武建華，梁利輝，紀欣欣，劉云鵬，裴少通

(1. 國網(wǎng)河北省電力有限公司檢修分公司，河北 石家莊 050071；2.華北電力大學(xué)，河北 保定 071003)

電力外絕緣設(shè)備的在線監(jiān)控與劣化診斷對于維護電力系統(tǒng)的安全穩(wěn)定運行具有重要意義。在電網(wǎng)運行中，電力設(shè)備部件因絕緣破損、接觸面氧化腐蝕、設(shè)計載流量不足等原因?qū)е碌牧踊斑^熱運行，會引起具有異于常態(tài)的溫度分布[1]。紅外熱像法基于視場內(nèi)待測物體的輻射量差異，即響應(yīng)輻射量的相對變化值，得到待測物體溫升分布的熱像圖[2]，依據(jù)溫升曲線的異常分布，檢測出待測設(shè)備是否劣化故障[3-4]，該方法以其安全、高效、直觀等優(yōu)勢，在電力系統(tǒng)中廣泛應(yīng)用[5-7]。然而，目前的紅外運檢策略往往通過現(xiàn)場采集數(shù)據(jù)，經(jīng)由后臺技術(shù)人員依據(jù)溫升差異進行經(jīng)驗排查，評估絕緣子的運行狀態(tài)[8-9]。由于電網(wǎng)規(guī)模增長，以及直升機、無人機、機器人巡線的大量應(yīng)用，使得紅外運檢中產(chǎn)生的大量紅外圖像積壓，從而降低了運檢效率，桎梏著紅外運檢的發(fā)展。

2015年Faster R-CNN模型在COCO檢測大賽中拔得頭籌，也將目標檢測識別的速度和效率提升到新的臺階[10]。國內(nèi)一些研究學(xué)者開始將紅外熱成像法與深度學(xué)習(xí)理論應(yīng)用相結(jié)合，為電力設(shè)備在線監(jiān)測與故障診斷開辟了新的道路，推動了基于紅外圖像處理的電力設(shè)備診斷的發(fā)展[11-12]。文獻[13]采用深度卷積神經(jīng)網(wǎng)絡(luò)算法，提取輸電線路元件中的有效凸缺陷、異常掃描點數(shù)，由此實現(xiàn)缺陷類型識別，該算法收斂速度快、泛化能力強，但是需要人工設(shè)置閾值，檢測效果不穩(wěn)定，易受背景干擾。文獻[14]初步探究了Faster R-CNN算法在電力設(shè)備診斷中的應(yīng)用，通過建立網(wǎng)絡(luò)共享參數(shù)，構(gòu)成紅外異常診斷模型，該模型能以較高的準確率檢測出紅外異常放電點，但訓(xùn)練數(shù)據(jù)為實驗室數(shù)據(jù)，缺乏工程應(yīng)用校對，難以確保實用性。2018年4月，YOLOv3算法橫空出世，在訓(xùn)練準確率和訓(xùn)練速度上體現(xiàn)出無與倫比的優(yōu)勢，并在計算機領(lǐng)域受到極大關(guān)注[15-16]。文獻[17-18]采用YOLOv3算法對絕緣子定位識別進行探索。文獻[19]采用YOLOv3算法實現(xiàn)了可見光通道下絕緣子串?dāng)嗔训臋z測。文獻[20]實現(xiàn)了基于YOLOv3算法的高壓設(shè)備故障發(fā)熱點紅外檢測，但涉及絕緣子部分的研究不多。目前該算法在故障絕緣子紅外圖像檢測相關(guān)的研究工作較為缺乏，尚未得到應(yīng)用和推廣。

