陳 昊，姚 凱，張海華，劉懷宇，何嘉弘，施 濤

（1.國網(wǎng)江蘇省電力有限公司檢修分公司，江蘇 南京211102；2.東南大學(xué)，江蘇 南京210096；3.南京郵電大學(xué)，江蘇 南京210023）

0 引言

變電站站內(nèi)運(yùn)行設(shè)備的健康水平，對于維護(hù)電網(wǎng)安全穩(wěn)定運(yùn)行水平有著重要的意義。長期以來，變電運(yùn)檢人員通過人工巡視（目視或使用紅外測溫儀等儀器設(shè)備）發(fā)現(xiàn)設(shè)備缺陷，人工成本和管理成本投入高昂［1-4］。近年來，一方面，隨著電網(wǎng)建設(shè)的迅猛發(fā)展，變電運(yùn)檢人員短缺和運(yùn)檢工作量不斷增長的矛盾日益彰顯［5-8］；另一方面，隨著變電站智能運(yùn)檢工作的深入推進(jìn)，使用各種圖像采集設(shè)備（高清視頻、站內(nèi)巡視機(jī)器人、站內(nèi)巡視無人機(jī)）獲取圖像進(jìn)而識別變電站設(shè)備缺陷的條件日趨成熟，已呈現(xiàn)未來大面積取代人工巡視的技術(shù)發(fā)展趨勢［9-11］。文獻(xiàn)［12］-文獻(xiàn)［14］討論了基于視頻圖像識別變電設(shè)備缺陷的方法；文獻(xiàn)［15］-文獻(xiàn)［17］討論了變電站用巡視機(jī)器人的圖像處理與設(shè)備缺陷識別；文獻(xiàn)［18］-文獻(xiàn)［19］討論了無人機(jī)在變電站缺陷識別的應(yīng)用。

然而，現(xiàn)階段變電站設(shè)備缺陷圖像識別算法在理論層面和實(shí)踐層面存在著較大的鴻溝［20-24］。以江蘇某500 kV變電站智能運(yùn)檢的實(shí)踐為例，將因通訊條件引起的圖像采集質(zhì)量問題排除在外，變電設(shè)備缺陷圖像識別算法識別正確率仍普遍低于50%，甚至對于多種主要設(shè)備缺陷識別正確率低于15%。更為值得重視的是，目前研究重心聚焦于變電設(shè)備缺陷圖像識別算法本身，而對不同算法識別效果評價(jià)準(zhǔn)則討論不足［25-28］。現(xiàn)場缺乏評價(jià)準(zhǔn)則或使用不適當(dāng)?shù)脑u價(jià)指標(biāo)造成了圖像識別算法實(shí)際效果評價(jià)困難，難以客觀比較不同廠家圖像識別算法之間的高下，甚至可能得出誤導(dǎo)性的比較結(jié)論。

本文分析了常規(guī)評價(jià)指標(biāo)評價(jià)變電站設(shè)備缺陷圖像識別算法的局限性，基于500 kV及以上變電站智能運(yùn)檢的實(shí)踐經(jīng)驗(yàn)提出了一種實(shí)用化評價(jià)方法，包括評價(jià)算法實(shí)際識別效果的實(shí)用評價(jià)指標(biāo)和評價(jià)算法改進(jìn)潛力的潛力評價(jià)指標(biāo)。實(shí)際應(yīng)用情況來看，所提方法可以有效比對不同圖像識別方法的實(shí)用效果，為電網(wǎng)運(yùn)檢單位現(xiàn)場工作中的圖像識別算法有效性評價(jià)提供支撐。

