基于改進MaskR-CNN與SVM的設備接頭智能識別

摘 要：為提高變電站設備監控系統對微小部件的監控識別準確率，以變電站設備接頭為研究對象，提出一種基于改進的掩碼區域卷積神經網絡（Mask R-CNN）模型與SVM模型的監控識別方法。以Mask R-CNN模型和SVM模型為基礎，通過在Mask R-CNN模型的位置預測層和像素預測層后增加一層一致預測層，并構建改進的Mask R-CNN模型，實現了變電設備接頭的位置預測。采用SVM模型進行位置判定，實現了變電站設備接頭識別。仿真結果表明，所提方法可基于變電站可見光和紅外圖像，有效識別變電設備接頭，準確率達到98.89%，相較于SSD和YOLOv3等常用目標檢測模型，對變電站設備微小部件識別具有明顯優勢。

關鍵詞：變電站設備；Mask R-CNN模型；SVM模型；目標識別

中圖分類號：TP277.2；TM744 + .3 文獻標志碼：A 文章編號：1001-5922（2024）11-0179-04

Intelligent identification of equipment connectors based onimproved Mask R-CNN and SVM

FENG Shanqiang，WANG Zhichun，XU Peixin

（China Southern Power Grid Power Technology Co.，Ltd.，Guangzhou 510080，China）

Abstract：To improve the accuracy of identifying small components of substation equipment，taking substationequipment joints as the research object，a recognition method based on an improved Mask R-CNN（Mask R-CNN）model and SVM model was proposed. Based on the Mask R-CNN model and SVM model，a consistent predictionlayer was added after the position prediction layer and pixel prediction layer of the Mask R-CNN model，and an im?proved Mask R-CNN model was constructed to realize the position prediction of substation equipment joints. TheSVM model was used to determine the position，and the joint identification of substation equipment was realized.The simulation results showed that the proposed method could effectively identify substation equipment joints basedon visible and infrared images of the substation，and had a high accuracy rate of 98.89%. Compared with commonlyused object detection models such as SSD and YOLOv3，it had significant advantages in identifying small compo?nents of substation equipment.

Key words：substation equipment；mask R-CNN model；SVM model；target recognition

變電站設備是電力系統的基礎設施，其安全穩定性直接關系到電力系統的安全穩定性。目前，針對變電站設備故障診斷的方法主要集中在大型變電站設備故障診斷方向上，如通過將紅外設備采集到的散熱器實時圖像信息融入到改進的穩健模糊核聚類算法，實現了變電站設備的故障診斷 [1] ；提出一種GIS智能變電站數字孿生模型建模方法，通過利用變電站實時數據和歷史數據進行健康評估及故障診斷 [2] ；利用多層誤差逆傳播（BP）神經網絡對關鍵信息進行數據挖掘，采用數字孿生超寬帶（UWB）定位模型對變電站設備進行精準定位 [3] 。因此，要實現變電站設備微小部件的故障診斷，其前提是實現精確的變電站設備微小部件位置檢測識別。本文嘗試結合快速目標分割模型Mask R-CNN和SVM模型，提出一種基于改進的掩碼區域卷積神經網絡（MaskR-CNN）模型與SVM模型的識別方法，通過采用改進Mask R-CNN模型對變電設備接頭的位置進行預測，然后SVM模型進行變電站設備接頭位置判定，實現了變電站設備監控系統對設備接頭識別。

1 基本算法

1. 1 變電站設備接頭位置預測算法

1. 1. 1 Mask R-CNN模型

Mask R-CNN是一種新穎的快速目標分割預測模型，結合了Faster R-CNN目標檢測網絡和MaskR-CNN分割網絡，可同時進行目標檢測和像素級分割任務，具有可擴展、可移植性的特點 [4-5] 。

預測模型主要分為2個階段。其中，第1階段負責生成可能包含目標的矩形框，包括用于提取圖像特征的卷積神經網絡和區域生成網絡；第2階段負責確定含有目標的矩形框位置，以及目標類別的置信度和目標像素，包括感興趣區域排列層、全連接層，以及類別預測層、位置預測層、像素預測層 [6] 。

