基于AI視覺技術的電力設備檢測方法

李楊, 董元龍, 林明暉, 高明, 岳衡, 丁靖

(國網(wǎng)浙江省電力有限公司寧波供電公司,浙江,寧波 315000)

0 引言

由于電力設備結構復雜、散布范圍廣,電力設備發(fā)生故障時,不良數(shù)據(jù)量大,難以及時搶修,影響電力的恢復進度,因此對電力設備進行及時檢測至關重要?，F(xiàn)存的電力設備檢測方法如:孫海銘等[1]提出了電力設備雙通道圖像智能檢測方法,主要是從單通道和雙通道2個途徑進行電力設備檢測,缺乏對圖像清晰效果的考慮,導致檢測效果不理想;王旭紅等[2]提出了基于改進SSD的電力設備異常檢測方法,該方法受外部環(huán)境影響程度較大,已經(jīng)不能滿足電力設備檢測的完整性;高明等[3]借助深度學習強大的識別與檢測能力,分析了電力設備的單目危險關系和成對對象間潛在的二元危險關系,在電力場景下,電力設備作業(yè)的危險描述與作業(yè)預警,但是其難以保證及時恢復供電;吳雙等[4]提出了一種電網(wǎng)智能特征選擇方法,采用包裝方法和反向搜索策略,利用信息論和數(shù)據(jù)挖掘技術,智能地選擇關鍵特征,實現(xiàn)了在電力系統(tǒng)安全穩(wěn)定評估場景中的綜合應用,但是其數(shù)據(jù)適應度波動大。

由于變壓器、斷路器、電能表等物理形狀各不相同,刀閘、電流互感器等電力設備的指示燈變化復雜,隨著環(huán)境光照的變化,色彩信息量豐富。相機采集的電力設備圖像是 RGB 顏色形式,圖像紋理的局部變化程度較大,向量維數(shù)較大,視覺圖像奇異特征較多,導致電力設備異常檢測難度較大。結合以往研究方法的局限性,本文提出基于AI視覺技術的電力設備檢測方法,該方法能夠通過視覺技術拍攝獲取清晰電力設備圖像,結合AI(人工智能)技術實現(xiàn)電力設備檢測。該方法既考慮了圖像的清晰度,又增強了電力設備的檢測效果。

1 AI視覺技術在電力設備檢測中的應用

1.1 基于視覺技術的電力設備圖像采集

基于視覺成像原理的三目立體視覺系統(tǒng)主要由擺設方向相同、距離相同的3個攝像機構成。在電力設備檢測中,需要對電力設備進行表面3D信息采集,本文采用該系統(tǒng)對需要檢測的電力設備進行拍攝。具體原理如圖1所示。

圖1 三目立體視覺系統(tǒng)

圖1中,C1、C2、C3分別為左邊攝像機、中間攝像機和右邊攝像機。其中,C1和C2的距離為0.1 m的窄基線,C1和C3的距離為0.2 m的寬基線。兩條基線各有其特點,窄基線能夠對C1和C2共同覆蓋的視野范圍進行擴大,在有限的距離內,視野更廣是寬基線的特點。該系統(tǒng)的主要工作原理是通過擺放位置不同的3個攝像機從多角度拍攝電力設備圖像。

1.2 電力設備視覺圖像的奇異特征提取

基于三目立體視覺系統(tǒng)拍攝到的電力設備圖像,采用邊界特征融合法對電力設備視覺圖像進行邊緣輪廓檢測,結合特征分解和尺度模板匹配提取視覺圖像的奇異特征,便于后期電力設備檢測[5],過程如下。

采用顏色梯度分解方法進行視覺圖像范圍融合處理,得到處理后的視覺圖像范圍融合Snake函數(shù)公式為

(1)

式中,Eint(vi)和Eext(vi)分別為電力設備視覺圖像內部和外部范圍融合值。通過三維空間重構方法,進行電力設備視覺圖像異常特征點定位,得到的拓撲結構分別用x1、x2、x3和x4向量量化函數(shù)表示:

(2)

式中,m為相鄰區(qū)域內的電力設備視覺圖像邊緣分割尺度[6-8]。與視覺圖像相近的尺度信息為

(3)

式中,sin(theta)、cos(theta)分別為正弦、余弦尺度參數(shù)。獲取邊緣像素點的特征量依據(jù)像素特征分解技術對電力設備視覺圖像的像素進行融合處理[9],即可得到:

(4)

(5)

