王波，馬富齊，董旭柱，王朋，馬恒瑞，王紅霞

(1.武漢大學(xué) 電氣與自動(dòng)化學(xué)院，湖北 武漢 430072，2.廣東電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，廣東 廣州 510080；3.青海大學(xué) 啟迪新能源學(xué)院，青海 西寧 810016)

近年來，以深度學(xué)習(xí)為代表的人工智能技術(shù)在學(xué)術(shù)界和工業(yè)界發(fā)展迅速，目前我國(guó)已經(jīng)把人工智能技術(shù)提升到國(guó)家的發(fā)展戰(zhàn)略層面上[1-2]。2017年，習(xí)近平總書記在黨的十九大報(bào)告中明確指出要“加快發(fā)展先進(jìn)制造業(yè)，推動(dòng)互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能和實(shí)體經(jīng)濟(jì)深度融合”。國(guó)務(wù)院先后頒布了《中國(guó)制造2025》、《2018中國(guó)人工智能白皮書》等，對(duì)新一代智能技術(shù)的研究應(yīng)用和產(chǎn)業(yè)發(fā)展進(jìn)行前瞻布局，旨在推動(dòng)智能技術(shù)相關(guān)產(chǎn)業(yè)持續(xù)快速發(fā)展[3-4]。2019年，國(guó)家電網(wǎng)有限公司(以下簡(jiǎn)稱“國(guó)網(wǎng)”)作出了加快構(gòu)建“三型兩網(wǎng)”的主要戰(zhàn)略部署，提出了構(gòu)建狀態(tài)全面感知、信息高效處理、應(yīng)用便捷靈活的泛在電力物聯(lián)網(wǎng)。中國(guó)南方電網(wǎng)有限責(zé)任公司(以下簡(jiǎn)稱“南網(wǎng)”)提出了電網(wǎng)數(shù)字化轉(zhuǎn)型方案，旨在構(gòu)建“電網(wǎng)狀態(tài)全感知、企業(yè)管理全在線、運(yùn)營(yíng)數(shù)據(jù)全管控、客戶服務(wù)全新體驗(yàn)、能源發(fā)展合作共贏”的數(shù)字南網(wǎng)；且南網(wǎng)還在推動(dòng)構(gòu)建基于人工智能的“智慧生產(chǎn)”體系，以期實(shí)現(xiàn)“設(shè)備狀況一目了然、風(fēng)險(xiǎn)管控一線貫穿、生產(chǎn)操作一鍵可達(dá)、決策指揮一體作戰(zhàn)”的目標(biāo)[5-6]。由此可見，構(gòu)建設(shè)備狀態(tài)全面感知、數(shù)據(jù)信息高效處理的能源互聯(lián)網(wǎng)已經(jīng)成為必然的發(fā)展趨勢(shì)。

視覺是人類獲取信息的最主要方式。常規(guī)的電力設(shè)備狀態(tài)判斷方法一般是通過人工的方式對(duì)電力設(shè)備進(jìn)行定期的巡視和排查，如輸電線路的人工巡檢、變電站的人工巡視等方法。然而常規(guī)的人工巡檢方式存在許多問題[7-9]：①巡檢人員的安全難以保證。需要進(jìn)行巡檢的電力設(shè)備一般都是帶電設(shè)備，且電壓等級(jí)比較高。一旦巡檢人員發(fā)生安全事故，無法進(jìn)行及時(shí)有效的處理。②人工巡檢的效率低下。通過人工的方式進(jìn)行設(shè)備巡檢，需要對(duì)電力設(shè)備進(jìn)行逐步的排查，巡檢人員的工作強(qiáng)度較大，如果遇上惡劣天氣更加影響工作效率。③巡檢故障發(fā)現(xiàn)率低。由于對(duì)輸電走廊的安全巡視主要通過肉眼來判斷，主觀性較強(qiáng)，容易出現(xiàn)漏檢問題；同時(shí)戶外環(huán)境惡劣，設(shè)備隨時(shí)有故障隱患的發(fā)生，如果不加大巡檢頻率，可能導(dǎo)致故障無法及時(shí)發(fā)現(xiàn)。由于電力系統(tǒng)人工巡檢存在的上述問題，國(guó)網(wǎng)和南網(wǎng)開始采用無人機(jī)、機(jī)器人等先進(jìn)的手段進(jìn)行電力設(shè)備的智能巡檢，通過用無人機(jī)等智能化設(shè)備代替人眼進(jìn)行巡視。2013年，國(guó)網(wǎng)和南網(wǎng)相繼開展“輸電線路機(jī)巡作業(yè)”計(jì)劃，計(jì)劃到2020年底，基本實(shí)現(xiàn)“機(jī)巡為主、人巡為輔”的協(xié)同巡檢目標(biāo)[10]。2019年，南網(wǎng)推出新一代智能變電站智能巡視手冊(cè)，旨在推動(dòng)實(shí)現(xiàn)變電站內(nèi)100%巡視無人化，實(shí)現(xiàn)智能巡視的目標(biāo)。

