齊冬蓮 韓譯鋒 周自強(qiáng) 閆云鳳

①(浙江大學(xué)電氣工程學(xué)院 杭州 310027)

②(浙江大學(xué)海南研究院 三亞 572024)

③(浙江華云清潔能源有限公司 杭州 310014)

1 引言

在國民經(jīng)濟(jì)快速發(fā)展的背景下，電力需求不斷增長，電網(wǎng)規(guī)模急速擴(kuò)大，電網(wǎng)行業(yè)逐步加強(qiáng)對電力設(shè)備安全穩(wěn)定運(yùn)行的管控。電力設(shè)備存在的隱患、故障等極易引起“鏈?zhǔn)椒磻?yīng)”致使電網(wǎng)癱瘓，從源頭波及社會(huì)有序發(fā)展。近年來，電力設(shè)備缺陷引發(fā)的事故再一次敲響了警鐘。2019年山東某1000 kV變電站發(fā)生電力設(shè)備爆炸[1]；2020年云南某水電站發(fā)生電力設(shè)備爆燃[2]。這些事故導(dǎo)致了不同程度的人員傷亡及經(jīng)濟(jì)損失。通過視頻圖像智能巡檢技術(shù)對關(guān)鍵電力設(shè)備運(yùn)行狀態(tài)進(jìn)行高頻率的監(jiān)控與分析，精準(zhǔn)預(yù)測故障隱患，及時(shí)發(fā)現(xiàn)電力設(shè)備異常狀態(tài)，是保障電網(wǎng)安全的有效手段。

隨著智能電網(wǎng)的規(guī)模化發(fā)展，機(jī)器人、無人機(jī)和固定攝像頭等巡檢設(shè)備在電網(wǎng)中廣泛應(yīng)用，應(yīng)運(yùn)而生的海量巡檢視頻帶來了人工復(fù)核效率低、缺陷檢測準(zhǔn)確率低、成本日益增加等問題。同時(shí)，電力設(shè)備的異常狀態(tài)呈現(xiàn)種類多樣、形態(tài)多變、異常交互關(guān)聯(lián)、樣本過少、數(shù)據(jù)分散等特點(diǎn)，對其進(jìn)行智能分析具有一定的難度。在此背景下，傳統(tǒng)圖像處理方法與基于深度學(xué)習(xí)的圖像處理方法逐漸應(yīng)用于智能電網(wǎng)領(lǐng)域中。

視頻圖像是電力設(shè)備監(jiān)測最直接、最安全的手段。全國超80%的變電站配備了視頻監(jiān)控設(shè)備，其監(jiān)視對象覆蓋了90%以上的設(shè)備區(qū)域，產(chǎn)生了海量視頻圖像。以浙江某110 kV變電站為例，全站覆蓋80個(gè)高清攝像頭，視頻存儲量巨大。我國35 kV及以上等級的變電站約43441座，其中浙江省110 kV及以上等級變電站約1300座，可見，全國電網(wǎng)中僅變電站產(chǎn)生的視頻量就龐大無比。然而，基于視頻圖像的電力設(shè)備異常狀態(tài)檢測研究尚處于起步階段，大部分檢測任務(wù)仍需人工對海量視頻進(jìn)行判斷、提取和篩選[3]。目前，對于輸變電設(shè)備的巡檢視頻圖像處理仍存在以下問題：(1)視頻數(shù)量大，存儲困難，大量數(shù)據(jù)未能被有效利用；(2)人工查看設(shè)備異常狀況的技能水平參差不齊，平均檢測速度慢，效率低；(3)過多的視頻巡檢任務(wù)容易引發(fā)工作人員的視覺疲勞，從而導(dǎo)致缺陷漏檢、誤檢或故障發(fā)現(xiàn)不及時(shí)等問題。隨著視頻圖像處理技術(shù)的不斷發(fā)展，上述問題得到了有效解決[4]。本文的主要貢獻(xiàn)可概括為以下4點(diǎn)：

(1)列舉了輸變電智能巡檢過程中重點(diǎn)關(guān)注的設(shè)備缺陷類型及當(dāng)前人工巡檢方式的人力消耗。

(2)總結(jié)了基于視頻圖像的輸變電設(shè)備外部缺陷檢測技術(shù)及其應(yīng)用現(xiàn)狀。通過典型設(shè)備缺陷檢測技術(shù)的對比，分析了傳統(tǒng)圖像處理方法與基于深度學(xué)習(xí)方法的優(yōu)劣。

(3)分析了當(dāng)前圖像算法開發(fā)平臺在輸變電巡檢領(lǐng)域應(yīng)用的現(xiàn)狀，總結(jié)了智能電網(wǎng)推動(dòng)過程中輸變電智能巡檢系統(tǒng)開發(fā)及應(yīng)用情況。

(4)指出了圖像處理技術(shù)在輸變電設(shè)備巡檢領(lǐng)域應(yīng)用存在的問題，闡述了未來研究方向。

2 輸變電設(shè)備外部缺陷種類及巡檢方式

在基于視頻圖像的電網(wǎng)安全運(yùn)行巡檢過程中，主要關(guān)注的輸變電設(shè)備缺陷可分為設(shè)備損壞和狀態(tài)異常兩類。表1列舉了輸變電場景中典型設(shè)備的缺陷類型。其中，設(shè)備破損包括設(shè)備外殼破損、滲漏油、金屬銹蝕等能夠從外部直接觀測到的缺陷。狀態(tài)異常包括設(shè)備讀數(shù)異常、油位計(jì)讀數(shù)異常等，此類缺陷檢測需要首先獲取狀態(tài)讀數(shù)，再對讀數(shù)進(jìn)行分析計(jì)算，探查設(shè)備運(yùn)行狀態(tài)。綜上，本文所述的基于視頻圖像的設(shè)備缺陷檢測技術(shù)主要針對表1所列舉出的缺陷類型，通過外觀變化判斷、狀態(tài)讀數(shù)識別等手段，實(shí)現(xiàn)輸變電設(shè)備的智能巡檢。