1 變電站設(shè)備圖像識別常用評價(jià)指標(biāo)及局限性

目前，在變電站運(yùn)檢工作中一種常用評價(jià)指標(biāo)為缺陷檢出率，其計(jì)算公式如下：

式（1）中，A為被圖像識別算法檢測出異常類樣本的個(gè)數(shù)，A1為被圖像識別算法檢測出異常類樣本且正確的個(gè)數(shù)。

缺陷檢出率指標(biāo)雖然直觀便捷，但根據(jù)在江蘇地區(qū)500 kV變電站的實(shí)際應(yīng)用情況來看，存在以下缺點(diǎn)：

1）檢出率指標(biāo)缺乏對錯(cuò)檢的考量，指標(biāo)的參考價(jià)值本身存疑。存在通過抬高（或降低）識別閾值降低（或抬高）缺陷檢出總數(shù)可能，這種人為操控因素使不同識別方法的比較失去了客觀依據(jù)；

2）在全國范圍內(nèi)高電壓等級變電站（尤其是500 kV變電站）設(shè)備具有同質(zhì)性，設(shè)備缺陷類型分類是相對明確的。當(dāng)前現(xiàn)場使用的各種圖像識別算法對不同類型缺陷場景識別正確率差異極大，只考核總體檢出率不能反應(yīng)不同類型設(shè)備缺陷的檢出率差別，某些算法對某類設(shè)備缺陷識別的很有價(jià)值改進(jìn)極易淹沒在總體樣本中無法得到體現(xiàn)；

3）某些設(shè)備缺陷的識別有時(shí)間要求，檢出率指標(biāo)對圖像識別的實(shí)時(shí)性無法評價(jià)。

4）在變電站設(shè)備缺陷圖像識別率不充分高的前提下，前兩個(gè)缺點(diǎn)會被進(jìn)一步放大。

有鑒于上述問題，有針對性地提出一種新的變電站設(shè)備缺陷圖像識別的實(shí)用評價(jià)指標(biāo)是必要和有益的。

2 評價(jià)指標(biāo)

2.1 概述

鑒于缺陷檢出率指標(biāo)現(xiàn)場應(yīng)用時(shí)的局限性，現(xiàn)場實(shí)用化評價(jià)指標(biāo)應(yīng)具有以下特征。

1）利用單一指標(biāo)難以同時(shí)表征漏報(bào)和錯(cuò)報(bào)等維度的信息，宜使用多維度評價(jià)指標(biāo)。

2）同一算法對不同類型缺陷識別效果經(jīng)常存在很大差異，不同算法對同一類型缺陷識別效果也可能存在很大差異，宜分類統(tǒng)計(jì)。

3）閾值變動等可操控因素對算法評價(jià)結(jié)果的影響應(yīng)盡可能小。

4）實(shí)用指標(biāo)計(jì)算表達(dá)式宜簡單直觀，便于變電運(yùn)檢人員復(fù)核。

2.2 樣本集的構(gòu)建

在進(jìn)行評價(jià)之前，首先基于對變電站設(shè)備實(shí)際可能出現(xiàn)的缺陷統(tǒng)計(jì)建立樣本集。結(jié)合現(xiàn)場的變電運(yùn)維檢修工作經(jīng)驗(yàn)，模擬特定場景的缺陷，構(gòu)建缺陷樣本集（樣本數(shù)m一般不少于60）；上述樣本集根據(jù)缺陷類型分為n類缺陷樣本子數(shù)據(jù)集（如目前國家電網(wǎng)有限公司系統(tǒng)常用的25類缺陷分類，即有n=25），其中，n類缺陷樣本子數(shù)據(jù)集分別歸屬于高清視頻、站內(nèi)巡視機(jī)器人、站內(nèi)巡視無人機(jī)3大類樣本數(shù)據(jù)集（樣本數(shù)據(jù)集數(shù)量分別為nj，其中j=1、2、3，分別對應(yīng)于高清視頻、站內(nèi)巡視機(jī)器人、站內(nèi)巡視無人機(jī)，且有基于現(xiàn)場實(shí)拍的無缺陷圖片，結(jié)合上述缺陷樣本集構(gòu)建方法，構(gòu)建作為對比的、與缺陷樣本集對應(yīng)的無缺陷樣本集。

