基于Faster R-CNN算法的變電站設備識別與缺陷檢測技術研究

于虹,龔澤威一,張海濤,周帥,于智龍

(1.云南電網有限責任公司電力科學研究院,昆明 650214; 2.云南電網有限責任公司臨滄供電局,云南 臨滄 677000; 3.哈爾濱理工大學 自動化學院,哈爾濱 150080)

0 引 言

變電站是電網中負責電壓轉換和電能分配的重要節點。其安全性和可靠性直接關系到電力系統的安全性和穩定性[1-3]。我國《國家電網公司人工智能技術應用2022年工作計劃》中明確指示,建設和運營兩級人工智能“兩庫一平臺”,形成一批高精度、高價值的電力專用模型。變電站作為電力系統中重要且不可或缺的一部分,是構建強大智能電網的基礎。由于可再生能源的不確定性以及人們對網絡安全和隱私問題的擔憂,變電站的運營迎來了新的挑戰,因而科學進行變電站運營和維護的重要性不言而喻。

據2022電網設備故障統計報告,約有50%以上的電力設備故障在早期出現溫度異常,因此,準確、及時地檢測變電站的設備缺陷對電力系統的安全穩定運行具有重要意義。目前在變電站缺陷檢測方面已經研究出了一些成果和方法,包括定向梯度直方圖(HOG)與向量機(SVM)結合法[4]、超高頻局部放電檢測法[5]、時頻脈沖轉換算法[6]。但是在設備運行過程中,這些方法并非很適用,定向梯度直方圖(HOG)與向量機(SVM)結合法對變電站設備信息提取不足,精度達不到識別要求,超高頻局部放電檢測方法的復雜性使得定位缺陷區域變得困難,并不適合多種設備且存在誤報的情況,時頻脈沖轉換算法只適用于潮濕引起的設備缺陷,并不能檢測多種缺陷。而利用紅外檢測法對變電站設備進行檢測,具有不需停止運行,可避免直接接觸高壓設備,對溫度比較敏感、技術相對成熟等優勢[7-9]。因此,紅外線檢測法可以用來檢測設備因工作異常而造成的溫度變化,對設備故障及時進行預警,被廣泛用于電力設備熱故障診斷領域。目前,大部分變電站利用變電站巡檢機器人對設備進行紅外探測、建立無人機巡檢平臺,對變電站設備進行智能巡檢,大大降低了維護人員采集設備紅外圖像的工作量[10-11]。然而,目前大批量的圖像或視頻監測仍然需要人工檢測,這既耗時又低效,也難以滿足有大批量的紅外線圖像檢測需求的工業場景。因此,進行紅外缺陷識別的算法智能化研究就顯得尤為重要。

由于背景冗余,目標密集,直接應用現有的智能缺陷檢測方法得到的精度不能滿足工業需要。因此,需要首先提取復雜紅外圖像中的目標設備。早期的研究人員使用傳統的數字圖像處理技術研究了這些方法,包括基于閾值、基于區域和基于邊緣的方法?；陂撝档姆椒ㄍㄟ^選擇合適的閾值[12]將前景與圖像背景分開,該閾值分割方法簡單且高效,但易受噪聲干擾,導致魯棒性較差?；趨^域分割的方法是一種分水嶺算法[13],它使用圖像梯度的局部最小值來形成特定區域來分割不同的圖像部分,并且采用對故障像素聚類的方法,完成了特征提取。然而,它對物體表面的顏色變化很敏感,會導致分割不均等問題?；谶吘壍姆椒ㄍㄟ^邊緣檢測運算符(如Sobel算子[14])從圖像中提取邊緣特征,以實現圖像的分割。但是,它不能保證存在封閉的、連續的邊緣區域,并且缺乏對噪聲干擾的魯棒性,工程實用性依然需要提升。近年來成像技術的快速發展,為從變電站設備紅外圖像中提取方法帶來了新的思路。目標分割作為計算機視覺領域的經典任務,它可以在圖像中出色地進行對象提取。該任務不僅可以定位和分類所有實例,還可以從圖像中分割每個實例。許多工程場合都應用了實例分割方法,包括電氣設備檢測、絕緣設備檢測等。但是大部分算法都是針對單獨設備特征或分類模型來分析圖像,確定并識別缺陷,采用的算法大部分都是基于機器的學習算法,精確度較低,只適合單個設備類別的缺陷檢測,并且模型復雜,易受環境影響,所以并不適合直接應用到電力工程中。隨著計算機視覺技術的發展,以深度學習為主的圖像識別算法在工程中得到廣泛應用,主要是依靠拍攝的圖像或錄像進行實時目標檢測[15-18],但在紅外圖像識別和檢測方面應用較少,開展基于紅外圖像的變電站設備故障識別算法迫在眉睫[19-21]。

