徐奇?zhèn)?黃 宏 張雪鋒 周 傳 吳紹朋

基于改進區(qū)域全卷積網(wǎng)絡的高壓引線接頭紅外圖像特征分析的在線故障診斷方法

徐奇?zhèn)?黃 宏1張雪鋒1周 傳1吳紹朋2

（1. 輸配電裝備及系統(tǒng)安全與新技術國家重點實驗室（重慶大學） 重慶 400044 2. 哈爾濱工業(yè)大學電氣工程及自動化學院 哈爾濱 150001）

隨著智能電網(wǎng)建設的不斷發(fā)展，海量紅外圖像急劇增加，而傳統(tǒng)紅外故障檢測依靠人工排查或手工提取特征，檢測效率低且對人員經(jīng)驗依賴大。為實現(xiàn)對紅外圖像的高效智能化檢測，保障電網(wǎng)安全運行，構建基于紅外特征分析的在線故障診斷系統(tǒng)，提出通過改進高壓引線接頭紅外圖像的特征提取網(wǎng)絡，以提升對小目標的識別性能，然后利用區(qū)域全卷積網(wǎng)絡（R-FCN）實現(xiàn)對故障區(qū)域的定位和運行狀態(tài)的識別，并且使用OpenCV對該故障區(qū)域的運行狀態(tài)進行二次診斷，以進一步降低誤報率。最后通過測試分析，改進后的R-FCN網(wǎng)絡對高壓引線接頭紅外圖像故障診斷的平均精度達到了80.76%，比原R-FCN網(wǎng)絡提升了8.43%。

故障診斷 高壓引線接頭 紅外圖像 區(qū)域全卷積網(wǎng)絡 殘差網(wǎng)絡

0 引言

電氣設備的安全運行將直接影響到整個電力系統(tǒng)的穩(wěn)定，因此設備保持安全穩(wěn)定的運行狀態(tài)顯得尤為重要[1]。當出現(xiàn)電網(wǎng)故障時能夠迅速做出相應的反應，發(fā)現(xiàn)異常時迅速告警，幫助電網(wǎng)工作人員快速進行相應的處理，保障電網(wǎng)運行的穩(wěn)定性。電氣設備的狀態(tài)與熱量密切關聯(lián)，多種類型的故障都會以散發(fā)出高熱量、溫度快速升高的形式表現(xiàn)出來，如絕緣劣化、接觸不良和磁路故障等[2]。紅外檢測技術是一種有效的、非接觸式的熱故障檢測手段，在電力系統(tǒng)中判斷設備的隱患和故障得到了廣泛的應用。該技術的應用提高了電力系統(tǒng)故障與缺陷的預警能力，避免了相應事故的發(fā)生，并且在很大程度上減少不必要的停電所帶來的能量損失與經(jīng)濟損失。但目前的紅外診斷技術，多數(shù)情況下仍需要依靠檢測人員的經(jīng)驗與技術水平對紅外圖像進行分析，且巡檢過程存在危險，特殊情況下難以保障故障分析、判斷的實時性與準確性。

近年來隨著人工智能技術在電力系統(tǒng)方面的應用[3-5]，基于巡檢圖像數(shù)據(jù)的變電站設備故障智能評估已成為可能。例如，通過深度卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks, CNN）提取目標特征的目標檢測算法可用于智能電網(wǎng)[6-8]。目前應用較為廣泛的深度學習目標檢測算法可分為兩類：第一類為基于區(qū)域的目標檢測算法（Region-based CNN, R-CNN），也被稱為two-stage系算法，代表算法有Faster R-CNN[9]、Mask R-CNN[10]等，該類算法有較高的檢測精度，但檢測速度較慢；另一類為基于回歸的目標檢測算法，也被稱為one-stage系算法，如YOLO(you only look once)[11-13]、SSD(single shot multibox detector)[14]等，它們的特點是采用端到端的檢測，具有較快的檢測速度。文獻[15]利用Mask R-CNN在紅外圖像中自動提取多個絕緣子，但識別精度不夠，計算速度也不能滿足實時檢測。文獻[16]通過R-CNN算法實現(xiàn)了電力小部件的定位和識別，但是該方法對樣本數(shù)據(jù)集規(guī)模的需求大，檢測速度仍然不能滿足實時性。文獻[17]提出了一種基于紅外圖像分析和人工神經(jīng)網(wǎng)絡故障診斷的紅外圖像分割與人工神經(jīng)網(wǎng)絡相結合的絕緣子串檢測方法，能夠識別出故障絕緣子故障類型和故障位置，該方法具有很高的識別精度，但檢測時間過長不能滿足檢測的實時性要求?？偠灾?，變電站的紅外圖形檢測存在檢測精度和檢測實時性不能同時得到滿足的問題。

