目標檢測算法在電力安全管控中的應用

黃勇，楊俊杰，賀文慧，袁杰

（1.貴州黔源電力股份有限公司，貴州 貴陽 550002；2.南京南自信息技術有限公司，江蘇 南京 210031）

1 前言

電力安全管控是指在電網的建設、運行以及應用等過程中對電力系統的安全管理，對電能生產、運輸以及分配等過程中進行有效的監控，從各個方向上保障電力系統的安全，減少意外情況的發生。電力安全管控是保證電力系統的穩定運行的重要措施，與國家經濟發展、工業生產、民生生活和工程建設息息相關，若不能及時發現電力系統中的不安全因素，影響電力系統的安全和穩定運行，甚至引起電力供應中斷，對國家和社會造成重大影響。因此，提高電力安全管控具有較高的研究價值和經濟效益。

早期電力安全管控的手段主要依賴人工巡檢，需要系統運維人員進入設備間對各種設備的指示燈和提示音進行逐一檢查。這種安全管控手段效率低，難以實現每天都對所有設備進行檢查，容易出現漏檢。同時由于巡檢工作單一重復，工作人員在長時間內重復相同工作，容易麻木，難免忽視風險隱患。隨著通信技術發展和視頻監控設備成本降低，視頻監控也逐漸成為電力安全管控的重要手段之一。視頻監控系統把監控場所的圖像和聲音同步傳送至監控中心，監控人員根據被監控場所情況進行非現場指揮管理，同時監控系統對監控場所情況進行記錄，便于調取歷史記錄及輔助處理現場異常情況。但是由于電力系統施工場景復雜，多工種與多專業人員參與，信息復雜性高，單憑人力無法做到準確識別與判斷。傳統的監控系統僅能實現監控視頻的存儲回訪等功能，無法監控預警。即使有監控人員實時查看監控視頻，監控人員也難以全天候同時監控多個畫面，無法對異常情況及時進行預警，進而造成電力安全隱患。近年來，隨著人工智能技術的發展，智能巡檢已經成為電力安全管控的重要手段，其中基于圖像數據的目標檢測算法作為智能巡檢的關鍵技術在電力安全管控的不同方向進行了應用。本文針對近年來目標檢測算法在電力安全管控方面的發展和研究現狀進行了梳理和總結，對目標檢測在電力安全管控方面將要解決的問題和發展方向進行了展望。

2 目標檢測算法概述

目標檢測算法的任務是需要判別圖片中被檢測的目標類別，同時使用邊界框確立目標的位置及大小，并給出置信度。目標檢測算法可以分為傳統目標檢測技術和基于卷積神經網絡（CNN）的目標檢測技術。傳統的目標檢測技術主要依靠手工特征提取方法獲取目標特征，并采用傳統的識別器完成目標分類，主要包括VJ 檢測器、HOG 檢測器以及DPM 檢測器等。傳統目標檢測方法特征表達能力弱、檢測的準確率低、實時性較差。基于卷積神經網絡的目標檢測算法，依據其設計思想，主要可分為2 種，即基于錨點的目標檢測算法和無錨點的目標檢測算法。基于錨點的目標檢測算法又可以分為基于區域的算法和基于回歸的算法。基于區域的算法采用two-stage 的方法，即先提取候選框（Proposal），再進行細粒度的物體檢測，雖然這類方法檢測精度很高，但是計算量大、速度較慢，主要包括Faster-RCNN 等R-CNN 系列算法、FPN 算法和TridentNet 算法。基于回歸的算法采用one-stage 的方法，直接在網絡中提取特征來預測邊界框的位置及其所屬的類別，簡化了整個檢測流程、加快檢測速度，主要包括YOLO 系列算法、SSD系列算法和RetinaNet 算法。無錨點的目標檢測算法可以分為基于密集預測與基于關鍵點估計。基于密集預測的目標檢測算法則是采用逐像素預測的方式完成檢測，主要包括FCOS 算法、FoveaBox 算法等。基于關鍵點估計的目標檢測算法通過對中心點或角點的估計來實現目標的檢測，主要包括CornerNet 算法等。近兩年，還有新提出的基于Transformer 的目標檢測算法，其引入注意力模塊以增強特征表示能力，這類算法特征融合能力強，檢測的準確率高，但訓練的成本較大。

以上算法中，采用two-stage 的基于區域算法適用于實時性要求不高的場景，對于實時性能要求高的場景則適用YOLO 系列的one-stage 算法或者關鍵點估計的目標檢測算法，對于數據充足的應用場景可選擇基于Transformer 的目標檢測算法。在電力安全管控場景中，數據樣本較少且實時性要求較高，因此，采用onestage算法或者關鍵點估計的目標檢測算法的案例較多。

