǎn)運(yùn)行與管理的全面升級(jí)。變電設(shè)備在電網(wǎng)中扮演著至關(guān)重要的角色，它們不僅負(fù)責(zé)電壓的轉(zhuǎn)換，還承擔(dān)著電能的分配和傳輸使命。其運(yùn)行狀況的好壞直接關(guān)系到整個(gè)電網(wǎng)的安全性和穩(wěn)定性，對(duì)電力系統(tǒng)的順暢運(yùn)行起著決定性的作用。在建設(shè)數(shù)智化堅(jiān)強(qiáng)電網(wǎng)的宏偉藍(lán)圖中，變電設(shè)備作為電網(wǎng)的重要組成部分，其數(shù)智化升級(jí)顯得尤為關(guān)鍵。通過深度整合數(shù)字化和智能化技術(shù)，實(shí)現(xiàn)對(duì)變電設(shè)備的實(shí)時(shí)監(jiān)測(cè)、故障診斷和預(yù)警，提高電網(wǎng)的安全性和穩(wěn)定性，為社會(huì)的可持續(xù)發(fā)展提供有力保障。紅外檢測(cè)技術(shù)因其實(shí)時(shí)、快速、非接觸、監(jiān)測(cè)范圍廣等優(yōu)點(diǎn)成為電力公司對(duì)變電設(shè)備檢測(cè)的主要手段之一。面對(duì)海量的紅外檢測(cè)圖像，如何快速有效地識(shí)別變電設(shè)備類型及狀態(tài)變得異常重要。傳統(tǒng)的圖像識(shí)別方法往往受到較多人為因素干擾，使得對(duì)紅外圖像的識(shí)別檢測(cè)效果不盡如人意。然而，隨著GPU硬件的發(fā)展，深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺領(lǐng)域得到了迅猛發(fā)展，為電力設(shè)備監(jiān)測(cè)提供了全新的解決方案，全面提升了電力系統(tǒng)的穩(wěn)定性與可靠性。

1 變電設(shè)備紅外圖像識(shí)別檢測(cè)概述

1.1 紅外圖像采集簡(jiǎn)述

在變電設(shè)備巡檢中，紅外成像技術(shù)將變電設(shè)備溫度通過紅外圖像的形式展現(xiàn)，溫度高低在圖像中以不同顏色呈現(xiàn)，并在比色條中列舉出溫度上下限范圍。該方法由于具有安全性、無(wú)損性、實(shí)時(shí)采集等優(yōu)點(diǎn)，無(wú)須設(shè)備停電即可實(shí)現(xiàn)故障隱患檢測(cè)而被廣泛應(yīng)用。隨著變電站巡檢過程中智能巡檢機(jī)器人、無(wú)人機(jī)等先進(jìn)裝備的大量應(yīng)用，紅外檢測(cè)更是得到了普遍廣泛的應(yīng)用。智能巡檢顯著提高了工作效率，有效減輕了設(shè)備巡檢人員的勞動(dòng)強(qiáng)度，但是巡檢中獲得的大量紅外圖像，如何快速有效地在大量紅外數(shù)據(jù)中獲取有用信息，實(shí)現(xiàn)變電設(shè)備的準(zhǔn)確識(shí)別，進(jìn)而進(jìn)行故障判斷，成為當(dāng)前智能巡檢工作中亟須解決的問題。

1.2 傳統(tǒng)圖像識(shí)別檢測(cè)

傳統(tǒng)的紅外圖像分析和處理通常利用溫度分布、熱異常點(diǎn)等特征進(jìn)行提取和分析。傳統(tǒng)的圖像識(shí)別算法在很大程度上依賴于人工的特征提取，特征包括邊緣檢測(cè)、梯度分析、灰度值、圖像分割等。人工提取圖像特征后，通常會(huì)使用分類器（如支持向量機(jī)、決策樹等）對(duì)這些特征進(jìn)行分類或識(shí)別。但是，傳統(tǒng)的紅外圖像分析檢測(cè)方式也存在一些局限性，它高度依賴于特征選擇的質(zhì)量和工程師的經(jīng)驗(yàn)。不同的特征選擇可能會(huì)導(dǎo)致截然不同的識(shí)別結(jié)果。此外，傳統(tǒng)方式無(wú)法實(shí)現(xiàn)實(shí)時(shí)在線監(jiān)測(cè)和數(shù)據(jù)傳輸，難以實(shí)時(shí)發(fā)現(xiàn)和處理設(shè)備故障。