1. 1. 2 Mask R-CNN模型改進

Mask R-CNN集成了目標檢測與目標分割功能，可同時實現對圖像特定目標類別、位置和像素的準確預測，本研究選用該模型對變電站設備接頭進行預測。但由于Mask R-CNN的輸出包含了大量的像素級位置信息，無法保證位置預測層輸出與像素預測層輸出結果的一致性，進而影響后續變電站設備接頭的定位識別 [7] 。因此，為解決該問題，研究通過在位置預測層和像素預測層后增加一層一致預測層，對Mask R-CNN模型的結構進行了改進。

改進的Mask R-CNN模型結構如圖1所示。

1. 2 變電站設備接頭位置判定算法

SVM模型是一種二元分類的線性分類器，其核心思想是將輸入信息非線性映射到高維空間，并根據結構風險最小化原則，利用最優分類平面區分不同類別的樣本 [8-9] 。

2 基于改進Mask R-CNN與SVM的變電站設備接頭識別

結合上述改進的Mask R-CNN模型和SVM模型，將其應用于變電站設備監控系統中，對變電站設備接頭進行識別，具體識別流程如下：

（1）數據采集與預處理。收集整理變電站設備監控系統中相關接頭圖像數據。由于目前變電站圖像包括可見光和紅外2種類型，因此本研究采集了變電站設備接頭可見光圖像和紅外圖像。考慮到改進的Mask R-CNN模型和SVM模型需要大量的數據進行訓練，而采集的變電站設備接頭數據量有限，因此為擴充數據集，對圖像進行了水平翻轉和加入色彩擾動等預處理，并按一定比例劃分為訓練集和測試集；

（2）改進 Mask R-CNN 模型構建與訓練。設置Mask R-CNN模型的最大迭代次數、學習率等參數，并基于 tensorflow 深度學習框架構建改進的 MaskR-CNN模型。然后將訓練集輸入構建的改進MaskR-CNN模型中進行訓練，保存滿足條件的改進MaskR-CNN模型；

（3）改進MaskR-CNN模型測試。將測試集輸入上述保存的改進MaskR-CNN模型中，檢驗模型預測精度；

（4）SVM模型構建與訓練。設置SVM模型的懲罰系數、徑向基函數等參數，并基于tensorflow深度學習框架構建SVM模型。將改進Mask R-CNN模型輸出變電站設備接頭預測位置輸入SVM模型中進行訓練，并保存滿足條件的SVM模型；

（5）變電站設備接頭識別。將待識別的變電站設備接頭先后輸入通過測試保存的改進Mask R-CNN模型和SVM模型中，其輸出結果即為變電站設備接頭識別結果。

3 仿真實驗

3. 1 實驗環境搭建

本次實驗基于tensorflow深度學習框架搭建改進Mask R-CNN模型和SVM模型，并在Windows10操作系統中運行。系統配置 Intel （R）Xeon（R）Gold6152CPU，NVIDIA Tesla P40 GPU，256 GB內存。

3. 2 數據來源及預處理

本次實驗數據來自自主采集的某變電站設備監控系統中導電接頭圖像數據，包括1 000張紅外圖像和1 000張同一位置拍攝的可見光圖像。

考慮到采集圖像的時間不同，其環境亮度和曝光程度不同，導致圖像過曝或過暗，且存在圖片模糊的問題，會對改進Mask R-CNN模型訓練造成干擾。因此，為避免該問題，研究對存在上述問題的圖像進行了刪除處理。另外，考慮到采集的圖像數據數量用于改進MaskR-CNN模型訓練遠遠不夠，實驗前研究對保留的所有圖像進行了水平翻轉處理，以擴充實驗數據集。