表1 輸變電設(shè)備外部缺陷示例

當(dāng)前，基于視頻圖像的變電站巡檢任務(wù)通過調(diào)用固定攝像頭、巡檢機(jī)器人等方式采集變電站運(yùn)行過程中的視頻圖像。輸電設(shè)備巡檢任務(wù)則通過人工拍攝及無人機(jī)拍攝等方式采集視頻圖像。采集到的輸變電設(shè)備圖像數(shù)據(jù)主要依靠人工篩查的方式檢測輸變電設(shè)備缺陷，具有準(zhǔn)確度高、故障發(fā)現(xiàn)及時(shí)的優(yōu)點(diǎn)，卻耗費(fèi)了大量人力資源。以浙江某110 kV變電站每天產(chǎn)生的數(shù)據(jù)量為例，按照每人0.25 fps的速度進(jìn)行篩查，完成全部篩查任務(wù)需要1000工時(shí)(單人)以上，這種程度的人力消耗遠(yuǎn)超出站內(nèi)運(yùn)維承受能力。此外，輸電設(shè)備巡檢環(huán)境復(fù)雜，圖像的采集與分析受環(huán)境影響較大，人工拍攝困難，無法滿足缺陷檢測的實(shí)時(shí)性要求。在新一代智能電網(wǎng)、無人值守變電站等發(fā)展需求下，利用智能視頻圖像算法篩查設(shè)備缺陷成為無人變電站、輸電設(shè)備智能巡檢領(lǐng)域的研究熱點(diǎn)。

3 輸變電設(shè)備外部缺陷檢測

3.1 圖像處理任務(wù)

圖像處理旨在利用計(jì)算機(jī)從視頻圖像中獲取高級、抽象的信息。在輸變電設(shè)備外部缺陷巡檢任務(wù)中，主要涉及圖像處理任務(wù)中個(gè)重要分支：圖像分類、目標(biāo)檢測和圖像分割。

3.1.1 圖像分類

圖像分類任務(wù)通過獲取輸入圖像的特征，判斷拍攝內(nèi)容的具體類別。在輸變電設(shè)備外部缺陷檢測任務(wù)中，圖像分類方法多用于判斷所拍攝圖像中的設(shè)備外觀是否有明顯破損或是否處于異常狀態(tài)。

傳統(tǒng)的圖像分類方法包含貝葉斯法[5]、費(fèi)希爾(Fisher)分類器[6]、支持向量機(jī)[7]、提升方法(Boosting)[8]等。這些方法的分類理論相對完善，但對圖像內(nèi)部語義信息提取能力較差，準(zhǔn)確率有待提高?；谏窠?jīng)網(wǎng)絡(luò)的圖像分類方法通過構(gòu)建神經(jīng)元連接的網(wǎng)絡(luò)結(jié)構(gòu)，在訓(xùn)練中獲取圖像內(nèi)部特征，完成分類任務(wù)。早期的神經(jīng)網(wǎng)絡(luò)主要有反向傳播(Back Propagation, BP)網(wǎng)絡(luò)、霍普菲爾德(Hopfield)神經(jīng)網(wǎng)絡(luò)與自適應(yīng)共振理論(Adaptive Resonance Theory, ART)等。此類網(wǎng)絡(luò)雖然結(jié)構(gòu)簡單、訓(xùn)練方便、擬合能力強(qiáng)，但存在學(xué)習(xí)速度慢、容易陷入局部極值以及梯度消失或梯度爆炸等問題。近年來，深度神經(jīng)網(wǎng)絡(luò)在圖像分類任務(wù)表現(xiàn)優(yōu)異。2107年，Krizhevsky等人[9]提出的深度卷積神經(jīng)網(wǎng)絡(luò)提升了神經(jīng)網(wǎng)絡(luò)在分類任務(wù)中的準(zhǔn)確率。殘差網(wǎng)絡(luò)(Resnet)、擠壓激勵(lì)網(wǎng)絡(luò)(Senet)等在網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)上實(shí)現(xiàn)模型架構(gòu)的優(yōu)化[10,11]。與傳統(tǒng)機(jī)器學(xué)習(xí)相比，深度神經(jīng)網(wǎng)絡(luò)模型利用訓(xùn)練好的模型，采用端到端的方式將特征提取與分類目標(biāo)結(jié)合在一起，學(xué)習(xí)能力較強(qiáng)。然而，基于深度學(xué)習(xí)的圖像分類方法存在模型正確性驗(yàn)證復(fù)雜、模型訓(xùn)練依賴大量樣本、計(jì)算量大等問題。

3.1.2 目標(biāo)檢測

目標(biāo)檢測通過模型定位圖像中的所有目標(biāo)并判斷其類別。該任務(wù)可以在輸變電設(shè)備監(jiān)控圖像中自動(dòng)框定設(shè)備區(qū)域或搜尋設(shè)備異常發(fā)生的位置，實(shí)現(xiàn)智能故障檢測。

