鄒帥

關(guān)鍵詞：小樣本；圖像；感知

中圖分類號：N945.23 文獻標識碼：A

文章編號：1009-3044（2023）20-0060-04

0 引言

隨著我國國民經(jīng)濟水平的前進與發(fā)展，各行業(yè)對電力的需求不斷增長，推動我國電網(wǎng)數(shù)字化和智能化的進步，對電網(wǎng)的穩(wěn)定性及可靠性提出更高的要求。根據(jù)統(tǒng)計分析，電氣設(shè)備故障產(chǎn)生最直接最重要的原因是其性能發(fā)生變性，特別是電網(wǎng)一次設(shè)備長期處于高電壓、強電場運行環(huán)境，并承受惡劣氣象影響，達到限值后易發(fā)生放電現(xiàn)象，嚴重情況下會導致設(shè)備擊穿、閃絡(luò)等現(xiàn)象，并極易導致“鏈式反應(yīng)”，并影響電網(wǎng)的正常運行，存在著巨大的安全隱患，因此缺陷識別與診斷技術(shù)是電網(wǎng)建設(shè)研究的重要課題。

1 研究意義

在電網(wǎng)缺陷或故障監(jiān)測方面，歷經(jīng)三個發(fā)展階段。第一階段是傳統(tǒng)監(jiān)測，通過利用人工巡視和停電試驗進行缺陷識別和判斷，但作業(yè)人員水平參差不齊，效果難以保證，并且停電試驗周期長；第二階段是信息化監(jiān)測，通過利用在線監(jiān)測和帶電檢測技術(shù)應(yīng)用，開展狀態(tài)檢修及無人值守，以輸電線路無人機巡視、變電站紅外測溫、智能機器人應(yīng)用等各種在線監(jiān)測和帶電檢測手段，通過大量圖像信息進行人工排查，但是效率低、工作量大，難以保證及時處理海量圖像數(shù)據(jù)；第三階段是智能化監(jiān)測，通過“大云物移智”技術(shù)應(yīng)用，建立機器學習、人工智能和深度學習技術(shù)的圖像識別處理技術(shù)鏈，基于海量監(jiān)測圖像數(shù)據(jù)，解決圖像排查與圖像信息急速增長的矛盾，實現(xiàn)電網(wǎng)設(shè)備缺陷識別智能化推進。

2 研究內(nèi)容

2.1 基于邊緣計算的前置圖像處理

本文通過深度神經(jīng)網(wǎng)絡(luò)與小樣本學習有機結(jié)合的方法，以圖像識別處理為技術(shù)中心，解決以下圖像識別的問題：

1） 攝像過程中由于光照條件的變化，光照強度與角度會隨著時間發(fā)生變化，使得采集圖像的亮度與分辨率得不到保證。

2） 由于圖像采集過程中噪聲與運動模糊的影響，使得圖像產(chǎn)生嚴重的降質(zhì)和退化。

3） 在復雜自然背景下輸電設(shè)備機拍圖像的處理非常困難更具挑戰(zhàn)性，特別是目標圖像的提取與識別問題。

4） 機拍圖像由于拍攝角度和視距的變化，同一目標會呈現(xiàn)不同的形狀或形式。

2.2 輸電設(shè)備巡檢圖像異常特征量的簡化分析

基于角度感知技術(shù)，研究前置設(shè)備的取景修正技術(shù)，提高圖像采集終端獲取的原始數(shù)據(jù)并進行圖像分類[1]，獲得輸電設(shè)備巡檢圖像智能分析所需要的高可用性圖像或視頻。由于前置設(shè)備計算資源有限，研究輸電設(shè)備巡檢圖像異常特征量的簡化分析方法，對巡檢圖像進行有效、快速并且低功耗的預處理與數(shù)據(jù)過濾，實現(xiàn)部分異常特征量的實時檢測與低質(zhì)量重復圖像的快速濾除。

2.3 基于深度神經(jīng)網(wǎng)絡(luò)及FPGA芯片研究輕量化的嵌入式圖像處理

鑒于前置設(shè)備計算資源有限，同時受到重量與功耗限制的問題，研究基于深度神經(jīng)網(wǎng)絡(luò)的輕量化圖像處理方法，構(gòu)建適用于前置設(shè)備的深度神經(jīng)網(wǎng)絡(luò)模型，并依托FPGA芯片，設(shè)計實現(xiàn)輕量化的嵌入式圖像處理方法，方便在前置端構(gòu)建快速的現(xiàn)場預處理感知、診斷系統(tǒng)，實現(xiàn)特征的實時判別，解決研究前置FPGA系統(tǒng)的遠距離數(shù)據(jù)傳輸問題，實現(xiàn)采集圖像的可信、高速回傳。

