明志勇，楊順吉

（1.貴州電網(wǎng)有限責(zé)任公司銅仁供電局，貴州 銅仁 554300；2.貴州大學(xué)電氣工程學(xué)院，貴州 貴陽 550025）

2017年，中國國務(wù)院發(fā)布《新一代人工智能發(fā)展規(guī)劃》[1]，人工智能的研究被納入到國家戰(zhàn)略。國家電網(wǎng)公司和南方電網(wǎng)公司都在規(guī)劃和部署電網(wǎng)智能化研究和應(yīng)用方案，加快推進(jìn)人工智能技術(shù)在生產(chǎn)技術(shù)領(lǐng)域廣泛應(yīng)用。變電站是電網(wǎng)的重要組成部分，運(yùn)行中的傳統(tǒng)變電站具有布點(diǎn)數(shù)量多、地域分布廣、多處于遠(yuǎn)離工業(yè)或居民集中區(qū)域等特點(diǎn)，現(xiàn)階段變電站仍以人工巡檢為主，一線作業(yè)仍然存在著結(jié)構(gòu)性缺員、工作強(qiáng)度高、任務(wù)重、運(yùn)維效率低下等問題。針對(duì)上述問題，為了保障變電站的高質(zhì)量運(yùn)行，開展基于圖像識(shí)別技術(shù)的變電站智能巡檢研究和應(yīng)用是十分必要的。

隨著人工智能技術(shù)和數(shù)字圖像處理技術(shù)的迅速發(fā)展，圖像識(shí)別技術(shù)[2]在理論研究和實(shí)際應(yīng)用中不斷發(fā)展和改進(jìn)，圖像識(shí)別的效率和準(zhǔn)確率都有很大程度的提高。目前，圖像識(shí)別技術(shù)在電力生產(chǎn)技術(shù)領(lǐng)域的研究與應(yīng)用，國內(nèi)外都進(jìn)行了不少有益的探索，但是大部分的研究成果主要集中在輸電領(lǐng)域，如輸電線路的圖像采集、紅外檢測(cè)、簡(jiǎn)單部件的缺陷識(shí)別等，提高了傳統(tǒng)人工巡線的工作效率和安全性。在變電領(lǐng)域，目前變電站智能巡檢開展的一些應(yīng)用與研究，主要以固定攝像頭、智能機(jī)器人、智能無人機(jī)等裝置為圖像智能采集終端，主要應(yīng)用于變電站設(shè)備外觀、儀表計(jì)數(shù)、設(shè)備缺陷的識(shí)別以及異常信息巡視等方面。然而，變電站設(shè)備種類繁多、場(chǎng)景復(fù)雜，仍然面臨著圖像智能采集終端智能化水平不高、設(shè)備狀態(tài)識(shí)別準(zhǔn)確率不高、設(shè)備缺陷樣本難獲取、設(shè)備綜合故障難診斷等挑戰(zhàn)，實(shí)現(xiàn)變電站巡檢無人化的目標(biāo)依然任重道遠(yuǎn)。