傳統(tǒng)的目標(biāo)檢測算法包括基于方向梯度直方圖(Histogram of Oriented Gradients, HOG)的檢測算法、可變形組件模型(Deformable Part Model,DPM)算法等?；谏疃葘W(xué)習(xí)的檢測算法包括，區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Region-based Convolutional Neural Network, RCNN)[12]、快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Faster RCNN)算法等[13]。此外，為加快網(wǎng)絡(luò)運(yùn)行，研究者又提出了以SSD[14]和YOLO[15]為代表的1階段檢測器。近年來，無錨(Anchor-Free)算法成為新的熱點(diǎn)，主要包括DenseBox[16], CornerNet[17],ExtremeNet[18], FSAF[19], FCOS[20]和FoveaBox[21]等。深度學(xué)習(xí)模型的不斷完善，提升了目標(biāo)檢測任務(wù)的準(zhǔn)確率，加速了技術(shù)落地應(yīng)用。

3.1.3 圖像分割

圖像分割任務(wù)對目標(biāo)圖像的密集像素進(jìn)行預(yù)測，實(shí)現(xiàn)像素的標(biāo)記和分類。在輸變電設(shè)備監(jiān)控圖像中，圖像分割主要用于自動(dòng)分割出設(shè)備所在區(qū)域，為后續(xù)異常判斷提供精準(zhǔn)輪廓與像素級類別信息。

傳統(tǒng)的圖像分割方法包括基于閾值的分割方法[22]，基于邊緣的分割方法[23]，基于區(qū)域生長的分割方法[24]，基于聚類的圖像分割方法[25]，基于圖論的分割方法等[26]。傳統(tǒng)圖像分割方法流程簡單，重點(diǎn)關(guān)注像素變化中的邊界信息，但缺少對圖像中語義信息的關(guān)注?；谏疃葘W(xué)習(xí)的圖像分割方法對關(guān)注區(qū)域的像素進(jìn)行特征提取與分析，利用輪廓信息及語義信息進(jìn)行分類，實(shí)現(xiàn)目標(biāo)分割。代表性方法包括：多尺度圖像區(qū)塊提取法[27]，基于循環(huán)神經(jīng)網(wǎng)絡(luò)的圖像區(qū)塊預(yù)測法[28]，全卷積神經(jīng)網(wǎng)絡(luò)FCN[29]，Deeplab[30]系列等。上述方法雖然能夠更加高效地提取圖像中的語義特征，卻存在計(jì)算量大、效率低、訓(xùn)練困難等缺點(diǎn)。

3.2 基于視頻圖像的電力設(shè)備缺陷檢測方法

電力設(shè)備運(yùn)行環(huán)境復(fù)雜，種類眾多，動(dòng)態(tài)過程快。輸變電設(shè)備故障嚴(yán)重影響社會(huì)穩(wěn)定和經(jīng)濟(jì)發(fā)展。近年來，輸變電設(shè)備視頻圖像的異常檢測成為新的研究熱點(diǎn)，現(xiàn)有研究方法主要有：

(1) 基于傳統(tǒng)圖像處理算法的電力設(shè)備缺陷檢測方法。結(jié)合電力設(shè)備的形態(tài)、特征分布等信息，識別設(shè)備狀態(tài)，從而判斷異常。

(2) 基于深度學(xué)習(xí)的電力設(shè)備缺陷檢測方法。根據(jù)已有數(shù)據(jù)集對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練所得模型能夠識別輸變電設(shè)備的運(yùn)行狀態(tài)，及時(shí)檢測設(shè)備缺陷。

3.2.1 基于傳統(tǒng)圖像處理算法的輸變電設(shè)備缺陷檢測

傳統(tǒng)圖像處理算法能夠識別設(shè)備特征，根據(jù)特征差異性進(jìn)行異常狀態(tài)判斷。這一類方法依賴人工設(shè)計(jì)，難以應(yīng)對復(fù)雜多變的場景，識別準(zhǔn)確率較差，但對硬件設(shè)備與樣本量要求較低，算法流程易于實(shí)現(xiàn)。本章列舉了5種基于傳統(tǒng)圖像處理算法的輸變電設(shè)備缺陷檢測的典型應(yīng)用場景。

(1)隔離開關(guān)。在輸變電設(shè)備巡檢任務(wù)中，需要判斷隔離開關(guān)的開、合及閉合不到位等狀態(tài)，如圖1中第1列所示。當(dāng)前方法包括：基于局部區(qū)域的設(shè)備邊緣檢測方法[31]，基于尺度不變特征變換、霍夫變換和K臨近算法的檢測方法[32]，基于霍夫森林的檢測方法[33]等。該類方法在圖像拍攝質(zhì)量較好時(shí)，具有較高的檢測準(zhǔn)確率，但由于隔離開關(guān)運(yùn)行環(huán)境復(fù)雜多變，噪聲干擾嚴(yán)重，現(xiàn)有方法主要實(shí)現(xiàn)了分、合兩個(gè)狀態(tài)的自動(dòng)識別，而對于臨界狀態(tài)的識別準(zhǔn)確率較低。

