摘 要：為提高變電站設(shè)備監(jiān)控系統(tǒng)對微小部件的監(jiān)控識別準(zhǔn)確率，以變電站設(shè)備接頭為研究對象，提出一種基于改進的掩碼區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Mask R-CNN）模型與SVM模型的監(jiān)控識別方法。以Mask R-CNN模型和SVM模型為基礎(chǔ)，通過在Mask R-CNN模型的位置預(yù)測層和像素預(yù)測層后增加一層一致預(yù)測層，并構(gòu)建改進的Mask R-CNN模型，實現(xiàn)了變電設(shè)備接頭的位置預(yù)測。采用SVM模型進行位置判定，實現(xiàn)了變電站設(shè)備接頭識別。仿真結(jié)果表明，所提方法可基于變電站可見光和紅外圖像，有效識別變電設(shè)備接頭，準(zhǔn)確率達到98.89%，相較于SSD和YOLOv3等常用目標(biāo)檢測模型，對變電站設(shè)備微小部件識別具有明顯優(yōu)勢。

關(guān)鍵詞：變電站設(shè)備；Mask R-CNN模型；SVM模型；目標(biāo)識別

中圖分類號：TP277.2；TM744 + .3 文獻標(biāo)志碼：A 文章編號：1001-5922（2024）11-0179-04

Intelligent identification of equipment connectors based onimproved Mask R-CNN and SVM

FENG Shanqiang，WANG Zhichun，XU Peixin

（China Southern Power Grid Power Technology Co.，Ltd.，Guangzhou 510080，China）

Abstract：To improve the accuracy of identifying small components of substation equipment，taking substationequipment joints as the research object，a recognition method based on an improved Mask R-CNN（Mask R-CNN）model and SVM model was proposed. Based on the Mask R-CNN model and SVM model，a consistent predictionlayer was added after the position prediction layer and pixel prediction layer of the Mask R-CNN model，and an im?proved Mask R-CNN model was constructed to realize the position prediction of substation equipment joints. TheSVM model was used to determine the position，and the joint identification of substation equipment was realized.The simulation results showed that the proposed method could effectively identify substation equipment joints basedon visible and infrared images of the substation，and had a high accuracy rate of 98.89%. Compared with commonlyused object detection models such as SSD and YOLOv3，it had significant advantages in identifying small compo?nents of substation equipment.

Key words：substation equipment；mask R-CNN model；SVM model；target recognition

變電站設(shè)備是電力系統(tǒng)的基礎(chǔ)設(shè)施，其安全穩(wěn)定性直接關(guān)系到電力系統(tǒng)的安全穩(wěn)定性。目前，針對變電站設(shè)備故障診斷的方法主要集中在大型變電站設(shè)備故障診斷方向上，如通過將紅外設(shè)備采集到的散熱器實時圖像信息融入到改進的穩(wěn)健模糊核聚類算法，實現(xiàn)了變電站設(shè)備的故障診斷 [1] ；提出一種GIS智能變電站數(shù)字孿生模型建模方法，通過利用變電站實時數(shù)據(jù)和歷史數(shù)據(jù)進行健康評估及故障診斷 [2] ；利用多層誤差逆?zhèn)鞑ィ˙P）神經(jīng)網(wǎng)絡(luò)對關(guān)鍵信息進行數(shù)據(jù)挖掘，采用數(shù)字孿生超寬帶（UWB）定位模型對變電站設(shè)備進行精準(zhǔn)定位 [3] 。因此，要實現(xiàn)變電站設(shè)備微小部件的故障診斷，其前提是實現(xiàn)精確的變電站設(shè)備微小部件位置檢測識別。本文嘗試結(jié)合快速目標(biāo)分割模型Mask R-CNN和SVM模型，提出一種基于改進的掩碼區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（MaskR-CNN）模型與SVM模型的識別方法，通過采用改進Mask R-CNN模型對變電設(shè)備接頭的位置進行預(yù)測，然后SVM模型進行變電站設(shè)備接頭位置判定，實現(xiàn)了變電站設(shè)備監(jiān)控系統(tǒng)對設(shè)備接頭識別。