1 圖像識(shí)別過程與圖像識(shí)別方法

圖像識(shí)別的過程，包括圖像采集獲取、圖像處理、特征提取和圖像分類一系列流程，如圖1所示。

圖1 圖像識(shí)別步驟

圖像采集獲取，須借助智能采集終端，采集待識(shí)別目標(biāo)的圖像或視頻流數(shù)據(jù)，在智能終端端側(cè)進(jìn)行初步處理，傳輸至智能網(wǎng)關(guān)邊側(cè)，甚至云端服務(wù)器中進(jìn)行圖像識(shí)別。圖像處理，首先是對(duì)圖像進(jìn)行去噪、增強(qiáng)、銳化等傳統(tǒng)方法進(jìn)行圖像預(yù)處理，目的是去除干擾、噪聲及差異，使其具備像素、清晰度、灰度值等一致的希望特性；然后通過邊緣檢測(cè)、圖像分割、灰度投影等技術(shù)實(shí)現(xiàn)獲取圖像輪廓、增強(qiáng)細(xì)節(jié)和切割目標(biāo)的目的，將原始圖像變成適用于特征提取的形式，方便后續(xù)使用。特征提取，即通過提取目標(biāo)圖像的特征信息來識(shí)別目標(biāo)的本質(zhì)屬性，每幅圖像既有反應(yīng)圖像整體特點(diǎn)的全局特征，如顏色、紋理、形狀等，也有突出圖像細(xì)節(jié)部分的局部特征，如角點(diǎn)、邊緣和斑塊等，若按提取方式劃分可分為人工特征提取與機(jī)器學(xué)習(xí)特征提取兩種方式，若按特征描述范圍劃分又可分為全局特征提取與局部特征提取。圖像分類，即設(shè)計(jì)分類器，在特征空間中對(duì)目標(biāo)圖像進(jìn)行歸類與識(shí)別，分類器的性能是準(zhǔn)確識(shí)別目標(biāo)的關(guān)鍵；分類器的設(shè)計(jì)方法結(jié)合了機(jī)器學(xué)習(xí)、模式分類等技術(shù)，通過樣本訓(xùn)練，不斷優(yōu)化得到豐富的訓(xùn)練樣本集，確定規(guī)則后與測(cè)試樣本比較使樣本分類誤差最小，判斷出圖像的狀態(tài)或本質(zhì)，從而達(dá)到圖像識(shí)別的目的。

圖像識(shí)別首先進(jìn)行全局、局部特征的提取，然后進(jìn)行目標(biāo)檢測(cè)，最后設(shè)計(jì)分類器來對(duì)圖像進(jìn)行識(shí)別。圖像識(shí)別方法主要有3類，分別是傳統(tǒng)方法、淺層的機(jī)器學(xué)習(xí)方法、深度學(xué)習(xí)方法[3-5]。

圖像識(shí)別的傳統(tǒng)方法，一般有模板匹配法、橢圓擬合法、特征點(diǎn)匹配法等。模板匹配法[6]，使用遍歷的方法在原始圖像上窗口平移來尋找特定的目標(biāo)，與模板做相似度匹配，相似度最高時(shí)輸出檢測(cè)結(jié)果；該方法模板數(shù)量需求多，計(jì)算量大，穩(wěn)定性較差，在目標(biāo)出現(xiàn)多尺度變化或者光照變化時(shí)適應(yīng)性差。橢圓擬合法[7]，常用有快速圓檢測(cè)法和Hough變換檢測(cè)圓算法，根據(jù)目標(biāo)的邊緣特征，檢測(cè)待測(cè)圖像中的近似為圓形目標(biāo)；該方法使用圓形目標(biāo)檢測(cè)，響應(yīng)速度快，但在背景中多個(gè)圓形目標(biāo)同時(shí)出現(xiàn)時(shí)極易發(fā)生檢測(cè)錯(cuò)誤。特征點(diǎn)匹配法，主要指SIFT[8]和SURF[9]特征點(diǎn)匹配法，等首先用提取出待測(cè)圖像中特征集，然后與特征集中進(jìn)行特征點(diǎn)匹配，輸出檢測(cè)結(jié)果；該方法應(yīng)用廣泛，檢測(cè)精度對(duì)尺度、方向的變化不敏感，但易受光照、待測(cè)圖像形變、背景遮擋等外界因素的影響。