目前基于無人機的輸電線路缺陷檢測雖有了一定的進展,但算法應用主要以可視化缺陷層面為主。算法可分為雙階段算法和單階段算法,前者以R-CNN[22]、Fast R-CNN[23]、Faster R-CNN[24]為主。后者則包括YOLO、SSD等算法。算法的不斷改進和自然語言處理(NLP)技術的發展,使得越來越多的專家學者將目標檢測算法應用于電力設備安全評估領域[25]。文獻[26]根據功率器件缺陷文本的特點,建立了基于語義框架的電網缺陷文本挖掘模型,該模型的準確率明顯高于傳統機器學習方法。而文獻[27]中考慮到電力設備文本數據難以完全挖掘和使用,提出了一種基于修正語義框架的文本挖掘模型,將缺陷文本劃分為固定模式,提取文本特征,驗證了缺陷文本挖掘結果的統計可靠性。但是實際上所提出的模型在文本語義信息的提取方面存在一些不足,并且容易受影響造成語義丟失,魯棒性較差。因此,在語義提取和分類過程中,充分保留文本的語義信息是提升缺陷檢測的關鍵。文獻[28]提出了一種改進的單階段算法網絡用于輸電線路中的連接器缺陷檢測。首先,對目標框采用k均值聚類算法對數據集進行聚類,提高缺陷目標的檢測精度;然后,使用單尺度特征映射進行檢測,通過提升采樣的次數,提升對特征圖的特征獲取以及特征復用,簡化了模型,減少了計算量,提升了檢測精度。文獻[29]中提出改進的相位編組算法用于輸電線路的異常檢測,這種方法只適用于可以外觀可視化的圖像缺陷,但是在變電設備中并不是所有的缺陷都可以直接觀察。在文獻[30]中,針對基于深度學習的目標檢測技術無法在移動端嵌入式設備上部署這一問題,提出一種基于YOLOv3改進的輸電線路部件實時檢測算法,建立一種新型輕量級特征融合檢測模型LFF-DM(lightweight feature fusion detection model),并且通過改進式的K-means算法等檢測的目標框進行聚類,為算法部署到工業端提供了良好的思路。文獻[31]針對輸電線路無人機實時巡檢過程中,通用目標檢測算法在移動端運行速度過慢或無法運行的問題,提出一種將多尺度特征融合方法與輸電線路關鍵部件的檢測相結合的算法。該算法結合關鍵部件的特征,使用深度可分離卷積設計了特征提取網絡,提高了算法在具有邊緣計算能力的移動端ARM設備上的運行速度,這種部署到移動端的方法值得借鑒,但是多尺度融合并不適合紅外線圖像,所以針對于缺陷檢測方法仍需要改進。

首先,利用Faster R-CNN算法[32],對6種類型的變電站設備進行目標檢測,包括套管、絕緣子、電線、電壓互感器、避雷針和斷路器,以實現設備的精確定位。然后,對于檢測到的變電站設備的圖像區域,采用基于稀疏表示分類算法(SRC)進行精細分類[33]。并且使用訓練樣本來確定其所屬的特定變電站設備標簽。最后,利用溫度閾值計算紅外圖像中的最高溫度,識別設備區域中的缺陷,以確定設備是否存在缺陷以及相關的嚴重程度。與傳統的變電站設備圖像缺陷檢測算法相比,文中進一步引入SRC分類算法來實現對輸入變電站設備類別的準確性進行確認。這樣的操作對后續缺陷和故障檢測的分析具有重要的意義。文中使用實際測量中采集的紅外圖像對該方法進行了測試,驗證了該方法的可行性和準確性。

1 基于Faster R-CNN的設備檢測

文中基于Faster R-CNN算法建立變電站設備識別模型,模型整體框架結構如圖1所示。先對目前收集的設備紅外線檢測圖像進行訓練,生成設備識別模型。然后將需要檢測的設備紅外線圖像導入模型進行檢測。檢測網絡主要由兩部分組成,一是以提取不同尺度特征為主要作用的RPN網絡(區域建議網絡),二是負責對不同尺度的圖片進行邊框回歸和分類回歸的R-CNN網絡(區域卷積神經網絡)。