本文提出了一種基于改進區(qū)域全卷積網(wǎng)絡(Region-based Fully Convolutional Networks, R-FCN)[18]的高壓引線接頭紅外圖像特征分析的在線故障診斷方法。首先，通過對殘差塊進行了優(yōu)化，使每個殘差塊融合低層特征和高層特征，并訓練特征提取網(wǎng)絡自動提取高壓引線接頭樣本故障的特征圖，然后使用R-FCN網(wǎng)絡以實現(xiàn)對高壓引線接頭的故障定位和運行狀態(tài)的識別，最后將R-FCN的檢測結果送入OpenCV中進行二次診斷，進一步降低誤報率，實現(xiàn)故障診斷。

1 R-FCN網(wǎng)絡

R-FCN網(wǎng)絡的原理如圖1所示，其主要設計思想就是位置敏感得分圖（position-sensitive score map）。R-FCN由特征提取網(wǎng)絡、區(qū)域生成網(wǎng)絡（Region Proposal Network, RPN）和感興趣區(qū)域（Region of Interest, RoI）子網(wǎng)三部分組成。提取特征后，RPN根據(jù)這些特征生成RoI，RoI子網(wǎng)根據(jù)提取的特征與RPN輸出的RoI進行目標區(qū)域的定位與分類。

圖1 R-FCN原理

1.1 ResNet網(wǎng)絡

深度殘差神經(jīng)網(wǎng)絡（deep Residual Network, ResNet）[19]是由殘差學習模塊重復堆積而形成的一個完整網(wǎng)絡，由于殘差模塊的引入，解決了模型在訓練時的梯度彌散問題，并且增強了模型的特征學習能力和識別性能[20]。本文選擇ResNet-50作為特征提取網(wǎng)絡。殘差塊如圖2所示，在殘差塊中，假設輸入為，經(jīng)過卷積層1、2運算后輸出為(12)，激活函數(shù)為ReLU，因此，殘差模塊單元的最終輸出可表示為

式中，W1、W2分別為卷積神經(jīng)網(wǎng)絡1層和2層所要學習的權重參數(shù)；Ws為將變量x從輸入殘差模塊維度變換到輸出維度的方陣。變量x跨過卷積層直接與F(x,W1,W2)進行融合，成為下個殘差模塊的輸入。

1.2 位置分數(shù)敏感圖與池化

為了準確提取電氣設備缺陷的RoI，在基礎FCN后面連接RoI子網(wǎng)。RoI子網(wǎng)可以實現(xiàn)對缺陷區(qū)域的位置參數(shù)進行回歸修正，以實現(xiàn)對目標區(qū)域的準確識別。圖1中位于特征譜圖右邊的卷積層是對原圖進行卷積操作后得到的卷積層，用來生成位置敏感分數(shù)圖，它在整幅圖像上為每類生成k個位置敏感分數(shù)圖，有類物體和1個背景，因此其通道數(shù)為2(+1)。紅外圖像的特征比較單一，若值太大，必然會導致位置敏感分數(shù)圖的檢測速度下降，并且識別的精度未必會有明顯的提高，反而可能造成過擬合等問題。所以，本文算法模型針對故障檢測設置=3。檢測類別分別是一般故障目標和嚴重故障目標，其類別數(shù)=2。

RPN給出感興趣的RoIs后，通過對每個RoI做位置敏感池化，得到通道數(shù)為2(1)位置敏感分數(shù)圖。當=3時，RoI可分割成9個矩形塊，那么與之相對應的位置敏感分數(shù)圖也就分割成9塊，分別為（top-left，top-center，top-right，…，bottom-right）。再對位置敏感分數(shù)圖做均值池化，得出一個長度為1的向量，并對該向量進行softmax分類，最終得出該RoI的類別。