圖像識(shí)別的淺層的機(jī)器學(xué)習(xí)方法，常用的有神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等。人工神經(jīng)網(wǎng)絡(luò)[10]，通過對(duì)圖像進(jìn)行規(guī)格化預(yù)處理后特征提取，然后經(jīng)過隱藏層的層層傳遞，不斷抽象出更高層的特征，在圖像識(shí)別上有一定優(yōu)勢(shì)；該方法結(jié)構(gòu)簡(jiǎn)單，但須人工設(shè)計(jì)相關(guān)參數(shù)，泛化能力弱，容易出現(xiàn)過擬合、欠擬合現(xiàn)象。支持向量機(jī)[11]，是一種依據(jù)統(tǒng)計(jì)學(xué)理論提出的一種機(jī)器學(xué)習(xí)方法，它首先提取圖像中顯著特征，作為支持向量機(jī)的分類輸入?yún)?shù)，然后對(duì)訓(xùn)練集中的圖像數(shù)據(jù)進(jìn)行訓(xùn)練，最后通過用于測(cè)試的圖片數(shù)據(jù)來對(duì)模型進(jìn)行相關(guān)的評(píng)估和改進(jìn)，構(gòu)造出結(jié)構(gòu)風(fēng)險(xiǎn)最小的分類器模型，實(shí)現(xiàn)目標(biāo)檢測(cè)；該方法具有結(jié)構(gòu)簡(jiǎn)單、容易訓(xùn)練的特點(diǎn)，泛化能力較強(qiáng)，但輸入特征量須人工設(shè)計(jì)，圖像識(shí)別的效果取決于所設(shè)計(jì)的特征量的質(zhì)量。。

圖像識(shí)別的深度學(xué)習(xí)方法，常用的有：深度信念網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)。深度信念網(wǎng)絡(luò)[12]，由若干層受限玻爾茲曼機(jī)（RBM）和一層某種分類器結(jié)合而成的一種概率生成模型；模型訓(xùn)練時(shí)，可以采用神經(jīng)網(wǎng)絡(luò)（BP）方法對(duì)不同層次的參數(shù)進(jìn)行聯(lián)合學(xué)習(xí)和分散化，加快訓(xùn)練時(shí)間并縮短收斂時(shí)間；該方法在同類數(shù)據(jù)的處理上具有優(yōu)勢(shì)，但是對(duì)于分類問題，存在分類精度不高、模型訓(xùn)練復(fù)雜等問題，且輸入數(shù)據(jù)的平移不變性要求高，易出現(xiàn)過擬合現(xiàn)象。循環(huán)神經(jīng)網(wǎng)絡(luò)[13]，其隱藏層之間的神經(jīng)元是相互連接的，這些神經(jīng)元具有記憶功能，能夠保留之前時(shí)刻的信息，并用于當(dāng)前輸出計(jì)算中，該方法對(duì)序列數(shù)據(jù)建模有巨大優(yōu)勢(shì)，適用于語音識(shí)別和手寫字識(shí)別，但訓(xùn)練參數(shù)復(fù)雜，訓(xùn)練時(shí)間長，容易出現(xiàn)梯度消散或梯度爆炸問題，不具備特征學(xué)習(xí)能力。卷積神經(jīng)網(wǎng)絡(luò)[14]，由人工神經(jīng)網(wǎng)絡(luò)演化而來，是一種特殊的深層前饋網(wǎng)絡(luò)，主要包含輸入層、卷積層、池化層、全連接層以及輸出層；其中最重要的卷積層和池化層用來提取特征，為了減少模型訓(xùn)練時(shí)間，提取到豐富特征，通常使用的網(wǎng)絡(luò)模型有LeNet-5、AlexNet、ZF-Net、VGGNet等。該方法訓(xùn)練參數(shù)較少，模型的適應(yīng)性強(qiáng)，對(duì)輸入數(shù)據(jù)的要求不高，但容易出現(xiàn)梯度消散問題，空間關(guān)系辨識(shí)度差，當(dāng)識(shí)別目標(biāo)旋轉(zhuǎn)超出一定角度后，該方法的識(shí)別準(zhǔn)確率會(huì)大大降低。

2 圖像識(shí)別技術(shù)在變電站智能巡檢中的應(yīng)用

變電站的主要設(shè)備包括變壓器、斷路器、隔離開關(guān)、母線、互感器、儀表、保護(hù)裝置、通信裝置等，這些設(shè)備的運(yùn)行狀態(tài)直接決定了電氣系統(tǒng)運(yùn)行的穩(wěn)定性、可靠性。通過覆蓋全站的搭載不同載體的智能采集終端，開展變電站設(shè)備圖像識(shí)別技術(shù)研究是新一代智能變電站建設(shè)的重要課題。

