基于深度學習的變電設備紅外圖像識別檢測技術應用探析

關鍵詞：人工神經網絡；深度學習；紅外圖像識別檢測

中圖分類號：TP183 文獻標識碼：A

文章編號：1009-3044（2024）26-0001-03 開放科學（資源服務）標識碼（OSID） ：

0 引言

國家電網近期提出建設數智化堅強電網的目標，旨在通過深度整合數字化和智能化技術，推動電網生產運行與管理的全面升級。變電設備在電網中扮演著至關重要的角色，它們不僅負責電壓的轉換，還承擔著電能的分配和傳輸使命。其運行狀況的好壞直接關系到整個電網的安全性和穩定性，對電力系統的順暢運行起著決定性的作用。在建設數智化堅強電網的宏偉藍圖中，變電設備作為電網的重要組成部分，其數智化升級顯得尤為關鍵。通過深度整合數字化和智能化技術，實現對變電設備的實時監測、故障診斷和預警，提高電網的安全性和穩定性，為社會的可持續發展提供有力保障。紅外檢測技術因其實時、快速、非接觸、監測范圍廣等優點成為電力公司對變電設備檢測的主要手段之一。面對海量的紅外檢測圖像，如何快速有效地識別變電設備類型及狀態變得異常重要。傳統的圖像識別方法往往受到較多人為因素干擾，使得對紅外圖像的識別檢測效果不盡如人意。然而，隨著GPU硬件的發展，深度學習技術在計算機視覺領域得到了迅猛發展，為電力設備監測提供了全新的解決方案，全面提升了電力系統的穩定性與可靠性。

1 變電設備紅外圖像識別檢測概述

1.1 紅外圖像采集簡述

在變電設備巡檢中，紅外成像技術將變電設備溫度通過紅外圖像的形式展現，溫度高低在圖像中以不同顏色呈現，并在比色條中列舉出溫度上下限范圍。該方法由于具有安全性、無損性、實時采集等優點，無須設備停電即可實現故障隱患檢測而被廣泛應用。隨著變電站巡檢過程中智能巡檢機器人、無人機等先進裝備的大量應用，紅外檢測更是得到了普遍廣泛的應用。智能巡檢顯著提高了工作效率，有效減輕了設備巡檢人員的勞動強度，但是巡檢中獲得的大量紅外圖像，如何快速有效地在大量紅外數據中獲取有用信息，實現變電設備的準確識別，進而進行故障判斷，成為當前智能巡檢工作中亟須解決的問題。

1.2 傳統圖像識別檢測

傳統的紅外圖像分析和處理通常利用溫度分布、熱異常點等特征進行提取和分析。傳統的圖像識別算法在很大程度上依賴于人工的特征提取，特征包括邊緣檢測、梯度分析、灰度值、圖像分割等。人工提取圖像特征后，通常會使用分類器（如支持向量機、決策樹等）對這些特征進行分類或識別。但是，傳統的紅外圖像分析檢測方式也存在一些局限性，它高度依賴于特征選擇的質量和工程師的經驗。不同的特征選擇可能會導致截然不同的識別結果。此外，傳統方式無法實現實時在線監測和數據傳輸，難以實時發現和處理設備故障。

2 深度學習算法概述

隨著計算機技術的快速發展，機器學習（ML） 日益受到廣泛關注和重視。作為一種基于數據驅動的自動化算法設計方法，機器學習能夠深入挖掘大量數據中的潛在價值，通過精細的學習和分析過程，揭示隱藏在數據中的有用規律和模式。然后，將這些規律和模式應用于新數據的預測與決策中，為各行各業提供智能化、精準化的解決方案。近年來，隨著大數據、云計算等技術的不斷發展，機器學習在各個領域得到了廣泛的應用，其中在圖像辨識、行為分析、自然語言處理等方面尤為突出。在圖像辨識方面，機器學習算法能夠通過對圖像中的像素、顏色、紋理等特征進行自動提取和學習，實現對圖像的自動分類、識別和標注等功能[1]。然而，傳統機器學習算法對數據質量有較高的要求，在處理與訓練數據差異較大的數據時，存在泛化能力有限的問題，可能無法自主提取數據特征，難以準確地進行預測和分類。

人工神經網絡（Artificial Neural Network， ANN） 作為機器學習的一種模型，具有參數少、預測性能好、泛化能力強等優點。其核心在于模擬生物神經元之間的連接和信號傳遞機制，從而實現對復雜函數的估計或近似。這種網絡具有強大的自適應能力，能夠在外界信息的影響下調整其內部結構，以更好地適應不同的任務需求。ANN通常由輸入層、隱藏層和輸出層構成，輸入層接收外部數據并傳遞給隱藏層。隱藏層是網絡中的核心部分，其層數以及每層神經元的數量通常需要根據具體任務進行人工設定，以便更好地捕捉和提取數據中的有用信息。輸出層的神經元數量則與所要解決的問題中的分類標簽個數相對應，負責輸出最終的預測或決策結果。這種學習能力使得ANN 在醫學圖像分析、智能監控安防、自然語言處理等眾多領域取得了成功的應用。然而，人工神經網絡在處理大量數據時，隱藏層節點的調參過程通常需要耗費大量的人力和時間來精心調整這些參數，以達到最佳的性能表現。這種人工調參的過程不僅效率低下，而且效果難以保證，往往需要進行多次迭代和優化才能得到滿意的結果。