采用智能化設(shè)備進(jìn)行智能巡視將會(huì)產(chǎn)生大量的巡檢影像，這些影像被實(shí)時(shí)傳輸?shù)奖O(jiān)控后臺(tái)，再由監(jiān)控中心工作人員根據(jù)圖像和視頻中設(shè)備的外觀或環(huán)境確定電力系統(tǒng)是否有異常。但是拍攝的影像數(shù)據(jù)較大，人工排查的方法效率過低，因而對(duì)采用智能化的識(shí)別方法進(jìn)行電力設(shè)備缺陷排查的需求迫切[11-12]。而常規(guī)的圖像處理方法泛化能力不足，圖像識(shí)別效果不夠理想。近年來，隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，越來越多的學(xué)者開始采用深度學(xué)習(xí)進(jìn)行電力巡檢影像的分析和處理?；谏疃葘W(xué)習(xí)方法，電力深度視覺對(duì)電力系統(tǒng)中采集到的視覺影像進(jìn)行分析和處理，從而快速、準(zhǔn)確地識(shí)別出電力設(shè)備中存在的故障缺陷。本文旨在闡述電力深度視覺的基本概念、關(guān)鍵技術(shù)和主要應(yīng)用場(chǎng)景，并對(duì)其發(fā)展和應(yīng)用進(jìn)行展望。

1 電力深度視覺的基本概念

電力深度視覺是近年來在電力行業(yè)新興的科學(xué)技術(shù)門類，本文對(duì)電力深度視覺做一個(gè)多方位的定義：電力深度視覺是基于深度學(xué)習(xí)的計(jì)算機(jī)視覺技術(shù)，該技術(shù)對(duì)來自電力系統(tǒng)中無人機(jī)、機(jī)器人、監(jiān)控?cái)z像頭等智能化終端拍攝到的影像，進(jìn)行目標(biāo)檢測(cè)、目標(biāo)分割、目標(biāo)跟蹤和語(yǔ)義分割等視覺方面的分析和處理，從而快速、準(zhǔn)確地感知和理解電力對(duì)象的信息。

具體而言，電力深度視覺內(nèi)涵主要包括智能巡視和智能識(shí)別2個(gè)部分。智能巡視是指通過搭載不同載體的智能巡視終端(如無人機(jī)、機(jī)器人和監(jiān)控?cái)z像頭等)自動(dòng)獲取電力設(shè)備的視頻和圖片，并將采集到的巡視影像上傳至監(jiān)控中心(云端)。智能識(shí)別是采用深度學(xué)習(xí)等各種影像處理方法對(duì)智能巡視采集到的圖片進(jìn)行分析和處理，識(shí)別設(shè)備外觀、表計(jì)、缺陷及內(nèi)外部異常等巡視關(guān)注信息，實(shí)現(xiàn)電力設(shè)備運(yùn)行狀態(tài)的實(shí)時(shí)獲取、設(shè)備缺陷的快速識(shí)別、設(shè)備異常情況的自動(dòng)報(bào)警等功能。最終實(shí)現(xiàn)電力系統(tǒng)無人化智能機(jī)器巡視的目標(biāo)。

