蔡天燁，張 旭，張彥龍

（1.國(guó)網(wǎng)南通供電公司，江蘇 南通 226000；2.許繼集團(tuán)有限公司，河南 許昌 461000）

0 引 言

隨著輸電線(xiàn)路的大規(guī)模增長(zhǎng)，傳統(tǒng)人工巡檢模式由于工作量驟增、檢測(cè)精度和效率已不能適應(yīng)電網(wǎng)發(fā)展[1-4]。近年來(lái)，隨著計(jì)算機(jī)視覺(jué)和人工智能的發(fā)展，人工智能技術(shù)在電力領(lǐng)域的探索，逐步成為電網(wǎng)運(yùn)檢發(fā)展的新突破[5-8]。

1 目標(biāo)檢測(cè)網(wǎng)絡(luò)模型

與傳統(tǒng)圖像分類(lèi)不同的是，圖像目標(biāo)檢測(cè)的目的要標(biāo)記出目標(biāo)物體的位置。這一任務(wù)分為兩步：一是輸出目標(biāo)類(lèi)別信息的分類(lèi)任務(wù)；二是輸出目標(biāo)具體位置信息的定位任務(wù)。

傳統(tǒng)的目標(biāo)檢測(cè)方法由于滑窗算法的特點(diǎn)，極大地限制了算法發(fā)展。近年來(lái)，隨著計(jì)算機(jī)運(yùn)算力的飛速發(fā)展和大數(shù)據(jù)的支撐，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)網(wǎng)絡(luò)層出不窮。經(jīng)典的深度學(xué)習(xí)目標(biāo)檢測(cè)網(wǎng)路有R-CNN、SPPNet、Fast R-CNN、Faster R-CNN、YOLO以及SSD等[9]。R-CNN系列目標(biāo)檢測(cè)網(wǎng)絡(luò)作為經(jīng)典的two-stage檢測(cè)方法，首先生成大量可能的包含待檢測(cè)物體的候選區(qū)域，然后對(duì)這些候選區(qū)域進(jìn)行進(jìn)一步的分類(lèi)和位置回歸。SPPNet引入圖像金字塔網(wǎng)絡(luò)和ROI池化技術(shù)，解決了目標(biāo)變形、裁剪、縮放以及帶來(lái)的網(wǎng)絡(luò)輸入信息不完整的問(wèn)題。YOLO與SSD為代表的one-stage方法，均摒棄了運(yùn)算量巨大的候選框提取操作，大大節(jié)省了計(jì)算量和訓(xùn)練時(shí)間。

2 圖像處理技術(shù)原理

2.1 彩色模型

彩色模型的建立是計(jì)算機(jī)感知顏色的方法和手段。數(shù)字圖像處理中，存在兩種應(yīng)用廣泛的模型——RGB（紅、綠、藍(lán)）模型和HSI（色調(diào)、飽和度、亮度）模型。RGB模型與HSI模型參數(shù)轉(zhuǎn)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(lèi)圖像處理方法以像素操作為基礎(chǔ)，實(shí)現(xiàn)圖像濾波和圖片質(zhì)量性能的提升，數(shù)學(xué)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(diǎn)(x,y)的鄰域上的一個(gè)算子。

2.3 圖像分割

圖像分割是將感興趣的區(qū)域從圖像中提取出來(lái)，進(jìn)而對(duì)目標(biāo)進(jìn)行深層處理分析[10]。傳統(tǒng)的圖像分割方法有閾值法（如Otsu二值化）、區(qū)域生長(zhǎng)與超像素以及圖切割等?；谏疃葘W(xué)習(xí)的圖像分割算法有FCN、Mask RCNN等。

3 電力領(lǐng)域應(yīng)用實(shí)踐

3.1 一次設(shè)備領(lǐng)域

基于TensorFlow開(kāi)源框架和目標(biāo)檢測(cè)網(wǎng)絡(luò)模型，結(jié)合某檢修公司無(wú)人機(jī)巡檢圖像，采用Dropout參數(shù)隨機(jī)失活機(jī)制，提高網(wǎng)絡(luò)收斂速度與識(shí)別泛化能力，實(shí)現(xiàn)了輸電線(xiàn)路絕緣子目標(biāo)識(shí)別，如圖1所示。

圖1 絕緣子檢測(cè)結(jié)果

利用空間濾波、ROI區(qū)域分割、直線(xiàn)擬合和角度判別等技術(shù)，實(shí)現(xiàn)了AIS刀閘狀態(tài)判別。通過(guò)目標(biāo)檢測(cè)、圖像分割和色彩追蹤算法，可實(shí)現(xiàn)GIS刀閘狀態(tài)的判別。

在變壓器呼吸器的目標(biāo)識(shí)別方面，利用有監(jiān)督的數(shù)據(jù)增強(qiáng)處理和輕量級(jí)SSD模型的訓(xùn)練，不僅可以進(jìn)行呼吸器目標(biāo)的識(shí)別，而且可以進(jìn)行呼吸器硅膠變色的區(qū)分，如圖2所示。

圖2 呼吸器硅膠變色識(shí)別結(jié)果

3.2 二次設(shè)備領(lǐng)域

基于OpenCV的圖像處理和目標(biāo)檢測(cè)網(wǎng)絡(luò)的結(jié)合，在變電站壓板狀態(tài)識(shí)別和指針式儀表的讀數(shù)方面，可實(shí)現(xiàn)變電站壓板狀態(tài)智能識(shí)別和指針式儀表的自動(dòng)讀數(shù)。

3.3 其他實(shí)踐

結(jié)合圖像處理和目標(biāo)識(shí)別，實(shí)現(xiàn)了輸電線(xiàn)路金具銹蝕缺陷的檢測(cè)。在鳥(niǎo)窩檢測(cè)和電力走廊施工車(chē)輛的檢測(cè)方面，根據(jù)深度學(xué)習(xí)目標(biāo)檢測(cè)網(wǎng)絡(luò)的訓(xùn)練，達(dá)到了較好的識(shí)別率，如圖3所示。

圖3 鳥(niǎo)窩檢測(cè)結(jié)果

4 結(jié) 論

本文介紹了目標(biāo)檢測(cè)、圖像處理等人工智能技術(shù)及其在電力領(lǐng)域中的應(yīng)用實(shí)踐，解決了傳統(tǒng)運(yùn)檢模式以人力為主、巡檢效率低的問(wèn)題。