楊明權，方 睿，黃仕鵬，何 敏，陳田濟帆

（南方電網超高壓輸電公司貴陽局，貴州貴陽 550009）

0 引言

在高壓直流輸電系統(tǒng)之內，換流站一般是為實現(xiàn)交流電與直流電之間的有效轉化，同時保證電力系統(tǒng)自身運行穩(wěn)定性，促進電能傳輸質量提升而設置的站點。高壓直流換電站能夠提供整流站及逆變站等多種功能的重要系統(tǒng)設施，屬于直流輸電的關鍵所在。換流站主要由換流閥、變壓器、交流開關模塊、無功補償設備、直接開關模塊和遠程通信系統(tǒng)等構成，其中最關鍵的是由換流變壓器與換流閥共同構成的環(huán)換流設備。

在實際運行狀態(tài)下?lián)Q流閥必然會形成較大熱量，所以應依靠閥冷系統(tǒng)、借助于水循環(huán)有效排出閥體運行過程中形成的熱量。閥冷系統(tǒng)長時間處在高負荷的運行狀態(tài)，很容易發(fā)生接頭松動、部件老化的現(xiàn)象，具有一定的漏水風險，如果發(fā)生滲漏現(xiàn)象會在很大程度上降低換流閥運行效率，嚴重時還會燒毀閥體，影響高壓直流輸電系統(tǒng)的安全運行。采取科學措施對漏水問題實施精準檢測，能夠進一步延長閥體各個部件運行壽命，降低其故障概率。本文研究是基于可見光與紅外融合技術對閥廳冷卻水泄漏的特征、閥組件工作狀態(tài)進行監(jiān)測與判別，在不影響輸變電設備正常運行情況下，實現(xiàn)遠距離、非接觸方式監(jiān)測。

1 運用紅外熱像儀的優(yōu)勢

首先，閥門泄漏問題通常難以被實時監(jiān)測且存在較大的危害性。借助于紅外熱像儀技術能夠更加準確快速地掌握閥門出現(xiàn)泄漏的位置，降低維護保養(yǎng)工作成本。

其次，如果閥門調節(jié)屬于腐蝕性抑或是危險性較高的介質，檢修人員直接檢測可能會增加事故發(fā)生概率，所以依靠紅外熱像儀技術可以非常便捷地對可能出現(xiàn)泄漏的區(qū)域實施檢測，確保其安全性。

再次，配備可見光的紅外熱像儀可以拍攝更加清晰的現(xiàn)場照片，利用圖像融合技術幫助工作人員更加準確地進行故障定位。

最后，紅外熱像儀相關軟件系統(tǒng)能夠存儲收集到的數(shù)據信息并自動生成專業(yè)報告，有效促進日常監(jiān)測工作安全性與便捷性的提升[1]。

2 冷卻水泄漏紅外熱像儀檢測原理

紅外線是一種電磁波（肉眼不可），存在波動性和粒子性等性質，波長0.75～1000 m。自然界中的所有物體，其自身溫度超過絕對零度（-273.16 ℃）之后必然出現(xiàn)電磁波，在其表面產生溫度特征信息。由于物體組成材料、自身溫度及表面光度存在差異，其紅外輻射的實際強度也必然會有所不同。借助于紅外熱像儀能夠探測此類物體表面輻射中的紅外線[2]。它可以幫助工作人員更加直觀形象地掌握物體表面輻射分布狀態(tài)，即溫度場。本文基于水與地面的紅外輻射強度不同，從而在紅外熱成像上能檢測到地面的水跡，通過將紅外16 位灰度數(shù)據變?yōu)? 位灰度數(shù)據的結果（圖1）。

圖1 冷卻水泄漏紅外熱成像

3 采用FASTER R-CNN 深度神經網絡檢測地面水跡

3.1 基本框架

Faster R-CNN 的整體結構包括如下4 層：

首先，Conv layers 屬于針對cnn 網絡目標進行有效檢測的手段，faster_rcnn 最開始選擇基礎conv+relu+pooling 層獲得image 的feture map。將獲取到的feature map 進行共享，能夠在RPN 層以及全連接層發(fā)揮重要作用。

其次，Region Proposal Networks.RPN 網絡能夠直接生成region proposcals。這一基礎層依靠softmax 可準確評估anchors為foreground 以及background 的類型，隨后通過box regression對anchors 進行調整，最終得到更加準確的propocals。