式中,dist(xi,xj)為xi和xj之間的距離,以此完成特征分解。

設參數(shù)σ為電力設備視覺圖像的拆分模塊匹配閾值,利用噪點密度分布規(guī)律,結合像素重組,重新繪制三維圖像,進行紋理區(qū)域分割,分割函數(shù)為

(6)

式中,Vd(Y,βi)和θ分別為分割得到的像素點信息和灰度直方圖信息。采用范圍分割方法分割視覺圖像特征,得到特征分布矩陣為

(7)

依據(jù)式(7)計算圖像中各像素點的灰度值,得到電力設備視覺圖像分割的相鄰區(qū)域內像素值為

Eext(V(i))=γ(i)Eimage(V(i))+δ(i)Econ(V(i))

(8)

式中,Eimage和Econ分別為梯度信息和逆向梯度信息,兩種信息的清晰度分別用γ(i)和δ(i)表示。以相鄰區(qū)域內像素值清晰度對比過程進行邊緣像素點匹配,即完成相似的特征模板與電力設備視覺圖像特征的匹配。

1.3 基于AI技術的電力設備檢測模型

1.3.1 深度神經(jīng)網(wǎng)絡

深度神經(jīng)網(wǎng)絡作為一種AI技術,對電力設備檢測具有重要意義。深度神經(jīng)網(wǎng)絡(DNN)根據(jù)人類的認知范圍選擇分析事物的看法,得到具有層次分明、非線性,并且不同層級蘊含不同特征的網(wǎng)絡結構,該模型能夠較好地解決存在淺層神經(jīng)網(wǎng)絡的疑難問題。深度神經(jīng)網(wǎng)絡具體結構如圖2所示。

圖2 深度神經(jīng)網(wǎng)絡的基本結構

圖2中,ω和b分別為不同層次之間的權值和閾值,z為輸入層點與ω和b兩個值的計算結果,通過激活函數(shù)計算的結果用aj、ak、al表示。DNN主要是對產(chǎn)生的誤差進行迭代次數(shù)訓練,降低誤差對權值和閾值的影響,最大程度上發(fā)揮神經(jīng)網(wǎng)絡的作用。

深度神經(jīng)網(wǎng)絡的具體方法過程如下。

(1)對DNN進行初始化設置,設迭代次數(shù)和最小誤差分別為k和ε。

(2)G={(x1,y1),(x2,y2),…,(xm,ym)}為DNN訓練數(shù)據(jù)樣本,?為激活函數(shù),通過特征向量x計算傳播過程中每層的輸出,如aL表示第L層輸出具體計算公式如下:

(9)

式中,zl為底層奇異特征權值,bl為初始化層次之間閾值,al為不變矩形狀特征權值。

(3)利用最后一層得到的輸出結果,與實際輸出結果通過損失函數(shù)進行比較,神經(jīng)網(wǎng)絡的損失函數(shù)用均方差Q表示:

(10)

(4)判斷k和ε是否符合條件,當不符合條件時,進行逆向傳播計算,計算不符合條件產(chǎn)生的輸出誤差,計算公式如下:

(11)

(5)利用式(12)、式(13)求取更新權值和閾值的偏導:

(12)

(13)

(6)利用式(14)、式(15)對每層權值和閾值進行參數(shù)化更新:

(14)

(15)

(7)當兩者達到設定要求時停止訓練,得到檢測模型。

通過上述方法,可知深度神經(jīng)網(wǎng)絡對事物的辨析能力和異常情況有較強的表現(xiàn)能力,模擬分析各種復雜多樣的異常情況,提高電力設備異常情況決策的準確度和便利性。

1.3.2 電力設備檢測流程

通過對采集到的視覺圖像進行仔細分析挖掘,得到電力設備的奇異特征,對該特征進行電力設備類型定義,依據(jù)提取到的奇異特征構建訓練集和測試集,分別對基于深度神經(jīng)網(wǎng)絡的電力設備檢測模型進行訓練和測試,實現(xiàn)電力設備檢測。

從圖3可以看出,特征提取到建立數(shù)據(jù)集是檢測電力設備的過程。由此,實際拍攝圖像生成樣本集,以其Harris角點不變矩作為基于關鍵點的不變矩形狀特征,若直接通過原圖像對數(shù)據(jù)集進行模式匹配和分類檢索,向量維數(shù)較大,難度較大,所以抽取圖像底層的特征構建數(shù)據(jù)集,成為圖像奇異特征提取的關鍵步驟。通過提取到的奇異特征建造數(shù)據(jù)集對DNN模型進行訓練,最終輸出電力設備檢測結果。