電力深度視覺的技術(shù)框架主要由數(shù)據(jù)源層、智能巡視層和智能識(shí)別層組成，其結(jié)構(gòu)如圖1所示。

1 電力深度視覺的關(guān)鍵技術(shù)

電力深度視覺涉及到多種關(guān)鍵技術(shù)，包括目標(biāo)檢測(cè)、語(yǔ)義分割、目標(biāo)跟蹤、視覺模型壓縮、邊緣計(jì)算等。本文將電力深度視覺所涉及到的關(guān)鍵技術(shù)歸納如下。

2.1 目標(biāo)檢測(cè)

目標(biāo)檢測(cè)采用卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)方法快速獲取圖像中感興趣的目標(biāo)，不僅要檢測(cè)出目標(biāo)所屬的類別，還要框定出目標(biāo)所在的位置和大小。該技術(shù)是當(dāng)今計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)，現(xiàn)已被廣泛應(yīng)用于安防、無人駕駛、智慧醫(yī)療等領(lǐng)域[13-14]。2012年，由Hinton和Alex Krizhevsky提出的深度卷積神經(jīng)網(wǎng)絡(luò)AlexNet模型，標(biāo)志著目標(biāo)檢測(cè)乃至計(jì)算機(jī)視覺進(jìn)入了全新的階段。AlexNet模型基于深度學(xué)習(xí)理論，構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)，并采用批處理和GPU顯卡加速訓(xùn)練，解決了以往深度神經(jīng)網(wǎng)絡(luò)參數(shù)學(xué)習(xí)的難題[15-16]。

2012年之前，目標(biāo)檢測(cè)算法基于手工提取目標(biāo)特征，因此算法的實(shí)際應(yīng)用效果取決于人工經(jīng)驗(yàn)，魯棒性差且對(duì)復(fù)雜對(duì)象的特征學(xué)習(xí)效果不佳；自2012年起，基于深度學(xué)習(xí)和GPU加速的深度特征提取模型廣泛應(yīng)用于目標(biāo)檢測(cè)領(lǐng)域，按其實(shí)現(xiàn)機(jī)理可分為單階法和雙階法2類。其中單階法是基于一體化卷積網(wǎng)絡(luò)進(jìn)行目標(biāo)檢測(cè)，其典型模型包括YOLO(you only look once)、SSD(single shot multi detector)、RetinaNet等；而雙階法是基于區(qū)域建議策略實(shí)現(xiàn)目標(biāo)檢測(cè)，代表的模型有區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(region-based convolutional neural network，RCNN)、Fast RCNN和Faster RCNN等[17-18]，目標(biāo)檢測(cè)模型發(fā)展過程如圖2所示。

現(xiàn)如今，目標(biāo)檢測(cè)方法也被逐漸應(yīng)用到電力設(shè)備的缺陷識(shí)別中。上海大學(xué)的韓軍[19]等為了提高輸電線路機(jī)巡影像缺陷識(shí)別的準(zhǔn)確率，采用了Fast RCNN來進(jìn)行輸電線路設(shè)備的故障識(shí)別，取得了很好的識(shí)別效果。武漢大學(xué)的王波等[20]為了解決輸電線路巡檢圖像容易受到天氣、光照等環(huán)境因素影響，提出了一種改進(jìn)的Faster RCNN輸電線路巡檢圖像缺陷檢測(cè)方法，相比于其他方法，該方法能夠?qū)崿F(xiàn)圖像中多個(gè)目標(biāo)的檢測(cè)和定位，并且在不同的場(chǎng)景都能保持比較高的識(shí)別精度。長(zhǎng)沙理工大學(xué)的樊紹勝[21]等針對(duì)輸電線路中存在的螺栓松動(dòng)和導(dǎo)線破損這2種故障，采用單階法的YOLO v3目標(biāo)檢測(cè)方法進(jìn)行缺陷的識(shí)別和定位，準(zhǔn)確率達(dá)到97.3%。比較而言，雙階法的識(shí)別精度相對(duì)較高但是檢測(cè)速度有些慢，單階法則與之相反；因此在對(duì)檢測(cè)速度要求不高的場(chǎng)景下可以采用雙階的目標(biāo)檢測(cè)方法，對(duì)于需要進(jìn)行實(shí)時(shí)識(shí)別與檢測(cè)的場(chǎng)景就要采用單階的目標(biāo)檢測(cè)方法。