位置敏感RoI池化具體操作為將1個尺寸為的RoI分割成k個大小為()()的矩形方塊，并使用()表示RoI和位置敏感分數(shù)圖中每個分塊的位置，其中(,)的取值范圍為(0≤≤-1,0≤≤-1)。再將圖1中top-left箭頭指向的通道數(shù)為2的特征圖對應的RoI中第(0,0)的方塊放到位置敏感分數(shù)圖的(0,0)位置；top-center箭頭指向的通道數(shù)為2的特征圖對應的RoI中第(1,0)的方塊放到位置敏感分數(shù)圖的(1,0)位置，以此類推，最后將bottom-right箭頭指向的通道數(shù)為2的特征圖對應的RoI中第(2, 2)方塊放到位置敏感分數(shù)圖的(2,2)位置，最終得到完整的位置敏感分數(shù)圖。得到位置敏感分數(shù)圖中第(,)個矩形方塊的具體操作為

式中，(,|)為第類的位置敏感分數(shù)圖2個分塊中的第(,)個分塊；為特征譜圖右邊卷積層的一個特征圖；bin(,)為RoI和位置敏感分數(shù)圖中的位置集合；(0,0)為RoI的左上角坐標；(,)為在RoI中以(0,0)為原點時每個元素的坐標值取值范圍，其中(/)≤≤(+1)/，(/)≤≤(+1)/，為第(,)個塊里的像素總量；為網(wǎng)絡參數(shù)。

對位置敏感分數(shù)圖生成的長度為+1的向量均值池化操作為

對向量做柔性最大值傳輸函數(shù)分類操作為

1.3 損失函數(shù)

R-FCN選用的訓練方式是梯度下降[21]，代價函數(shù)同時考慮了分類損失和位置損失，為每個RoI的損失函數(shù)交叉熵損失與邊界框回歸損失的和，可表示為

式中，SmoothL1為定義函數(shù)，=-*。

2 高壓引線接頭紅外圖像的故障診斷模型

2.1 故障檢測算法模型

本文結合R-FCN和OpenCV的高壓引線接頭故障檢測算法模型如圖3所示，該模型分為三個部分：第一部分為圖像的預處理，包括圖像去噪和圖像增強；第二部分為改進的自動提取特征的深度卷積神經(jīng)網(wǎng)絡，目的是自動提取特征，并將網(wǎng)絡最后一層的卷積特征譜圖（高×寬為35pixel×63pixel，約為原圖的1/16）提供給R-FCN，R-FCN直接用在特征譜圖上檢測故障，并檢測故障在原圖中的位置；第三部分為基于OpenCV的二次診斷，根據(jù)R-FCN給出的故障位置，將原圖中的目標截取下來并調整成224pixel×224pixel的圖片，再對該目標進行二次診斷，以進一步降低誤報率。

圖3 故障診斷模型

2.2 改進的特征提取網(wǎng)絡

經(jīng)過前期測試發(fā)現(xiàn)，R-FCN雖然在位置回歸上有很好的表現(xiàn)，但是對于小目標的檢測效果并不理想，出現(xiàn)漏檢和錯檢等情況。通過對網(wǎng)絡結構的分析，R-FCN雖然將特征提取的主干網(wǎng)絡由原來的VGG[22]網(wǎng)絡替換為ResNet網(wǎng)絡，在一定程度上通過增加卷積層的深度來增強對于目標特征提取的能力，但是對于小目標的檢測效果仍未提高。鑒于本次設計的實際運用場景，需要對高壓引線接頭進行故障檢測，在紅外特征圖中面積較小，屬于小目標的范疇，為了增加特征提取的豐富性，本文對殘差模塊進行了優(yōu)化，每個殘差塊融合了低層特征和高層特征，在整個R-FCN特征提取主干網(wǎng)絡中也對提取到的高低特征圖進行融合。優(yōu)化后的殘差模塊結構如圖4所示。

通過加深原殘差模塊的深度，使得在一個模塊中具有高低差距的特征圖。在每個模塊中先由兩個卷積層進行特征的提取，之后使用最大池化層減小特征圖繼續(xù)對深層特征進行提取，最后經(jīng)由反卷積層將特征圖的大小恢復成池化之前的尺寸，并與底層特征圖進行融合。同時對于整個主干網(wǎng)絡也采用這種結構布局，高低特征圖的融合再卷積，使得提取到的特征粒度更加細小與豐富，提升了網(wǎng)絡對于小目標的檢測能力。