缺陷樣本集為計(jì)算漏報(bào)類指標(biāo)的基礎(chǔ)；無缺陷樣本集為計(jì)算錯(cuò)報(bào)類指標(biāo)的基礎(chǔ)。

2.3 漏報(bào)類指標(biāo)

評價(jià)指標(biāo)第一個(gè)維度是漏報(bào)類指標(biāo)，包括總體漏報(bào)指標(biāo)和分類漏報(bào)指標(biāo)。總體漏報(bào)指標(biāo)的計(jì)算公式如下：

式（2）中，O為所有缺陷的測試樣本全體個(gè)數(shù)，L為被測圖像識別系統(tǒng)（基于高清視頻、機(jī)器人或無人機(jī)）正確檢測出缺陷的樣本個(gè)數(shù)。

分類漏報(bào)指標(biāo)IA_class的計(jì)算公式如下：

式（3）中，Oi為第i類缺陷類別的測試樣本個(gè)數(shù)，Li為被測圖像識別系統(tǒng)（基于高清視頻、機(jī)器人或無人機(jī)）正確檢測出第i類缺陷的樣本個(gè)數(shù)，n為缺陷類型總數(shù)。

2.4 錯(cuò)報(bào)類指標(biāo)

評價(jià)指標(biāo)第二個(gè)維度是錯(cuò)報(bào)類指標(biāo)，包括總體錯(cuò)報(bào)指標(biāo)和分類錯(cuò)報(bào)指標(biāo)。

總體錯(cuò)報(bào)指標(biāo)IB的計(jì)算公式如下：

式（4）中，E為無缺陷測試樣本全體個(gè)數(shù)，C為被測圖像識別系統(tǒng)（基于高清視頻、機(jī)器人或無人機(jī)）錯(cuò)報(bào)為缺陷的樣本個(gè)數(shù)。

分類錯(cuò)報(bào)指標(biāo)IB_class的計(jì)算公式如下：

式（5）中，E為無缺陷測試樣本全體個(gè)數(shù)，Ci為被測圖像識別系統(tǒng)（基于高清視頻、機(jī)器人或無人機(jī)）錯(cuò)報(bào)為第i類缺陷的樣本個(gè)數(shù)，n為缺陷類型總數(shù)。

2.5 錯(cuò)報(bào)類指標(biāo)

考慮到部分類別設(shè)備缺陷的識別存在實(shí)效要求，評價(jià)指標(biāo)第3個(gè)維度設(shè)定為時(shí)延指標(biāo)，計(jì)算公式如下：

式（6）中，｛m1，…，mi，…，mk｝為對圖像識別效率（如實(shí)時(shí)性）有要求的缺陷類型全體；t為該缺陷的識別時(shí)間（單位為ms）；Tmi為第mi類缺陷識別效率的閾值（單位為ms）。

應(yīng)注意，考慮到實(shí)際應(yīng)用時(shí)延時(shí)指標(biāo)可能受到拍攝角度等外界因素影響，不同算法對不同缺陷的識別時(shí)間（尤其是識別時(shí)間在閾值附近時(shí)）的比較應(yīng)盡可能在外界條件接近的情況下進(jìn)行。

3 基于不對稱評價(jià)函數(shù)的潛力評價(jià)指標(biāo)

站用巡視無人機(jī)、變電站巡視機(jī)器人、高清視頻是目前最主流的3種圖像采集方式。當(dāng)前高頻視頻最為普及，已在220 kV及以上變電站大規(guī)模使用；巡視機(jī)器人已在500 kV及以上變電站普遍使用，在220 kV變電站的使用正在深入；巡視無人機(jī)受制于一些管理因素，在變電站缺陷識別目前雖尚處于配角地位，考慮到技術(shù)發(fā)展趨勢，在變電站得以更廣泛地應(yīng)用可計(jì)日而待。本文所提的潛力評價(jià)指標(biāo)基于上述3種圖像采集方式展開。

