摘 要：本文針對(duì)變電站巡檢中存在的誤差和安全隱患問(wèn)題，提出了一種基于改進(jìn)SSD模型的變電站巡檢目標(biāo)識(shí)別方法。該方法通過(guò)采用多尺度特征融合、過(guò)采樣技術(shù)、特征層上采樣以及特征金字塔結(jié)構(gòu)的優(yōu)化，提高了在復(fù)雜變電站環(huán)境下目標(biāo)識(shí)別的精度和效率。試驗(yàn)結(jié)果表明，該模型能夠高效準(zhǔn)確地識(shí)別變電站內(nèi)的多種設(shè)備及其狀態(tài)，整體查準(zhǔn)率為96.75%。本研究為變電站的智能化巡檢提供了有效的技術(shù)支持，有助于提升電網(wǎng)的運(yùn)維水平。

關(guān)鍵詞：變電站巡檢；目標(biāo)識(shí)別；圖像識(shí)別；SSD

中圖分類號(hào)：TP 183" " 文獻(xiàn)標(biāo)志碼：A

變電站作為電力設(shè)施的關(guān)鍵樞紐，承擔(dān)著發(fā)電和輸電的重要任務(wù)，其穩(wěn)定運(yùn)行直接關(guān)系到電網(wǎng)的安全與效率。隨著社會(huì)的不斷發(fā)展，輸電負(fù)荷持續(xù)增加，變電站設(shè)備的巡檢工作顯得尤為重要。智能巡檢機(jī)器人以其高效、精準(zhǔn)和無(wú)間斷的特點(diǎn)，在變電站巡檢中展現(xiàn)出巨大潛力，能夠利用高清攝像頭等傳感器實(shí)時(shí)采集變電站內(nèi)部的圖像信息。目前，利用機(jī)器人進(jìn)行巡檢已成為變電站的日常巡檢模式[1]。

由于一般的機(jī)器人巡檢僅處于半智能化階段，在巡檢過(guò)程中雖然能夠拍攝高清設(shè)備圖像，但是需要人工對(duì)傳回的圖片進(jìn)行分析，這種半智能方式存在人為因素導(dǎo)致的誤差和安全隱患。因此，引入智能化、自動(dòng)化的巡檢技術(shù)成為提升變電站運(yùn)維水平的重要途徑。

隨著深度學(xué)習(xí)在圖像識(shí)別、處理領(lǐng)域的不斷普及，一些基于圖像識(shí)別的深度學(xué)習(xí)模型，例如YOLO算法[2]、SSD算法[3]等，已應(yīng)用于變電站智能化巡檢工作中。這些算法能夠識(shí)別變電站設(shè)備的表面狀態(tài)，但通常僅適用于單個(gè)設(shè)備的識(shí)別，在復(fù)雜的多設(shè)備狀態(tài)識(shí)別方面存在一定局限性。因此，本文提出了基于改進(jìn)SSD模型的變電站巡檢目標(biāo)識(shí)別模型，該模型能夠高效準(zhǔn)確地識(shí)別復(fù)雜的變電站環(huán)境。

1 變電站圖像識(shí)別需求

變電站內(nèi)設(shè)備眾多，例如高壓開(kāi)關(guān)、隔離開(kāi)關(guān)和計(jì)量器等，這些設(shè)備在機(jī)器人拍攝的圖像中呈現(xiàn)復(fù)雜交叉的狀態(tài)，因此，在進(jìn)行站內(nèi)設(shè)備識(shí)別過(guò)程中需要對(duì)設(shè)備進(jìn)行精準(zhǔn)定位和分類，以保證能夠準(zhǔn)確區(qū)分并識(shí)別每一種設(shè)備。

此外，變電站內(nèi)設(shè)備的儀表盤也是圖像識(shí)別的重要對(duì)象，其種類繁多、顯示內(nèi)容復(fù)雜，圖像識(shí)別難度較大。因此，設(shè)備中儀表盤、指示燈的識(shí)別是本文圖像識(shí)別的重要內(nèi)容，包括數(shù)字識(shí)別、指針識(shí)別和故障指示燈等，以期能夠準(zhǔn)確讀取儀表盤上的各種信息，為變電站的巡檢工作提供有力支持。變電站設(shè)備圖像識(shí)別需求與難點(diǎn)見(jiàn)表1。

2 基于改進(jìn)SSD模型的變電站設(shè)備目標(biāo)檢測(cè)網(wǎng)絡(luò)

2.1 SSD模型

SSD（Single Shot Detection，SSD）網(wǎng)絡(luò)是一種高效的目標(biāo)檢測(cè)算法，主要由基礎(chǔ)卷積層、輔助卷積層以及預(yù)測(cè)層構(gòu)成，如圖1所示。