圖4 優(yōu)化后的殘差塊結構

2.3 變電站紅外圖像檢測方法

本文實驗選擇NVIDIA RTX 2080 Ti的顯卡，使用Caffe框架進行測試。對紅外圖像進行故障目標檢測流程如圖5所示，各部分的具體內(nèi)容如下：

（1）將紅外圖像作為數(shù)據(jù)集，對圖像中的故障區(qū)域進行定位標注，完成數(shù)據(jù)集的制作。

（2）從數(shù)據(jù)集中抽取訓練集，訓練集盡量包含所有種類的高壓引線接頭圖像，余下的作為測試集，且訓練集與測試集之間無交叉重復數(shù)據(jù)。

（3）構建卷積神經(jīng)網(wǎng)絡，定義網(wǎng)絡的輸入層、中間層和輸出層，最后將所有圖層合并。

（4）配置訓練參數(shù)，基本參數(shù)有：ITERS（迭代次數(shù)）配置為30 000次，cls_num（數(shù)據(jù)集的類別數(shù)）配置為3，base_lr（初始學習率）配置為0.001，iter_size（每次處理的數(shù)據(jù)個數(shù)）配置為1等。

（5）將訓練集作為輸入，訓練R-FCN。利用P-R曲線對R-FCN進行評估，根據(jù)評估結果對訓練參數(shù)進行調整，提高分割的準確度。

（6）將測試集作為輸入，得到檢測結果。

圖5 高壓引線接頭檢測框圖

為了確保對于故障級別的準確診斷，降低誤判率，對于檢測系統(tǒng)的流程也進行了優(yōu)化。故障檢測的流程如圖6所示，將檢測到的故障區(qū)域進行分割后，依據(jù)不同的溫度其在紅外特征圖中的顏色也不相同的特性，根據(jù)顏色對故障的等級進行二次診斷。OpenCV對于顏色有著敏感的處理能力，在這一階段采用傳統(tǒng)的圖像處理對圖像進行顏色的判別。如果二者對于故障的判定結果不一致，則將此數(shù)據(jù)重新進行預處理或交由人工進行判定。

圖6 系統(tǒng)檢測流程

3 實驗結果與分析

3.1 高壓引線接頭運行狀態(tài)劃分與創(chuàng)建數(shù)據(jù)集

高壓引線接頭的故障一般是由過負荷或接觸不良導致電流過大而引起的過熱故障，這種故障的特點是局部出現(xiàn)過熱點。針對電流致熱型設備，導則根據(jù)相對溫差法對設備的狀態(tài)進行分類，相對溫差法的公式為

式中，1為發(fā)熱點的溫度；2為正常相對應點的溫度；0為環(huán)境溫度參照體的溫度；為相對溫差。

根據(jù)相對溫差，導則將接頭設備的運行狀態(tài)劃分成正常、一般缺陷和嚴重缺陷，本文根據(jù)導則對引線接頭狀態(tài)劃分依據(jù)，將接頭狀態(tài)分為上述三類。圖7展示了三種運行狀態(tài)下的高壓引線接頭紅外圖像。

圖7 高壓引線接頭狀態(tài)示例

在目標檢測問題中，訓練數(shù)據(jù)集的選擇和原始圖像的標簽制作是兩個至關重要的步驟，原始圖像標簽的準確性直接影響訓練效果和測試的準確性。目前，在變電站巡檢中，缺乏對外公開的適合深度學習訓練的數(shù)據(jù)集。本文創(chuàng)建了基于紅外圖像的變電站高壓接線頭的數(shù)據(jù)集，本次采集正常狀態(tài)、一般缺陷和嚴重缺陷的變電站高壓接線頭紅外圖像各3 000張，用于測試的圖像各300張。首先將數(shù)據(jù)庫中的圖像按照VOC2007數(shù)據(jù)集格式進行整理，其次使用label Img工具對訓練集中的圖像進行逐一標記，并生成與之對應的xml格式的目標框位置信息文件，標記時將正常狀態(tài)、一般缺陷和嚴重缺陷的高壓引線接頭分別標記為1、2和3。最后編寫python程序將xml格式的目標框位置信息進行歸一化處理并轉換為.txt格式，作為變電站高壓接線頭數(shù)據(jù)集標簽。