2.2 語(yǔ)義分割

語(yǔ)義分割是一種能夠獲取圖像更多類別信息的方法，其目的是識(shí)別出每個(gè)像素的語(yǔ)義類別[22]。常規(guī)的語(yǔ)義分割主要是通過聚類、圖割或搜索匹配的方法來實(shí)現(xiàn)的，主要有基于用戶交互的語(yǔ)義分割方法和非參數(shù)方法?；谟脩艚换サ恼Z(yǔ)義分割方法需要人工參與，因而效率比較低下；非參數(shù)方法雖不需人工參與，但是該方法的語(yǔ)義分割結(jié)果與樣本的多樣性相關(guān)聯(lián)，不同的數(shù)據(jù)樣本和匹配方法可能會(huì)導(dǎo)致不同的結(jié)果，泛化能力不足[23-24]。

圖1 電力深度視覺的技術(shù)框架Fig.1 Technical framework of electric power depth vision

圖2 目標(biāo)檢測(cè)技術(shù)發(fā)展過程Fig.2 Development of target detection technology

2015年，全卷積神經(jīng)網(wǎng)絡(luò)[25]的提出為語(yǔ)義分割提供了新的解決思路，將語(yǔ)義分割從之前區(qū)域級(jí)的分割提升到像素級(jí)的不同類別的分割。此后，所有的語(yǔ)義分割基本上都是在全卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上改進(jìn)的[26]。華北電力大學(xué)的趙振兵等[27]提出了一種改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)語(yǔ)義分割方法，用來進(jìn)行輸電線路中航拍圖像的電力設(shè)備識(shí)別，實(shí)現(xiàn)了航拍圖像中絕緣子、桿塔、金具等關(guān)鍵設(shè)備、部件的自動(dòng)化分割，并且提高了分割的準(zhǔn)確率。周晨軼[28]等結(jié)合點(diǎn)卷積和空洞卷積的采樣形式，提出了一種融合多層信息的語(yǔ)義分割模型，并對(duì)在變電站巡檢中采集到的圖像進(jìn)行分割，取得了較好的分割效果。相比于目標(biāo)檢測(cè)而言，語(yǔ)義分割方法能夠更加精細(xì)地檢測(cè)出電力設(shè)備的缺陷，檢測(cè)的精度更高，算法復(fù)雜度也會(huì)更高。

2.3 目標(biāo)跟蹤

目標(biāo)跟蹤是當(dāng)前計(jì)算機(jī)視覺領(lǐng)域非常熱門的研究領(lǐng)域之一，能夠?qū)σ曨l中的目標(biāo)進(jìn)行準(zhǔn)確追蹤和定位。簡(jiǎn)單來說，視頻目標(biāo)跟蹤即是根據(jù)視頻監(jiān)控中目標(biāo)的初始位置，采用目標(biāo)跟蹤算法，預(yù)測(cè)出目標(biāo)后續(xù)出現(xiàn)的位置。隨著深度學(xué)習(xí)的不斷發(fā)展，目標(biāo)跟蹤的效果越來越成熟，主要應(yīng)用于智能汽車的無人駕駛，無人機(jī)的智能巡視、視頻監(jiān)控等領(lǐng)域[29-30]。