3 研究難點

3.1 卷積神經(jīng)網(wǎng)絡(luò)模型與FPGA 有限資源的協(xié)同

通過CNN層內(nèi)計算模型的循環(huán)計算，以不同的運算結(jié)構(gòu)對層內(nèi)方式進行劃分，完成對所有循環(huán)迭代的卷積核算進行調(diào)度執(zhí)行[2]?；诓煌诸惙椒ǖ拇鷥r函數(shù)，在一定資源條件下，獲取不同運算結(jié)構(gòu)的邏輯計算性能，進而為卷積神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)提供不同的信息。但因為FPGA 資源限制，運算結(jié)構(gòu)無法在FPGA上實現(xiàn)，只能實現(xiàn)部分卷積核并行運算，本研究將解決大量的卷積核運算邏輯到計算單元的映射問題。

3.2 輸變電設(shè)備圖像智能感知及匹配

在傳統(tǒng)的電網(wǎng)巡檢圖像采集過程中，會出現(xiàn)距離、旋轉(zhuǎn)、角度、遮擋、亮度等因素的影響，導致圖像清晰度不高，從而無法從低質(zhì)量的圖像中獲取關(guān)鍵數(shù)據(jù)。因此，通過圖像采集技術(shù)實現(xiàn)高精度圖像是本研究狀態(tài)感知的關(guān)鍵。傳統(tǒng)的變電站巡檢中，圖像存在大量可見光和紅外圖像，但存儲形式不統(tǒng)一，在進行圖像分析時數(shù)據(jù)處理難度較大。因此，圖片的存儲模型的研究及快速匹配本研究的關(guān)鍵點。

4 研究方法

電網(wǎng)設(shè)備缺陷識別是智能巡檢的目的，基于小樣本學習的前置感知系統(tǒng)是保證識別準確度的關(guān)鍵，是實現(xiàn)站內(nèi)智能巡檢的有效途徑。根據(jù)研究內(nèi)容，采用如下具體研究方法：

4.1 變電設(shè)備圖像特征的語義分析方法

目標特征的提取是目標識別的基礎(chǔ)，提取出良好的特征能夠提高識別的精度，針對電力巡檢過程中需要識別的典型目標和典型故障，研究針對典型目標和故障的特征提取方法，主要研究內(nèi)容包括：

1） 巡檢圖像低階特征分析方法

變電站內(nèi)的重點一次設(shè)備包括變壓器、隔離開關(guān)、斷路器、避雷器等，需要研究利用設(shè)備典型特征，分類識別出設(shè)備類型，實現(xiàn)設(shè)備在圖像中的位置跟蹤。

2） 巡檢圖像的高階語義理解技術(shù)

圖像高階語義理解包含的對象、對象間的關(guān)系以及視頻場景描述等，針對電力設(shè)備圖像研究采用基于決策樹、貝葉斯網(wǎng)絡(luò)、樸素貝葉斯等方法對低階分析結(jié)果進行轉(zhuǎn)換和映射并提取視頻圖像的高階語義特征。

3） 設(shè)備典型故障識別

進行變壓器的過熱、漏油、外觀銹蝕等，隔離開關(guān)的開合狀態(tài)、引線接頭過熱等典型故障的特征采集及識別。

4.2 基于深度學習的變電設(shè)備故障自動辨識方法

1） 基于卷積神經(jīng)網(wǎng)絡(luò)的高效訓練

通過卷積神經(jīng)網(wǎng)絡(luò)，對圖像進行有效的學習和識別，針對電力巡檢視頻圖像數(shù)據(jù)量大、待識別目標較為復雜的特點，基于卷積神經(jīng)網(wǎng)絡(luò)的高效訓練算法，通過卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)高精度的識別。

2） 傳統(tǒng)圖像處理方法與深度學習方法的多層次圖像識別融合

通過基于深度學習的識別方法，進行大量訓練樣本的訓練，結(jié)合傳統(tǒng)圖像處理和深度學習方法的多層次圖像識別方法。將傳統(tǒng)圖像處理方法和SVM等方法對目標進行粗提取[3]，再進行精細識別，提高圖像識別的效率和準確度。