3.2 模型訓練結果

分析數(shù)據(jù)集，待測目標的剛性結構主要分為長方形與近似三角形，不同的故障等級對應的顏色有明顯顏色梯度區(qū)分。對數(shù)據(jù)集進行30 000次迭代訓練，訓練后的Loss曲線與平均交變比（Intersection over Union, IoU）的變化線分別圖8和圖9所示。

圖8 平均損失函數(shù)曲線

圖9 IoU曲線

在訓練過程中，通過繪制損失（Loss）曲線能夠直觀地觀察到訓練的動態(tài)過程。圖8展示本文方法模型訓練過程中對應的平均損失曲線，橫坐標表示訓練迭代次數(shù)，縱坐標表示訓練過程中的Loss值。圖9中IoU的值在[0,1]之間，同時IoU越接近1表示兩個窗口重疊部分越多，定位準確度也就越好，反之則越差。

3.3 性能測試與對比

本文中，使用經(jīng)過訓練的基于改進區(qū)域全卷積網(wǎng)絡進行了一系列實驗，并通過測試圖像來驗證算法的性能。使用測試集對訓練好的模型進行測試，測試的指標主要有查準率（Precision）、查全率（Recall）、平均檢測精度mAP（mean Average Precision）、平均最低可信度AMC（Average Minimum Confidence）和漏檢率（Loss）。其中平均最低可信度用來評價識別多類目標算法對某一目標的分類性能，漏檢率用來檢驗算法識別目標框的性能。采用式（8）~式（13）對指標進行評測。

式中，TP為算法中被正確分類的正樣本；FP為錯誤分類的正樣本；FN為錯誤分類的負樣本。

式中，為圖片數(shù)量；C為目標種類。

式中，MC為一張圖片中系統(tǒng)對于正確識別出的某一類目標中的最低可信度。

式中，B為圖中全部的目標個數(shù)；M為未檢測出的目標個數(shù)。

為了驗證本文提出的模型的性能，將提出的基于改進R-FCN網(wǎng)絡與R-FCN網(wǎng)絡Faster-RCNN網(wǎng)絡進行了比較，目的是說明本文提出的基于改進區(qū)域全卷積網(wǎng)絡模型的優(yōu)越性?；诟倪MR-FCN網(wǎng)絡、R-FCN網(wǎng)絡和Faster-RCNN網(wǎng)絡的指標評測見表1。

表1 三種模型性能指標評測

Tab.1 Test comparison for three models

通過表1的對比可以證明，改進后的R-FCN網(wǎng)絡在檢測精度與回召率上相較于原網(wǎng)絡R-FCN和Faster R-CNN都有所提高。這一部分的提高主要是基于對于小目標檢測能力的提升，具體每一類下提升的精度可以參照表2。在檢測時間上，改進后的R-FCN網(wǎng)絡的平均檢測時間為0.17s，與原R-FCN網(wǎng)絡的0.170s相近；與Faster-RCNN網(wǎng)絡的平均檢測時間3.42s相比，改進后的R-FCN網(wǎng)絡大大縮短了平均檢測時間。

每一類的AMC指標對比見表2。

表2 AMC指標對比

Tab.2 AMC indicator comparison （%）

從表2的比對可以看出，改進后的R-FCN網(wǎng)絡比原網(wǎng)絡R-FCN的檢測準確度有明顯的提高。

將改進前與改進后的R-FCN網(wǎng)絡進行對比，同樣對原R-FCN網(wǎng)絡進行30 000次的迭代訓練，使用準確率-召回率曲線（P-R曲線）來評估兩個結構在整個測試集上的表現(xiàn)，P-R曲線如10所示。準確率代表其分割出高壓引線接頭的正確率，召回率代表R-FCN分割出圖像中全部高壓引線接頭的能力。理想情況下的P-R曲線是一條準確度始終為1的直線，性能好的模型在召回率持續(xù)增長的同時準確率應保持在一個很高的值，而性能差的模型需要犧牲大量的準確率值才能換取召回率的提高。優(yōu)化后模型的P-R曲線在85%的召回率之后才出現(xiàn)了準確度的下降，相比于原網(wǎng)絡在70%的召回率下就出現(xiàn)了準確度下降，可以證明優(yōu)化后的網(wǎng)絡模型檢測效果有明顯提升。

