黃日泉,周 恒,李新海,羅海鑫,廖偉全,易 婷,曾新雄
(廣東電網(wǎng)有限責(zé)任公司中山供電局,廣東 中山 528400)
目前,變電站運維工作中繼電保護壓板狀態(tài)監(jiān)視仍主要依靠人工定期巡檢完成。隨著計算機和通信技術(shù)的發(fā)展,利用智能化設(shè)備實現(xiàn)繼電保護壓板巡視的智能化具有重要意義。
實現(xiàn)繼電保護壓板的智能化嵌入式巡視需要解決的主要問題在于壓板狀態(tài)識別和信息數(shù)字化。目前有兩種繼電保護壓板狀態(tài)智能化嵌入式實現(xiàn)方案,一種是基于手持巡檢儀的半智能化巡視,一種是遠程“遙視”監(jiān)測?;谑殖盅矙z儀的半智能化巡視通過手持巡檢儀與繼電保護壓板預(yù)先安裝的固定裝置進行信息交換,實現(xiàn)自動化采集、存儲和上傳壓板狀態(tài)信息;而遠程“遙視”監(jiān)測通過變電站內(nèi)攝像機采集繼電保護壓板圖像并傳輸?shù)竭\維中心,以便運維人員觀察并及時作出判斷。
無論是基于手持巡檢儀的半智能化巡視,還是遠程“遙視”監(jiān)測,都已經(jīng)被應(yīng)用到變電站繼電保護壓板巡視中。在實際應(yīng)用中,基于手持巡檢儀的半智能化巡視需要依賴事先安裝固定裝置來達到識別壓板狀態(tài)的目的,智能化程度不足;而遠程“遙視”監(jiān)測由于攝像機本身及拍攝角度限制,存在拍攝死角,導(dǎo)致圖像的采集受到一定限制,而且遙視本身并不具備圖像分析和壓板狀態(tài)識別等功能。
利用工業(yè)高清照相機、嵌入式單元和Mobile Net算法設(shè)計出的一種嵌入式設(shè)備,可實現(xiàn)對變電站繼電保護壓板狀態(tài)的智能識別。該設(shè)備具有變焦、自動對焦功能,巡檢人員可遠距離任意調(diào)整角度采集圖像;同時在Mobile Net算法和嵌入式AI加速芯片的支持下,繼電保護壓板狀態(tài)識別的準(zhǔn)確率達可達100 %,對單張繼電保護壓板屏柜圖像中多個壓板的狀態(tài)識別平均耗時2400 ms左右,可有效提高變電站繼電保護壓板的巡視效率。
新設(shè)計的一種手持式繼電保護壓板狀態(tài)識別嵌入式設(shè)備,由前殼體、觸摸顯示屏、嵌入式單元、電源模塊、后殼體、固定組件、高清鏡頭相機和手持手柄組成。
該嵌入設(shè)備中,前、后殼體為阻燃ABS塑料外殼;觸摸顯示屏為5寸高清高亮高分辨率電容觸摸屏,可實現(xiàn)多點觸控;嵌入式單元搭載了ARM全新Cortex-A72架構(gòu)和六核64位高性能處理器,主頻高達1.8 GHz,集成四核Mali-T860 GPU,擁有強大的硬解碼能力,最大可支持4 K硬解,板載模塊化深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)加速器NPU,無需外部緩存,擁有強勁算力與超高效能,同時嵌入式單元支持以太網(wǎng)和USB有線通信,支持WiFi和藍牙無線通信;電源模塊主要由聚合物鋰電池和電壓轉(zhuǎn)換電路構(gòu)成,具有可充電、輸入過壓保護、輸出過壓過流保護和過溫保護等功能,為嵌入式單元提供一個穩(wěn)定、可靠的工作電源;高清照相機具有光學(xué)防抖、可變焦和自動對焦等功能,支持WiFi通信和NFC連接功能。該設(shè)備可通過WiFi通信,控制高清照相機對繼電保護壓板進行拍攝,并對拍攝圖像進行分析,識別出壓板狀態(tài);同時可通過4G無線通信、USB接口、以太網(wǎng)口模塊,將拍攝的壓板圖像和識別結(jié)果上傳至服務(wù)器。
繼電保護壓板狀態(tài)識別嵌入式設(shè)備采用分體式PixPro SL10高清照相機,設(shè)備攝像組件可方便拆卸安裝。
油菜葉片是油菜最主要的生命活動場所,是直接反映油菜種類和生長狀況的主要器官。油菜葉片顏色變化是進行油菜營養(yǎng)狀況診斷的重要依據(jù)之一。近年來,隨著計算機視覺技術(shù)在農(nóng)作物營養(yǎng)診斷領(lǐng)域的不斷應(yīng)用,利用計算機視覺技術(shù)進行油菜營養(yǎng)診斷也不斷發(fā)展[1]。但在各類應(yīng)用中,由于常規(guī)方法很難去除油菜葉片圖像中的葉脈部分,從而導(dǎo)致一般未考慮油菜葉片中的葉脈對營養(yǎng)診斷的影響。油菜主葉脈較大,在進行營養(yǎng)測定時均要去除主葉脈以免影響測定結(jié)果。因而,研究油菜葉片圖像中主葉脈的去除方法具有重要意義。