本文結(jié)合現(xiàn)場檢測和供電公司采集獲取的大樣本外絕緣設(shè)備紅外通道數(shù)據(jù)，針對輸變電設(shè)備帶電紅外檢測過程中面臨的偽彩色類型多樣、背景干擾復(fù)雜、拍攝角度不一、紅外圖像疊加圖形字符等多種問題，構(gòu)建不同背景干擾下的絕緣子劣化特征識別數(shù)據(jù)庫。基于YOLOv3算法的評判機制，以及非監(jiān)督學(xué)習(xí)外絕緣設(shè)備紅外劣化圖像特征，研究并建立絕緣子紅外診斷模型。該方法可有效定位出絕緣子紅外圖像中的異常發(fā)熱點，為指導(dǎo)電力系統(tǒng)外絕緣設(shè)備運檢，減少人力、物力消耗，提高電網(wǎng)運行的智能化監(jiān)控水平，提供新的思路；同時，該方法融合了數(shù)字圖像處理、深度學(xué)習(xí)、機器學(xué)習(xí)，是新的故障診斷方法，具有重要的學(xué)術(shù)意義。

1 YOLOv3算法結(jié)構(gòu)及原理

YOLO的本質(zhì)是將目標檢測問題處理成回歸問題，用單一卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測邊界框和類別概率，速度快，可實現(xiàn)實時監(jiān)測[21-22]。YOLOv3算法是YOLO系列目標檢測算法的第3代，圖1為該算法的結(jié)構(gòu)圖。圖1(b)為DBL結(jié)構(gòu)，其中BN組件為批量標準化，Leaky ReLU為帶泄露修正線性單元，是ReLU的改進函數(shù)。

圖1 YOLOv3算法結(jié)構(gòu)Fig.1 YOLOv3 algorithm structure

該算法擁有106層完全卷積的構(gòu)架，包含卷積、路徑、批量標準化、殘差塊、跳連接、上采樣以及YOLO層[23]。整個模型在功能上可分為特征提取和處理輸出，特征提取部分為Darknet-53和殘差網(wǎng)絡(luò)的組合；處理輸出采用類似于特征金字塔網(wǎng)絡(luò)(feature pyramid network，F(xiàn)PN)；卷積層主要采用1×1和3×3兩類濾波器，前者用于壓縮特征表示，后者用于減小寬度和高度，增加信道數(shù)量[24]。復(fù)雜的卷積結(jié)構(gòu)通常意味著模型的訓(xùn)練難度加大、收斂速度變慢，為解決這一問題，YOLOv3算法通過連接層和路徑層實現(xiàn)跨層連接，促進多個不同特征的融合學(xué)習(xí)。上采樣層通過2個上采樣將小分辨率與大分辨率的特征圖有機結(jié)合，增強小目標物體識別。

相較于之前的版本，YOLOv3算法改進主要有3點：①調(diào)整分類網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建Darknet-53框架，取代Darknet-19；②為提高較小目標物體的檢測精度，引入多尺度特征進行對象檢測；③考慮到檢測目標標簽的相容性，修改目標分類函數(shù)，以Logistic函數(shù)取代softmax函數(shù)。

1.1 Darknet-53網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv3算法的分類網(wǎng)絡(luò)繼承了YOLOv2算法的Darknet-19網(wǎng)絡(luò)，并在其結(jié)構(gòu)上去掉所有最大值池化層，增加了更多卷積層加深網(wǎng)絡(luò)，并引入殘差模型，共包含23個殘差塊，經(jīng)過5次下采樣，輸出大小為網(wǎng)絡(luò)輸入的1/32。改進后的網(wǎng)絡(luò)具備53層卷積，命名為Darknet-53。該網(wǎng)絡(luò)借鑒了殘差網(wǎng)絡(luò)的做法，在一些層之間設(shè)置了快捷鏈路。

圖1(a)虛線框內(nèi)即為Darknet-53網(wǎng)絡(luò)的基本結(jié)構(gòu)，網(wǎng)絡(luò)采用256×256×3作為輸入，圖中的殘差1—8表示具有相對應(yīng)個數(shù)重復(fù)的殘差組件，每個殘差組件由2個卷積層和1個快捷鏈路構(gòu)成〔如圖1(c)所示〕。