2 深度學(xué)習(xí)算法概述

隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，機(jī)器學(xué)習(xí)（ML） 日益受到廣泛關(guān)注和重視。作為一種基于數(shù)據(jù)驅(qū)動(dòng)的自動(dòng)化算法設(shè)計(jì)方法，機(jī)器學(xué)習(xí)能夠深入挖掘大量數(shù)據(jù)中的潛在價(jià)值，通過精細(xì)的學(xué)習(xí)和分析過程，揭示隱藏在數(shù)據(jù)中的有用規(guī)律和模式。然后，將這些規(guī)律和模式應(yīng)用于新數(shù)據(jù)的預(yù)測(cè)與決策中，為各行各業(yè)提供智能化、精準(zhǔn)化的解決方案。近年來(lái)，隨著大數(shù)據(jù)、云計(jì)算等技術(shù)的不斷發(fā)展，機(jī)器學(xué)習(xí)在各個(gè)領(lǐng)域得到了廣泛的應(yīng)用，其中在圖像辨識(shí)、行為分析、自然語(yǔ)言處理等方面尤為突出。在圖像辨識(shí)方面，機(jī)器學(xué)習(xí)算法能夠通過對(duì)圖像中的像素、顏色、紋理等特征進(jìn)行自動(dòng)提取和學(xué)習(xí)，實(shí)現(xiàn)對(duì)圖像的自動(dòng)分類、識(shí)別和標(biāo)注等功能[1]。然而，傳統(tǒng)機(jī)器學(xué)習(xí)算法對(duì)數(shù)據(jù)質(zhì)量有較高的要求，在處理與訓(xùn)練數(shù)據(jù)差異較大的數(shù)據(jù)時(shí)，存在泛化能力有限的問題，可能無(wú)法自主提取數(shù)據(jù)特征，難以準(zhǔn)確地進(jìn)行預(yù)測(cè)和分類。

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN） 作為機(jī)器學(xué)習(xí)的一種模型，具有參數(shù)少、預(yù)測(cè)性能好、泛化能力強(qiáng)等優(yōu)點(diǎn)。其核心在于模擬生物神經(jīng)元之間的連接和信號(hào)傳遞機(jī)制，從而實(shí)現(xiàn)對(duì)復(fù)雜函數(shù)的估計(jì)或近似。這種網(wǎng)絡(luò)具有強(qiáng)大的自適應(yīng)能力，能夠在外界信息的影響下調(diào)整其內(nèi)部結(jié)構(gòu)，以更好地適應(yīng)不同的任務(wù)需求。ANN通常由輸入層、隱藏層和輸出層構(gòu)成，輸入層接收外部數(shù)據(jù)并傳遞給隱藏層。隱藏層是網(wǎng)絡(luò)中的核心部分，其層數(shù)以及每層神經(jīng)元的數(shù)量通常需要根據(jù)具體任務(wù)進(jìn)行人工設(shè)定，以便更好地捕捉和提取數(shù)據(jù)中的有用信息。輸出層的神經(jīng)元數(shù)量則與所要解決的問題中的分類標(biāo)簽個(gè)數(shù)相對(duì)應(yīng)，負(fù)責(zé)輸出最終的預(yù)測(cè)或決策結(jié)果。這種學(xué)習(xí)能力使得ANN 在醫(yī)學(xué)圖像分析、智能監(jiān)控安防、自然語(yǔ)言處理等眾多領(lǐng)域取得了成功的應(yīng)用。然而，人工神經(jīng)網(wǎng)絡(luò)在處理大量數(shù)據(jù)時(shí)，隱藏層節(jié)點(diǎn)的調(diào)參過程通常需要耗費(fèi)大量的人力和時(shí)間來(lái)精心調(diào)整這些參數(shù)，以達(dá)到最佳的性能表現(xiàn)。這種人工調(diào)參的過程不僅效率低下，而且效果難以保證，往往需要進(jìn)行多次迭代和優(yōu)化才能得到滿意的結(jié)果。

深度學(xué)習(xí)（Deep Learning， DL） [2]算法是一種基于人工神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)算法，其核心原理是通過構(gòu)建多層神經(jīng)網(wǎng)絡(luò)來(lái)模擬人腦神經(jīng)元的連接方式，從而實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的層級(jí)化特征表示和抽象。多層神經(jīng)網(wǎng)絡(luò)意味著更多的參數(shù)設(shè)置，模型復(fù)雜度也隨之增加，處理信息的能力也更強(qiáng)，能夠完成更復(fù)雜的學(xué)習(xí)任務(wù)。在圖像分析領(lǐng)域的突破性成就展現(xiàn)了深度學(xué)習(xí)模型對(duì)于模式提取的強(qiáng)大功能，能夠準(zhǔn)確識(shí)別圖像中的物體、紋理以及更復(fù)雜的場(chǎng)景關(guān)系。