(2)絕緣子破損。絕緣子破損檢測是輸變電巡檢領(lǐng)域中最為重要的任務(wù)之一，視頻圖像巡檢技術(shù)能夠提高巡檢頻率及效率。郭威等人[34]利用Canny算子提取到的絕緣子輪廓信息標(biāo)記絕緣子位置判定絕緣子是否缺失；李浩然等人[35]利用改進(jìn)的Canny算子檢測絕緣子裂紋，優(yōu)化了航拍絕緣子裂紋檢測結(jié)果；嚴(yán)宇等人[36]提出了基于霍夫變換的絕緣子視覺檢測方法。絕緣子破損特征明顯，識別準(zhǔn)確率較好。

(3)指針式儀表。儀表讀數(shù)識別任務(wù)的重點(diǎn)在于識別儀表指針與儀表刻度，如圖1中第3列圖像所示?？紤]到儀表指針呈直線的特點(diǎn)，大部分方法采用霍夫變換獲取指針的方向和位置，從而獲取儀表讀數(shù)[37]。儀表刻度識別主要包括模版匹配、多階段刻度識別等方法。文獻(xiàn)[38]利用預(yù)先構(gòu)建的雙針儀表設(shè)備圖像模板及尺度不變特征變換算法識別儀表讀數(shù)；文獻(xiàn)[39]首先粗識別出表盤刻度候選區(qū)域，再細(xì)識別精準(zhǔn)定位刻度。上述方法在指針數(shù)量較少、表盤刻度均勻且圖像拍攝質(zhì)量較好時(shí)，具有較高的準(zhǔn)確率，但每種算法只能應(yīng)對一種表盤或指針類型的儀表，難以適應(yīng)變電站內(nèi)表計(jì)種類復(fù)雜的環(huán)境。

(4)輸電線路。輸電線路巡檢任務(wù)通過無人機(jī)等對線路上的輸電設(shè)備進(jìn)行圖像采集，并完成缺陷檢測，所拍攝圖像如圖1第4列所示。文獻(xiàn)[40]通過建立圖像樣本庫及提取圖像梯度直方圖(Histogram of Oriented Gradients, HOG)特征的方法，檢測輸電線路螺栓缺陷；文獻(xiàn)[41]利用超像素圖像分割技術(shù)，對變電設(shè)備紅外圖像進(jìn)行分割，提取發(fā)熱故障區(qū)域。上述傳統(tǒng)分類方法的識別準(zhǔn)確率依賴于現(xiàn)場拍攝設(shè)備及拍攝條件，算法識別精度難以進(jìn)一步提升。

圖1 輸變電設(shè)備缺陷檢測典型應(yīng)用場景

(5)溫度檢測。輸變電設(shè)備溫度檢測任務(wù)可分為目標(biāo)設(shè)備定位與溫度分析。設(shè)備在紅外監(jiān)控圖像中的自動(dòng)定位通過圖像處理方法實(shí)現(xiàn)?，F(xiàn)有的解決方案有：楊洋[42]提出基于Canny邊緣特征提取與k-means聚類的目標(biāo)設(shè)備區(qū)域檢測方法；郭文誠等人[43]針對設(shè)備圖像傾斜、縮放等問題，采用具有旋轉(zhuǎn)與縮放不變性的Zernike矩陣作為待識別設(shè)備的特征，并使用支持向量機(jī)進(jìn)行設(shè)備分類與識別；馮振新等人[44]針對目標(biāo)邊界模糊、區(qū)域灰度變化等問題，結(jié)合灰度相似度聚類與閾值分割機(jī)制，快速分割相似像素，獲取紅外故障區(qū)域。傳統(tǒng)的溫度檢測方法測溫精度高、靈敏度強(qiáng)，但存在測溫區(qū)域邊界模糊等問題。

3.2.2 基于傳統(tǒng)圖像處理算法的輸變電設(shè)備缺陷檢測

基于深度學(xué)習(xí)的缺陷檢測方法利用電力設(shè)備缺陷樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，使模型能夠?qū)W習(xí)到樣本特征并應(yīng)對不同的背景環(huán)境。總體來說，這一類方法的主要步驟為：(1) 設(shè)計(jì)基于深度學(xué)習(xí)的網(wǎng)絡(luò)模型結(jié)構(gòu)。(2) 制作數(shù)據(jù)集，收集并標(biāo)注待檢測的電力設(shè)備缺陷圖像。(3) 利用標(biāo)注好的圖像訓(xùn)練網(wǎng)絡(luò)模型，保存最優(yōu)模型參數(shù)。(4) 使用最優(yōu)網(wǎng)絡(luò)模型進(jìn)行設(shè)備缺陷檢測?；谏疃葘W(xué)習(xí)算法的輸變電設(shè)備缺陷檢測典型應(yīng)用場景如下：

(1) 隔離開關(guān)。主要通過深度網(wǎng)絡(luò)模型識別隔離開關(guān)當(dāng)前狀態(tài)。文獻(xiàn)[45]通過融合非下采樣輪廓波變換(Contourlet)和2維最大熵分割方法，完成閘刀位置的自動(dòng)識別。文獻(xiàn)[46]利用深度卷積對抗網(wǎng)絡(luò)識別開關(guān)狀態(tài)，實(shí)現(xiàn)隔離開關(guān)狀態(tài)的“雙確認(rèn)”。此外，文獻(xiàn)[47]針對隔離開關(guān)故障類型和故障發(fā)生位置難以被有效識別的問題，利用ReliefF算法優(yōu)化隔離開關(guān)多路特征，并使用BP網(wǎng)絡(luò)進(jìn)行融合決策。然而，算法準(zhǔn)確率過分依賴樣本數(shù)據(jù)量。