2.1 表計(jì)類設(shè)備讀數(shù)識(shí)別

變電站大量電氣設(shè)備配置了表計(jì)，這些表計(jì)大致可以分為以下幾類：指針式表計(jì)，如SF6壓力表、油溫表、避雷器在線監(jiān)測(cè)表、油位計(jì)等；數(shù)字式或者電子式表計(jì)，如溫濕度表、數(shù)字電壓表、數(shù)字電流表、主變檔位表等。

指針式表計(jì)識(shí)別方法主要分為表計(jì)目標(biāo)檢測(cè)和讀數(shù)識(shí)別兩個(gè)步驟。針對(duì)目標(biāo)檢測(cè)，常用的傳統(tǒng)方法，如上文所述的模板匹配法、橢圓擬合法、特征點(diǎn)匹配法等，這些方法在固定攝像頭拍攝、實(shí)時(shí)性要求高時(shí)有一定優(yōu)勢(shì)，但往往受光照變化、背景干擾、目標(biāo)旋轉(zhuǎn)變化等因素的影響，泛化能力差，當(dāng)巡檢機(jī)器人遠(yuǎn)距離、多角度拍攝變電站的表盤時(shí)，在表計(jì)的指針讀數(shù)識(shí)別中容易出現(xiàn)很大誤差；而深度學(xué)習(xí)的方法，特別是卷積神經(jīng)網(wǎng)絡(luò)方法在表計(jì)目標(biāo)檢測(cè)方面獲得良好的效果，魯棒性高，抗干擾能力強(qiáng)，樣本足夠時(shí)，識(shí)別準(zhǔn)確率高，但樣本訓(xùn)練難，識(shí)別效率低。

針對(duì)指針識(shí)別，常用的算法主要有Hough直線變換法、中心投影法、減影法、最小二乘法等。Hough直線變換法[15]，即通過Hough變換檢測(cè)直線，確定指針的位置，計(jì)算零刻度所在的直線與指針?biāo)诘闹本€的夾角來讀數(shù)。中心投影法[16]，利用指針在起止刻度兩種情況確定表盤的圓心，將待識(shí)別指針圖像特征投影到圓心處，檢測(cè)出指針位置。減影法[17]，對(duì)兩幅表計(jì)圖像進(jìn)行灰度相減操作，新圖像中獲得原圖像各自的指針，再進(jìn)行分割二值化操作，確定指針位置。最小二乘法[18]，擬合指針?biāo)谥本€和刻度所在直線，判斷指針與刻度所在的兩條直線是否重合，利用距離法獲取儀表讀數(shù)。

上述指針識(shí)別的傳統(tǒng)方法，雖然響應(yīng)速度快，有一定抗噪能力，適用于固定角度拍攝的場(chǎng)景，但是都對(duì)圖像質(zhì)量要求較高，圖像變形、環(huán)境陰影、表盤條紋干擾或者起霧會(huì)對(duì)讀數(shù)造成很大影響。很多學(xué)者通過圖像處理技術(shù)、傳統(tǒng)算法的改進(jìn)與結(jié)合，甚至研究新型算法來解決其中的一些不足。針對(duì)變電站表盤出現(xiàn)的表盤起霧與運(yùn)動(dòng)模糊等問題，文獻(xiàn)[19]引入暗原色先驗(yàn)去霧算法和Lucy-R ichardson算法，再通過Hough變換算法檢測(cè)指針來解決這類問題；但該方法在目標(biāo)發(fā)生尺度變化或背景干擾時(shí)檢測(cè)精度低。文獻(xiàn)[20]選擇ORB、SIFT特征點(diǎn)匹配算法，提取待測(cè)圖像中的表計(jì)區(qū)域，然后采用改進(jìn)的快速Hough變換檢測(cè)指針?biāo)谥本€；該方法具有一定的抗噪能力，響應(yīng)速度快，固定攝像頭采集時(shí)檢測(cè)精度高，但檢測(cè)精度會(huì)受光照變化、形變、指針模糊的影響。文獻(xiàn)[21]采用多尺度模板匹配法指針式表計(jì)的定位，通過表計(jì)輪廓分離法擬合表盤所在圓，利用最小二乘法確定圓心，最后采用徑向分割算法來提取指針；該方法對(duì)寬窄指針、表盤凝露、拍攝距離具有較好的抗干擾能力，但光照變化仍會(huì)對(duì)指針定位產(chǎn)生干擾。文獻(xiàn)[22]引入了深度學(xué)習(xí)中的目標(biāo)檢測(cè)和圖像分割技術(shù)，F(xiàn)aster R-CNN模型提高了表計(jì)目標(biāo)檢測(cè)的準(zhǔn)確性，而改進(jìn)的U-Net圖像分割技術(shù)適用于小目標(biāo)的檢測(cè)，抗干擾能力強(qiáng)；但該方法目標(biāo)檢測(cè)速度慢，在表盤臟污、曝光欠光時(shí)讀數(shù)識(shí)別漏檢率高。文獻(xiàn)[23]采用全卷積網(wǎng)絡(luò)FCN從含有表計(jì)的圖像中提取表計(jì)的圖像，利用圖像處理技術(shù)去除對(duì)指針檢測(cè)的干擾，采用改進(jìn)的Hough變換識(shí)別表計(jì)中指針的位置。該方法的FCN網(wǎng)絡(luò)模型訓(xùn)練所需樣本少，目標(biāo)檢測(cè)效率高，但在表盤傾斜和環(huán)境陰影時(shí)讀數(shù)準(zhǔn)確率降低。

