一種基于卷積神經網絡和縱橫交叉優化算法的電纜隧道溫度異常識別方法

孟安波 楊躒 王偉 殷豪 曾云 黃圣權

摘 要：電力系統的安全穩定運行一直是我國電力行業的重中之重，而電纜隧道的安全也是電網安全運行的重要一環。本文使用電纜隧道巡檢系統拍攝的圖片，基于卷積神經網絡（R-CNN）算法，在圖像中定位異常狀況點，并映射到紅外圖片。對電纜以及接頭溫度進行分析來及時對異常情況做出報警，可以維護供電安全并延長電纜使用壽命。針對電纜隧道巡檢圖像的時效性需求，采用縱橫交叉（CSO）算法對圖像分割的閾值優化，便于快速定位異常位置。

關鍵詞：電纜隧道；溫度異常；卷積神經網絡；縱橫交叉優化算法

中圖分類號：TP391.41；TP183 文獻標識碼：A 文章編號：2096-4706（2019）02-0046-05

Abstract：The safe and stable operation of the power system has always been the top priority of China’s power industry，and the safety of cable tunnels is also an important part of the safe operation of the power grid. In this paper，the picture taken by the cable tunnel inspection system is based on the convolutional neural network method，positioning the cable connector in the image and mapping to the infrared image. Analysis of the temperature of the cable connector in time to make an alarm on the abnormal situation，you can maintain the safety of power supply and extend the service life of the cable. Aiming at the small number of sample images collected，a migration learning method is adopted，which reduces the training intensity and ensures a better positioning and recognition effect.

Keywords：cable tunnel；temperature anomaly；convolutional neural network；crossbar optimization algorithm

0 引 言

目前地下電纜隧道內的電纜線路和各種電力設備通信設備的數量在逐漸增多，且電纜隧道的結構因地勢等原因比較復雜，使得地下電纜的維護變得越來越困難[1]。

由于電纜接頭處的工藝水平限制，連接不牢固等問題都可能導致接頭處電阻過高，在電纜電流流過時產生的熱效應之下會導致電纜接頭處發熱，嚴重的會導致電纜的絕緣被破壞致使漏電，甚至會引發火災[2]。而在非連接處由于電阻值較小一般不會出現熱故障，因此對電纜接頭的溫度監控對于減小電纜故障，延長電纜使用壽命都有重要意義。

使用目前常用的溫度傳感器如：熱敏電阻，熱電偶，溫控晶閘管等都存在無法克服的問題。接觸式測溫傳感器由于電纜外皮的存在使得溫度變化有很大的滯后性且得到的溫度都是小塊區域的，為了得到整體溫度需要安裝大量的傳感器這增加了電纜隧道的維護難度[3]。

隨著電纜巡檢機器人的推廣，使用巡檢機器人的設備對電纜隧道進行維護越來越普及。本文利用裝有可見光高清攝像頭和紅外攝像頭的電纜隧道巡檢機器人采集圖片，基于R-CNN網絡結構定位電纜接頭部位并在此基礎上判斷是否發出異常高溫預警。

1 卷積神經網絡

卷積神經網路（Convolutional Neural Network，CNN）是一種前饋神經網絡，它的人工神經元可以響應一部分覆蓋范圍內的周圍單元，對于大型圖像處理有出色表現[4，5]。卷積神經網絡（CNN）的主要結構為卷積層（Convolutional layer）、激活函數、池化層（Pooling）、全連接層（fully connection）、分類器（softmax）。

1.1 卷積層

4 實驗結果分析

4.1 網絡結構

R-CNN的網絡結構如圖1所示，在基礎神經網絡輸出的特征圖層中加了一個區域建議網絡（RPN），該網絡用作預選區域生成。由RPN網絡得到預選區后，池化層把特征圖上的對應預選區的特征整合成固定長度的特征向量，在經過兩層全連接層后連接到softmax分類層和邊框回歸層[11]。

基礎神經網絡可以選擇不同的結構如GoogleNet[12]、ZFNet[13]。本文選擇使用ZFNet，因為該網絡規模較小且程序運行時間比較合理。

4.2 訓練數據

即使是采用了規模較小的CNN網絡結構作為基礎網絡訓練參數，仍然需要大量的訓練樣本。在廣東省珠海供電局的幫助下，本實驗小組在橫琴地區環琴甲、乙線采集了數千分鐘的視頻數據和1500張正常或異常狀況圖片。

將前述得到的樣本劃分為訓練集和測試集。用已經在CNN網絡上預訓練后得到的網絡參數初始化區域建議網絡（RPN）。用RPN網絡初始化R-CNN目標檢測網絡參數，并用RPN網絡提取預選區域訓練目標檢測網絡。用訓練后的目標檢測網絡重新初始化RPN網絡，固定網絡的卷積層并進行微調。固定目標檢測網絡的卷積層用微調后的RPN網絡提取的預選區域對目標檢測網絡微調。如圖2所示。