1 基本算法

1. 1 變電站設(shè)備接頭位置預(yù)測算法

1. 1. 1 Mask R-CNN模型

Mask R-CNN是一種新穎的快速目標(biāo)分割預(yù)測模型，結(jié)合了Faster R-CNN目標(biāo)檢測網(wǎng)絡(luò)和MaskR-CNN分割網(wǎng)絡(luò)，可同時進行目標(biāo)檢測和像素級分割任務(wù)，具有可擴展、可移植性的特點 [4-5] 。

預(yù)測模型主要分為2個階段。其中，第1階段負責(zé)生成可能包含目標(biāo)的矩形框，包括用于提取圖像特征的卷積神經(jīng)網(wǎng)絡(luò)和區(qū)域生成網(wǎng)絡(luò)；第2階段負責(zé)確定含有目標(biāo)的矩形框位置，以及目標(biāo)類別的置信度和目標(biāo)像素，包括感興趣區(qū)域排列層、全連接層，以及類別預(yù)測層、位置預(yù)測層、像素預(yù)測層 [6] 。

1. 1. 2 Mask R-CNN模型改進

Mask R-CNN集成了目標(biāo)檢測與目標(biāo)分割功能，可同時實現(xiàn)對圖像特定目標(biāo)類別、位置和像素的準(zhǔn)確預(yù)測，本研究選用該模型對變電站設(shè)備接頭進行預(yù)測。但由于Mask R-CNN的輸出包含了大量的像素級位置信息，無法保證位置預(yù)測層輸出與像素預(yù)測層輸出結(jié)果的一致性，進而影響后續(xù)變電站設(shè)備接頭的定位識別 [7] 。因此，為解決該問題，研究通過在位置預(yù)測層和像素預(yù)測層后增加一層一致預(yù)測層，對Mask R-CNN模型的結(jié)構(gòu)進行了改進。

改進的Mask R-CNN模型結(jié)構(gòu)如圖1所示。

1. 2 變電站設(shè)備接頭位置判定算法

SVM模型是一種二元分類的線性分類器，其核心思想是將輸入信息非線性映射到高維空間，并根據(jù)結(jié)構(gòu)風(fēng)險最小化原則，利用最優(yōu)分類平面區(qū)分不同類別的樣本 [8-9] 。

2 基于改進Mask R-CNN與SVM的變電站設(shè)備接頭識別

結(jié)合上述改進的Mask R-CNN模型和SVM模型，將其應(yīng)用于變電站設(shè)備監(jiān)控系統(tǒng)中，對變電站設(shè)備接頭進行識別，具體識別流程如下：

（1）數(shù)據(jù)采集與預(yù)處理。收集整理變電站設(shè)備監(jiān)控系統(tǒng)中相關(guān)接頭圖像數(shù)據(jù)。由于目前變電站圖像包括可見光和紅外2種類型，因此本研究采集了變電站設(shè)備接頭可見光圖像和紅外圖像?？紤]到改進的Mask R-CNN模型和SVM模型需要大量的數(shù)據(jù)進行訓(xùn)練，而采集的變電站設(shè)備接頭數(shù)據(jù)量有限，因此為擴充數(shù)據(jù)集，對圖像進行了水平翻轉(zhuǎn)和加入色彩擾動等預(yù)處理，并按一定比例劃分為訓(xùn)練集和測試集；

（2）改進 Mask R-CNN 模型構(gòu)建與訓(xùn)練。設(shè)置Mask R-CNN模型的最大迭代次數(shù)、學(xué)習(xí)率等參數(shù)，并基于 tensorflow 深度學(xué)習(xí)框架構(gòu)建改進的 MaskR-CNN模型。然后將訓(xùn)練集輸入構(gòu)建的改進MaskR-CNN模型中進行訓(xùn)練，保存滿足條件的改進MaskR-CNN模型；