數(shù)字字符識(shí)別，常用的方法主要有模板匹配法、穿線法、七段特征法以及BP神經(jīng)網(wǎng)絡(luò)法、k鄰近算法等。模板匹配法[24]對(duì)于每種類型的數(shù)字字符均要在前期制作模板，同時(shí)對(duì)每個(gè)字符均進(jìn)行模板檢測(cè)然后比較相似得分，工作量大，泛化能力差。穿線法[25]須掃描等分線上的像素點(diǎn)，識(shí)別準(zhǔn)確率受圖片質(zhì)量、圖像預(yù)處理效果的影響較大，抗噪性能差。七段特征法[26]須統(tǒng)計(jì)每個(gè)字符7個(gè)不同區(qū)域像素的和是否達(dá)到閡值來判斷每個(gè)區(qū)域是點(diǎn)亮狀態(tài)，該方法對(duì)于字符圖片質(zhì)量、傾斜角度要求高。

上述數(shù)字字符識(shí)別的傳統(tǒng)方法，都是基于字符分割、濾波、二值化等方法，首先分割算法得到各個(gè)數(shù)字字符，然后識(shí)別字符獲取儀表讀數(shù)，雖然原理簡(jiǎn)單，響應(yīng)速度快，但受環(huán)境變化、拍攝角度變化影響，對(duì)圖片質(zhì)量要求高。BP神經(jīng)網(wǎng)絡(luò)法，在手寫字體、數(shù)字字符的識(shí)別方面有優(yōu)勢(shì)，識(shí)別率較高，抗干擾能力較強(qiáng)，但網(wǎng)絡(luò)模型訓(xùn)練收斂速度慢，訓(xùn)練參數(shù)依賴人工設(shè)置。文獻(xiàn)[27]提出了一種用于識(shí)別數(shù)字字符的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法，先對(duì)數(shù)字字符進(jìn)行分割歸一化處理，然后通過PCA（主成分分析法）算法降低輸入層與隱含層間的權(quán)值矩陣的維度，縮短了訓(xùn)練時(shí)間。KNN算法易受表計(jì)字符圖片噪聲和拍攝角度干擾，對(duì)此，文獻(xiàn)[28]提出了一種基于密度特征和KNN算法的儀表字符識(shí)別算法，識(shí)別效果好，魯棒性高，但是密度特征的維數(shù)須通過大量實(shí)驗(yàn)選擇，網(wǎng)絡(luò)訓(xùn)練速度慢，實(shí)時(shí)性不強(qiáng)。