3 目標檢測算法在電力安全管控中的具體應用

電力安全管控的核心任務是減少安全隱患，而電力安全管控中安全隱患的來源主要包括以下3 個方面：（1）人為因素隱患。電力系統安全運行離不開人員操作，如果出現人員操作違規、失誤等問題就可能引發安全事故；而在日常巡檢過程中容易出現漏檢現象，留下安全隱患。（2）設備隱患。電廠核心主要在于發電機組以及各種壓力容器、高溫高壓管道等設備，這些設備一旦出現老化或者泄漏等問題，就會發生爆炸、火災等重大安全事故。同時，在設備運行過程中所消耗的油、酸堿等化學原料，都會設備造成損害，加大設備發生事故的概率。（3）環境因素隱患。電力系統安全運行需要相對穩定的自然環境，而各種自然災害如地震、暴雨、雷電等發生時，極可能破壞電力系統的設備，造成故障和人員傷亡。針對上述安全隱患的來源，目標檢測算法在電力安全管控中應用于以下3 個方面。

3.1 目標檢測在電力系統人員安全管理的應用

（1）人臉識別。人臉識別常用于電力系統中人員非法入侵、人員統計和區域管理。電力施工現場作為復雜、科技化程度相對較高并且相對危險的工作現場，采用基于目標檢測算法的人臉識別技術可以有效控制施工現場無關人員的進入，提高施工現場的安全保障和工作效率。同時，人臉識別可以幫助管理人員統計排除工人日常到崗的情況，有效防止工人冒名頂替和遲到早退的現象發生。另外，在電力施工現場的工作中，利用基于目標檢測的人臉識別技術與監控技術的結合可以實現區域管理，針對限制區域和重要區域進行權限管理，如果非授權人員進入系統中，將會實現自動報警。如果目標對象擅自離開指定區域，系統會自動報警。關于人臉識別的目標檢測算法主要分為基于靜止圖像和基于運動視頻的檢測，主要包括基于先驗知識的方法、不變特征方法、模板匹配方法以及統計模型方法。

（2）人員安全防護設備檢測。人員安全防護設備是指電力施工現場上的作業人員所需要佩戴的防護設備，比如，安全帽、安全帶、防護服、防護鞋等。部分電力施工作業人員對佩戴安全防護設備的意識較為薄弱，安全防護設備不佩戴或佩戴不規范造成了較多的安全事故。近年來，國內外眾多專家學者基于目標檢測算法對施工區域的防護設備安全佩戴判別技術進行了深入研究。以檢測安全帽為例，Fang 等人（2018）在對各種視覺條件進行分類的基礎上，提出了基于Faster R-CNN的自動非硬帽使用檢測方法；鄧開發等人（2020）將Faster R-CNN 目標檢測模型和深度特征流算法結合，較好的實現了施工現場攝像頭監控的視頻中安全帽檢測。李華等人（2021）針對小目標的安全帽識別問題，通過增加錨點提升檢測能力，采用Foci loss 替代原本的損失函數，引入ROI Align 代替ROI Pooling 操作中2 次量化產生的誤差，解決了安全帽預測區域不匹配問題，提升檢測模型準確性。劉增輝等人（2022）改進了YOLOv3 的多目標安全檢測識別方法，引入空間金字塔池化結構，對Darknet-53 網絡結構進行調整優化，增加特征層保留更多小目標特征信息，采用GIOU 改進損失函數，提升了佩戴安全帽及防疫口罩的識別精度。目前，人員安全防護設備檢測的數據集較少，難以適應各種復雜場景下網絡模型的訓練要求，對于作為小目標的安全防護設備仍然普遍存在一定誤檢、漏檢情況，而攝像機位置角度不同使得訓練數據集中存在遮擋目標的情況，同樣會造成誤檢和漏檢。

（3）人員行為檢測。電力系統工作人員的不安全行為如抽煙、打電話玩手機等是引發電力系統產生事故的源頭之一，是電力安全管控中重點監管內容。以吸煙行為為例，傳統的目標檢測方法依賴于圖像分割、人工設計特征進行分析，對吸煙煙霧和吸煙手勢進行判斷，但是，煙霧特征由于受光照影響較大難以提取特征，吸煙手勢忽略目標物的圖像信息極易出現誤判。而在深度學習領域，對吸煙行為識別的研究多采用one-stage 目標檢測方法，如利用YOLO 系列算法對香煙進行檢測而推理出吸煙行為。Zhang 等人基于GoogLeNet 優化吸煙圖像的特征，并采用與目標圖像相似的超大數據集進行模型預訓練進行吸煙檢測。深度學習模型的效果非常依賴于訓練集，由于吸煙、打電話等人體行為在實際場景中存在較大差異，一般訓練集很難覆蓋所有情況，存在樣本數量不夠和分布不均衡的情況，難以統一行為訓練集的標注范圍，使得深度學習尤其是基于端到端的目標檢測對吸煙行為出現誤檢情況。