圖10 P-R曲線

高壓引線接頭狀態(tài)檢測結果對比如圖11所示，其中標號2表示一般缺陷，標號3表示嚴重缺陷。結合圖10和圖11，可見改進R-FCN網(wǎng)絡在保證了高召回率的同時，準確率也達到了較高水平，相比于原R-FCN網(wǎng)絡性能有很大的提升。

4 在線監(jiān)測與故障診斷系統(tǒng)

在線監(jiān)控系統(tǒng)結構如圖12所示，集可見光、紅外熱成像和嵌入式處理技術于一體，可實現(xiàn)對故障的實時在線監(jiān)測。

圖12 在線監(jiān)控系統(tǒng)結構

系統(tǒng)通過對采集到的紅外圖像進行分析處理以實現(xiàn)高壓引線接頭的故障診斷。在線監(jiān)控系統(tǒng)處理流程如圖13所示，首先為了提高故障診斷的準確率，對紅外圖像進行預處理，其工作包括圖像去噪和圖像增強，然后訓練特征提取網(wǎng)絡自動提取樣本故障的特征圖，在特征圖上使用改進的R-FCN網(wǎng)絡檢測出故障區(qū)域和故障等級，再將檢測結果送入OpenCV中進行二次診斷以進一步降低誤報率。在系統(tǒng)巡航過程中，如發(fā)現(xiàn)目標設備溫度異常自動報警，報警信息有文字信息和聲音信息，提示運行人員具體的報警位置狀況信息，以便跟蹤故障點，確認告警情況并排除故障。

系統(tǒng)客戶端界面如圖14所示。由系統(tǒng)客戶端界面可見，A相電抗器引線連接處被標記為嚴重缺陷，且熱點溫度為104.4℃，溫差為59K，疑似因接觸不良而導致發(fā)熱。根據(jù)《國家電網(wǎng)公司變電檢測管理規(guī)定（試行）第1分冊紅外熱像檢測細則》定義為嚴重缺陷，建議加強監(jiān)視，盡快安排處理。

圖13 系統(tǒng)處理流程

圖14 系統(tǒng)客戶端界面

對異常部位通過停電處理發(fā)現(xiàn)，發(fā)熱相A相電抗器引線連接處螺栓與接線板銹蝕嚴重，如圖15所示，通過更換新螺栓、打磨接線板銹蝕部位、涂抹導電脂的方式對異常發(fā)熱部位進行處理。處理完畢，送電運行12h后進行復測，異常部位溫度恢復正常。

圖15 故障位置

5 結論

本文以電氣設備紅外圖像故障診斷為基礎，針對目前紅外診斷主要依賴人工識別，檢測效率低，對人員經(jīng)驗的依賴大的狀況，使用基于卷積神經(jīng)網(wǎng)絡的故障診斷方法能夠實現(xiàn)故障的自動診斷。同時針對目前卷積神經(jīng)網(wǎng)絡在電氣設備故障診斷方面的研究缺少對設備具體狀態(tài)的確定的情況，本文研究了如何用卷積神經(jīng)網(wǎng)絡確定設備狀態(tài)。通過改進的R-FCN網(wǎng)絡結合OpenCV二次診斷的方法，首先對殘差模塊進行了優(yōu)化，每個殘差塊融合了低層特征和高層特征，以實現(xiàn)對高壓引線接頭小目標的識別。然后訓練特征提取網(wǎng)絡自動提取樣本故障的特征圖，并在特征圖上使用R-FCN網(wǎng)絡檢測出故障區(qū)域和故障等級。最后將檢測結果送入OpenCV中，對缺陷的等級劃分進行二次診斷，以進一步降低誤報率。實現(xiàn)了特征提取和故障檢測識別端到端的過程，避免了由于人工提取故障特征而造成特征單一，及在特定情況和場景下無法有效檢測并識別故障的問題，確保算法模型的穩(wěn)定性、實時性和可靠性。結果證明經(jīng)過改進后的R-FCN網(wǎng)絡對高壓引線接頭紅外圖像故障診斷的平均精度達到了80.76%，比原R-FCN網(wǎng)絡提升了8.43%。

[1]徐彪, 尹項根, 張哲, 等. 電網(wǎng)故障診斷的分階段解析模型[J]. 電工技術學報, 2018, 33(17): 4113-4122. Xu Biao, Yin Xianggen, Zhang Zhe, et al. A staged analytical model for power system fault diagnosis[J]. Transactions of China Electrotechnical Society, 2018, 33(17): 4113-4122.