（3）改進MaskR-CNN模型測試。將測試集輸入上述保存的改進MaskR-CNN模型中，檢驗?zāi)Ｐ皖A(yù)測精度；

（4）SVM模型構(gòu)建與訓(xùn)練。設(shè)置SVM模型的懲罰系數(shù)、徑向基函數(shù)等參數(shù)，并基于tensorflow深度學(xué)習(xí)框架構(gòu)建SVM模型。將改進Mask R-CNN模型輸出變電站設(shè)備接頭預(yù)測位置輸入SVM模型中進行訓(xùn)練，并保存滿足條件的SVM模型；

（5）變電站設(shè)備接頭識別。將待識別的變電站設(shè)備接頭先后輸入通過測試保存的改進Mask R-CNN模型和SVM模型中，其輸出結(jié)果即為變電站設(shè)備接頭識別結(jié)果。

3 仿真實驗

3. 1 實驗環(huán)境搭建

本次實驗基于tensorflow深度學(xué)習(xí)框架搭建改進Mask R-CNN模型和SVM模型，并在Windows10操作系統(tǒng)中運行。系統(tǒng)配置 Intel （R）Xeon（R）Gold6152CPU，NVIDIA Tesla P40 GPU，256 GB內(nèi)存。

3. 2 數(shù)據(jù)來源及預(yù)處理

本次實驗數(shù)據(jù)來自自主采集的某變電站設(shè)備監(jiān)控系統(tǒng)中導(dǎo)電接頭圖像數(shù)據(jù)，包括1 000張紅外圖像和1 000張同一位置拍攝的可見光圖像。

考慮到采集圖像的時間不同，其環(huán)境亮度和曝光程度不同，導(dǎo)致圖像過曝或過暗，且存在圖片模糊的問題，會對改進Mask R-CNN模型訓(xùn)練造成干擾。因此，為避免該問題，研究對存在上述問題的圖像進行了刪除處理。另外，考慮到采集的圖像數(shù)據(jù)數(shù)量用于改進MaskR-CNN模型訓(xùn)練遠遠不夠，實驗前研究對保留的所有圖像進行了水平翻轉(zhuǎn)處理，以擴充實驗數(shù)據(jù)集。

最后，為進一步擴充實驗數(shù)據(jù)集，研究對所有圖像每個顏色通道進行了不超過1%的色彩擾動變換。

通過上述預(yù)處理，最終分別獲取了10 000張紅外圖像和10 000張可見光圖像數(shù)據(jù)用于實驗。將所獲取的紅外圖像和可見光圖像數(shù)據(jù)均按3∶1比例劃分為訓(xùn)練集和測試集，分別用于改進Mask R-CNN模型的訓(xùn)練與測試。

3. 3 評價指標(biāo)

本次實驗選用交并比平均值（MIoU）評估改進Mask R-CNN模型對變電站設(shè)備接頭位置預(yù)測的性能，選用正確率（Accuracy）評估SVM模型對變電站設(shè)備接頭的識別性能。交并比平均值的計算公式如式（3）；正確率的計算方法如式（4）

式中： TP、TN 分別表示真正例和真負例； FP、FN分別表示假正例和假負例。

3. 4 參數(shù)設(shè)置

本 次 實 驗 設(shè) 置 改 進 Mask R-CNN 模 型 的batch_size為8，訓(xùn)練輪次為20，學(xué)習(xí)率為0.000 1，目標(biāo)物體類別數(shù)為1，Anchor數(shù)為9，Anchor的長、寬、比分比為1∶1、1∶2、2∶1，Anchor的像素大小分別為64 2 、128 2 、256 2 ，proposal數(shù)為300，感興趣區(qū)域排列層采樣點數(shù)為4 [13-14] 。

設(shè)置SVM模型的懲罰系數(shù)為1，徑向基核函數(shù)參數(shù)為0.05，正負類別權(quán)重分別為0.8和0.2。

3. 5 結(jié)果與分析

3. 5. 1 變電站設(shè)備接頭位置預(yù)測驗證

（1）Mask R-CNN模型改進效果驗證。為驗證本研究對Mask R-CNN模型的改進效果，研究分析了改進前后Mask R-CNN模型在實驗數(shù)據(jù)集上的預(yù)測效果，結(jié)果如圖2所示。