圖1 Faster R-CNN目標檢測結構圖

當紅外線圖像導入時,首先經過預訓練過的卷積特征提取層來提取紅外線圖像的特征,然后將提取的特征進行輸出,再則通過RPN(region proposal network)網絡,該部分網絡完成對可能包含檢測目標的區域的篩選,并且將可能包含目標檢測的區域使用目標框標記。之后結合第一部分對紅外線圖像提取的特征圖,使用Rol(region of interest)將對應物體找出來,并把它們的特征提取到新的張量里面進行分類。最后通過R-CNN模塊,根據紅外線設備特征對物體進行具體分類,同時對目標框作出更好的調整與回歸,讓目標框更為準確。

2 設備識別和缺陷診斷

2.1 SRC算法

SRC分類方法(sparse representation based classification method)的原理是,利用訓練集中圖像的稀疏線性表示測試集,加上稀疏誤差項對于圖像線性表示的誤差進行補償,從而在此基礎上進行對應類別的判斷。然而,需要構造一個訓練樣本的全局字典。假設字典包含M類目標,全局的內容字典表示為A=[A1,A2,…,AM]∈Rd×N,其中表示樣本的公式Ai∈Rd×Ni(i=1,2,…,M)分別表示為第i類訓練樣本。對于具有未知目標標簽的測試樣本y,稀疏表示過程為:

(1)

(2)

(3)

可以看出,SRC中的關鍵問題是稀疏系數的求解。通過準確可靠的解決方案,可以準確地獲得樣本的目標標簽。但是關鍵問題在于,當實際環境中來了一張設備缺陷紅外線圖像后,去求解此幅圖像在數據庫所有圖像上的稀疏表示,此算法一般比較耗時。對于實時應用問題,依然無法滿足要求。所以,問題之關鍵還是歸結于范數最小化問題上。雖然式(1)中的0-范數最小化問題很難直接求解。但研究人員發現,1-范數最小化優化和0-范數最小優化在某些條件下是等價的。因此式(1)可以轉化為:

(4)

(5)

式中ε是允許的重建誤差。

基于Faster R-CNN對變電站設備的檢測結果,文中使用SRC對檢測結果的每個區域進行精確識別。利用已知目標標簽作為訓練樣本構建全局字典。根據上述稀疏表示和重建過程計算任何類別中輸入樣本的重建誤差。根據創建的誤差,精確確定變電站設備標簽。

2.2 缺陷診斷

變電站設備運行出現異常在溫度上會有所體現,大部分設備出現缺陷時會出現溫度升高,這也是文中進行缺陷識別的依據。設備在運行過程會出現硬件不良類問題,包括設備零件松動,電線接觸不良;接觸面類問題,包括接觸面潮濕、腐蝕或者氧化以及設施問題,包括電氣接觸部件故障,絕緣子破損等。這些缺陷都會造成局部溫度升高,發熱不正常的現象。

電學可以根據加熱特性的不同,將設備的熱缺陷分為電流加熱和電壓加熱。電流加熱缺陷意為電流在設備和導線之間進行流通時,經過電阻發生異常而產生的加熱,主要發生在各個設備之間的接觸部位。重要的是,溫度對這類缺陷非常敏感,當設備運轉出現異常狀況時,溫度上升劇烈,并且此類缺陷占據總缺陷比例的90%以上,易被發現,所以這類缺陷為檢測的重點。電壓加熱缺陷指的是當電壓施加到絕緣子這類絕緣器件上時,器件會因為電場作用而升溫,而電場作用較小,傳導到設備外殼表面更少,所以一般很難被檢測。文中算法主要針對電流加熱缺陷的識別方法,該缺陷類別包括接頭加熱、斷開開關刀口和開關加熱、斷路器觸點加熱、變壓器內部連接加熱和套管串加熱。表面溫度判別法是判斷電流加熱缺陷最簡單、最有效的方法。根據溫度評估標準,選擇了三個溫度閾值,即50 ℃、80 ℃和105 ℃來識別設備中的缺陷。緊急缺陷是指對電力系統具有嚴重威脅的缺陷,需要緊急制定措施。嚴重缺陷表示有明顯運作異常的故障。一般缺陷指的是需加強監督的設備運行安全幾乎沒有受到威脅。在完成變電站設備檢測識別的基礎上,文中紅外圖像缺陷識別的過程如圖2所示。

圖2 基于紅外線的缺陷診斷流程圖

3 實驗與分析

3.1 數據集準備

文中分別選取了套管、絕緣子、電線、電壓互感器、避雷針和斷路器等6種變電站設備的紅外圖像進行缺陷檢測。這些圖像主要來自輸電分公司的儲備和實際場景中收集的數據。該數據集包括總共800個缺陷圖像和1 900個正常圖像。為了避免在數據劃分過程中引入額外的偏差并影響最終結果,訓練集和測試集應從原始集中隨機選擇。最后,文中從總樣本集中隨機選擇1 700幅變電站設備紅外圖像作為訓練集,600幅紅外圖像作為測試集。各類缺陷數量如圖3所示。實驗室環境設置如表1所示。