SSD網(wǎng)絡(luò)的基礎(chǔ)卷積部分采用了經(jīng)典的VGG-16模型作為其基本特征提取器。VGG-16是一種深度卷積神經(jīng)網(wǎng)絡(luò)，具有出色的特征提取能力。在SSD網(wǎng)絡(luò)中，VGG-16的前5個(gè)卷積塊（Conv-1～Conv-5）負(fù)責(zé)進(jìn)行初步的特征提取。為了進(jìn)一步增強(qiáng)特征提取的層次感和細(xì)節(jié)捕捉能力，SSD對(duì)VGG-16進(jìn)行了改進(jìn)，將原本的全連接層FC6和FC7替換為卷積層Conv-6和Conv-7，并在此基礎(chǔ)上額外增加了Conv-8、

Conv-9、Conv-10和Conv-11卷積層。這些改進(jìn)使網(wǎng)絡(luò)能夠提取到更豐富、更多層次的特征信息，從而更好地適應(yīng)不同尺寸和形狀的目標(biāo)檢測(cè)任務(wù)。

2.2 多尺度特征融合與過(guò)采樣

在變電站巡檢中，由于巡檢機(jī)器人拍攝的設(shè)備照片（例如高壓開(kāi)關(guān)、隔離開(kāi)關(guān)和計(jì)量器等）的拍攝角度、距離不同，因此具有不同尺度。為了提升識(shí)別精度，本文采用多尺度特征融合技術(shù)。SSD模型能夠融合不同卷積層（例如Conv-6～Conv-11）提取的多尺度特征，對(duì)不同尺寸設(shè)備進(jìn)行有效檢測(cè)。在8×8和4×4這2種不同尺寸的特征圖中，默認(rèn)框的分布和特性如圖2所示。例如，當(dāng)檢測(cè)高壓開(kāi)關(guān)的開(kāi)關(guān)狀態(tài)時(shí)，淺層特征保留了更多的邊緣信息，有助于定位開(kāi)關(guān)的具體位置。深層特征提供了更豐富的語(yǔ)義信息，幫助判斷開(kāi)關(guān)狀態(tài)。采用多尺度特征融合，模型能夠綜合這些信息，準(zhǔn)確識(shí)別高壓開(kāi)關(guān)的開(kāi)關(guān)狀態(tài)。

針對(duì)變電站巡檢數(shù)據(jù)集中某些設(shè)備或故障樣本較少的問(wèn)題，本文應(yīng)用過(guò)采樣技術(shù)。例如，當(dāng)識(shí)別變電站內(nèi)某型號(hào)隔離開(kāi)關(guān)時(shí)（如圖2（b）所示），如果類別的樣本數(shù)量較少，會(huì)采用重復(fù)或者數(shù)據(jù)增強(qiáng)技術(shù)生成新的樣本，以增加其數(shù)量，從而平衡正、負(fù)樣本比例，提高模型對(duì)該類設(shè)備的識(shí)別能力，減少由樣本不均衡導(dǎo)致的誤判。

2.3 特征層的上采樣

在變電站設(shè)備圖像中，細(xì)節(jié)信息對(duì)準(zhǔn)確識(shí)別設(shè)備狀態(tài)至關(guān)重要。因此，本文采用特征層的上采樣技術(shù)來(lái)增大特征層的尺寸，以便更好地捕捉設(shè)備的細(xì)微特征。以識(shí)別計(jì)量器上的數(shù)字為例，由于拍攝距離較遠(yuǎn)，因此計(jì)量器的數(shù)字可能會(huì)模糊。采用上采樣技術(shù)將特征層的尺寸放大，使數(shù)字區(qū)域的特征信息更突出，從而提高數(shù)字識(shí)別的準(zhǔn)確性。最近鄰插值法是上采樣方法之一，具有簡(jiǎn)單、高效的特點(diǎn)，在變電站巡檢任務(wù)中的應(yīng)用效果較好。

在設(shè)備圖像自動(dòng)分割中，特征層的上采樣在SSD網(wǎng)絡(luò)中具有重要作用。采用最近鄰插值法進(jìn)行上采樣操作是一種有效方法，因此本文選用最近鄰插值法進(jìn)行上采樣（upsampling）操作，以增大特征層的尺寸。最近鄰插值法是從原圖像矩陣中找到與目標(biāo)圖像的像素點(diǎn)距離最近的點(diǎn)，再將最近點(diǎn)的灰度值賦給目標(biāo)圖像的該像素點(diǎn)。根據(jù)當(dāng)前像素位置推斷出原圖像，假設(shè)設(shè)備圖像中第i個(gè)特征點(diǎn)的坐標(biāo)（xi，yi）、（xi'，yi'）為對(duì)應(yīng)設(shè)備圖像中的坐標(biāo)，W、H分別為原圖像的寬、高，W'、H'為新圖像的寬、高，兩者間的轉(zhuǎn)換關(guān)系如公式（1）所示。