最后，為進一步擴充實驗數據集，研究對所有圖像每個顏色通道進行了不超過1%的色彩擾動變換。

通過上述預處理，最終分別獲取了10 000張紅外圖像和10 000張可見光圖像數據用于實驗。將所獲取的紅外圖像和可見光圖像數據均按3∶1比例劃分為訓練集和測試集，分別用于改進Mask R-CNN模型的訓練與測試。

3. 3 評價指標

本次實驗選用交并比平均值（MIoU）評估改進Mask R-CNN模型對變電站設備接頭位置預測的性能，選用正確率（Accuracy）評估SVM模型對變電站設備接頭的識別性能。交并比平均值的計算公式如式（3）；正確率的計算方法如式（4）

式中： TP、TN 分別表示真正例和真負例； FP、FN分別表示假正例和假負例。

3. 4 參數設置

本 次 實 驗 設 置 改 進 Mask R-CNN 模 型 的batch_size為8，訓練輪次為20，學習率為0.000 1，目標物體類別數為1，Anchor數為9，Anchor的長、寬、比分比為1∶1、1∶2、2∶1，Anchor的像素大小分別為64 2 、128 2 、256 2 ，proposal數為300，感興趣區域排列層采樣點數為4 [13-14] 。

設置SVM模型的懲罰系數為1，徑向基核函數參數為0.05，正負類別權重分別為0.8和0.2。

3. 5 結果與分析

3. 5. 1 變電站設備接頭位置預測驗證

（1）Mask R-CNN模型改進效果驗證。為驗證本研究對Mask R-CNN模型的改進效果，研究分析了改進前后Mask R-CNN模型在實驗數據集上的預測效果，結果如圖2所示。

由圖 2 可知，相較于改進前，改進后的 MaskR-CNN模型對變電站設備接頭可見光圖像和紅外圖像的預測交并比平均值更高，均達到92%以上，說明所提的改進Mask R-CNN模型可較為準確地預測變電站設備接頭位置。

為進一步驗證所提改進Mask R-CNN模型對提高位置預測和像素預測結果的一致性作用，研究在實驗數據集上分別采用改進前后的Mask R-CNN模型進行預測，其輸出的位置預測和像素預測結果如圖3所示。

由圖3可知，改進后的Mask R-CNN模型交并比平均值優于改進前標準Mask R-CNN模型，說明本研究對Mask R-CNN模型的改進有效，可提高變電站設備接頭位置預測和像素預測的一致性，實現更精確的變電站設備接頭識別。

（2）改進Mask R-CNN模型預測結果驗證。為驗證所提改進Mask R-CNN模型對變電站接頭位置預測的效果，研究將試驗數據集的同一位置的可見光圖像和紅外圖像合并為一組，共10 000組圖像，按3∶1比例劃分為訓練集和測試集，并利用訓練集訓練改進Mask R-CNN模型。基于測試數據集，采用所提模型進行變電站設備接頭位置預測，并將其預測結果與常用目標分割預測模型CART、DeepMask、AdaBoost模型的預測結果進行對比，得到如圖4所示結果。

由圖4可知，所提的改進Mask R-CNN模型對變電站設備接頭的位置預測交并比平均值最高，為93.88%，相較于對比模型均有較大程度的提升。由此說明，所提的改進Mask R-CNN模型可從變電站設備可見光和紅外圖像中，較為準確的預測變電站設備接頭位置，且具有一定的優越性，為后續SVM模型識別變電站設備接頭奠定了基礎。

3. 5. 2 變電站設備接頭識別效果驗證

為驗證所提基于改進Mask R-CNN與SVM模型對變電站設備接頭的識別效果，研究基于可見光圖像訓練集、紅外圖像訓練集、可見光+紅外圖像訓練集進行了驗證，結果如表1所示。

由表1可知，所提的改進MaskR-CNN與SVM模型可基于變電站設備接頭可見光圖像、紅外圖像和可見光+紅外圖像，實現對變電站設備接頭的有效識別，且具有較高的正確率，分別為93.11%、94.56%、98.89%。

