深度學習目標檢測在電網運維中的應用實踐

蔡天燁，張 旭，張彥龍

（1.國網南通供電公司，江蘇 南通 226000；2.許繼集團有限公司，河南 許昌 461000）

0 引 言

隨著輸電線路的大規模增長，傳統人工巡檢模式由于工作量驟增、檢測精度和效率已不能適應電網發展[1-4]。近年來，隨著計算機視覺和人工智能的發展，人工智能技術在電力領域的探索，逐步成為電網運檢發展的新突破[5-8]。

1 目標檢測網絡模型

與傳統圖像分類不同的是，圖像目標檢測的目的要標記出目標物體的位置。這一任務分為兩步：一是輸出目標類別信息的分類任務；二是輸出目標具體位置信息的定位任務。

傳統的目標檢測方法由于滑窗算法的特點，極大地限制了算法發展。近年來，隨著計算機運算力的飛速發展和大數據的支撐，基于深度學習的目標檢測網絡層出不窮。經典的深度學習目標檢測網路有R-CNN、SPPNet、Fast R-CNN、Faster R-CNN、YOLO以及SSD等[9]。R-CNN系列目標檢測網絡作為經典的two-stage檢測方法，首先生成大量可能的包含待檢測物體的候選區域，然后對這些候選區域進行進一步的分類和位置回歸。SPPNet引入圖像金字塔網絡和ROI池化技術，解決了目標變形、裁剪、縮放以及帶來的網絡輸入信息不完整的問題。YOLO與SSD為代表的one-stage方法，均摒棄了運算量巨大的候選框提取操作，大大節省了計算量和訓練時間。

2 圖像處理技術原理

2.1 彩色模型

彩色模型的建立是計算機感知顏色的方法和手段。數字圖像處理中，存在兩種應用廣泛的模型——RGB（紅、綠、藍）模型和HSI（色調、飽和度、亮度）模型。RGB模型與HSI模型參數轉換公式為：

2.2 空間濾波

空間濾波中的空間域是指圖像平面本身。此類圖像處理方法以像素操作為基礎，實現圖像濾波和圖片質量性能的提升，數學上可表示為：

其中，f(x,y)是輸入圖像，g(x,y)是輸出圖像，T是在點(x,y)的鄰域上的一個算子。

2.3 圖像分割

圖像分割是將感興趣的區域從圖像中提取出來，進而對目標進行深層處理分析[10]。傳統的圖像分割方法有閾值法（如Otsu二值化）、區域生長與超像素以及圖切割等。基于深度學習的圖像分割算法有FCN、Mask RCNN等。

3 電力領域應用實踐

3.1 一次設備領域

基于TensorFlow開源框架和目標檢測網絡模型，結合某檢修公司無人機巡檢圖像，采用Dropout參數隨機失活機制，提高網絡收斂速度與識別泛化能力，實現了輸電線路絕緣子目標識別，如圖1所示。

圖1 絕緣子檢測結果

利用空間濾波、ROI區域分割、直線擬合和角度判別等技術，實現了AIS刀閘狀態判別。通過目標檢測、圖像分割和色彩追蹤算法，可實現GIS刀閘狀態的判別。

在變壓器呼吸器的目標識別方面，利用有監督的數據增強處理和輕量級SSD模型的訓練，不僅可以進行呼吸器目標的識別，而且可以進行呼吸器硅膠變色的區分，如圖2所示。

圖2 呼吸器硅膠變色識別結果

3.2 二次設備領域

基于OpenCV的圖像處理和目標檢測網絡的結合，在變電站壓板狀態識別和指針式儀表的讀數方面，可實現變電站壓板狀態智能識別和指針式儀表的自動讀數。

3.3 其他實踐

結合圖像處理和目標識別，實現了輸電線路金具銹蝕缺陷的檢測。在鳥窩檢測和電力走廊施工車輛的檢測方面，根據深度學習目標檢測網絡的訓練，達到了較好的識別率，如圖3所示。

圖3 鳥窩檢測結果

4 結 論

本文介紹了目標檢測、圖像處理等人工智能技術及其在電力領域中的應用實踐，解決了傳統運檢模式以人力為主、巡檢效率低的問題。