3.2 目標檢測在電力設備檢測及故障診斷中的應用

電力設備的故障診斷是復雜的模式識別問題，傳統模式識別方法依賴主觀選取和專家經驗對故障進行診斷，而目標檢測能夠識別出數據內在的耦合特征，并將特征信息用于建模中，替代人為選取特征的不足，其強大辨識能力能夠幫助快速定位故障位置，提升解決問題的效率。電力設備種類眾多，目前現有研究主要集中在輸電線、絕緣子和變電設備等類型的設備上。

在輸電線路檢測方面，趙振兵等人（2018）基于深度學習理論研究了輸電線路關鍵部件視覺檢測方法；李輝等人（2018）采用了基于深度學習的Faster-RCNN 目標檢測模型與銹蝕HIS 顏色特征結合的銹蝕檢測方法，實現了輸電線路銹蝕的檢測。丁志敏等人（2021）通過在原始Faster R-CNN 方法的基礎上提取卷積網絡的低層和高層特征圖，并對非極大值抑制方法改進，實現輸電線掛接地線狀態的目標檢測。迄今，將目標檢測算法應用在輸電線路檢測方面已有部分研究，但是由于電力系統的特殊性難以建立大規模專業圖像數據庫，目標檢測算法實現工程應用仍面臨較大挑戰。

在絕緣子檢測方面，李軍鋒等人（2017）結合了卷積神經網絡和隨機森林分類法成功識別絕緣子，但故障元件檢出率較低；王淼等（2017）采用深度卷積神經網絡提取紅外圖像中絕緣子并實現了對其缺陷類型進行判定；張倩等人（2019）根據絕緣子樣本的特點，改進LeNet_5 網絡結構，引入隨機配置網絡分類器，添加反饋機制實現對絕緣子的狀態檢測，但是實驗中的圖像質量不高，影響了最終識別的準確性。

在變電設備檢測方面，李文璞等人（2021）提出了一種基于旋轉目標檢測的變電設備電壓致熱型缺陷智能診斷方法，基于Faster RCNN 模型對紅外圖像中三相區域、套管、電流互感器等變電 設備區域進行識別、定位，基于溫差閾值法進行電壓致熱型缺陷診斷，該方法能夠有效地從紅外圖像中自動識別電壓致熱型缺陷。朱惠玲等人（2021）在利用圖像增強算法及閾值分割的圖像預處理基礎上，基于變電設備紅外圖像對YOLOv3 算法進行參數優化，并通過遷移學習策略解決了圖像集樣本少的問題，快速實現變電設備的識別與定位。曹恩宇等人（2022）使用YOLOX-Darknet53 目標檢測算法對增強的變電設備熱紅外圖像進行識別，其識別率高于傳統的YOLOv3 方法。

目前，目標檢測技術在智能交通、智慧醫療等多個領域有成熟應用，但是電力設備具有其自身的特性，其他領域的目標識別技術不能直接應用于電力設備的檢測和故障診斷分析中。若想實現目標檢測技術在該領域的應用，亟待建立相關的設備圖像庫。