2.2 基于可見光圖像的電氣設(shè)備目標(biāo)檢測(cè)識(shí)別

通過采集變壓器、隔離開關(guān)、斷路器分合指示、高壓開關(guān)柜、屏柜等電氣設(shè)備的外觀圖像，識(shí)別設(shè)備中的零部件，并對(duì)其進(jìn)行準(zhǔn)確定位，才能進(jìn)一步對(duì)設(shè)備的狀態(tài)與運(yùn)行工況展開分析。對(duì)變電站電氣設(shè)備進(jìn)行目標(biāo)檢測(cè)識(shí)別，是實(shí)現(xiàn)變電站智能巡檢亟待解決的問題。變電設(shè)備的檢測(cè)識(shí)別的主要任務(wù)目標(biāo)電氣設(shè)備精確定位，并進(jìn)行分類和識(shí)別運(yùn)行狀態(tài)，其中最重要的就是目標(biāo)檢測(cè)算法。常用的目標(biāo)檢測(cè)算法主要分為兩類：傳統(tǒng)算法和卷積神經(jīng)網(wǎng)絡(luò)算法。

傳統(tǒng)的目標(biāo)檢測(cè)算法主要包括模板匹配、SIFT、機(jī)器視覺等以及在上述算法的基礎(chǔ)上的優(yōu)化與改進(jìn)。文獻(xiàn)[29]提出了一種識(shí)別電氣設(shè)備圖像的二次模板匹配算法，識(shí)別速度快，定位準(zhǔn)確；但圖像樣本是基于固定攝像頭拍攝，背景單一，干擾因素少。文獻(xiàn)[30]首先采用SIFT算法提取目標(biāo)特征點(diǎn)，然后利用模板匹配法進(jìn)行目標(biāo)定位，最后進(jìn)行Hough變換提取直線來判別隔離開關(guān)狀態(tài)。文獻(xiàn)[31]基于隔離開關(guān)圖像的灰度投影特征，通過計(jì)算投影的連通區(qū)域個(gè)數(shù)，可以有效識(shí)別隔離開關(guān)的分合狀態(tài)，識(shí)別效果較好；但未考慮復(fù)雜背景下開關(guān)區(qū)域被部分遮擋的情況。

為了提高目標(biāo)電氣設(shè)備定位和識(shí)別精度，卷積神經(jīng)網(wǎng)絡(luò)模型是一種較好的實(shí)現(xiàn)方法，該模型大幅提升了檢測(cè)穩(wěn)定性。基于卷積神經(jīng)網(wǎng)絡(luò)模型的目標(biāo)檢測(cè)算法主要有R-CNN、Fast R-CNN、YOLO、SSD等以及在上述算法的基礎(chǔ)上的優(yōu)化與改進(jìn)。文獻(xiàn)[32]首先采用CNNs-AlexNet模型提取電氣設(shè)備圖像特征，然后利用隨機(jī)森林（Random Forest，RF）算法來替換CNNs-Softmax算法對(duì)圖像進(jìn)行識(shí)別，識(shí)別準(zhǔn)確率提高；但未研究基于小樣本數(shù)據(jù)的電氣設(shè)備部件檢測(cè)。文獻(xiàn)[33]采用一種改進(jìn)的CNNs算法對(duì)隔離開關(guān)的絕緣子和刀閘位置精確定位，并檢測(cè)刀閘區(qū)域長寬比和與絕緣子區(qū)域的連通性來綜合判別隔離開關(guān)的分合狀態(tài)，該方法改善了復(fù)雜環(huán)境下多隔離開關(guān)的干擾問題。文獻(xiàn)[34]提出了一種基于電氣設(shè)備連通域連通域處理的Faster R-CNN改進(jìn)方法，提高了目標(biāo)檢測(cè)的精度和速度；但未考慮復(fù)雜背景下電氣設(shè)備相互遮擋或干擾的問題。文獻(xiàn)[35]提出了一種改進(jìn)型單階段多框檢測(cè)算法，該算法檢測(cè)速度快，適用于小樣本電氣設(shè)備樣本集的分類和定位；但在復(fù)雜背景下對(duì)小目標(biāo)的檢測(cè)精度不高。