深度學習（Deep Learning， DL） [2]算法是一種基于人工神經網絡的機器學習算法，其核心原理是通過構建多層神經網絡來模擬人腦神經元的連接方式，從而實現對輸入數據的層級化特征表示和抽象。多層神經網絡意味著更多的參數設置，模型復雜度也隨之增加，處理信息的能力也更強，能夠完成更復雜的學習任務。在圖像分析領域的突破性成就展現了深度學習模型對于模式提取的強大功能，能夠準確識別圖像中的物體、紋理以及更復雜的場景關系。

3 深度學習在紅外圖像識別檢測的研究進展

近年來，深度學習以其能夠自動提取復雜數據特征的特性，經過良好設計的深度學習模型可以自動完成對高維復雜數據分布的建模[3]，使得深度學習在目標檢測領域的應用日益受到關注，尤其在變電設備視覺檢測中成為研究焦點。其中，卷積神經網絡（CNN） 作為深度學習領域的核心模型之一，發揮著至關重要的作用。

3.1 卷積神經網絡

卷積神經網絡（Convolutional Neural Networks，CNN） 在其神經網絡結構中采用了一種稱為卷積的數學運算，代替了傳統人工神經網絡的矩陣乘法，特別適用于處理具有網格結構的數據，如圖像與語音。CNN通過模擬生物視覺認知機制，通過大量有標定數據的訓練，建立從底層信號到高層語義的映射關系，克服了手工設計特征區分度不足的問題，被廣泛應用于大型復雜圖像分類任務中。在圖像處理領域，CNN 被廣泛應用于圖像識別、物體識別、圖像處理等方面。

賈鑫等[4]創新性地提出了基于雙監督信號深度學習的電氣設備紅外圖像故障識別方法。該方法利用Slic超像素HSV空間變換算法，有效排除了無故障設備的干擾，精準提取了圖像中的故障區域。在網絡訓練方面，該方法結合了GoogLeNet卷積神經網絡模型以及softmax損失和中心損失兩種監督信號，顯著提升了故障診斷的準確性和泛化性能。該方法能夠高效識別變電站紅外圖像中的故障設備，增強了變電站設備運行的穩定性，確保了運維檢修人員的安全。實驗結果表明，雙監督信號訓練出的網絡識別準確率可達到98.6%，但數據集規模對最終識別率有很大影響。

王有元等[5]提出了利用卷積神經網絡內經典的殘差網絡診斷模型，用于變電設備紅外巡檢。通過構建多分類數據集，改進殘差網絡結構，并利用貝葉斯優化算法自動調整超參數，提高了識別準確率，降低了計算資源占用。模型采用卷積核分解、多維度特征融合和卷積核自調整等技術，采用Xavier正態分布初始化方法，并加入快捷連接方式，以提高診斷準確率。通過貝葉斯優化方法自適應超參數調整策略，優化深度學習模型在變電設備熱缺陷診斷任務中的性能。實驗結果顯示，改進后的貝葉斯優化算法能提升模型準確率，所改進模型的狀態識別準確率達到94.53%，并獲得了性能最優的輕量化診斷模型。

吳昊月等[6]提出了一種改進的級聯卷積神經網絡結構，通過在骨干殘差網絡中添加可形變卷積層，提高了特征提取的幾何形變能力。通過像素點概率指導錨的中心點生成，使生成的錨更少且質量更高，有助于故障小區域的檢測。改進后的算法損失包括分類損失、回歸框的位置損失、位置候選區的中心點位置損失和錨的形狀損失。由于數據集中存在負樣本與正樣本不平衡問題，該研究采用Focalloss作為損失函數，以平衡正負樣本。實驗結果表明，改進后的網絡在電氣設備紅外圖像檢測中具有較好的性能。與Cascade RCNN、Faster RCNN、Dcn-CascadeRCNN、SSD 四種經典算法相比，新算法漏檢錯檢問題較少，位置候選區生成錨的數量減少，且故障區域檢測平均精度均值（mAP） 達到95.3%。