由圖 2 可知，相較于改進前，改進后的 MaskR-CNN模型對變電站設(shè)備接頭可見光圖像和紅外圖像的預(yù)測交并比平均值更高，均達到92%以上，說明所提的改進Mask R-CNN模型可較為準(zhǔn)確地預(yù)測變電站設(shè)備接頭位置。

為進一步驗證所提改進Mask R-CNN模型對提高位置預(yù)測和像素預(yù)測結(jié)果的一致性作用，研究在實驗數(shù)據(jù)集上分別采用改進前后的Mask R-CNN模型進行預(yù)測，其輸出的位置預(yù)測和像素預(yù)測結(jié)果如圖3所示。

由圖3可知，改進后的Mask R-CNN模型交并比平均值優(yōu)于改進前標(biāo)準(zhǔn)Mask R-CNN模型，說明本研究對Mask R-CNN模型的改進有效，可提高變電站設(shè)備接頭位置預(yù)測和像素預(yù)測的一致性，實現(xiàn)更精確的變電站設(shè)備接頭識別。

（2）改進Mask R-CNN模型預(yù)測結(jié)果驗證。為驗證所提改進Mask R-CNN模型對變電站接頭位置預(yù)測的效果，研究將試驗數(shù)據(jù)集的同一位置的可見光圖像和紅外圖像合并為一組，共10 000組圖像，按3∶1比例劃分為訓(xùn)練集和測試集，并利用訓(xùn)練集訓(xùn)練改進Mask R-CNN模型。基于測試數(shù)據(jù)集，采用所提模型進行變電站設(shè)備接頭位置預(yù)測，并將其預(yù)測結(jié)果與常用目標(biāo)分割預(yù)測模型CART、DeepMask、AdaBoost模型的預(yù)測結(jié)果進行對比，得到如圖4所示結(jié)果。

由圖4可知，所提的改進Mask R-CNN模型對變電站設(shè)備接頭的位置預(yù)測交并比平均值最高，為93.88%，相較于對比模型均有較大程度的提升。由此說明，所提的改進Mask R-CNN模型可從變電站設(shè)備可見光和紅外圖像中，較為準(zhǔn)確的預(yù)測變電站設(shè)備接頭位置，且具有一定的優(yōu)越性，為后續(xù)SVM模型識別變電站設(shè)備接頭奠定了基礎(chǔ)。

3. 5. 2 變電站設(shè)備接頭識別效果驗證

為驗證所提基于改進Mask R-CNN與SVM模型對變電站設(shè)備接頭的識別效果，研究基于可見光圖像訓(xùn)練集、紅外圖像訓(xùn)練集、可見光+紅外圖像訓(xùn)練集進行了驗證，結(jié)果如表1所示。

由表1可知，所提的改進MaskR-CNN與SVM模型可基于變電站設(shè)備接頭可見光圖像、紅外圖像和可見光+紅外圖像，實現(xiàn)對變電站設(shè)備接頭的有效識別，且具有較高的正確率，分別為93.11%、94.56%、98.89%。

為進一步驗證所提改進Mask R-CNN與SVM模型對變電站設(shè)備接頭的定位效果，研究對比了所提模型與常用目標(biāo)檢測算法SSD [15] 和YOLOv3 [16] 模型在可見光+紅外圖像測試數(shù)據(jù)集上識別效果，結(jié)果如表2所示。

由表2可知，相較于對比模型，所提的改進MaskR-CNN與SVM模型對變電站設(shè)備接頭目標(biāo)的識別效果更好，準(zhǔn)確率最高，達到98.89%，具有較大幅度的提升。