3 深度學(xué)習(xí)在紅外圖像識(shí)別檢測(cè)的研究進(jìn)展

近年來(lái)，深度學(xué)習(xí)以其能夠自動(dòng)提取復(fù)雜數(shù)據(jù)特征的特性，經(jīng)過良好設(shè)計(jì)的深度學(xué)習(xí)模型可以自動(dòng)完成對(duì)高維復(fù)雜數(shù)據(jù)分布的建模[3]，使得深度學(xué)習(xí)在目標(biāo)檢測(cè)領(lǐng)域的應(yīng)用日益受到關(guān)注，尤其在變電設(shè)備視覺檢測(cè)中成為研究焦點(diǎn)。其中，卷積神經(jīng)網(wǎng)絡(luò)（CNN） 作為深度學(xué)習(xí)領(lǐng)域的核心模型之一，發(fā)揮著至關(guān)重要的作用。

3.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN） 在其神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中采用了一種稱為卷積的數(shù)學(xué)運(yùn)算，代替了傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的矩陣乘法，特別適用于處理具有網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)，如圖像與語(yǔ)音。CNN通過模擬生物視覺認(rèn)知機(jī)制，通過大量有標(biāo)定數(shù)據(jù)的訓(xùn)練，建立從底層信號(hào)到高層語(yǔ)義的映射關(guān)系，克服了手工設(shè)計(jì)特征區(qū)分度不足的問題，被廣泛應(yīng)用于大型復(fù)雜圖像分類任務(wù)中。在圖像處理領(lǐng)域，CNN 被廣泛應(yīng)用于圖像識(shí)別、物體識(shí)別、圖像處理等方面。

賈鑫等[4]創(chuàng)新性地提出了基于雙監(jiān)督信號(hào)深度學(xué)習(xí)的電氣設(shè)備紅外圖像故障識(shí)別方法。該方法利用Slic超像素HSV空間變換算法，有效排除了無(wú)故障設(shè)備的干擾，精準(zhǔn)提取了圖像中的故障區(qū)域。在網(wǎng)絡(luò)訓(xùn)練方面，該方法結(jié)合了GoogLeNet卷積神經(jīng)網(wǎng)絡(luò)模型以及softmax損失和中心損失兩種監(jiān)督信號(hào)，顯著提升了故障診斷的準(zhǔn)確性和泛化性能。該方法能夠高效識(shí)別變電站紅外圖像中的故障設(shè)備，增強(qiáng)了變電站設(shè)備運(yùn)行的穩(wěn)定性，確保了運(yùn)維檢修人員的安全。實(shí)驗(yàn)結(jié)果表明，雙監(jiān)督信號(hào)訓(xùn)練出的網(wǎng)絡(luò)識(shí)別準(zhǔn)確率可達(dá)到98.6%，但數(shù)據(jù)集規(guī)模對(duì)最終識(shí)別率有很大影響。

王有元等[5]提出了利用卷積神經(jīng)網(wǎng)絡(luò)內(nèi)經(jīng)典的殘差網(wǎng)絡(luò)診斷模型，用于變電設(shè)備紅外巡檢。通過構(gòu)建多分類數(shù)據(jù)集，改進(jìn)殘差網(wǎng)絡(luò)結(jié)構(gòu)，并利用貝葉斯優(yōu)化算法自動(dòng)調(diào)整超參數(shù)，提高了識(shí)別準(zhǔn)確率，降低了計(jì)算資源占用。模型采用卷積核分解、多維度特征融合和卷積核自調(diào)整等技術(shù)，采用Xavier正態(tài)分布初始化方法，并加入快捷連接方式，以提高診斷準(zhǔn)確率。通過貝葉斯優(yōu)化方法自適應(yīng)超參數(shù)調(diào)整策略，優(yōu)化深度學(xué)習(xí)模型在變電設(shè)備熱缺陷診斷任務(wù)中的性能。實(shí)驗(yàn)結(jié)果顯示，改進(jìn)后的貝葉斯優(yōu)化算法能提升模型準(zhǔn)確率，所改進(jìn)模型的狀態(tài)識(shí)別準(zhǔn)確率達(dá)到94.53%，并獲得了性能最優(yōu)的輕量化診斷模型。