1.2 多尺度特征檢測

不同于YOLOv2算法的passthrough結(jié)構(gòu)檢測細粒度特征，YOLOv3算法進一步采用3個不同尺度的特征圖進行對象檢測。如圖1(a)所示，輸入數(shù)據(jù)集通過Darknet-53網(wǎng)絡(luò)，在79層后經(jīng)過卷積得到第1個尺度的檢測結(jié)果，輸入圖像32倍下采樣的特征圖；特征圖的倍數(shù)較高，感受野較大，適合檢測圖像中目標尺寸比較大的待測物體，標記為輸出1。為實現(xiàn)檢測的精細化，另一條支路在第79層的特征圖上做上采樣，與第61層特征圖進行張量拼接，得到第91層較為精細的特征圖，同時經(jīng)過卷積得到相對輸入圖像16倍下采樣的特征圖，該特征圖的感受野中等，適合檢測中等尺度的目標物體，標記為輸出2。為了檢測更小的物體，在第91層特征圖上進一步采樣，并與第36層特征圖進行張量拼接，獲得相對輸入圖像8倍的下采樣特征圖，其感受野最小，適合檢測小尺寸物體，標記為輸出3。

1.3 網(wǎng)絡(luò)識別特征和計算方法

1.3.1 交并比計算

交并比(intersection over union，IOU)是對象類別分割問題的標準性能度量，其表明在1組圖像中存在對象的預(yù)測區(qū)域和地面實況區(qū)域之間的相似性[25]。YOLOv3算法以IOU分數(shù)RIOU作為評估模型的指標之一，其表達式為

(1)

其中

式中：V={1,2,…，N}為訓(xùn)練集中所有圖像的像素集合；X為集合V上的像素概率的網(wǎng)絡(luò)輸出；Y為集合V的地面實況區(qū)域分配。

1.3.2 邊界框計算

將輸入圖像分成均等大小的單元格，計算中心點所在單元坐標位置，從而實現(xiàn)預(yù)測邊界框[16]，計算公式如下：

bx=δ(tx)+cx;

(2)

by=δ(ty)+cy;

(3)

bw=Pwetw;

(4)

bh=Pheth.

(5)

式中：tx、ty為預(yù)測坐標偏移量，tw、th為尺度縮放；Pw、Ph為預(yù)設(shè)邊界框的寬度和高度；cx、cy為單元格的寬度和高度，即坐標偏移量；δ(tx)、δ(ty)為中心點在其所在單元內(nèi)的單元坐標；bx、by、bw、bh分別為邊界框相對于輸入圖像的坐標位置和大小，即預(yù)測輸出坐標。

1.3.3 維度聚類

在計算標準框時，將所有標注框中心點的x、y坐標都置為0，這樣所有的標注框都置于相同位置，從而有效計算標注框之間的相似度。YOLOv3算法采用K-means聚類確定標準框[26]，其聚類距離度量函數(shù)

D=1-RIOU.

(6)

1.3.4 卷積核計算

最后一層卷積為1×1卷積，其卷積核尺寸Kker計算如下：

Kker=[B(5+C)×1×1].

(7)

式中：B為網(wǎng)絡(luò)可預(yù)測邊界框數(shù)目；C為類別概率；5代表4個坐標值(tx、ty、tw、th)和1個物體置信度。對于絕緣子紅外故障診斷數(shù)據(jù)集，C=1，B=3。

1.3.5 置信度計算

先判斷區(qū)域內(nèi)是否含有目標物體，如果有，則目標對象O設(shè)為1，否則為0；隨即計算RIOU，進而計算置信度分數(shù)Fcon，即

Fcon=P(O)RIOU，

(8)

式中P(O)用于判定預(yù)測框內(nèi)是否含有目標物體，僅有0/1這2個值。

1.3.6 損失函數(shù)

YOLOv3算法的誤差包含置信度誤差、分類誤差和定位誤差3類，均采用二值交叉熵損失邏輯分類器(binary cross entropy，BCE)進行計算，交叉熵公式為

Eloss=-[pilogqi+(1-pi)log(1-qi)].