（1）

公式（1）描述了原圖像與新圖像像素點(diǎn)間的映射。在設(shè)計(jì)過(guò)程中，系統(tǒng)先根據(jù)任務(wù)需求確定上采樣比例，然后遍歷新圖像的每個(gè)像素點(diǎn)，利用公式（1）計(jì)算出原圖像中對(duì)應(yīng)的坐標(biāo)位置并取整，從原圖像中找到最近鄰的像素值，并對(duì)其賦值。該過(guò)程采用最近鄰插值法，即選擇距離目標(biāo)位置最近的像素值，以填充新圖像，使上采樣后的圖像能夠保持原圖像的信息完整性，同時(shí)增大了特征層尺寸，使模型能夠更有效地捕捉變電站設(shè)備的細(xì)微特征，例如計(jì)量器上的數(shù)字、指針位置等。

2.4 特征金字塔結(jié)構(gòu)的改進(jìn)

優(yōu)化SSD網(wǎng)絡(luò)特征金字塔結(jié)構(gòu)可以有效融合高、低層特征，提高對(duì)深度特征信息的提取能力，避免信息丟失和圖像失真，有助于精準(zhǔn)定位和檢測(cè)目標(biāo)。此外，SSD網(wǎng)絡(luò)的卷積核結(jié)構(gòu)還與金字塔式設(shè)計(jì)相結(jié)合，采用正則化處理，并引入注意力機(jī)制模塊，能夠提升網(wǎng)絡(luò)訓(xùn)練的性能和數(shù)據(jù)處理效率，從而提高圖像分割的精度和準(zhǔn)確性。

為了調(diào)整網(wǎng)絡(luò)通道數(shù)量，并進(jìn)一步優(yōu)化特征表示，本文引入了1*1卷積操作，以便在不改變特征圖空間尺寸的情況下，減少或增加通道數(shù)，從而調(diào)整網(wǎng)絡(luò)的信息流?；诶奂拥姆绞?，選擇最佳通道數(shù)量，以充分表達(dá)特征信息，避免冗余特征對(duì)模型性能的影響。此外，為了消除特征融合過(guò)程中可能出現(xiàn)的混疊效應(yīng)，本文還采用了2*2卷積操作。該操作能夠在一定程度上平滑特征圖，減少特征融合引入的噪聲，進(jìn)一步提高模型的穩(wěn)定性和魯棒性。

在具體實(shí)施中，假設(shè)原設(shè)備圖像特征為m維，大小為k，每個(gè)網(wǎng)格將生成k個(gè)先驗(yàn)框。在優(yōu)化特征金字塔結(jié)構(gòu)后，模型能夠生成這些先驗(yàn)框，并保證每個(gè)先驗(yàn)框?qū)?yīng)特征圖的縮放比例S合理且一致。這種精細(xì)化的調(diào)整不僅提升了模型的定位精度，而且進(jìn)一步增強(qiáng)了其在復(fù)雜設(shè)備圖像中識(shí)別目標(biāo)的能力。具體計(jì)算過(guò)程如公式（2）所示。

（2）

式中：Smax、Smin分別為高特征的最大值、低特征的最小值。

利用公式（2）可以調(diào)整特征金字塔中每一層特征圖的縮放比例，保證不同尺度特征能夠有效融合。根據(jù)設(shè)備的復(fù)雜度和數(shù)據(jù)集規(guī)模，設(shè)置合理的縮放比例因子，例如1、2和3等。根據(jù)公式（2）計(jì)算特征金字塔中每一層特征圖的縮放比例，使其與上一層特征圖尺寸一致，或者按照設(shè)定的比例變化，以保證高、低層特征在融合過(guò)程中保持信息的連貫性和一致性，進(jìn)而提高模型在復(fù)雜變電站環(huán)境下對(duì)不同大小目標(biāo)的檢測(cè)能力。

3 模型訓(xùn)練與試驗(yàn)

3.1 試驗(yàn)環(huán)境

軟件環(huán)境基于Python 3.5和Tensorflow 1.13.1[4]框架搭建，在配置為i5 9400 CPU、GTX1660顯卡以及16 G內(nèi)存的Ubuntu系統(tǒng)中進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練，同時(shí)利用cuda等顯卡加速驅(qū)動(dòng)以提升訓(xùn)練效率。

3.2 模型訓(xùn)練

本文試驗(yàn)數(shù)據(jù)集來(lái)源于靖遠(yuǎn)風(fēng)場(chǎng)330 kV滄海變電站的現(xiàn)場(chǎng)巡檢，共采集了63種變電站設(shè)備的12 960張高清圖片，由專業(yè)巡檢人員標(biāo)注了設(shè)備狀態(tài)、表針指示和表盤數(shù)等信息。數(shù)據(jù)集分為訓(xùn)練集（70%）、測(cè)試集（20%）和驗(yàn)證集（10%），分別為9 072張、2 592張和1 296張圖片。