[2]楊志淳, 沈煜, 楊帆, 等. 考慮多元因素態(tài)勢演變的配電變壓器遷移學習故障診斷模型[J]. 電工技術學報, 2019, 34(7): 1505-1515. Yang Zhichun, Shen Yu, Yang Fan, et al. A transfer learning fault diagnosis model of distribution transformer considering multi-factor situation evolution[J]. Transactions of China Electrotechnical Society, 2019, 34(7): 1505-1515.

[3]徐春華, 陳克緒, 馬建, 等. 基于深度置信網(wǎng)絡的電力負荷識別[J]. 電工技術學報, 2019, 34(19): 4135-4142. Xu Chunhua, Chen Kexu, Ma Jian, et al. Recognition of power loads based on deep belief network[J]. Transactions of China Electrotechnical Society, 2019, 34(19): 4135-4142.

[4]朱煜峰, 許永鵬, 陳孝信, 等. 基于卷積神經(jīng)網(wǎng)絡的直流XLPE電纜局部放電模式識別技術[J]. 電工技術學報, 2020, 35(3): 659-668. Zhu Yufeng, Xu Yongpeng, Chen Xiaoxin, et al. Pattern recognition of partial discharges in DC XLPE cables based on convolutional neural network[J]. Transactions of China Electrotechnical Society, 2020, 35(3): 659-668.

[5]李超然, 肖飛, 樊亞翔, 等. 基于卷積神經(jīng)網(wǎng)絡的鋰離子電池SOH估算[J]. 電工技術學報, 2020, 35(19): 4106-4119. Li Chaoran, Xiao Fei, Fan Yaxiang, et al. An approach to lithium-ion battery SOH estimation based on convolutional neural network[J]. Transactions of China Electrotechnical Society, 2020, 35(19): 4106-4119.

[6]吳迪, 湯小兵, 李鵬, 等. 基于深度神經(jīng)網(wǎng)絡的變電站繼電保護裝置狀態(tài)監(jiān)測技術[J]. 電力系統(tǒng)保護與控制, 2020, 48(5): 81-85. Wu Di, Tang Xiaobing, Li Peng, et al. State monitoring technology of substation relay protection device based on deep neural network[J]. Power System Protection and Control, 2020, 48(5): 81-85.

[7]張倩, 王建平, 李帷韜. 基于反饋機制的卷積神經(jīng)網(wǎng)絡絕緣子狀態(tài)檢測方法[J]. 電工技術學報, 2019, 34(16): 3311-3321. Zhang Qian, Wang Jianping, Li Weitao. Insulator sta- te detection of convolutional neural networks based on feedback mechanism[J]. Transactions of China Electrotechnical Society, 2019, 34(16): 3311-3321.

[8]Jiang Anfeng, Yan Nannan, Wang Fa, et al. Visible image recognition of power transformer equipment based on mask R-CNN[C]//IEEE Sustainable Power and Energy Conference, Beijing, China, 2019: 657-661.

[9]Ren Shaoping, He Kaiming, Girshick R, et al. Faster R-CNN:towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis&Machine Intelligence, 2017, 39(6): 1137-1149.

[10]He Kaiming, Gkioxari G, Dollár P, et al. Mask R-CNN[C]//International Conference on Computer Vision, Venice, Italy, 2017: 2961-2969.

[11]Redmon J, Divvala S, Girshick R, et al. You only look once:unified real-time object detection[C]// IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, USA, 2016: 779-788.

[12]Redmon J, Farhadi A. YOLO9000: better, faster, stronger[C]//IEEE Conference on Computer Vision & Pattern Recognition, Honolulu, USA, 2017: 6517-6525.