當(dāng)前目標(biāo)跟蹤方法在電力系統(tǒng)領(lǐng)域的應(yīng)用還比較少，筆者認(rèn)為可以將目標(biāo)跟蹤應(yīng)用于電力系統(tǒng)的安全風(fēng)險(xiǎn)管控方面，例如通過在變電站安裝監(jiān)控?cái)z像的方式對(duì)工作人員的運(yùn)動(dòng)軌跡進(jìn)行跟蹤，并對(duì)進(jìn)入危險(xiǎn)區(qū)域的人員進(jìn)行告警。目標(biāo)跟蹤是一種長(zhǎng)期實(shí)時(shí)視覺跟蹤問題，其需要應(yīng)對(duì)跟蹤目標(biāo)(工作人員)因變形而產(chǎn)生的較大外貌變化、突然移動(dòng)、嚴(yán)重遮擋、走出攝像機(jī)視野等復(fù)雜困難的情形，從而對(duì)工作人員是否脫崗等情形進(jìn)行判斷。當(dāng)跟蹤到工作人員后，需要通過目標(biāo)檢測(cè)來精確定位和識(shí)別工作人員的穿戴設(shè)備，比如安全帶、安全帽等等。人員活動(dòng)范圍較大，目標(biāo)的尺度變化也很大，這要求目標(biāo)跟蹤算法具有良好的小目標(biāo)檢測(cè)能力；此外，安全風(fēng)險(xiǎn)管控具有很強(qiáng)的瞬時(shí)性，變電站的視頻監(jiān)控也是實(shí)時(shí)的，這就要求目標(biāo)跟蹤算法的處理速度要足夠快速。因此，要使得目標(biāo)跟蹤算法能夠勝任這些場(chǎng)景的要求，還需要做進(jìn)一步的探討和研究。

2.4 邊緣計(jì)算

邊緣計(jì)算作為一種新型的數(shù)據(jù)處理方式，是電力深度視覺中關(guān)鍵技術(shù)之一，也是近年來的研究熱點(diǎn)。邊緣計(jì)算指的是利用數(shù)據(jù)源到云計(jì)算之間的計(jì)算資源，對(duì)采集到的數(shù)據(jù)及時(shí)進(jìn)行識(shí)別和處理，并將識(shí)別的結(jié)果上傳至云端，進(jìn)行關(guān)鍵數(shù)據(jù)的存儲(chǔ)。與云計(jì)算相比，邊緣計(jì)算可以在靠近數(shù)據(jù)產(chǎn)生的終端進(jìn)行分析和處理，能夠解決數(shù)據(jù)上傳至云端帶來的帶寬和延遲問題，處理速度更快[31-32]。

對(duì)于電力深度視覺而言，邊緣計(jì)算的應(yīng)用主要是利用在無人機(jī)、機(jī)器人等先進(jìn)的巡視采集終端上搭載的邊緣計(jì)算芯片，對(duì)巡檢無人機(jī)、機(jī)器人等采集到的圖像進(jìn)行及時(shí)的處理，然后將識(shí)別的結(jié)果上傳到云平臺(tái)，并對(duì)識(shí)別出缺陷的電力設(shè)備進(jìn)行及時(shí)的報(bào)警。這可解決當(dāng)前云計(jì)算無法對(duì)大量巡檢設(shè)備數(shù)據(jù)進(jìn)行實(shí)時(shí)獲取和分析的問題。然而，邊緣計(jì)算的相關(guān)技術(shù)還不夠成熟，還有一些問題亟需解決：①能夠搭載到智能巡檢終端的邊緣計(jì)算芯片計(jì)算能力比較有限，需要對(duì)深度學(xué)習(xí)模型進(jìn)行模型壓縮，因而還急需研究適用于邊緣計(jì)算裝置的深度學(xué)習(xí)模型。②邊緣計(jì)算裝置的計(jì)算能力有限但是更靠近數(shù)據(jù)源，云計(jì)算的計(jì)算能力較強(qiáng)但是距離數(shù)據(jù)源較遠(yuǎn)，如何進(jìn)行計(jì)算任務(wù)的合理分配、實(shí)現(xiàn)云邊的高效協(xié)同，對(duì)邊緣計(jì)算的應(yīng)用具有重要的意義。③現(xiàn)有的邊緣計(jì)算裝置，如華為的Atlas200、樹莓派等能否成功應(yīng)用于電力系統(tǒng)還有待檢驗(yàn)。