(9)

式中：Eloss為交叉熵損失值；pi為樣本期望輸出；qi為樣本實際輸出。

2 絕緣子紅外圖像故障檢測算法實現(xiàn)

通過現(xiàn)場拍攝和采集圖像，構(gòu)建絕緣子紅外故障圖譜庫，采用LabelImg完成數(shù)據(jù)集標注，通過圖像預(yù)處理進行數(shù)據(jù)增強，提高模型的魯棒性。采用標注框K-means聚類確定標準框大小，進而確定YOLOv3算法3個尺度的網(wǎng)絡(luò)節(jié)點尺寸。以Darknet-53網(wǎng)絡(luò)為初始模型框架，代入數(shù)據(jù)集進行迭代訓(xùn)練，通過不斷修改參數(shù)，提高模型識別準確度和框選置信度，達到損失函數(shù)收斂閾值，構(gòu)建出紅外圖像故障定位診斷模型。

2.1 訓(xùn)練環(huán)境說明

本文所采用的訓(xùn)練環(huán)境參數(shù)包括：戴爾(DELL)PowerEdge T640塔式服務(wù)器，CPU為至強3106，GPU為RTX2080×4，顯卡為GeForce GTX 1080Ti 11 G，內(nèi)存32 GB，固態(tài)硬盤512 GB，機械硬盤4 TB。

2.2 數(shù)據(jù)集預(yù)處理

現(xiàn)場采集拍攝的絕緣子紅外圖像1 673張，考慮到實際采集圖像拍攝角度的變化影響，對采集到的數(shù)據(jù)集樣本進行隨機旋轉(zhuǎn)角度處理，如圖2所示。此外，為了使訓(xùn)練模型更具普適性，在YOLOv3算法內(nèi)設(shè)置數(shù)據(jù)增強函數(shù)，對原始數(shù)據(jù)集進行預(yù)處理，分別為調(diào)整飽和度Dsat、調(diào)整曝光度Dexp和調(diào)整色調(diào)Dhue，由此生成更多的訓(xùn)練樣本，參數(shù)設(shè)定依次為Dsat=1.5，Dexp=1.5，Dhue=0.1。

圖2 隨機旋轉(zhuǎn)角度預(yù)處理樣圖Fig.2 Preprocessing sample of random rotation angle

2.3 確定YOLOv3算法標準框尺寸

YOLOv3算法采用多尺度檢測方式，由文獻[13]可知，在VOC數(shù)據(jù)集中，這組標準尺度為[10,13]、[16,30]、[33,23]、[30,61]、[62,45]、[59,119]、[116,90]、[156,198]、[373,326]，目標大小差距很大，不太適用于絕緣子紅外圖像故障檢測；因此需要依據(jù)數(shù)據(jù)集樣本特征設(shè)定網(wǎng)絡(luò)節(jié)點輸出的標準尺寸，提高邊界框的檢出率。本文采用K-means聚類算法進行標注框的聚類分析，確定邊界框大小。為了更好獲得聚類效果，將標注框數(shù)據(jù)歸一化，如公式(10)—公式(13)所示：

(10)

(11)

(12)

(13)

式中：xmin為標注框左下角橫坐標；xmax為標注框右下角橫坐標；ymin為標注框左下角縱坐標；ymax為標注框左上角縱坐標；xsize、ysize為輸入圖像的寬度和高度。

對獲取到的歸一化數(shù)據(jù)進行聚類分析，圖3所示為標注框的聚類結(jié)果圖。將數(shù)據(jù)反歸一化處理，確定標準框尺寸為[105,153]、[49,250]、[34,132]、[114,43]、[33,78]、[47,56]、[52,25]、[22,34]、[16,15]。

圖3 聚類結(jié)果Fig.3 Clustering result

建立以Darknet-53網(wǎng)絡(luò)為基礎(chǔ)的YOLO底層模型框架，依據(jù)劣化絕緣子的紅外特征確立3個網(wǎng)絡(luò)節(jié)點輸出尺寸；隨后依據(jù)訓(xùn)練圖像的大小調(diào)節(jié)參數(shù)，使圖像縮放在100～280之間，通過前向傳播和后向傳播迭代進行訓(xùn)練，當(dāng)訓(xùn)練達到最優(yōu)RIOU最低Eloss時，保存權(quán)重并退出訓(xùn)練。