2.3 電氣設(shè)備紅外圖像識(shí)別

目前，變電站電氣設(shè)備紅外巡檢的主要還是人工化，運(yùn)行人員在現(xiàn)場(chǎng)通過紅外熱像儀采集設(shè)備圖片，后續(xù)再人工分析，但該方式工作效率低，識(shí)別精度受運(yùn)行人員主觀影響。隨著新一代智能變電站的建設(shè)，變電站巡檢機(jī)器人、無人機(jī)搭載紅外熱成像儀對(duì)電氣設(shè)備進(jìn)行紅外圖像識(shí)別成為變電站紅外巡檢的一種新趨勢(shì)。

由于紅外圖像分辨率低、邊緣模糊，細(xì)節(jié)表達(dá)能力較差，電氣設(shè)備紅外圖像識(shí)別技術(shù)研究及應(yīng)用還較少，已有研究大多基于傳統(tǒng)的圖像分類識(shí)別方法，一般使用目標(biāo)的形狀結(jié)構(gòu)特征進(jìn)行目標(biāo)分類識(shí)別，如傅里葉描述子、Hu不變矩、Zernike不變矩等。文獻(xiàn)[36]結(jié)合最大類間方差法和區(qū)域生長法對(duì)設(shè)備的紅外圖像進(jìn)行分割，并基于設(shè)備的傅里葉描述子、Hu矩等形狀特征建立設(shè)備分類特征向量。文獻(xiàn)[37]采用具有旋轉(zhuǎn)與縮放不變性的Zernike矩提取待識(shí)別變電設(shè)備的特征，并基于相關(guān)向量機(jī)進(jìn)行電氣設(shè)備分類識(shí)別。上述方法通過先驗(yàn)知識(shí)對(duì)紅外圖像進(jìn)行分割圖像以及提取特征，對(duì)圖像有較強(qiáng)描述能力，并且具有一定的抗噪聲能力，但在分割圖像中，卻只針對(duì)一些背景較為單一、簡(jiǎn)單的電氣設(shè)備，而對(duì)于背景復(fù)雜多樣的電氣設(shè)備，這類方法不再適用。

卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)算法已廣泛應(yīng)用于可見光物體檢測(cè)領(lǐng)域，文獻(xiàn)[38]基于Faster R CNN算法對(duì)多類變電站電氣設(shè)備進(jìn)行目標(biāo)檢測(cè)，實(shí)現(xiàn)目標(biāo)設(shè)備的精準(zhǔn)分類識(shí)別。文獻(xiàn)[39]將Faster R-CNN算法應(yīng)用于可見光條件下無人機(jī)巡檢圖像的電氣部件識(shí)別中，對(duì)多種類別的電氣部件識(shí)別定位，可以達(dá)到較快的識(shí)別速度和較高的準(zhǔn)確率。文獻(xiàn)[40]提出了基于改進(jìn)FP-FRCNN模型的電氣設(shè)備紅外圖像識(shí)別算法，一定程度上解決了小尺寸電氣設(shè)備紅外圖像較難識(shí)別以及視覺特征較難提取的問題。

此外，還有研究結(jié)合可見光和紅外雙通道圖像對(duì)電氣設(shè)備進(jìn)行識(shí)別，文獻(xiàn)[41]先采用改進(jìn)的FAST-Match算法進(jìn)行電氣設(shè)備可見光圖像多目標(biāo)定位，然后綜合利用紅外圖像和可見光圖像之間的近似仿射變換關(guān)系，實(shí)現(xiàn)電氣設(shè)備紅外圖像的定位識(shí)別。

3 總結(jié)與展望

通過前文的回顧與總結(jié)，可以看出，圖像識(shí)別技術(shù)在變電站智能巡檢中的應(yīng)用已取得了諸多成效，但應(yīng)用研究還不盡完善，有值得改進(jìn)的空間，實(shí)現(xiàn)變電站智能巡檢的目標(biāo)任重而道遠(yuǎn)。