整個網絡的輸出是電纜接口的位置信息包含四個參數（x、y、w、h）分別是接口區域左上角頂點的橫、縱坐標，區域的寬度和高度。

4.3 實驗過程

在通過R-CNN目標檢測網絡訓練得到電纜接頭在可見光照片上的位置后就可以得到電纜接頭的溫度了，具體步驟如下：

根據R-CNN得到的接頭區域以及隧道巡檢機器人的可見光攝像頭與紅外攝像頭的參數可以將電纜接頭區域從可見光照片映射到紅外照片上。

對選定的紅外照片區域做溫度最高值搜索，得到最高溫度值。

在根據電纜線芯溫度與防爆箱溫度的矯正公式矯正后便得到了電纜接頭處線芯最高溫度。

將最高溫度與電纜接頭的巡檢標準溫度閾值對比判斷是否出現異常高溫，決定是否報警。

4.4 結果與分析

本文給出了兩個電纜接頭處的識別定位結果分別如圖3接頭1和圖4接頭2所示，圖中：（a）為可見光原始圖像，（b）為定位后可見光圖片，（c）為對應的紅外圖片。

根據在定位框對應到的紅外圖片內也即接頭區域搜索最高溫得到的結果是接頭1最高溫度31.63℃，接頭2的最高溫度為29.31℃，均在正常的溫度范圍內。

本文采用的基于Faster-R-CNN的電纜接頭定位算法可以準確定位，識別速度快，統計結果顯示識別準確率高達80%，在僅CPU運行的模式下識別時間小于10s。

另外接頭處溫度識別的結果與現場巡檢結果一致，溫度偏差不超過5%。

5 結 論

本文將深度學習與圖像處理技術應用于電力隧道圖像的識別與分析中，提出一種基于數字圖像處理技術和卷積神經網絡的智能電纜接頭溫度狀態識別算法。在高壓危險的環境中能夠使用巡檢機器人代替人工檢測電纜的溫度狀態，減輕了運維人員的工作負擔，提高了巡檢機器人的智能化水平，利用電纜隧道內現有的巡檢機器人的巡檢設備采集，定位，識別電纜接頭的溫度狀態。提出的算法適用性廣，具有良好的識別質量和較高的識別速度，為電力隧道智能化，無人化值守提供了重要的技術支撐。

參考文獻：

[1] 劉凱.大連地區電纜隧道在線監測系統的設計與實現 [D].大連：大連理工大學，2016.

[2] 黃巖.電力電纜接頭的溫度監測與預警研究 [J].時代農機，2015，42（10）：35-36.

[3] 王龍閣，郭宏燕，陳磊，等.一種基于分布式光纖光柵傳感器的電纜溫度監測系統 [J].電器工業，2016（12）：74-76.

[4] LAWRENCE S，GILES C L，TSOI A C，et al. Face recognition：A convolutional neural-network approach [J]. IEEE Transactions on Neural Networks，1997，8（1）：98-113.

[5] TURAGA C S，MURRAY F J，JAIN V，et al. Convolutional Networks Can Learn to Generate Affinity Graphs for Image Segmentation [J]. Neural Computation，2010，22（2）：511-538.

[6] Dong C，Loy C C，He K M，et al. Image super-resolution using deep convolutional networks [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2016，38（2）：295-307.

[7] Xu B，Wang N，Chen T，et al. Empirical evaluation of rectified activations in convolutional network [J]. arXiv preprint arXiv：1505.00853，2015.

[8] Hinton G E，Srivastava N，Krizhevsky A，et al. Improving neural networks by preventing co-adaptation of feature detectors [J]. arXiv preprint arXiv：1207.0580，2012.

[9] 陳慶，閆斌，葉潤，等.航拍絕緣子卷積神經網絡檢測及自爆識別研究 [J].電子測量與儀器學報，2017，31（6）：942-953.

[10] 孟安波，胡函武，劉向東.基于縱橫交叉算法優化神經網絡的負荷預測模型 [J].電力系統保護與控制，2016，44（7）：102-106.

[11] 黃心漢，蘇豪，彭剛，等.基于卷積神經網絡的目標識別及姿態檢測 [J].華中科技大學學報（自然科學版），2017，45（10）：7-11.

[12] Ren S，He K，Girshick R B，et al.Faster R-CNN：Towards Real-Time Object Detection with Region Proposal Networks [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（6）：1137-1149.

[13] Szegedy C，Liu W，Jia Y，et al. & Rabinovich，A. Going deeper with convolutions [C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015：1-9.

作者簡介：孟安波（1971-），男，漢族，重慶人，博士，教授，主要研究方向：人工智能在電力市場與電力系統中的應用；通訊作者：楊躒（1993-），男，漢族，河南洛陽人，碩士研究生，主要研究方向：人工智能在電力系統中的應用；王偉（1988-），男，漢族，河南洛陽人，碩士研究生，主要研究方向：電力系統負荷預測；殷豪（1972-），女，漢族，重慶人，副教授，主要研究方向：人工智能在電力系統中的應用；曾云（1994-），女，漢族，湖北荊門人，碩士研究生，主要研究方向：電力市場電價預測；黃圣權（1990-），男，漢族，廣東陽江人，碩士研究生，主要研究方向：風力發電風速預測。