巡視無人機(jī)由于可調(diào)整空間位置，視角最為靈活，拍攝角度、光線等問題較少；巡視機(jī)器人有在變電站地表調(diào)整位置的余地，拍攝角度和光線問題次之；高清視頻的調(diào)整受限于云臺，因拍攝角度、光線問題導(dǎo)致圖片質(zhì)量不佳影響后期圖像識別的概率最大。換而言之，從圖片質(zhì)量角度來看，提升潛力依次為高清視頻、機(jī)器人、無人機(jī)。

為了表征基于不同圖源的圖像識別算法提升潛力，提出圖源改進(jìn)指數(shù)｛K1，K2，K3｝一般有K1＞K2＞K3。目前圖源改進(jìn)指數(shù)依托于實(shí)際現(xiàn)場應(yīng)用經(jīng)驗(yàn)獲取。江蘇地區(qū)某500 kV變電站使用的一組K1，K2，K3的經(jīng)驗(yàn)值分別取0.5，0.3，0.05。

另一方面，一般認(rèn)為漏檢、錯(cuò)報(bào)率越高，提升潛力相對較大，可將潛力指標(biāo)考慮為關(guān)于漏報(bào)率和錯(cuò)報(bào)率的單調(diào)增函數(shù)，即有

式（7）中，f(·)為定義在［0，1］2上的連續(xù)函數(shù)，值域?yàn)閇0，+∞)。

特別提出的是，現(xiàn)場關(guān)注的漏檢率、錯(cuò)報(bào)率的重要性是不對等的，而且兩者相對的重要性隨著現(xiàn)場缺陷檢出率的變化而變化。檢出率過低時(shí)，現(xiàn)場更為注重漏檢指標(biāo)，檢出率較高時(shí)錯(cuò)報(bào)率的作用相對抬升，甚至和錯(cuò)檢率相比擬，基于此，構(gòu)建一種不對稱評價(jià)函數(shù)如圖1。

圖1 構(gòu)建不對稱評價(jià)函數(shù)Fig.1 Construction of the asymmetric evaluation function

一種經(jīng)驗(yàn)性的不對稱評價(jià)函數(shù)［29-30］形如

式（8）中，為標(biāo)準(zhǔn)化后的Ig，p為正整數(shù)冪參數(shù)。a為不對稱指標(biāo)參數(shù)，a的取值范圍為[0，+∞)。如果a=1，函數(shù)退化為對稱函數(shù)。通過不對稱評價(jià)函數(shù)調(diào)整漏檢、錯(cuò)報(bào)指標(biāo)對潛力評價(jià)的影響。

綜合考慮上述因素，可構(gòu)造圖像識別算法改進(jìn)潛力評價(jià)指標(biāo)，如公式（9）。

應(yīng)注意，出于簡化問題考慮，潛力評價(jià)指標(biāo)估算時(shí)忽略了時(shí)延指標(biāo)。

4 應(yīng)用實(shí)例

2019年起，江蘇地區(qū)某500 kV變電站結(jié)合智能運(yùn)檢工作完成全站設(shè)備缺陷圖像識別系統(tǒng)的建設(shè)。下面以2021年5月中旬，某次高清視頻、機(jī)器人、無人機(jī)立體聯(lián)合巡檢的圖像為例，驗(yàn)證本文所提設(shè)備缺陷圖像識別算法的評價(jià)方法。

排除通訊傳輸問題造成的圖像不清等問題，對高清視頻、機(jī)器人、無人機(jī)3種設(shè)備采集的合格圖像應(yīng)用兩種深度學(xué)習(xí)算法實(shí)現(xiàn)目標(biāo)缺陷檢測。其中，第一種方法為YOLOv3［20］，第二種方法為Backbone+Transformer［31］。。