再次，Roi Pooling 層中將feature map 與proposcal 進行采集，根據所得到的信息對proposal feature map 進行收集，最終將其傳輸?shù)饺B接層可準確得出其類別。

最后，Classification 依靠proposal feature map 評估proposcal 具體類別，隨后依靠bounding box regression 計算得出檢驗框實際位置。

3.2 Con layer

在input-data 層時，把原圖都reshape 成M×N 大小的圖片。

conv layer 內涉及到conv、relu、pooling 三個不同類型的層，對于VGG16 來說其包含了13 個conv 層、13 個relu 層、4 個pooling 層。對于conv layer 而言：

第一，所有conv 層屬于：kernel_size=3，pad=1

第二，所有pooling 層屬于：kernel_size=2，stride=2

Con layer 內包含pooling 層kernel_size=2，stride=2，這樣可以讓通過pooling 層內的M×N 矩陣，集體變更為（M/2）×（N/2）大小。由此可知對于Conv layers，conv 及relu 層不會對輸入輸出大小產生變化，唯有pooling 層會導致輸出長寬變更為輸入時的1/2。

如此，M×N 的矩陣依靠Conv layers 能夠最終變成（M/16）×（N/16），Conv layers 內的featuure map 能夠與原圖準確匹配。

3.3 RPN（Region Propocal Networks，卷積神經網絡）

過去的檢測手段在生成檢測框的過程中會消耗較多時間成本，如OpenCV adaboost 通過“滑動窗口+圖像金字塔”生成檢測框或利用RCNN 選擇SS（Selective Search）途徑獲取。這樣借助于Faster RCNN 在很大程度上創(chuàng)新了一直所采用的滑動窗口和SS，能夠依靠RPN 更加快速準確獲取檢測框，屬于Faster RCNN 的獨有特點與突出優(yōu)勢，能夠在很大程度上保障檢測框獲取效率[3]。

RPN 通常涉及到2 條線，上方通過softmax 分類anchors 產生foreground 和background（檢測對象是foreground），下方通常會計算anchors 的bounding box regression 偏移量，進而確保proposal 值的準確性有效提升。而Proposal 層可以將foreground anchors 和bounding box regression 的實際偏移量進行有機融合，產生proposals，在這一過程中能夠直接去掉過小及大于邊界的proposals。當網絡處于Proposal Layer 的狀態(tài)下，已經實現(xiàn)了對目標的準確定位。

3.4 RI pooling

RoI Pooling 層主要對proposal 進行采集，同時能夠得到proposal feature maps，將其傳輸?shù)胶罄m(xù)網絡。在實踐中可以了解到Rol pooling 層擁有如下2 個輸入：

RoI Pooling layer forward 基本流程：知道它對應M×N 尺度，所以需要借助spatial_scale 參數(shù)，直接映射到（M/16）×（N/16）大小的feature maps 尺度；隨后將全部proposal 水平以及豎直合理分成pooled_w 和pooled_h 份，并將所有份進行max pooling 處理。這樣全部大小具有差異的proposal 輸出結果皆為大小，進而達到fixed-length output（固定長度輸出）。

3.5 Classification

Classification 利用獲取到的proposal feature maps，借助于full connect 層以及softmax 能夠準確判定不同proposal 的具體類型（如人、車、電視等），輸出cls_prob 概率向量；隨后借助于bounding box regression 得到全部proposal 的實際位置偏移量bbox_pred，將這一結果應用到更為準確的目標檢測框。

基于PoI Pooling 計算得到7×7=49 大小的proposal feature maps 時，將結果傳輸于后續(xù)網絡，在這一過程中存在以下兩個操作：依靠全連接以及softmax 對proposals 實施分類，從本質上來說這一操作屬于識別；隨后選擇proposals 實施bounding box regression，得到準確度更高的rect box。計算公式為：

公式中的W、bias B 是提前進行訓練，可以說其大小已經固定，在這一過程中輸入x 和輸出y 仍然保持固定大小。因此，該結果證明了Roi Pooling 的重要性。

4 識別結果

基于上述實驗數(shù)據能夠了解，運用紅外熱像儀對閥廳冷卻水泄漏與閥組件狀態(tài)監(jiān)測過程中能夠發(fā)揮非常好的作用。從圖2 能直觀地看到識別結果，檢測效果提升顯著，這說明紅外熱像儀可以在很大程度上促進全過程管理效率的提升，確保狀態(tài)監(jiān)測準確性[4]。

圖2 實際監(jiān)測畫面