3 主要應(yīng)用場(chǎng)景

3.1 電力深度視覺在輸電線路巡檢當(dāng)中的應(yīng)用

當(dāng)前，由于人工巡檢方式的效率低下，電力系統(tǒng)開始大規(guī)模采用直升機(jī)或無人機(jī)的方式進(jìn)行輸電線路巡檢。輸電線路巡檢的故障主要有桿塔故障、導(dǎo)地線故障、絕緣子故障和金具故障。在實(shí)際檢測(cè)中發(fā)現(xiàn)，大尺寸金具故障和小尺寸金具故障的檢測(cè)方法有較大差異，因此將金具故障再分為2類。在實(shí)際應(yīng)用中，輸電線路故障還包含環(huán)境通道、附屬設(shè)施等其他方面的故障，并可以進(jìn)行進(jìn)一步的細(xì)分。詳細(xì)的巡檢故障分類見表1。

當(dāng)前對(duì)無人機(jī)巡檢采集到的圖像主要依靠人工方式進(jìn)行判斷，但是人工排查圖像方式的效率低下，并且具有很強(qiáng)的主觀性。常規(guī)的圖像處理法有圖像分割、邊緣檢測(cè)等算法，主要從像素級(jí)角度對(duì)航拍圖像進(jìn)行線性計(jì)算，尋找電氣部件的邊緣輪廓；

表1 輸電線路故障分類Tab.1 Fault classification of transmission lines

注：①基礎(chǔ)出現(xiàn)上拔、下沉、位移、回填土流失或下沉。

機(jī)器學(xué)習(xí)從概率學(xué)角度出發(fā)，將電氣設(shè)備的缺陷特征量化為概率模型的計(jì)算參數(shù)，根據(jù)計(jì)算結(jié)果判斷圖像各區(qū)域的故障情況。常規(guī)圖像處理方法的不足有：①需要人工設(shè)定參數(shù)，檢測(cè)效果的好壞取決于人工經(jīng)驗(yàn)；②處理對(duì)象單一，圖像處理法需要根據(jù)對(duì)象特征設(shè)置特定的參數(shù)，泛化能力不足；③計(jì)算速度慢，單張圖像的處理速度在秒級(jí)，只適合進(jìn)行離線檢測(cè)。電力深度視覺采用深度學(xué)習(xí)模型對(duì)大量的樣本進(jìn)行訓(xùn)練，能夠提取出圖像的高維信息，識(shí)別精度更高，且識(shí)別速度很快，能夠達(dá)到每秒幾十張的處理速度，滿足實(shí)時(shí)監(jiān)測(cè)的要求?；陔娏ι疃纫曈X的輸電線路缺陷檢測(cè)流程如圖3所示。

圖3 輸電線路缺陷識(shí)別實(shí)現(xiàn)流程圖Fig.3 Flow chart of defect identification of transmission line

圖3中進(jìn)行輸電線路缺陷識(shí)別的模型主要以目標(biāo)檢測(cè)中的算法模型為主。2015年，Girshick等人提出Faster RCNN算法是被公認(rèn)為檢測(cè)精度最高的方法。Faster RCNN模型是當(dāng)前基于區(qū)域建議策略方法中精度最高的目標(biāo)檢測(cè)模型，在結(jié)構(gòu)方面，該模型將特征提取(卷積神經(jīng)網(wǎng)絡(luò)模塊)、候選域提取、邊框定位和目標(biāo)分類整合到一個(gè)網(wǎng)絡(luò)中，這是典型的雙階目標(biāo)檢測(cè)方法。圖4是采用Faster RCNN模型對(duì)輸電線路巡檢圖像進(jìn)行檢測(cè)的效果圖。

圖4 基于Faster RCNN模型的輸電線路巡檢圖像缺陷識(shí)別效果圖Fig.4 Defect identification effect picture of transmission line patrol image based on Faster RCNN model

基于雙階目標(biāo)檢測(cè)模型在提取候選域的過程中耗費(fèi)大量時(shí)間，實(shí)際測(cè)試時(shí)每張巡檢圖像的處理時(shí)間在2 s左右，只適合在離線進(jìn)行處理，無法適應(yīng)輸電線機(jī)巡過程中實(shí)時(shí)檢測(cè)的需求。YOLO模型是經(jīng)典的一體化卷積目標(biāo)檢測(cè)算法，其核心思想就是利用整張圖作為網(wǎng)絡(luò)的輸入，直接在輸出層回歸邊界框的位置及其所屬的類別，無需進(jìn)行候選域生成操作，因此在檢測(cè)速度上要優(yōu)于Faster RCNN模型。圖5是采用YOLO v3模型對(duì)輸電線路巡檢圖像進(jìn)行檢測(cè)的效果圖。