吳昊月等[6]提出了一種改進(jìn)的級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，通過在骨干殘差網(wǎng)絡(luò)中添加可形變卷積層，提高了特征提取的幾何形變能力。通過像素點(diǎn)概率指導(dǎo)錨的中心點(diǎn)生成，使生成的錨更少且質(zhì)量更高，有助于故障小區(qū)域的檢測(cè)。改進(jìn)后的算法損失包括分類損失、回歸框的位置損失、位置候選區(qū)的中心點(diǎn)位置損失和錨的形狀損失。由于數(shù)據(jù)集中存在負(fù)樣本與正樣本不平衡問題，該研究采用Focalloss作為損失函數(shù)，以平衡正負(fù)樣本。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的網(wǎng)絡(luò)在電氣設(shè)備紅外圖像檢測(cè)中具有較好的性能。與Cascade RCNN、Faster RCNN、Dcn-CascadeRCNN、SSD 四種經(jīng)典算法相比，新算法漏檢錯(cuò)檢問題較少，位置候選區(qū)生成錨的數(shù)量減少，且故障區(qū)域檢測(cè)平均精度均值（mAP） 達(dá)到95.3%。

3.2 基于YOLO的深度學(xué)習(xí)算法

盡管卷積神經(jīng)網(wǎng)絡(luò)在變電設(shè)備紅外圖像識(shí)別檢測(cè)中取得了較高的準(zhǔn)確率，但仍存在一些挑戰(zhàn)和局限性。具體來(lái)說(shuō)，由于不同變電設(shè)備之間的特征差異較大，這可能導(dǎo)致目標(biāo)檢測(cè)的效果不盡如人意。此外，環(huán)境因素的變化也可能引發(fā)目標(biāo)特征的變化，從而影響識(shí)別準(zhǔn)確性。更為關(guān)鍵的是，數(shù)據(jù)樣本的不均衡問題可能導(dǎo)致模型在泛化能力方面存在不足，使其在面對(duì)新數(shù)據(jù)或不同場(chǎng)景時(shí)表現(xiàn)不佳。這些問題都亟待解決，以提高卷積神經(jīng)網(wǎng)絡(luò)在變電設(shè)備紅外圖像識(shí)別檢測(cè)中的性能和穩(wěn)定性。隨著輕量化網(wǎng)絡(luò)型紅外檢測(cè)設(shè)備的投入使用，對(duì)檢測(cè)設(shè)備的運(yùn)行環(huán)境及模型的大小提出了新的要求。YOLO系列算法具備檢測(cè)速度快，滿足實(shí)時(shí)性要求，能保持較高的定位準(zhǔn)確度和特征識(shí)別率得到了廣泛關(guān)注。

王永平[7]提出一種基于YOLO v3的高壓開關(guān)設(shè)備紅外圖像異常發(fā)熱點(diǎn)目標(biāo)檢測(cè)方法，通過優(yōu)化算法參數(shù)、Loss函數(shù)和檢測(cè)框，提高了檢測(cè)速度和準(zhǔn)確性。通過建立高壓開關(guān)設(shè)備紅外圖像異常發(fā)熱點(diǎn)的獨(dú)立訓(xùn)練集和測(cè)試集，成功地訓(xùn)練出了具備合適權(quán)重的模型。這種檢測(cè)方法不僅識(shí)別速度快，而且準(zhǔn)確率極高，展現(xiàn)出強(qiáng)大的泛化能力。經(jīng)過嚴(yán)格的測(cè)試驗(yàn)證，該方法的準(zhǔn)確率達(dá)到了91.83%，充分證明了其在高壓開關(guān)設(shè)備紅外圖像異常發(fā)熱點(diǎn)檢測(cè)中的有效性和可靠性。

在YOLO v3目標(biāo)檢測(cè)的基礎(chǔ)上，俞賢文等提出了一種基于改進(jìn)YOLO v3的紅外電力設(shè)備目標(biāo)檢測(cè)模型，通過改進(jìn)特征提取網(wǎng)絡(luò)、加入輕量級(jí)注意力模塊和改變特征層檢測(cè)尺度等方式，提升模型的檢測(cè)精度和速度。實(shí)驗(yàn)表明，該方法在檢測(cè)速度相近的同時(shí)，具有更高的檢測(cè)精度，為電力設(shè)備紅外圖像智能檢測(cè)提供了新的思路[8]。

段中興等提出了一種基于改進(jìn)YOLO v4的電力設(shè)備紅外圖像識(shí)別方法，針對(duì)雨霧天氣條件下紅外圖像普遍存在的對(duì)比度偏低以及像素模糊等突出問題，該方法利用MSRCR圖像增強(qiáng)算法對(duì)原始紅外圖像進(jìn)行增強(qiáng)處理，改善雨霧天氣下紅外圖像存在的對(duì)比度低、像素模糊等問題，進(jìn)而提高模型在雨霧天氣下對(duì)電力設(shè)備的檢測(cè)能力[9]。實(shí)驗(yàn)結(jié)果表明，該方法在電力設(shè)備紅外圖像識(shí)別方面具有較高的準(zhǔn)確率和召回率，同時(shí)檢測(cè)速度為 71 frame/s，檢測(cè)速度有大幅度提升。