本試驗(yàn)將數(shù)據(jù)樣本的輸入、輸出大小調(diào)整為128×128。在生成網(wǎng)絡(luò)和鑒別網(wǎng)絡(luò)中，均選用ReLU作為激活函數(shù)，卷積和反卷積的操作均采用5*5的卷積核。為了保證網(wǎng)絡(luò)性能，每次卷積或反卷積操作后都進(jìn)行批歸一化處理。將生成器和鑒別器的網(wǎng)絡(luò)學(xué)習(xí)率設(shè)置為0.000 2，同時(shí)將Adam作為優(yōu)化方式，其中優(yōu)化器的參數(shù)betal設(shè)為0.5，迭代次數(shù)epoch設(shè)為500次。

3.3 試驗(yàn)結(jié)果分析

本試驗(yàn)旨在識(shí)別不同類型的設(shè)備識(shí)別目標(biāo)，并根據(jù)查準(zhǔn)率來(lái)評(píng)估模型的性能。查準(zhǔn)率是指模型在測(cè)試集上分類正確的圖像數(shù)量與總圖像數(shù)量之比，其是衡量模型效果的一個(gè)重要指標(biāo)。在測(cè)試過(guò)程中，本文計(jì)算分類正確樣本數(shù)與總樣本數(shù)的比例，從而得到查準(zhǔn)率，并根據(jù)查準(zhǔn)率來(lái)評(píng)價(jià)模型性能。查準(zhǔn)率見(jiàn)表2。

試驗(yàn)結(jié)果顯示出改進(jìn)SSD模型的優(yōu)異性能。模型能夠準(zhǔn)確識(shí)別不同類型的設(shè)備及其狀態(tài)，例如數(shù)字表盤、指針、表面溫度以及設(shè)備表面污濁等，整體查準(zhǔn)率為96.75%。結(jié)果表明，模型在復(fù)雜變電站環(huán)境中具有高效的識(shí)別和泛化能力，能夠?yàn)樽冸娬狙矙z提供有力支持。

4 結(jié)語(yǔ)

隨著經(jīng)濟(jì)社會(huì)發(fā)展和電網(wǎng)負(fù)荷持續(xù)增長(zhǎng)，變電站設(shè)備的巡檢工作日益重要、復(fù)雜。傳統(tǒng)人工巡檢模式完全取決于巡檢員的經(jīng)驗(yàn)，并且存在誤差與安全隱患，雖然智能巡檢機(jī)器人應(yīng)用提升了巡檢效率，但是仍然需要人工輔助分析，難以達(dá)到智能化水平。因此本文提出了基于改進(jìn)SSD模型的變電站巡檢目標(biāo)識(shí)別方法，即對(duì)SSD模型進(jìn)行多尺度特征融合、過(guò)采樣、特征層上采樣以及特征金字塔結(jié)構(gòu)優(yōu)化，使該模型在復(fù)雜變電站環(huán)境中具有卓越性能。試驗(yàn)結(jié)果表明，該模型能夠高效、準(zhǔn)確地識(shí)別變電站內(nèi)的各種設(shè)備及其狀態(tài)，整體查準(zhǔn)率為96.75%，顯著提高了目標(biāo)識(shí)別的精度和效率。

本文研究為變電站智能化巡檢提供了有效的技術(shù)方案，為深度學(xué)習(xí)在復(fù)雜場(chǎng)景下的應(yīng)用提供了新的思路，期望能夠推動(dòng)變電站巡檢技術(shù)的智能化進(jìn)程，為電力行業(yè)的安全、高效運(yùn)行貢獻(xiàn)更大的力量。

參考文獻(xiàn)

[1]高曉麗，楊瑤玉，丁子郡，等.基于數(shù)據(jù)中臺(tái)的變電站智能巡檢系統(tǒng)分析[J].集成電路應(yīng)用，2024，41（5）：306-307.

[2]保佑智，楊濤.基于改進(jìn)SSD模型的變電站設(shè)備識(shí)別技術(shù)[J].電氣開(kāi)關(guān)，2023，61（6）：32-35.

[3]華澤璽，施會(huì)斌，羅彥，等.基于輕量級(jí)YOLO-v4模型的變電站數(shù)字儀表檢測(cè)識(shí)別[J].西南交通大學(xué)學(xué)報(bào)，2024，59（1）：70-80.

[4]潘文嬋，黃海平.基于人工智能TensorFlow平臺(tái)的建設(shè)與研究[J].實(shí)驗(yàn)室科學(xué)，2023，26（4）：44-47.