每種下采樣尺度設(shè)定3種先驗框，共聚類出9個尺寸。在分配上：最小的13×13特征圖上應(yīng)用較大的先驗框[105,153]、[49,250]、[34,132]，適合檢測較大的對象；中等的26×26特征圖上應(yīng)用中等的先驗框[114,43]、[33,78]、[47,56]，適合檢測中等的對象；較大的52×52特征圖上應(yīng)用較小的先驗框[52,25]、[22,34]、[16,15]，適合檢測較小的對象。3個YOLO輸出層分別對各自前一層的特征庫進行解析，輸出得到診斷預(yù)測信息和預(yù)測置信度。其映射到3個尺度的輸出張量，代表圖像各個位置存在各種對象的概率。通過橫向比較不同尺度下的RIOU，完成紅外圖像的診斷識別。

依靠人為干預(yù)調(diào)整參數(shù)，初始速率設(shè)置在0.01～0.001之間，45 000輪后，逐漸減緩；接近訓(xùn)練結(jié)束時衰減達到100倍以上，訓(xùn)練過程中依Eloss的變化和其他指標進行動態(tài)調(diào)整。

2.4 訓(xùn)練過程

訓(xùn)練速率決定著權(quán)值更新的速度，其參數(shù)值設(shè)置太大會使結(jié)果錯過最優(yōu)值，太小會使下降速度過慢，陷入局部收斂。

2.4.1 交叉熵損失的價值Eloss

圖4為不同訓(xùn)練速率下的Eloss曲線圖，由圖4(a)可知，訓(xùn)練速率為0.000 1的Eloss曲線初值較低，隨后由于步長過小，經(jīng)過3個波峰波谷后才收斂穩(wěn)定，整體曲線下降速率較低。隨著訓(xùn)練速率增大，曲線收斂速率逐漸加快，當(dāng)提高速率為0.05時，雖然前期收斂速度最快，但由于步長太大錯過最優(yōu)值，Eloss曲線在第995輪次后反向遞增至無窮大，收斂失敗。由圖4(b)可知，在迭代50 000輪次后，Eloss值收斂在0.02左右。

圖4 不同訓(xùn)練速率下的Eloss曲線圖Fig.4 Eloss curves under different training speed

2.4.2 交并比和置信度

圖5和圖6分別為不同訓(xùn)練速率下的RIOU曲線和置信度曲線。隨著訓(xùn)練的進行，絕緣子故障識別的訓(xùn)練效果不斷優(yōu)化，曲線逐漸上升并呈收斂態(tài)勢，最終置信度曲線經(jīng)過微弱振蕩收斂在99.8%左右，RIOU曲線在迭代40 000輪次后進一步抬升，最終收斂在90.2%左右。根據(jù)曲線對比可知，采用0.000 1訓(xùn)練速率，由于步長太小，在迭代10 000輪次后仍然難以收斂；采用0.05訓(xùn)練速率，因步長過大，在迭代次數(shù)達到1 000時，錯過最優(yōu)值，模型收斂失敗。

圖5 不同訓(xùn)練速率下的RIOU曲線Fig.5 RIOU curves under different training speed

圖6 不同訓(xùn)練速率下的置信度曲線Fig.6 Confidence curves under different training speed

2.4.3 現(xiàn)場對比

圖7為不同訓(xùn)練速率下的檢測效果對比圖，由圖7可知：0.01訓(xùn)練速率下的模型目標框選和置信度表現(xiàn)更優(yōu)。雖然圖7(a)的識別置信度為97.33%，不及參數(shù)0.000 1和0.005的99.76%和98.88%，但相差不大。對于故障程度較輕的異常發(fā)熱〔如圖7(c)〕，參數(shù)0.005的識別模型并未檢出，而0.000 1和0.001參數(shù)識別的置信度分別為77.22%和59.69%，均不及參數(shù)0.01模型的85.31%。