(2) 絕緣子破損。通過神經(jīng)網(wǎng)絡(luò)模型定位絕緣子并判斷是否發(fā)生破損。唐小煜等人[48]利用目標(biāo)檢測與圖像分割算法綜合判斷絕緣子缺陷；朱明州等人[49]利用改進(jìn)的目標(biāo)檢測算法對絕緣子進(jìn)行檢測；王道累等人[50]提出了改進(jìn)生成對抗網(wǎng)絡(luò)，完成玻璃絕緣子自爆缺陷檢測。相比于其他類型的輸變電設(shè)備缺陷，絕緣子破損特征較為明顯，深度學(xué)習(xí)模型能夠較好地提取特征，具有較好的檢測準(zhǔn)確率。

(3) 指針式儀表。此類任務(wù)主要通過深度模型獲取儀表刻度與指針位置。例如，文獻(xiàn)[51]通過卷積神經(jīng)網(wǎng)絡(luò)與文本檢測器獲取表盤刻度位置與數(shù)值信息，并通過位置信息定位指針位置。文獻(xiàn)[52]通過目標(biāo)檢測算法Faster RCNN確定表盤位置及表計(jì)種類，通過圖像分割算法U-Net獲取表盤刻度及指針位置，獲取表計(jì)讀數(shù)。相比于傳統(tǒng)方法，同一深度學(xué)習(xí)算法模型能夠適應(yīng)不同種類的表計(jì)，魯棒性較強(qiáng)，但也存在訓(xùn)練所需數(shù)據(jù)量大、識別效果受限于樣本質(zhì)量等問題。

(4) 輸電線路。主要通過目標(biāo)檢測模型對輸電線路上的設(shè)備缺陷進(jìn)行自動(dòng)識別。例如，文獻(xiàn)[53]利用YOLO-v3網(wǎng)絡(luò)對輸電線路防震錘和線夾進(jìn)行檢測；文獻(xiàn)[54]設(shè)計(jì)輸電線路典型缺陷圖像智能解譯模型，獲取線路上的缺陷位置；文獻(xiàn)[55]通過Faster RCNN檢測器在無人機(jī)巡檢過程中自動(dòng)識別輸電線路桿塔關(guān)鍵結(jié)構(gòu)。輸電線路設(shè)備缺陷的智能識別是電力領(lǐng)域應(yīng)用較為成熟的一個(gè)方向，但仍存在缺陷樣本少、識別率較低等問題。

(5) 溫度檢測。溫度檢測任務(wù)的重點(diǎn)在于通過識別算法自動(dòng)框定監(jiān)控畫面中待測溫區(qū)域。例如，文獻(xiàn)[56]采用Faster RCNN算法實(shí)現(xiàn)對紅外圖像發(fā)熱故障區(qū)域的檢測；文獻(xiàn)[57]利用目標(biāo)檢測算法對變電設(shè)備進(jìn)行精準(zhǔn)定位，再通過溫度閾值判別法對設(shè)備區(qū)域進(jìn)行過熱缺陷判定。上述方法均采用非接觸式方式實(shí)現(xiàn)設(shè)備溫度的實(shí)時(shí)監(jiān)測，算法準(zhǔn)確率過分依賴數(shù)據(jù)集。

相比于傳統(tǒng)方法，基于深度學(xué)習(xí)的圖像處理方法在輸變電設(shè)備外觀缺陷檢測中具有不依賴人工經(jīng)驗(yàn)，智能化程度高，魯棒性強(qiáng)，算法精度較高等優(yōu)點(diǎn)。然而，網(wǎng)絡(luò)模型的優(yōu)化依賴大量訓(xùn)練數(shù)據(jù)，而實(shí)際的電力場景中，缺陷圖像的數(shù)量無法滿足網(wǎng)絡(luò)模型的訓(xùn)練需求，難以發(fā)揮深度學(xué)習(xí)算法的優(yōu)勢。

綜上所述，基于視頻圖像的電力設(shè)備缺陷檢測技術(shù)雖然發(fā)展迅速，但仍然難以應(yīng)對復(fù)雜的電力場景。

目前，該技術(shù)存在以下問題：

(1) 輸變電設(shè)備公開數(shù)據(jù)集較少，論文中算法大多是在各自未開源的數(shù)據(jù)集上測試。算法準(zhǔn)確率缺少統(tǒng)一的衡量標(biāo)準(zhǔn)，難以進(jìn)行橫向比較。

(2) 對于電網(wǎng)內(nèi)部已有的數(shù)據(jù)集來說，輸變電設(shè)備異常狀態(tài)出現(xiàn)頻率低，缺陷數(shù)據(jù)集正負(fù)樣本數(shù)據(jù)嚴(yán)重不平衡。變電站內(nèi)長期積累的數(shù)據(jù)未能有效整理，數(shù)據(jù)資源浪費(fèi)嚴(yán)重。

(3) 電力設(shè)備種類多、拍攝環(huán)境背景復(fù)雜，電力異常狀態(tài)的結(jié)構(gòu)與形狀隨機(jī)性大，現(xiàn)有算法大都針對某種特殊設(shè)備或特殊場景進(jìn)行開發(fā)和定制，泛化能力有限，給實(shí)際應(yīng)用和推廣帶來了諸多困難。

4 圖像處理平臺與缺陷檢測系統(tǒng)