當(dāng)前電力深度視覺在輸電線路智能巡檢的應(yīng)用研究還處于探索階段。在實(shí)際的輸電線路的巡檢過程中，采集到的圖像數(shù)量巨大，背景一般比較復(fù)雜，且質(zhì)量參差不齊；因此，電力深度視覺在實(shí)際場(chǎng)景中的應(yīng)用效果還有待時(shí)間的檢驗(yàn)。未來還可以考慮將語(yǔ)義分割和邊緣計(jì)算運(yùn)用到輸電線路的巡檢中，提高檢測(cè)的速度和精度。

圖5 基于YOLO v3模型的輸電線路巡檢圖像缺陷識(shí)別效果圖Fig.5 Defect identification effect picture of transmission line patrol image based on YOLO v3 model

3.2 電力深度視覺在變電站智能巡視中的應(yīng)用

當(dāng)前，對(duì)于變電站電力設(shè)備的巡檢方式仍然以人工巡檢為主。雖然有的變電站中配置了巡檢機(jī)器人，由于巡檢圖像的識(shí)別方法效果不夠理想，變電站的巡檢機(jī)器人基本上都處于閑置狀態(tài)，即使通過機(jī)器人或監(jiān)控?cái)z像頭進(jìn)行巡檢獲取的圖像，也一般通過工作人員根據(jù)圖像和視頻中的外觀來判斷設(shè)備是否出現(xiàn)異常，主觀性較強(qiáng)，容易出現(xiàn)漏檢問題；因此，如何快速、準(zhǔn)確地進(jìn)行巡檢影像缺陷識(shí)別對(duì)提高變電站的運(yùn)檢效率意義重大。

變電站的智能巡視所面臨的困境與輸電線路巡檢類似，同樣可以將電力深度視覺運(yùn)用到變電站的智能巡視當(dāng)中，解決當(dāng)前存在的巡檢影像識(shí)別效果不好的問題，并且也主要采用電力深度視覺中的目標(biāo)檢測(cè)技術(shù)進(jìn)行設(shè)備缺陷識(shí)別。變電站的巡檢對(duì)象主要是變壓器、斷路器、組合電器、開關(guān)、互感器和配電柜等，圖6是采用Faster RCNN模型對(duì)變電站巡檢圖像進(jìn)行檢測(cè)的效果圖。

與輸電線路巡檢相比較而言，電力深度視覺在變電站的巡檢中應(yīng)用研究還比較少，變電站巡檢圖像的智能識(shí)別更加困難，仍有一些關(guān)鍵問題亟需解決：①變電站電力設(shè)備更大，發(fā)生的故障類型也比較多，有些故障形狀不規(guī)則，如變壓器發(fā)生油滲漏等。②變電站的有些故障具有偶發(fā)性，該類缺陷發(fā)生頻率較低，或與巡視時(shí)間不對(duì)應(yīng)，發(fā)生在不適宜巡視的時(shí)間。如爬電輕微時(shí)的間隔時(shí)間長(zhǎng)，巡視機(jī)器人經(jīng)過時(shí)若爬電未發(fā)生則造成對(duì)其的漏檢。另外，爬電多發(fā)于濕潤(rùn)的清晨、夜晚，這類氣象條件也不適宜開展巡視。③內(nèi)部缺陷，問題存在于設(shè)備內(nèi)部，外部表征不明顯。如在線監(jiān)測(cè)裝置的電池失效，外部難以判斷，需要結(jié)合監(jiān)測(cè)系統(tǒng)數(shù)據(jù)綜合診斷；又如套管、避雷器內(nèi)絕緣失效早期在內(nèi)部引起的輕微發(fā)熱，也是難以發(fā)現(xiàn)的。