3.2 基于YOLO的深度學習算法

盡管卷積神經網絡在變電設備紅外圖像識別檢測中取得了較高的準確率，但仍存在一些挑戰和局限性。具體來說，由于不同變電設備之間的特征差異較大，這可能導致目標檢測的效果不盡如人意。此外，環境因素的變化也可能引發目標特征的變化，從而影響識別準確性。更為關鍵的是，數據樣本的不均衡問題可能導致模型在泛化能力方面存在不足，使其在面對新數據或不同場景時表現不佳。這些問題都亟待解決，以提高卷積神經網絡在變電設備紅外圖像識別檢測中的性能和穩定性。隨著輕量化網絡型紅外檢測設備的投入使用，對檢測設備的運行環境及模型的大小提出了新的要求。YOLO系列算法具備檢測速度快，滿足實時性要求，能保持較高的定位準確度和特征識別率得到了廣泛關注。

王永平[7]提出一種基于YOLO v3的高壓開關設備紅外圖像異常發熱點目標檢測方法，通過優化算法參數、Loss函數和檢測框，提高了檢測速度和準確性。通過建立高壓開關設備紅外圖像異常發熱點的獨立訓練集和測試集，成功地訓練出了具備合適權重的模型。這種檢測方法不僅識別速度快，而且準確率極高，展現出強大的泛化能力。經過嚴格的測試驗證，該方法的準確率達到了91.83%，充分證明了其在高壓開關設備紅外圖像異常發熱點檢測中的有效性和可靠性。

在YOLO v3目標檢測的基礎上，俞賢文等提出了一種基于改進YOLO v3的紅外電力設備目標檢測模型，通過改進特征提取網絡、加入輕量級注意力模塊和改變特征層檢測尺度等方式，提升模型的檢測精度和速度。實驗表明，該方法在檢測速度相近的同時，具有更高的檢測精度，為電力設備紅外圖像智能檢測提供了新的思路[8]。

段中興等提出了一種基于改進YOLO v4的電力設備紅外圖像識別方法，針對雨霧天氣條件下紅外圖像普遍存在的對比度偏低以及像素模糊等突出問題，該方法利用MSRCR圖像增強算法對原始紅外圖像進行增強處理，改善雨霧天氣下紅外圖像存在的對比度低、像素模糊等問題，進而提高模型在雨霧天氣下對電力設備的檢測能力[9]。實驗結果表明，該方法在電力設備紅外圖像識別方面具有較高的準確率和召回率，同時檢測速度為 71 frame/s，檢測速度有大幅度提升。

王宇聰[10]提出了一種改進的YOLO v5n紅外圖像目標檢測新模型，結合了SE注意力機制與SPD-Conv 的優點，用于無人機紅外圖像電力巡檢。實驗結果表明，該模型在檢測速度和精度上達到了平衡，相比其他模型更適合部署于無人機紅外圖像電力巡檢。

鄧長征等[11]提出了一種基于改進YOLO v7-Tiny 的變電設備紅外圖像識別算法，通過引入輕量級注意力機制CA和改進損失函數，提高了模型的精確度和mAP0.5，同時模型大小降低至 7.82M。實驗結果表明，本文算法在多目標、背景復雜、目標被遮擋等場景下均能準確識別變電設備，具有較高的識別精度和穩定性。

4 結論與展望

本文對近年來深度學習算法在電力設備紅外圖像的識別檢測方法應用進行了總結，通過按照學習方法進行分類，有利于深度學習方法之間的相互比較，這將有助于從事電力巡檢的人員根據特定的電力設備故障診斷選取合適的視覺檢測方法。

然而，基于深度學習的視覺檢測方法也面臨著一些挑戰。首先，訓練樣本的匱乏和標注困難是制約該方法應用的重要因素。由于電力設備種類繁多，故障形態各異，收集足夠的標注樣本是一項艱巨的任務。其次，小目標發熱故障區域的檢測也是一個難題。由于故障區域較小，可能受到背景噪聲和遮擋等因素的影響，實現精確的小目標檢測成為當前研究的重點。此外，深度學習模型的實時性和穩定性也是實際應用中需要考慮的問題。

針對以上挑戰，未來的研究可以從以下幾個方面展開：

1） 探索多源圖像融合技術。結合不同傳感器的數據以提高目標檢測的精度。

2） 利用生成式對抗網絡（GAN） 等方法生成紅外圖像樣本。以緩解訓練樣本匱乏的問題。

3） 研究針對小目標檢測的優化算法和網絡結構。提高對小目標發熱故障區域的檢測能力。

4） 開展輕量化網絡模型的研究。以提高深度學習模型在邊緣設備上的部署效率。

5） 優化模型結構和參數。提高模型的穩定性和實時性，以適應復雜多變的實際應用場景。

總之，深度學習在電力設備的紅外圖像識別與發熱故障檢測中展現出了巨大的應用潛力和極高的研究價值。隨著對新技術和新方法的不斷研究與探索，有望為數智化電網的建設和運維提供更加高效、準確和智能的解決方案。