4.1 圖像算法訓(xùn)練平臺

輸變電智能巡檢領(lǐng)域的圖像處理算法開發(fā)專業(yè)壁壘高，算法模型的設(shè)計(jì)與優(yōu)化依賴專業(yè)技術(shù)人員，導(dǎo)致輸變電現(xiàn)場模型迭代更新不及時(shí)。隨著圖像處理技術(shù)的發(fā)展，集成多種算法模型的圖像算法訓(xùn)練平臺逐步興起，為研究者提供了便捷的學(xué)習(xí)平臺與開發(fā)工具，為電力領(lǐng)域工作人員設(shè)計(jì)、修改、更新圖像處理模型提供了可能。

目前，圖像算法訓(xùn)練平臺主要有微軟公司開發(fā)的計(jì)算機(jī)視覺開源云計(jì)算平臺CustomVision.AI[58]、谷歌公司開發(fā)的Cloud AutoML[59]、圖森未來的SimpleDet[60]、 Facebook AI研究院開發(fā)的Detectron2[61]、商湯科技與香港中文大學(xué)開源的mm-Detection[62]以及百度公司開源的PaddlePaddle[63]平臺。以上平臺可分為兩類：

(1) 商業(yè)開發(fā)的圖像處理平臺，以微軟CustomVision.AI、谷歌Cloud AutoML為代表，主要為工業(yè)場景下的圖像處理問題提供企業(yè)級付費(fèi)服務(wù)，存在價(jià)格高、源代碼不開源、支持模型種類有限等缺點(diǎn)。

(2) 開源的圖像處理平臺，以SimpleDet,Detectron2, mmDetection 和PaddlePaddle為代表，這些平臺側(cè)重學(xué)術(shù)研究，支持源代碼開源，是面向?qū)I(yè)開發(fā)者的深度學(xué)習(xí)算法模型工具箱。

微軟CustomVision.AI支持用戶通過平臺創(chuàng)建神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練。訓(xùn)練好的模型可直接導(dǎo)出到移動(dòng)設(shè)備端運(yùn)行，然而，該平臺不支持?jǐn)?shù)據(jù)在線標(biāo)注功能。谷歌Cloud AutoML平臺支持人臉、標(biāo)牌、地標(biāo)識別等任務(wù)，支持用戶人工標(biāo)注，但不支持代碼導(dǎo)出及離線使用功能。SimpleDet集成了目標(biāo)檢測與物體識別模型，主要有Faster RCNN,Mask RCNN[64], Cascade RCNN[65], RetinaNet[66],Knowledge Distillation[67]等。mmDetection由香港中文大學(xué)開發(fā)，支持當(dāng)前業(yè)內(nèi)先進(jìn)的目標(biāo)檢測算法，如Faster RCNN, Mask RCNN, R-FCN, Cascade RCNN, SSD和RetinaNet等。該開源庫集成了訓(xùn)練、測試、模型權(quán)重下載等功能。

PaddlePaddle深度學(xué)習(xí)平臺，包含圖像分類、目標(biāo)檢測、圖像分割以及文字識別等模塊，提供了模型壓縮及部署功能。然而，該平臺缺乏上層封裝，電力行業(yè)人員使用困難?？傮w來說，mmDetection, SimpleDet和Detectron2是面向計(jì)算機(jī)視覺專業(yè)開發(fā)者的工具，訓(xùn)練時(shí)缺少簡單便捷的人機(jī)交互功能，缺少數(shù)據(jù)預(yù)處理、標(biāo)注和模型部署等功能。

綜上所述，現(xiàn)有的通用圖像算法訓(xùn)練平臺雖然能夠提供模型訓(xùn)練功能，但使用群體仍然局限于圖像專業(yè)技術(shù)開發(fā)人員，平臺開發(fā)的模型難以直接移植至電力領(lǐng)域，其面臨的困難主要有：(1) 目前的算法訓(xùn)練平臺環(huán)境配置各不相同、代碼缺少封裝，對于非專業(yè)人士應(yīng)用壁壘較高；(2) 現(xiàn)有平臺缺乏數(shù)據(jù)標(biāo)注、預(yù)處理及數(shù)據(jù)集構(gòu)建功能，無法解決電力行業(yè)現(xiàn)有大量視頻數(shù)據(jù)未能有效利用的問題；(3) 現(xiàn)有平臺缺少模型評測及部署功能，不同模型間缺少橫向?qū)Ρ?，無法有效判斷算法水平，制約了算法開發(fā)進(jìn)程。

4.2 基于視頻圖像的輸變電設(shè)備缺陷檢測系統(tǒng)

在智能電網(wǎng)發(fā)展過程中，視頻圖像是最為重要的輔助監(jiān)控方法之一。目前，基于視頻圖像的輸變電設(shè)備缺陷檢測平臺主要以變電站為建設(shè)核心，通過調(diào)用變電站內(nèi)安裝的攝像頭及巡檢機(jī)器人等拍攝設(shè)備，建立基于視頻圖像的電力設(shè)備缺陷檢測體系，構(gòu)建變電站智能巡檢系統(tǒng)等。此外，在室外環(huán)境下，以無人機(jī)、巡檢機(jī)器人作為主要圖像采集設(shè)備，構(gòu)建相應(yīng)的輸電設(shè)備巡檢系統(tǒng)。