圖3 電力設備檢測流程圖

深度神經(jīng)網(wǎng)絡中的激活函數(shù)?是對每層輸出結果進行計算來提高模型模擬能力的。常見的激活函數(shù)有Sigmoid、tanh和ReLU。Sigmoid和tanh兩種函數(shù)受DNN影響較大,當DNN深度增加時,梯度不斷下降,甚至消失,影響訓練效果,因此ReLU函數(shù)是使用最廣的函數(shù)。ReLU函數(shù)的劣勢是要提前對學習率進行設置,否則在進行首次權重更新時,輸入值小于0,輸出值將全部為0,甚至影響反向傳播時梯度,與ReLU相關的神經(jīng)節(jié)點將不會動作,權重停止更新,導致DNN不再學習。為避免此類問題發(fā)生,提出激活函數(shù)L-ReLU[Leaky ReLU,f(x)],表達式為

(16)

其中,a為一個很小的整數(shù),當x>0時,ReLU函數(shù)值等于0,但L-ReLU的梯度值較小。

2 實驗分析

為了驗證本文方法對電力設備檢測的有效性,選取某區(qū)域電力設備為實驗對象,采用本文方法對電力設備進行多次拍攝,得到3組電力設備圖像,并用于實驗分析。將本文方法與電力設備雙通道圖像智能檢測方法(文獻[3]方法)和基于改進SSD的電力設備異常檢測方法(文獻[4]方法)進行平均適應度對比分析。

2.1 視覺圖像奇異特征提取效果

采集到的原始電力設備視覺圖像如圖4所示。運用本文方法提取電力設備視覺圖像的奇異特征點,得到檢測圖像如圖5所示。

(a) 原始檢測圖像1

(a) 提取結果1

圖5中,白色方框內即為本文方法奇異特征提取結果。通過上述結果可知,本文方法不僅能有效實現(xiàn)視覺圖像奇異特征提取,而且圖像提取的清晰度較高。因此,本文方法的電力設備奇異特征提取效果較好,可為檢測電力設備提供便利。

2.2 電力設備檢測適應度情況

為了保證實驗的可信性,在保證參數(shù)、激活函數(shù)、閾值、溫度等相同的條件下,對3種方法的平均適應度進行比較分析,如圖6所示。

圖6 平均適應度變化

從圖6可以看出:本文方法在迭代8次時就達到收斂;當?shù)螖?shù)達到14次時,文獻[4]方法才能開始收斂;文獻[3]方法一直處于波動狀態(tài),沒有收斂意向。這說明本文方法收斂速度方面更勝一籌。因此,本文方法在電力設備檢測和收斂速度方面表現(xiàn)均為最優(yōu)。

2.3 檢測精度分析

為了驗證本文方法對電力設備檢測精度,選取不同天氣,對比迭代次數(shù)不斷變化的情況下電力設備檢測的損失值,損失值越小,表示用于電力設備檢測的網(wǎng)絡收斂度越高,檢測精確度越好。具體對比結果如圖7所示。

圖7 不同天氣下的檢測精度比較

從圖7可以看出,本文方法受環(huán)境影響較小,用于電力設備檢測的網(wǎng)絡收斂程度較高,對電力設備檢測的精度較高,能為電力設備管理者提供更準確的電力設備檢測效果。

2.4 噪聲環(huán)境影響分析

實驗統(tǒng)計不同噪聲環(huán)境下的電力設備測試結果,具體如圖8所示。

圖8 不同噪聲環(huán)境下的測試結果

從圖8可以看出,在無噪聲情況和0.2噪聲情況下,本文方法均可取得較好測試效果,在噪聲0.3環(huán)境下,測試結果雖存在些許波動,但依舊可以較好地抑制噪聲,證明本文方法在高噪聲情況下,仍然能夠對電力設備進行有效檢測。

3 總結

本文提出了基于AI視覺技術的電力設備檢測方法,該方法打破了傳統(tǒng)方法對于電力設備無法實現(xiàn)設備圖像清晰、檢測準確的方式,并且在很大程度上提高了電力設備的檢測狀況,為電力設備管理者提供了便利。經(jīng)實驗驗證,該方法對電力設備進行檢測時,不僅操作簡單、圖像清晰度高、受環(huán)境影響小,且該方法具有較強的檢測精度。

由于AI視覺技術在電力設備檢測的應用剛剛起步,如何在此基礎上結合具體應用從多角度、多方位豐富檢測方法,解決因檢測效果不理想影響電力設備正常使用的問題,值得進一步研究。