為進一步驗證所提改進Mask R-CNN與SVM模型對變電站設備接頭的定位效果，研究對比了所提模型與常用目標檢測算法SSD [15] 和YOLOv3 [16] 模型在可見光+紅外圖像測試數據集上識別效果，結果如表2所示。

由表2可知，相較于對比模型，所提的改進MaskR-CNN與SVM模型對變電站設備接頭目標的識別效果更好，準確率最高，達到98.89%，具有較大幅度的提升。

4 結語

綜上所述，所提的基于改進Mask R-CNN模型和SVM模型的變電站設備監控系統中設備接頭的識別方法，通過采用改進的Mask R-CNN模型對變電設備接頭的位置進行預測，并采用SVM模型進行位置判定，實現了利用變電站可見光和紅外圖像進行變電站設備接頭識別，且具有較高的準確率，準確率達到98.89%。相較于SSD和YOLOv3等常用目標檢測模型，所提的改進Mask R-CNN模型和SVM模型對變電站設備微小部件識別具有明顯優勢，為變電站設備監控系統的微小部件故障診斷奠定了基礎。

【參考文獻】

[1] 楊照光，張忠元，溫定筠，等. 變電站設備紅外檢測圖像分割及故障診斷技術研究[J].科技通報，2019，35（3）：95-99.

[2] 吳學正，李樹榮. 基于數字孿生的GIS智能變電站健康評估及故障診斷模型[J].河北電力技術，2021，40（3）：15-18.

[3] 周展利，林丹. 基于數字孿生技術的變電站設備故障定位預警[J]. 電腦編程技巧與維護，2023（6）：173-176.

[4] 韓慧妍，吳偉州，王文俊，等. 基于改進特征融合和區域生成網絡的Mask R-CNN的管件分揀研究[J]. 應用科學學報，2023，41（5）：840-854.

[5] 吳飛，金圣潔，林曉琛. 基于Mask R-CNN和關鍵點提取的抓取位姿估計方法[J]. 合肥工業大學學報（自然科學版），2023，46（9）：1178-1184.

[6] 邱增煒. 基于Mask R-CNN和支持向量機的變電設備接頭發熱自動識別[D]. 廣州：廣東工業大學，2020.

[7] 牛成英，邢曉文，閆新宇. 基于Mask R-CNN和樣方密度法的城市功能區識別[J]. 湖北民族大學學報（自然科學版），2023，41（3）：405-413.

[8] 韓松均，王志明，寇旭，等.基于SVM-RFE的動力下肢假肢運動模式識別[J].工業控制計算機，2023，36（8）：77-79.

[9] 何堅，王曉芳. 基于ARIMA和LS-SVM組合模型的短期風速預測[J]. 機電工程技術，2023，52（8）：30-34.

[10] 胡艾苓，羅勇. 融合多特征和IGWO-SVM的肺部腫瘤診斷研究[J]. 微型電腦應用，2023，39（8）：142-145.

[11] 劉銳，殷嘉偉，胡宗義，等. 基于徑向基核函數DAG-SVM的變壓器故障診斷[J].價值工程，2023，42（23）：44-46.

[12] 張農，袁鈺鑫，韓昌良，等. 基于Mask R-CNN的煤礦巷道掘進迎頭裂隙檢測與定位算法[J]. 采礦與安全工程學報，2023，40（5）：925-932.

[13] 胡明輝. 基于遷移學習的無人機桿塔巡檢圖像異常識別技術及實驗對比[J]. 粘接，2023，50（6）：136-139.

[14] 李鋼卿，周慶祥，范瑞峰，等.基于NDT的射線技術對焊接內部缺陷識別技術優化[J].粘接，2023，50（1）：134-139.

[15] 朱郝，楊世恩，陳春梅.基于結構重參數化技術的輕量化目標檢測算法[J].計算機技術與發展，2023，33 （10）：169-175.

[16] 周昕，駱莉莎，張瑞軍，等. 基于SSD算法的老舊建筑墻面裂縫識別[J]. 科技創新與應用，2023，13（28）：36-39.