圖7 檢測效果對比Fig.7 Comparison of detection effects

3 現(xiàn)場應(yīng)用

通過現(xiàn)場檢測，紅外成像可以檢出的外絕緣設(shè)備異常放電的典型缺陷包括：低值/零值放電、污穢引起的局部放電、破損/裂紋產(chǎn)生的局部過熱等。本文對現(xiàn)場采集的400多張測試樣本，在YOLOv3模型中進行測試和分析。

3.1 低值/零值絕緣子

圖8所示為低值絕緣子檢測紅外圖像。瓷絕緣子由于瓷、水泥、鐵腳和鐵帽等部位的熱膨脹系數(shù)各不相同，當(dāng)絕緣子受冷熱變化時，瓷件受到較大的應(yīng)力，鐵帽內(nèi)部絕緣子容易開裂，或在遭受雷擊時被擊穿而形成低值或零值，在紅外檢測中，呈現(xiàn)整體溫度異常。檢測時，部分整體發(fā)熱不明顯的絕緣子，檢出框覆蓋不全〔如圖8(c)〕，但基本可以有效檢出目標。

圖8 低值絕緣子檢測Fig.8 Low-value insulator detection

3.2 污穢

運行在戶外的絕緣子，受大氣污染或塵土沉積形成污穢層。在高濕環(huán)境下，污穢物中可溶性電解質(zhì)吸收水分，形成導(dǎo)電水膜，容易引起局部放電，主要呈現(xiàn)紅外局部過熱，且與正常相差不大的特征。在檢測時，過熱明顯的污穢絕緣子可被有效識別并檢出，過熱程度較輕的絕緣子會出現(xiàn)不同程度的漏檢，如圖9(c)所示。

圖9 污穢絕緣子檢測Fig.9 Contaminated insulator detection

3.3 破損/裂紋

受雷擊、覆冰、自爆、閃絡(luò)等因素影響，運行絕緣子可能存在不同程度的破損、橫向或縱向裂紋，多發(fā)于絕緣子的端部、底部。在檢測時，故障點過熱特征明顯，基本可以有效檢出，且置信度較高，如圖10所示。

圖10 破損/裂紋絕緣子檢測Fig.10 Broken/cracked insulator detection

3.4 多點異常發(fā)熱

在較少情況下，出現(xiàn)不止1項故障設(shè)備。在檢測這類圖像時，雖然有的設(shè)備框選置信度不高，但是基本可以有效檢出，具有良好的工業(yè)應(yīng)用前景，如圖11所示。

圖11 多點異常發(fā)熱檢測Fig.11 Multi-point abnormal heating detection

3.5 樣本檢測結(jié)果

基于YOLOv3紅外診斷算法，對400張測試樣本進行檢測，樣本共包含異常放電點673個。經(jīng)測試，該模型算法可標記出故障點580個，其中誤檢項26個，對于大多數(shù)紅外異常發(fā)熱點均可有效識別并正確標記，測試平均識別置信度為0.812 7，誤檢率為0.044 8，漏檢率為0.176 8。

4 結(jié)束語

本文以紅外成像儀現(xiàn)場采集的絕緣子圖像為研究對象，構(gòu)建了基于YOLOv3算法的絕緣子紅外圖像故障檢測模型。通過統(tǒng)一調(diào)節(jié)隨機旋轉(zhuǎn)角度、曝光度、飽和度、色調(diào)等，增加訓(xùn)練集數(shù)量，使模型更具有普適性。采用K-means聚類確定網(wǎng)絡(luò)節(jié)點輸出尺寸，比較不同訓(xùn)練速率下的Eloss、RIOU、置信度曲線以及應(yīng)用效果，確定最優(yōu)參數(shù)為0.01，并針對現(xiàn)場常見的幾種故障情況進行測試。實驗結(jié)果表明，該模型在低值/零值放電、破損/裂紋產(chǎn)生局部過熱時的表現(xiàn)性能較優(yōu)，對于過熱程度較輕的污穢絕緣子會出現(xiàn)一定的漏檢；識別置信度為0.812 7，誤檢率為0.044 8，漏檢率為0.176 8。該方法為絕緣子紅外智能化運檢提供了新的檢測方法，具有一定的工程意義。