圖3 各種類型數據集數量

3.2 性能指標

不同的目標檢測算法會因為應用場景的不同而展現出不同的效果。算法檢測性能主要從如下所列的幾個方面進行評估:P(Precision,精確率)、AP(Accuracy Precision,平均性能)、R(Recall,召回率)、mAP(mean Accuracy Precision,不同類別的平均精度),計算公式如式(6)～式(9)所示:

(6)

(7)

(8)

(9)

其中,TP表示正確識別的設備數量;FP表示為錯誤識別的設備目標數量;FN表示誤識為非設備目標的數量;k則表示總共識別目標的種類數。一般P與R呈現相反的變化趨勢,所以一般用mAP來表示目標檢測的綜合性能。

3.3 結果分析

為了更快地進行基于FasterR-CNN的變電站設備檢測,在實驗中模型訓練學習率設置為0.001,Batch size大小為256,動量為0.9,權重衰減為0.000 1,總迭代次數為20 000。對1 700個訓練樣本進行訓練,以獲得變電站設備檢測模型。采用文中算法實現的6種變電站設備的檢測精度如表2所示,各類設備檢測精度即在某個類別識別出的設備數占該類設備總數的百分比,各類設備的平均精度為91.64%,性能如圖4所示,算法的收斂效果如圖5所示。這一結果驗證了Faster R-CNN用于變電站設備圖像檢測的有效性。

表2 基于Faster R-CNN的檢測性能分析

圖4 Faster R-CNN識別準確率

圖5 Faster R-CNN的識別收斂性能

訓練樣本還用于訓練SRC,以獲得相應的分類模型。根據測試樣本的Faster R-CNN結果,確認測試樣本所屬變電站設備的具體標簽。表3顯示了基于SRC的不同類型變電站設備的缺陷識別準確率,即在某個類別識別出的缺陷設備數占該類設備總數的百分比,通過表中數據計算得到所有類別的平均識別率達到91.62%。證明了SRC算法在變電站設備識別中的有效性。

表3 基于SRC的缺陷識別準確率

在上述檢測和識別過程的基礎上,基于溫度閾值的思想進行變電站設備的缺陷檢測。根據人工統計,在600幅紅外圖像的測試集中,共有160張紅外線圖像包含有缺陷的設備,142張圖像被正確判斷為有缺陷設備圖像,準確率為88.75%。結果與實際情況相符,如圖6所示。實驗結果表明了在套管、絕緣體、線路、電壓互感器、避雷針和斷路器各類設備檢測上,文中方法的精度都達到了90%以上,綜合性能達到80%以上。根據圖7速度與精度圖像可以得出結論,該算法在精度與速度上比較平衡,驗證了文中方法在設備識別上的準確性以及缺陷檢測的有效性,不再針對于單個缺陷設備,對多個變電站設備具有普適性;在具體的缺陷處理過程中,由于文中不僅對設備進行了檢查,而且確認了其類別,所以可以幫助工作人員制定更有效的處理措施,對實際變電站紅外線檢測有著積極的意義。

圖7 Faster R-CNN速度與精度

4 結束語

文中提出一種設備識別和故障檢測相結合的方法,并且將該技術應用于變電站設備缺陷的檢測與診斷。首先,對于輸入的變電站設備的紅外圖像,使用Faster R-CNN來檢測關鍵區域,以獲得感興趣的變電站設備。在此基礎上,根據已分類的訓練樣本,基于SRC確定檢測區域,并確定變電站設備的具體類型。最后,根據當前紅外圖像中反映的設備溫度,判斷其是否處于正常狀態。與傳統的變電站設備缺陷分析算法相比,文中通過引入SRC算法,進一步確定了輸入設備的類別,因此分析結果更加詳細,有利于開展有針對性的診斷和維修。在實際變電站設備的紅外圖像集上進行了實驗,結果表明了該方法對變電站設備缺陷檢測和識別技術的有效性。

未來的工作主要集中在兩個方面。首先,出于保密考慮,變電站缺陷數據集的可用性受到限制,從而限制了樣本收集過程。因此,將努力繼續收集不同設備的缺陷樣本,從而擴大實驗數據集,增強檢測模型的泛化能力。此外,還將進一步優化網絡結構,對不同視角下較小目標檢測的針對性策略。這一優化將提高檢測性能,從而更加靈敏的完成識別輸電線路缺陷的任務。