[13]Redmon J, Farhadi A. Yolov3: an incremental improvement[C]//Proceedings of the Conference on Computer Vision and Pattern Recognition, Salt Lake City, USA, 2018: 1-4.

[14]Liu Wei, Anguelov D, Erhan D, et al. SSD: single shot multibox detector[C]//European Conference on Computer Vision, Amsterdam, The Netherlands, 2016: 21-37.

[15]Wang Bin, Dong Ming, Ren Ming, et al. Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis[J]. IEEE Transactions on Instrumentation and Measurement, 2020, 69(8): 5345-5355.

[16]王萬國, 田兵, 劉越. 基于RCNN的無人機巡檢圖像電力小部件識別研究[J]. 地球信息科學學報, 2017, 19(2): 256-263. Wang Wanguo, Tian Bing, Liu Yue. Research on power component identification of UAV inspection image based on RCNN[J]. Journal of Earth Information Science, 2017, 19(2): 256-263.

[17]Xiao Lijun, Mao Qiang, Lan Penghao, et al. A fault diagnosis method of insulator string based on infrared image feature extraction and probabilistic neural network[C]//International Conference on Intelligent Computation Technology & Automation, Changsha, 2017: 80-85.

[18]Dai Jifeng, Li Yi, He Kaiming, et al. R-FCN: object detection via region-based fully convolutional networks[C]//Proceedings of the 2016 Advances in Neural Information Processing Systems, Barcelona, Spain, 2016: 208-217.

[19]Bodla N, Singh B, Chellappa R, et al. Soft-NMS-improving object detection with one line of code[C]// 2017 IEEE International Conference on Computer Vision, Venice, Italy, 2017: 5562-5570.

[20]He Kaiming, Zhang Xiangyu, Ren Shaoqing, et al. Deep residual learning for image recognition [C]// IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, USA, 2016: 770-778.

[21]Liu Jian, Zhao Mingrui, Guo Xifeng. A fruit detection algorithm based on R-FCN in natural scene[C]//2020 Chinese Control And Decision Conference (CCDC), Hefei, China, 2020: 487-492

[22]Shelhamer E, Long J, Darrell T. Fully convolutional networks for semantic segmentation[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2014, 39(4): 640-651.

Online Fault Diagnosis Method for Infrared Image Feature Analysis of High-Voltage Lead Connectors Based on Improved R-FCN

Xu Qiwei1Huang Hong1Zhang Xuefeng1Zhou Chuan1Wu Shaopeng2

（1. The State Key Laboratory of Power Transmission Equipment & System Security and New Technology Chongqing University Chongqing 400044 China 2. School of Electrical Engineering and Automation Harbin Institute of Technology Harbin 150001 China）

With the continuous development of smart grid construction, massive infrared images have increased dramatically, while traditional infrared fault detection relies on manual inspection or manual extraction of features, low detection efficiency and great dependence on personnel experience. In order to realize the efficient and intelligent detection of infrared images and ensure the safe operation of the grid, this paper constructs an online fault diagnosis system based on infrared feature analysis, and proposes to improve the recognition performance of small targets by improving the feature extraction network of high-voltage lead connectors infrared images. Then, the region-based fully convolutional networks (R-FCN) is used to identify the location and operational status of the faulty area, and the operating state of the faulty area is secondarily diagnosed using OpenCV to further reduce the false alarm rate. Finally, through testing and analysis, the average accuracy of the improved R-FCN network for high-voltage lead connectors infrared image fault diagnosis reached 80.76%, which is 8.43% higher than the original R-FCN network.

Fault diagnosis, high-voltage lead connectors, infrared image, region-based fully convolutional networks, residual network

TM938.6；TP391.4

10.19595/j.cnki.1000-6753.tces.201136

重慶市科學技術委員會項目（cstc2018jcyjA3148）和重慶市研究生科研創(chuàng)新項目（CYS18071）資助。

2020-08-30

2020-10-09

徐奇?zhèn)?男，1983年生，博士，副教授，研究方向為特種電機設計與控制，電動汽車電驅動系統(tǒng)，混合動力的控制與仿真。E-mail：xuqw@cqu.edu.cn（通信作者）

黃 宏 男，1994年生，碩士，研究方向為圖像處理與模式識別。E-mail：HuangHong1004@cqu.edu.cn

（編輯 郭麗軍）