4.3 基于遷徙學習的感知泛化方法

機器學習尤其是深度神經(jīng)網(wǎng)絡(luò)模型通常要求有足夠大的帶標簽訓練集，但是正如電力系統(tǒng)領(lǐng)域短期時間內(nèi)不可能出現(xiàn)大規(guī)模的故障數(shù)據(jù)集，通過遷移學習運用，實現(xiàn)訓練樣本和測試樣本服從不同的分布，有效的解決缺乏訓練數(shù)據(jù)的問題，提升視覺感知泛化能力。

5 系統(tǒng)設(shè)計

5.1 系統(tǒng)架構(gòu)設(shè)計

系統(tǒng)設(shè)計包括圖像采集層、數(shù)據(jù)傳輸層、服務(wù)層、數(shù)據(jù)管理層及平臺管理層，通過移動采集終端及布控球的方式進行現(xiàn)場設(shè)備缺陷數(shù)據(jù)采集，通過無線通信方式將采集圖像傳輸至邊緣計算裝置，進行設(shè)備缺陷的分類及智能識別，同時將分析結(jié)果傳輸至數(shù)據(jù)管理層進行業(yè)務(wù)數(shù)據(jù)的存儲，最終通過云端平臺進行數(shù)據(jù)的分析及可視化展示。

5.2 運行環(huán)境設(shè)計

采用了全異步架構(gòu)，為系統(tǒng)提供基于Web的訪問控制和管理，提供云平臺管理服務(wù)，包括訪問控制、性能監(jiān)控和配置功能，管理節(jié)點將各臺計算服務(wù)器中的資源統(tǒng)一集中，形成一體化虛擬計算池，通過資源管理策略，將計算服務(wù)器資源進行分配，能夠?qū)崿F(xiàn)更快、更小、更強的API請求，降低了IaaS軟件的復雜度，實現(xiàn)服務(wù)獨立靈活擴展，完成對應(yīng)算法服務(wù)、輸出存儲、系統(tǒng)運行等環(huán)境支撐。

5.3 安全防護設(shè)計

根據(jù)圖像采集端、前置服務(wù)器、安全接入平臺和網(wǎng)絡(luò)環(huán)境貫通方式，采用虛擬專網(wǎng)技術(shù)在GPRS APN/WCDMA VPDN上建立的虛擬隧道，前置服務(wù)器通過安全加固的接入終端，安全的接入終端可以保證杜絕危險，保證數(shù)據(jù)的安全傳輸。

6 功能設(shè)計

6.1 數(shù)據(jù)智能分析

為直觀地展示報警監(jiān)控情況，設(shè)計可視化大屏展示，整體上體現(xiàn)總報警數(shù)及較昨日相比數(shù)量、總處理數(shù)及較昨日相比數(shù)量、報警類型統(tǒng)計及排名、各月報警信息類型數(shù)量趨勢、周報警數(shù)、周上傳數(shù)、最新報警信息、共有警情、警情處理狀態(tài)占比、報警類型統(tǒng)計、警情狀態(tài)管理、月報警趨勢。

6.2 設(shè)備位置展示

各區(qū)域設(shè)備數(shù)量、報警類型數(shù)量統(tǒng)計以及設(shè)備的位置統(tǒng)計展示。

6.3 報警展示

通過時間設(shè)定，可顯示設(shè)備報警圖片，并查看當前報警的處理進度。

6.4 設(shè)備管理

通過四級維度進行報警類型管理，按照區(qū)域、線路、塔桿、設(shè)備添加塔桿經(jīng)緯度，該塔桿下級所有設(shè)備將繼承該塔桿的經(jīng)緯度信息，實現(xiàn)定位功能。

7 智能分析設(shè)計

通過執(zhí)法儀拍攝的視頻進行分析，提取其中的目標信息，完成對視頻的結(jié)構(gòu)化描述。本文圍繞對人的安全管理，利用智能分析算法檢測五類目標，首先要檢測視頻中是否有人出現(xiàn)，并能檢測到每個人在視頻中的位置，在此基礎(chǔ)上，在單個人的特定區(qū)域內(nèi)檢測其他屬性目標。通過五類屬性目標要進行檢查，分別是安全帽、袖章、絕緣手套、工作服和兩票。這五類目標并不一定同時出現(xiàn)在某個人身上，而是根據(jù)具體的任務(wù)，在人身上檢測某個屬性目標，以判定是否符合任務(wù)規(guī)范。