輸變電設(shè)備缺陷檢測系統(tǒng)主要是通過將變電站內(nèi)不同位置的監(jiān)控圖像集成到平臺中，利用智能分析算法，協(xié)助站內(nèi)工作人員在監(jiān)控端對站內(nèi)設(shè)備運(yùn)行狀態(tài)進(jìn)行監(jiān)控、查看及缺陷自動(dòng)檢測。平臺中嵌入的電力設(shè)備缺陷檢測算法，包括基于傳統(tǒng)圖像理論與基于機(jī)器學(xué)習(xí)的圖像處理方法，如1.2節(jié)所述內(nèi)容。

然而，基于視頻圖像的電力設(shè)備缺陷檢測平臺仍存在眾多不足之處。王勛等人[68]認(rèn)為當(dāng)前的智能巡檢系統(tǒng)標(biāo)準(zhǔn)化不足，智能化程度差，誤報(bào)率高，各廠家開發(fā)的平臺智能化水平良莠不齊。嚴(yán)太山等人[69]認(rèn)為目前的缺陷檢測平臺沒有充分發(fā)揮現(xiàn)有視頻技術(shù)的作用，智能化程度不足且與電網(wǎng)業(yè)務(wù)相對孤立。張海華等人[70]認(rèn)為目前變電站智能巡檢系統(tǒng)建立過程中存在數(shù)據(jù)冗余、效率低、巡檢范圍有限等問題。

綜上所述，目前的電力設(shè)備缺陷檢測平臺在界面設(shè)計(jì)、視頻監(jiān)控、信息傳輸?shù)确矫嬉严鄬Τ墒?，但在功能模塊、智能化程度以及與電網(wǎng)行業(yè)要求匹配程度方面仍存在以下不足：

(1) 目前的系統(tǒng)重點(diǎn)關(guān)注實(shí)時(shí)監(jiān)測、監(jiān)控和遠(yuǎn)程報(bào)警等與電網(wǎng)運(yùn)行密切相關(guān)的輔助功能，設(shè)備缺陷的精細(xì)定位及可視化能力有限。

(2) 監(jiān)控對象及監(jiān)控任務(wù)細(xì)化和覆蓋面不夠，與電力行業(yè)的結(jié)合度低，準(zhǔn)確率提升困難。

(3) 目前系統(tǒng)仍需要人工輔助檢查，缺乏設(shè)備缺陷的深入分析及預(yù)警功能。

5 總結(jié)與展望

5.1 問題分析

本文對輸變電智能巡檢領(lǐng)域中的圖像處理技術(shù)、電力設(shè)備缺陷檢測算法、圖像處理算法訓(xùn)練平臺及智能巡檢系統(tǒng)進(jìn)行了綜述，對比并總結(jié)了現(xiàn)有方法的優(yōu)缺點(diǎn)。綜上所述，當(dāng)前基于視頻圖像的輸變電設(shè)備缺陷檢測技術(shù)及平臺雖發(fā)展迅速，依然有以下問題待解決：

(1)有效數(shù)據(jù)匱乏。海量輸變電巡檢視頻圖像樣本數(shù)據(jù)標(biāo)注、清洗及預(yù)處理能力亟待提升。近年來，輸變電視頻圖像巡檢領(lǐng)域積累了大量數(shù)據(jù)，而電力視頻數(shù)據(jù)統(tǒng)一管理機(jī)制尚屬空白，數(shù)據(jù)資源浪費(fèi)嚴(yán)重，數(shù)據(jù)價(jià)值無法體現(xiàn)。針對不同的設(shè)備缺陷，其標(biāo)注及管理方法不盡相同。設(shè)備及缺陷類別標(biāo)注通常需要電力行業(yè)專業(yè)知識，開源的圖像標(biāo)注平臺無法滿足電力高質(zhì)量、高效率標(biāo)注及安全保密管理需求。此外，輸變電設(shè)備缺陷樣本數(shù)據(jù)少，目前大部分圖像數(shù)據(jù)是設(shè)備運(yùn)行正常數(shù)據(jù)，樣本數(shù)據(jù)不均衡影響著檢測模型的泛化能力。

(2)模型魯棒性差、迭代優(yōu)化慢。目前，基于視頻圖像的輸變電設(shè)備缺陷檢測模型智能化水平有待提高?，F(xiàn)有缺陷檢測模型大多針對某種特殊設(shè)備開發(fā)，泛化能力有限。并且輸變電設(shè)備種類多，異常結(jié)構(gòu)與形狀隨機(jī)性大，同一算法在不同視頻圖像拍攝環(huán)境中表現(xiàn)不穩(wěn)定，魯棒性較差，遠(yuǎn)不能滿足大規(guī)模應(yīng)用的要求。此外，電力行業(yè)中圖像專業(yè)技術(shù)人員缺乏，模型迭代更新速度無法滿足實(shí)用要求，模型運(yùn)行過程中積累的誤差數(shù)據(jù)很難得到再利用，模型長時(shí)間運(yùn)行效果差。

(3)模型評價(jià)標(biāo)準(zhǔn)缺失。為提高設(shè)備缺陷檢測模型在實(shí)際場景應(yīng)用的有效性，對模型的標(biāo)準(zhǔn)客觀評價(jià)體系不可或缺。目前的評價(jià)體系多從計(jì)算機(jī)視覺領(lǐng)域出發(fā)，重點(diǎn)關(guān)注模型的準(zhǔn)確率，未能從設(shè)備場景、缺陷嚴(yán)重等級、任務(wù)難度、漏檢率、誤報(bào)率等電力業(yè)務(wù)角度設(shè)計(jì)評價(jià)體系。另外，由于公開的輸變電領(lǐng)域有效圖像數(shù)據(jù)較少，算法模型間無法衡量比較，模型在電力現(xiàn)場的應(yīng)用效果更是無法驗(yàn)證。