分別計(jì)算缺陷高檢出率模式和低檢出率模式下的算法圖像識別的實(shí)用評價(jià)指標(biāo)與潛力評價(jià)指標(biāo)，見表1。基于常規(guī)缺陷檢出率的對比結(jié)果亦見表1。

由表1可得以下結(jié)論：

表1 評價(jià)效果對比Table 1 Comparison of evaluation results

1）現(xiàn)場常用的檢出率指標(biāo)易受算法模式（如檢出模式）等人為可調(diào)因素調(diào)整影響，在算法本身沒有實(shí)質(zhì)改進(jìn)的情況下，檢出率指標(biāo)會有大幅變化，如算法1從15.2%大幅提升至49.6%。而實(shí)用評價(jià)指標(biāo)在算法檢出率提高后，算法1的漏報(bào)率指標(biāo)正向改善（72.8%下降至53.5%）的同時(shí)，錯(cuò)報(bào)率指標(biāo)將惡化（4.2%上升至7.4%），受人為調(diào)整控制因素較小。只有算法本身有實(shí)質(zhì)性改進(jìn)，實(shí)用評價(jià)指標(biāo)才能在錯(cuò)報(bào)漏報(bào)兩個(gè)維度上同時(shí)改善。

2）從缺陷類型上看，同一算法對不同類缺陷圖像識別算法效果差別較大，如算法1對“設(shè)備銹蝕”的錯(cuò)報(bào)、漏報(bào)率均低，對“硅膠變色”錯(cuò)報(bào)、漏報(bào)率均高；不同算法對同一類缺陷圖像識別算法效果也存在較大差別，對“設(shè)備銹蝕”缺陷的識別，算法1優(yōu)于算法2。

3）存在某些缺陷雖然能正確識別，但識別時(shí)延過長的問題。對包含多種圖像識別算法的變電站智能運(yùn)檢系統(tǒng)，遴選特定的設(shè)備缺陷最適用的圖像識別算法，作為經(jīng)驗(yàn)加以積累是必要和有益。

4）從潛力評價(jià)指標(biāo)來看，隨著變電站用無人機(jī)應(yīng)用的推廣，當(dāng)前檢出率水平下，算法2的潛力評價(jià)較高。

此外，當(dāng)前的評價(jià)結(jié)果是基于特定缺陷和具體樣本得到的結(jié)果。顯然基于多次識別結(jié)果的實(shí)用化評價(jià)進(jìn)而給出魯棒性更強(qiáng)的比較結(jié)果是更為有益的?？梢越梃b文獻(xiàn)［29］的改進(jìn)DM方法，拓展出魯棒性更強(qiáng)的實(shí)用評價(jià)方法。

5 結(jié)語

本文提出了一種變電站設(shè)備缺陷圖像識別算法的實(shí)用評價(jià)指標(biāo)，進(jìn)而提出了一種基于不對稱評價(jià)函數(shù)的潛力評價(jià)指標(biāo)。江蘇某500 kV變電站的應(yīng)用表明，該實(shí)用評價(jià)方法具有以下特點(diǎn)：

1）實(shí)用評價(jià)指標(biāo)可以用于評價(jià)不同圖像識別算法的現(xiàn)場實(shí)用效果，大幅降低了評價(jià)指標(biāo)的人為影響因素；

2）實(shí)用評價(jià)指標(biāo)度量了不同算法針對不同類型典型缺陷的識別效果差異，為探究具體某種缺陷最適合的圖像識別方法提供了支撐。

3）提出的潛力評價(jià)指標(biāo)，為圖像識別算法應(yīng)用于實(shí)際生產(chǎn)現(xiàn)場的有效性評價(jià)提供了支撐。

未來的研究中可以對典型缺陷最適用的圖像識別算法進(jìn)行進(jìn)一步的匹配，提升設(shè)備特定類型缺陷的發(fā)現(xiàn)概率，提升變電站智能運(yùn)檢水平。