針對以上目標，實現(xiàn)多路視頻的實時監(jiān)控，系統(tǒng)能保持高并發(fā)性和反應(yīng)敏捷性；系統(tǒng)對工作任務(wù)進行靈活分解和配置，完成對執(zhí)法視頻的語義分析；對于存量視頻，可以進行后期分析，濃縮視頻內(nèi)容，形成視頻摘要，方便對視頻進行事件檢索。根據(jù)任務(wù)要求，選定目標要素，分析視頻中是否檢測到了目標要素，也即在返回的視頻中要先檢測到人，再在人的身上檢測是否戴有安全設(shè)備，如果視頻中以一定比例檢測到了這些目標要素，則認為這個視頻符合任務(wù)規(guī)范。

8 關(guān)鍵技術(shù)

8.1 面向FPGA 的輕量化深度卷積神經(jīng)網(wǎng)絡(luò)模型及實現(xiàn)技術(shù)

根據(jù)電路的性能和神經(jīng)網(wǎng)絡(luò)的影響，較長的字長雖然可提高神經(jīng)網(wǎng)絡(luò)的準確性和收斂性，但卻增加了電路的面積、提高了成本、減小了速度，而低的精度則會對電路的性能和神經(jīng)網(wǎng)絡(luò)的性能產(chǎn)生相反的影響。同時由于FPGA硬件資源的限制，并行的CNN[4]計算結(jié)構(gòu)無法在FPGA上實現(xiàn)，只能對部分卷積核進行并行計算進行，如何把大量的卷積核循環(huán)語句映射到數(shù)量有限的計算單元仍然是一個需要解決的問題。本項目構(gòu)建數(shù)據(jù)驅(qū)動的深度學習卷積神經(jīng)網(wǎng)絡(luò)模型，建立具有不同神經(jīng)元個數(shù)和層面連接方式的特征抽取濾波器，構(gòu)建權(quán)值共享網(wǎng)絡(luò)結(jié)構(gòu)進行復雜特征提取和數(shù)據(jù)重建，解決低數(shù)據(jù)樣本下的模型過擬合問題，提高巡檢回傳數(shù)據(jù)智能分析效率和準確率。

8.2 基于混合學習方法的電力設(shè)備及故障智能感知技術(shù)

訓練圖像識別模型，需大量的不同設(shè)備，不同背景、角度、光照、焦距、氣象條件以及不同故障類型的樣本數(shù)據(jù)，通過積累日常運維檢修中采集的數(shù)據(jù)，在進行分類設(shè)備故障樣本庫建設(shè)的同時，為了進一步提升圖像識別的準確性，提出了基于深度神經(jīng)網(wǎng)絡(luò)的圖像識別技術(shù)；同時，對多神經(jīng)網(wǎng)絡(luò)硬件的連接、傳遞和訓練機制進行深入的研究，解決多神經(jīng)網(wǎng)絡(luò)的協(xié)同交互機制，構(gòu)建集群計算機多流處理系統(tǒng)的圖像識別[5]處理中心。

電力設(shè)備多種多樣，電力故障各種各樣，電力設(shè)備所處的環(huán)境也是千差萬別，因此獲取的數(shù)據(jù)也存在非常大差異。本研究針對這種多樣性問題，提出一種多層次混合學習方法，來提升電力設(shè)備及故障基于圖像的智能感知技術(shù)。首先采用深度學習方法，在不同電站實現(xiàn)電力設(shè)備與故障的基本識別能力，對于識別特征進行初步提取與保存；然后在此基礎(chǔ)之上采用遷移學習的方法，實現(xiàn)不同站點間共享學習，提升感知能力；最后在每個站點采用增強學習方法[6]，采用偏好引導方式進一步提升電力設(shè)備及故障的感知能力。

9 結(jié)束語

本文針對電力系統(tǒng)的安全性和穩(wěn)定性需求，引入先進的人工智能技術(shù)理念，以深度學習技術(shù)為核心，充分利用高性能計算資源，研究基于小樣本學習的前置圖像感知系統(tǒng)，采用理論分析與設(shè)計實現(xiàn)相結(jié)合、離線仿真和在線測試相結(jié)合的研究方法，構(gòu)建視頻圖像智能分析技術(shù)框架，研究成果可用于電力輸電線路的巡檢、缺陷識別及作業(yè)監(jiān)控等業(yè)務(wù)場景中，解決了YOLOv3模型較大，無法直接在嵌入式端運行、電路加速引擎設(shè)計、系統(tǒng)協(xié)調(diào)執(zhí)行應(yīng)用功能等技術(shù)瓶頸，實現(xiàn)巡檢視頻圖像常見的故障缺陷和風險識別，為保障電網(wǎng)穩(wěn)定，提升電網(wǎng)安全生產(chǎn)水平提供有力的信息技術(shù)支撐。