4 結(jié)語

綜上所述，所提的基于改進Mask R-CNN模型和SVM模型的變電站設(shè)備監(jiān)控系統(tǒng)中設(shè)備接頭的識別方法，通過采用改進的Mask R-CNN模型對變電設(shè)備接頭的位置進行預(yù)測，并采用SVM模型進行位置判定，實現(xiàn)了利用變電站可見光和紅外圖像進行變電站設(shè)備接頭識別，且具有較高的準(zhǔn)確率，準(zhǔn)確率達到98.89%。相較于SSD和YOLOv3等常用目標(biāo)檢測模型，所提的改進Mask R-CNN模型和SVM模型對變電站設(shè)備微小部件識別具有明顯優(yōu)勢，為變電站設(shè)備監(jiān)控系統(tǒng)的微小部件故障診斷奠定了基礎(chǔ)。

【參考文獻】

[1] 楊照光，張忠元，溫定筠，等. 變電站設(shè)備紅外檢測圖像分割及故障診斷技術(shù)研究[J].科技通報，2019，35（3）：95-99.

[2] 吳學(xué)正，李樹榮. 基于數(shù)字孿生的GIS智能變電站健康評估及故障診斷模型[J].河北電力技術(shù)，2021，40（3）：15-18.

[3] 周展利，林丹. 基于數(shù)字孿生技術(shù)的變電站設(shè)備故障定位預(yù)警[J]. 電腦編程技巧與維護，2023（6）：173-176.

[4] 韓慧妍，吳偉州，王文俊，等. 基于改進特征融合和區(qū)域生成網(wǎng)絡(luò)的Mask R-CNN的管件分揀研究[J]. 應(yīng)用科學(xué)學(xué)報，2023，41（5）：840-854.

[5] 吳飛，金圣潔，林曉琛. 基于Mask R-CNN和關(guān)鍵點提取的抓取位姿估計方法[J]. 合肥工業(yè)大學(xué)學(xué)報（自然科學(xué)版），2023，46（9）：1178-1184.

[6] 邱增煒. 基于Mask R-CNN和支持向量機的變電設(shè)備接頭發(fā)熱自動識別[D]. 廣州：廣東工業(yè)大學(xué)，2020.

[7] 牛成英，邢曉文，閆新宇. 基于Mask R-CNN和樣方密度法的城市功能區(qū)識別[J]. 湖北民族大學(xué)學(xué)報（自然科學(xué)版），2023，41（3）：405-413.

[8] 韓松均，王志明，寇旭，等.基于SVM-RFE的動力下肢假肢運動模式識別[J].工業(yè)控制計算機，2023，36（8）：77-79.

[9] 何堅，王曉芳. 基于ARIMA和LS-SVM組合模型的短期風(fēng)速預(yù)測[J]. 機電工程技術(shù)，2023，52（8）：30-34.

[10] 胡艾苓，羅勇. 融合多特征和IGWO-SVM的肺部腫瘤診斷研究[J]. 微型電腦應(yīng)用，2023，39（8）：142-145.

[11] 劉銳，殷嘉偉，胡宗義，等. 基于徑向基核函數(shù)DAG-SVM的變壓器故障診斷[J].價值工程，2023，42（23）：44-46.

[12] 張農(nóng)，袁鈺鑫，韓昌良，等. 基于Mask R-CNN的煤礦巷道掘進迎頭裂隙檢測與定位算法[J]. 采礦與安全工程學(xué)報，2023，40（5）：925-932.

[13] 胡明輝. 基于遷移學(xué)習(xí)的無人機桿塔巡檢圖像異常識別技術(shù)及實驗對比[J]. 粘接，2023，50（6）：136-139.

[14] 李鋼卿，周慶祥，范瑞峰，等.基于NDT的射線技術(shù)對焊接內(nèi)部缺陷識別技術(shù)優(yōu)化[J].粘接，2023，50（1）：134-139.

[15] 朱郝，楊世恩，陳春梅.基于結(jié)構(gòu)重參數(shù)化技術(shù)的輕量化目標(biāo)檢測算法[J].計算機技術(shù)與發(fā)展，2023，33 （10）：169-175.

[16] 周昕，駱莉莎，張瑞軍，等. 基于SSD算法的老舊建筑墻面裂縫識別[J]. 科技創(chuàng)新與應(yīng)用，2023，13（28）：36-39.