綜上，電力設(shè)備運(yùn)維圖像的智能處理技術(shù)仍將是下一步的研究熱點(diǎn)，其技術(shù)水平將對電網(wǎng)智能化進(jìn)程的推進(jìn)起到極大的支撐作用。

5.2 未來工作展望

5.2.1 數(shù)據(jù)集構(gòu)建

如上所述，基于視頻圖像處理技術(shù)的輸變電設(shè)備缺陷檢測算法的開發(fā)，依賴輸變電設(shè)備圖像數(shù)據(jù)的數(shù)量、質(zhì)量。目前電力系統(tǒng)內(nèi)雖已存儲海量監(jiān)控?cái)?shù)據(jù)，但其整理、篩選、標(biāo)注仍然面臨巨大挑戰(zhàn)。因此，輸變電設(shè)備缺陷標(biāo)準(zhǔn)化數(shù)據(jù)集的構(gòu)建將是未來智能巡檢、無人值守變電站發(fā)展的重要基礎(chǔ)。數(shù)據(jù)集的構(gòu)建需要有針對性地面向不同電力任務(wù)場景，在數(shù)據(jù)標(biāo)注時(shí)結(jié)合電力行業(yè)專業(yè)知識，將專家信息融入到數(shù)據(jù)標(biāo)注中，為后續(xù)算法開發(fā)提供數(shù)據(jù)基礎(chǔ)。在技術(shù)方面，重點(diǎn)開發(fā)樣本自動(dòng)標(biāo)注技術(shù)，解決海量數(shù)據(jù)標(biāo)注耗時(shí)耗力的問題。另外，為解決缺陷樣本均衡問題，研究針對輸變電設(shè)備缺陷檢測的半監(jiān)督學(xué)習(xí)、小樣本學(xué)習(xí)及樣本擴(kuò)充技術(shù)。

5.2.2 算法定制開發(fā)與綜合應(yīng)用

如表2所示，傳統(tǒng)圖像處理方法與深度學(xué)習(xí)方法在處理輸變電領(lǐng)域圖像任務(wù)時(shí)優(yōu)缺點(diǎn)明顯。實(shí)際應(yīng)用時(shí)，受現(xiàn)場條件、計(jì)算資源、拍攝角度、任務(wù)需求等約束，算法開發(fā)可綜合利用傳統(tǒng)圖像處理方法與深度學(xué)習(xí)方法，并融合電力專業(yè)知識。一般來說，傳統(tǒng)方法對于圖像內(nèi)像素信息具有準(zhǔn)確的邊、線提取能力，深度學(xué)習(xí)方法對于圖像內(nèi)部語義信息的挖掘更具有優(yōu)勢。同一任務(wù)中，使用不同的圖像信息能夠更加高效地實(shí)現(xiàn)目標(biāo)。

表2 基于視頻圖像的輸變電設(shè)備缺陷檢測算法對比

此外，基于視頻圖像的輸變電設(shè)備缺陷檢測算法應(yīng)結(jié)合電力現(xiàn)場需求進(jìn)行定制開發(fā)，脫離電力任務(wù)的開發(fā)方式將會(huì)出現(xiàn)算法能力冗余或精確度不足等問題。算法模型應(yīng)涵蓋不同輸變電巡檢專家知識，提高模型實(shí)用性。

在對算法進(jìn)行評價(jià)時(shí)，除利用標(biāo)準(zhǔn)輸變電數(shù)據(jù)集進(jìn)行評估外，還要構(gòu)建服務(wù)器數(shù)據(jù)集測試與現(xiàn)場應(yīng)用聯(lián)合測試機(jī)制，將實(shí)用性、新環(huán)境場景適應(yīng)性、算法提升潛力納入算法評估機(jī)制中。

5.2.3 基于視頻圖像的多維度智能訓(xùn)練及管控平臺研制

目前的變電站智能巡檢系統(tǒng)、機(jī)器人巡檢系統(tǒng)、無人機(jī)巡檢系統(tǒng)等大多功能單一，算法準(zhǔn)確率低，智能化程度不足，資源浪費(fèi)嚴(yán)重。此外，現(xiàn)有巡檢系統(tǒng)大多不支持算法訓(xùn)練與更新功能，電力行業(yè)人員無法在發(fā)現(xiàn)問題時(shí)自行對算法模型進(jìn)行優(yōu)化調(diào)整，智能巡檢系統(tǒng)運(yùn)行過程中積累的大量數(shù)據(jù)未能被有效利用。

總體來說，應(yīng)建立基于視頻圖像的多維度智能訓(xùn)練及管控平臺，將固定攝像頭、巡檢機(jī)器人及未來應(yīng)用更廣的無人機(jī)等融入到平臺中，從數(shù)據(jù)采集與管理、部署框架統(tǒng)一、模型算法訓(xùn)練與優(yōu)化、現(xiàn)場巡檢系統(tǒng)匹配與應(yīng)用、分布式計(jì)算與模型下發(fā)等方面來構(gòu)建平臺，注重日常使用過程中的圖像分類收集、標(biāo)注及模型更新迭代，提升電力運(yùn)維智能化水平。