王宇聰[10]提出了一種改進(jìn)的YOLO v5n紅外圖像目標(biāo)檢測(cè)新模型，結(jié)合了SE注意力機(jī)制與SPD-Conv 的優(yōu)點(diǎn)，用于無(wú)人機(jī)紅外圖像電力巡檢。實(shí)驗(yàn)結(jié)果表明，該模型在檢測(cè)速度和精度上達(dá)到了平衡，相比其他模型更適合部署于無(wú)人機(jī)紅外圖像電力巡檢。

鄧長(zhǎng)征等[11]提出了一種基于改進(jìn)YOLO v7-Tiny 的變電設(shè)備紅外圖像識(shí)別算法，通過引入輕量級(jí)注意力機(jī)制CA和改進(jìn)損失函數(shù)，提高了模型的精確度和mAP0.5，同時(shí)模型大小降低至 7.82M。實(shí)驗(yàn)結(jié)果表明，本文算法在多目標(biāo)、背景復(fù)雜、目標(biāo)被遮擋等場(chǎng)景下均能準(zhǔn)確識(shí)別變電設(shè)備，具有較高的識(shí)別精度和穩(wěn)定性。

4 結(jié)論與展望

本文對(duì)近年來(lái)深度學(xué)習(xí)算法在電力設(shè)備紅外圖像的識(shí)別檢測(cè)方法應(yīng)用進(jìn)行了總結(jié)，通過按照學(xué)習(xí)方法進(jìn)行分類，有利于深度學(xué)習(xí)方法之間的相互比較，這將有助于從事電力巡檢的人員根據(jù)特定的電力設(shè)備故障診斷選取合適的視覺檢測(cè)方法。

然而，基于深度學(xué)習(xí)的視覺檢測(cè)方法也面臨著一些挑戰(zhàn)。首先，訓(xùn)練樣本的匱乏和標(biāo)注困難是制約該方法應(yīng)用的重要因素。由于電力設(shè)備種類繁多，故障形態(tài)各異，收集足夠的標(biāo)注樣本是一項(xiàng)艱巨的任務(wù)。其次，小目標(biāo)發(fā)熱故障區(qū)域的檢測(cè)也是一個(gè)難題。由于故障區(qū)域較小，可能受到背景噪聲和遮擋等因素的影響，實(shí)現(xiàn)精確的小目標(biāo)檢測(cè)成為當(dāng)前研究的重點(diǎn)。此外，深度學(xué)習(xí)模型的實(shí)時(shí)性和穩(wěn)定性也是實(shí)際應(yīng)用中需要考慮的問題。

針對(duì)以上挑戰(zhàn)，未來(lái)的研究可以從以下幾個(gè)方面展開：

1） 探索多源圖像融合技術(shù)。結(jié)合不同傳感器的數(shù)據(jù)以提高目標(biāo)檢測(cè)的精度。

2） 利用生成式對(duì)抗網(wǎng)絡(luò)（GAN） 等方法生成紅外圖像樣本。以緩解訓(xùn)練樣本匱乏的問題。

3） 研究針對(duì)小目標(biāo)檢測(cè)的優(yōu)化算法和網(wǎng)絡(luò)結(jié)構(gòu)。提高對(duì)小目標(biāo)發(fā)熱故障區(qū)域的檢測(cè)能力。

4） 開展輕量化網(wǎng)絡(luò)模型的研究。以提高深度學(xué)習(xí)模型在邊緣設(shè)備上的部署效率。

5） 優(yōu)化模型結(jié)構(gòu)和參數(shù)。提高模型的穩(wěn)定性和實(shí)時(shí)性，以適應(yīng)復(fù)雜多變的實(shí)際應(yīng)用場(chǎng)景。

總之，深度學(xué)習(xí)在電力設(shè)備的紅外圖像識(shí)別與發(fā)熱故障檢測(cè)中展現(xiàn)出了巨大的應(yīng)用潛力和極高的研究?jī)r(jià)值。隨著對(duì)新技術(shù)和新方法的不斷研究與探索，有望為數(shù)智化電網(wǎng)的建設(shè)和運(yùn)維提供更加高效、準(zhǔn)確和智能的解決方案。