工業(yè)高清照相機的選型主要考慮成像分辨率、變焦、防抖、便攜、支持的通信方式等各項參數(shù)。
繼電保護壓板狀態(tài)識別嵌入式設(shè)備采用Mobile Net算法來進行識別,以下是針對該算法的說明。
2.3.1 Mobile Net網(wǎng)絡(luò)
Mobile Net于2018年由谷歌發(fā)布,是為嵌入式和移動式深度學(xué)習(xí)應(yīng)用而設(shè)計的網(wǎng)絡(luò),相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法,占用資源更少、運算速度更快、準(zhǔn)確率更高。同時,Mobile Net是基于CNN模型的算法,在嵌入式單元AI計算模塊的AI加速芯片支持下,可進一步提高運算速度。
深度可分離卷積是Mobile Net的核心單元,它由兩層構(gòu)成:深度卷積和逐點卷積。深度卷積針對每一個輸入通道用單個卷積核進行卷積,得到輸入通道數(shù)的深度,然后運用逐點卷積,即應(yīng)用一個簡單的1×1卷積,對深度卷積中的輸出進行線性結(jié)合。與傳統(tǒng)卷積相比,深度可分離卷積減少了8~9倍的計算量。
使用中發(fā)現(xiàn),深度卷積部分的卷積核很容易廢掉,即卷積核參數(shù)大部分為0。因此,Mobile Net V2使用了倒轉(zhuǎn)的殘差結(jié)構(gòu),即在采用當(dāng)時流行的殘差結(jié)構(gòu)的同時,在進入深度卷積前先將輸入送入1×1的點卷積,把特征圖的通道數(shù)“壓”下來,再經(jīng)過深度卷積,最后經(jīng)過一個1×1的點卷積層,將特征圖通道數(shù)再“擴張”回去,即先“壓縮”,最后“擴張”回去。前兩步的輸出都采用ReLU激活函數(shù)處理,最后一步采用線性輸出,可在一定程度上減少信息的丟失。
2.3.2 模型實現(xiàn)
(1) 圖像轉(zhuǎn)換。使用Python的Numpy庫和Matplotlib庫將拍攝的繼電保護壓板圖像解碼后,調(diào)整為規(guī)定的模型讀取尺寸,再轉(zhuǎn)化為三維的圖像矩陣。一維、二維存放圖像的空間特征,三維存放圖像的顏色通道特征。
(2) 模型調(diào)用。調(diào)用深度學(xué)習(xí)算法,將圖像矩陣投入神經(jīng)網(wǎng)絡(luò),對輸入矩陣在各隱藏層中進行卷積遍歷、池化等操作,產(chǎn)生一個表示類別的一維矩陣,再使用Softmax函數(shù)將其Softmax向量化得出對應(yīng)類別的概率向量,取最大概率為結(jié)果,得出對應(yīng)的繼電保護壓板狀態(tài)。
2.3.3 繼電保護壓板狀態(tài)識別功能實現(xiàn)
系統(tǒng)環(huán)境:Linux系統(tǒng);軟件環(huán)境:Python3.5、Tensorflow-GPU 1.10.0。繼電保護壓板狀態(tài)識別工作流程如圖1所示。
圖1 繼電保護壓板狀態(tài)識別工作流程
2.3.4 實驗測試
針對繼電保護壓板投入、退出、備用等3種狀態(tài)進行識別測試,共采集40000張具有不同角度、不同光照條件的繼電保護壓板圖像進行模型訓(xùn)練和測試,數(shù)據(jù)集隨機分為訓(xùn)練集、驗證集、測試集等3個子數(shù)據(jù)集。其中,訓(xùn)練集有32000張圖像,驗證集有4000張圖像,測試集分為2個子集,分別為測試A集和測試B集,各有2000張圖像。各測試指標(biāo)情況見表1。
由表1可知,該嵌入式設(shè)備對繼電保護壓板狀態(tài)識別的準(zhǔn)確率達到100 %,平均一張圖像的識別時間為2400 ms左右。
利用工業(yè)高清照相機、嵌入式單元和深度學(xué)習(xí)技術(shù),針對繼電保護壓板狀態(tài)識別設(shè)計了一種在變電站繼電保護壓板巡視中識別壓板狀態(tài)的新設(shè)備,實現(xiàn)了繼電保護壓板狀態(tài)的智能化識別,而且識別速度更快、識別準(zhǔn)確率高,極大地減少了巡視過程的資源投入。