變電站表計(jì)種類繁多、大小不一，還可能存在設(shè)備遮擋、拍攝角度不正、表盤模糊破損、曝光欠光等問題，表計(jì)目標(biāo)檢測(cè)和讀數(shù)識(shí)別還面臨以下挑戰(zhàn)：（1）傳統(tǒng)的目標(biāo)檢測(cè)算法在響應(yīng)速度上有優(yōu)勢(shì)，但在圖像背景干擾、曝光欠光時(shí)魯棒性差、穩(wěn)定性低；而主流的深度學(xué)習(xí)方法檢測(cè)精度高又難以滿足實(shí)時(shí)性要求。（2）在表計(jì)讀數(shù)識(shí)別方面，重點(diǎn)在于如何提高讀數(shù)的準(zhǔn)確性，目前以Hough變換為代表的傳統(tǒng)方法很難解決表盤模糊、反光曝光、表盤傾斜帶來的讀數(shù)難題；（3）多類型的表計(jì)識(shí)別問題，如何用一種通用的方法解決相似表計(jì)的識(shí)別問題，也是須要研究的難點(diǎn)之一。

變電站內(nèi)電氣設(shè)備分布密集、種類較多，同類電氣設(shè)備還存在不同外觀和狀態(tài)，基于可見光圖像的電氣設(shè)備目標(biāo)檢測(cè)識(shí)別還面臨以下挑戰(zhàn)：（1）現(xiàn)有的研究大多集中在電氣設(shè)備及其部件外觀的分類識(shí)別上，而對(duì)設(shè)備或部件破損、銹蝕、污穢以及漏油等缺陷的識(shí)別還有待進(jìn)一步研究。（2）隔離開關(guān)、信號(hào)燈、壓板等同一類設(shè)備都具有不同外觀和狀態(tài)，所研究的圖像識(shí)別算法模型只能在限定場(chǎng)景內(nèi)適用或者只針對(duì)某幾種特定類型，局限性大，未來有必要研究一種通用性高、魯棒性強(qiáng)的方法。（3）采用基于深度學(xué)習(xí)的圖像識(shí)別算法需要海量的樣本和較強(qiáng)的算力，但現(xiàn)實(shí)中面臨海里樣本獲取及訓(xùn)練困難，移動(dòng)式智能巡檢裝置算力較差，為了保證識(shí)別的準(zhǔn)確性和穩(wěn)定性，可以積極探索基于小樣本集算法模型和輕量化算法模型研究。

基于紅外圖像的分類識(shí)別方法一般包含3步，一是對(duì)紅外圖像進(jìn)行分割并找到找到目標(biāo)識(shí)別區(qū)域，二是對(duì)目標(biāo)區(qū)域的視覺特征進(jìn)行提取，三是對(duì)電氣設(shè)備狀態(tài)進(jìn)行分類。變電站電氣設(shè)備紅外圖像識(shí)別研究還處于起步階段，面臨以下挑戰(zhàn)：（1）目前大部分變電站智能巡檢裝置只負(fù)責(zé)采集紅外圖像，然后采用紅外測(cè)溫技術(shù)標(biāo)定溫度，最后人工進(jìn)行電氣設(shè)備紅外圖像識(shí)別及缺陷診斷，因此變電站紅外巡檢實(shí)際上處于半自動(dòng)化水平，一定程度上影響了變電站紅外智能巡檢的應(yīng)用發(fā)展。（2）當(dāng)目標(biāo)電氣設(shè)備圖像復(fù)雜或需要識(shí)別多個(gè)設(shè)備或部件時(shí)，會(huì)導(dǎo)致分類識(shí)別準(zhǔn)確率低、泛化能力差，常用的紅外圖像識(shí)別方法難以適用于復(fù)雜背景環(huán)境的變電站電氣設(shè)備識(shí)別的要求。（3）雖然變電站巡檢機(jī)器人或者無人機(jī)均可以搭載可見光和紅外雙目攝像機(jī)，但兩個(gè)傳感器之間信息的交互涉及較少，未來的研究工作可以進(jìn)一步融合可見光和紅外雙通道圖像對(duì)電氣設(shè)備進(jìn)行識(shí)別。