3.3 目標檢測在電力系統環境監控的應用

環境因素是影響輸電線路和變電站等重要電網設施安全的風險源之一，其中輸電線路周圍環境檢測和變電站內部環境檢測是環境狀態監控的重要區域。

能夠利用視頻圖像和目標檢測算法對輸電線路周圍環境進行監控的風險主要包括山火、導線覆冰、植被生長和異物入侵。例如，趙鈺等人（2021）構建了Mobilenet-SSD 模型并進行邊緣部署識別山火，準確率達到81%；馬富齊等人（2021）通過卷積神經網絡MobileNetV3 提取覆冰圖像特征，并引入多感受野模塊增大模型對覆冰影像的映射區域，從而增強其特征提取能力，采用多尺度目標檢測模型SSD 實現覆冰厚度的辨識與監測。針對異物入侵的研究相比其他研究較多，Faster-RCNN, YOLO 以及SSD 等目標檢測模型均有所應用。目前，雖然已經有不少研究成功應用目標檢測算法，實現對輸電線路環境的監控，但是訓練樣本不足仍然是提升目標檢測準確率的關鍵障礙。變電站內設備眾多，環境復雜，其環境檢測重點包括溫濕度、電磁場、氣體成分，煙霧和明火以及異物入侵，其中溫濕度、電磁場和氣體成分主要依靠傳感器進行監控，異物入侵、煙霧和明火可以依靠視頻和目標檢測算法進行監控。例如，基于YOLOv5 和K-means 算法針對無人值守變電站異物如鳥巢、風飄物入侵進行識別，利用MobileNetv3-Large 網絡改進的YOLOv3 模型判別變電站火災檢測。然而，由于實際火災數據集較少，模型建立于自建數據集上，其泛化能力相對較差，且缺少實際驗證。

4 問題分析及建議

盡管目標檢測算法在電力系統人員安全管理、電力設備檢測及故障診斷和重要區域環境狀態監測3 個方面均有所應用，但是仍然存在許多難點問題，制約著目標檢測算法在電力安全管控中的大規模應用。

4.1 缺少有效真實樣本集

雖然電力監控系統中的攝像頭能夠獲取大量數據，但絕大多數都是正常數據，異常狀態下的樣本非常稀少，這直接限制了由數據驅動的目標檢測算法的模型訓練。盡管可以通過圖像增強和圖像融合的方法擴充樣本，但沒有從根本上解決問題，導致算法模型泛化和遷移能力差，不能滿足不同場景的需求。甚至，由于缺乏真實的數據集，諸如煙霧和明火的目標檢測算法無法在實際應用中得到驗證。

為了解決少樣本的問題，一方面，要在電網公司和集團的管理層面推動建立樣本庫，打破電網內部的信息壁壘，提升樣本數量；另一方面，要發展少樣本或者零樣本的目標算法，諸如遷移學習、元學習和度量學習等基于弱監督、半監督甚至自監督的方法訓練模型，在弱監督學習過程中嵌入先驗知識，或者通過將學習過程分階段進行強化訓練，增強弱監督學習能力。

4.2 算法的泛化和遷移能力差

在真實場景中的視頻幀差異化很大，容易出現遮擋、失焦、目標姿態罕見等情況，這需要視頻目標檢測算法具有很好的泛化能力，才能完成真實場景的具體任務。同時，目標檢測算法面對的真實場景千差萬別，當場景變化時可能導致算法失效，需要建立新的樣本集，重新設計和訓練模型。為了提升目標檢測算法的泛化能力，除了提升樣本集數量和質量外，可以從兩個方面優化算法模型。一方面，提高目標檢測模型的可解釋性，模仿傳統目標檢測方法，選取具有明確物理含義的圖像數據，逐漸了解模型從訓練集中學習到了哪些知識，哪些屬性是對模型訓練有用的，哪些是冗余，從而提高算法模型的性能。另一方面，優化算法訓練方法，采用支持樣本類別和數量增加的增量學習方式，減少模型迭代更新的成本。

4.3 目標檢測算法的弱穩定性

目標檢測算法的精度在海量數據的訓練基礎上或許能達到較高的水平，但是仍然會發生錯誤辨識，有時候甚至是低級錯誤。目標檢測算法的研究成果目前還只是處于“可以用”的階段，距離“很好用”還有很長的路要走。而電力行業關系到國民經濟各方面，很多情況下，對算法可靠性要求極高，因此面向電力系統的目標檢測算法需要著力突破計算不穩定性的技術瓶頸。

目前，針對大、中目標的檢測算法尚能滿足場景需求，但是對于小目標本身尺度小，在圖像中所對應的信息含量少，細節特征不明確，使得目標檢測算法在檢測小目標時容易產生低級錯誤，因此，提升小目標檢測的能力是提升目標檢測算法穩定性的突破口之一。另外，基于深度學習的目標檢測算法大部分以CNN 為基礎，但是以CNN 為平臺的研究成果質量提升愈加緩慢，如果能找到獨立于CNN 的網絡架構模式，也許是提高目標檢測算法穩定性的另一個突破口。

5 結語

本文對目標檢測算法的概念及其在電力安全管控的應用進行了綜述，對目前存在的問題進行了分析并提出了相關建議。相對傳統的目標檢測技術，基于深度學習的目標檢測方法具有強大的優勢，為電力安全管控帶來了革命性的變化。未來如果能夠建立起電力系統的統一標準樣本庫，將會使目標檢測算法在電力安全管控中發揮更大的優勢，為電力系統的持續穩定運行提供自動化的監督服務。