圖6 基于Faster RCNN模型對(duì)變電站巡檢圖像進(jìn)行檢測(cè)的效果圖Fig.6 Effect picture of substation patrol image detection based on Faster RCNN model

3.3 電力深度視覺在變電站風(fēng)險(xiǎn)安全管控中的應(yīng)用

變電站的安全運(yùn)行管理對(duì)保證電網(wǎng)安全穩(wěn)定運(yùn)行意義重大。從當(dāng)前的研究現(xiàn)狀來看，變電站安全的風(fēng)險(xiǎn)管控主要通過工作人員現(xiàn)場(chǎng)監(jiān)督來實(shí)現(xiàn)，從加強(qiáng)變電站的管理、提高工作人員技術(shù)水平等方面減少違章情況，部分研究提出采用仿真、風(fēng)險(xiǎn)評(píng)估、實(shí)時(shí)定位等輔助措施來加強(qiáng)管理。但這些措施均無法在實(shí)際施工中有效處理突發(fā)情況，從目前的實(shí)施情況來看仍然存在以下問題：①變電站工作任務(wù)種類繁多、作業(yè)地點(diǎn)分散以及作業(yè)任務(wù)復(fù)雜，管理人員難以實(shí)現(xiàn)實(shí)時(shí)跟蹤監(jiān)督，相應(yīng)輔助設(shè)備部置復(fù)雜；②變電站設(shè)備眾多，設(shè)備日常管理困難，難以實(shí)時(shí)監(jiān)測(cè)設(shè)備狀態(tài)信息和及時(shí)發(fā)出報(bào)警信號(hào)；③員工安全意識(shí)不足，常出現(xiàn)未戴安全帽進(jìn)入危險(xiǎn)區(qū)域、誤入帶電間隔等違章操作，管理人員難以及時(shí)發(fā)出警示信息。

目前大部分變電站已實(shí)現(xiàn)視頻監(jiān)控，一些研究機(jī)構(gòu)開始嘗試?yán)靡曨l數(shù)據(jù)對(duì)變電站內(nèi)的狀態(tài)進(jìn)行監(jiān)測(cè)和分析。但是變電站的視頻數(shù)據(jù)目前主要用于記錄變電站的情況，僅能實(shí)現(xiàn)對(duì)變電站的場(chǎng)地、設(shè)備、人員作業(yè)情況進(jìn)行全過程的記錄，記錄事故的報(bào)警錄像，方便事后進(jìn)行追溯，輔助工作人員進(jìn)行總結(jié)分析，不能在現(xiàn)場(chǎng)工作中實(shí)時(shí)發(fā)揮作用。隨著人工智能技術(shù)的進(jìn)一步發(fā)展，基于深度學(xué)習(xí)的視頻處理技術(shù)也有了重要突破。采用基于電力深度視覺的安全管控技術(shù)能夠自動(dòng)完成變電站內(nèi)的違章行為檢測(cè)、設(shè)備缺陷檢測(cè)等工作，并及時(shí)發(fā)出預(yù)警信號(hào)，輔助監(jiān)管人員有效完成全方位監(jiān)管，從而提高變電站運(yùn)行的安全性和自動(dòng)化程度。

4 結(jié)論

電力深度視覺是一個(gè)新興的研究領(lǐng)域，各方面的研究還不夠成熟，在電力場(chǎng)景中的應(yīng)用也遠(yuǎn)遠(yuǎn)不夠，還需繼續(xù)深入研究電力深度視覺的關(guān)鍵技術(shù)和應(yīng)用難點(diǎn)。隨著深度學(xué)習(xí)的發(fā)展，電力深度視覺表現(xiàn)出強(qiáng)大的信息感知和處理能力，為應(yīng)對(duì)泛在電力物聯(lián)網(wǎng)背景下產(chǎn)生的海量數(shù)據(jù)提供了一種解決思路，能夠有效地推動(dòng)泛在電力物聯(lián)網(wǎng)的建設(shè)；因此，電力深度視覺技術(shù)具有廣闊的研究前景和價(jià)值。