王勝輝， 董興浩， 王璽銘， 金潮偉， 孫凱旋， 律方成

(1.河北省輸變電設(shè)備安全防御重點(diǎn)實(shí)驗(yàn)室(華北電力大學(xué))，河北 保定 071003；2.國(guó)網(wǎng)揚(yáng)州儀征供電公司，江蘇 225000)

0 引 言

懸式絕緣子是輸電線路中的重要元器件,其在長(zhǎng)期的電、熱、機(jī)械因力和環(huán)境因素作用下,會(huì)出現(xiàn)性能劣化甚至產(chǎn)生缺陷。在一定條件下可形成表面放電并伴隨有紫外光信號(hào)輻射[1],其放電嚴(yán)重程度直接與設(shè)備的絕緣性能相關(guān),日盲型紫外成像法具有探測(cè)距離遠(yuǎn)、非接觸、放電位置定位準(zhǔn)確等優(yōu)點(diǎn),能夠較好的評(píng)估絕緣子的運(yùn)行狀態(tài)[2,3],在電氣設(shè)備的放電檢測(cè)中得到了較廣泛的應(yīng)用[4-6]。

隨著人工智能的發(fā)展,深度學(xué)習(xí)算法逐步應(yīng)用于絕緣子運(yùn)行狀態(tài)的智能評(píng)估。文獻(xiàn)[7]采用基于協(xié)同深度學(xué)習(xí)的二階段絕緣子故障檢測(cè)方法,在絕緣子故障檢測(cè)中平均準(zhǔn)確率較高,但僅能檢測(cè)圖像中絕緣子的可見故障與缺陷;文獻(xiàn)[8]基于深度學(xué)習(xí)單階圖像識(shí)別框架的絕緣子在線識(shí)別模型可快速有效地完成絕緣子識(shí)別定位;文獻(xiàn)[9]構(gòu)建了基于深度學(xué)習(xí)的目標(biāo)控制模型,對(duì)拍攝圖像進(jìn)行分析和識(shí)別,整體識(shí)別準(zhǔn)確率較高但小目標(biāo)會(huì)出現(xiàn)檢測(cè)精度低的問題;文獻(xiàn)[10]采用有錨框網(wǎng)絡(luò)YOLOV3進(jìn)行絕緣子檢測(cè)和缺陷識(shí)別,精度較高。紫外成像法可直觀輸出放電的圖像或視頻,文獻(xiàn)[11]搭建了基于紫外成像的絕緣子污穢放電診斷軟件和硬件平臺(tái),采用損失函數(shù)改進(jìn)的YOLO算法進(jìn)行了放電嚴(yán)重程度評(píng)估。將紫外成像儀搭載在無(wú)人機(jī)人上可提高現(xiàn)場(chǎng)檢測(cè)效率[12],降低工人勞動(dòng)強(qiáng)度,但傳統(tǒng)巡檢需通過(guò)4G或5G網(wǎng)絡(luò)傳輸數(shù)據(jù)到后臺(tái)診斷中心,或者在巡檢完畢后將數(shù)據(jù)導(dǎo)入到診斷中心進(jìn)行評(píng)估和識(shí)別,實(shí)時(shí)性較差?，F(xiàn)場(chǎng)檢測(cè)時(shí),若將邊緣計(jì)算平臺(tái)部署于無(wú)人機(jī)上則可以快速完成絕緣子放電嚴(yán)重程度評(píng)估,減少前后端冗余數(shù)據(jù)傳輸[13]。文獻(xiàn)[14]提出了利用FPN構(gòu)建Faster R-CNN檢測(cè)模型的MGFF-KCD來(lái)處理多個(gè)粒度的特征信息,提高了算法的準(zhǔn)確率;文獻(xiàn)[15]提出了一種融合多維度特征的絕緣子狀態(tài)邊緣識(shí)別方法,提升了絕緣子的識(shí)別準(zhǔn)確率。文獻(xiàn)[16]和文獻(xiàn)[17]所設(shè)計(jì)的模型性能較好,但是模型大,將其部署于嵌入式邊緣計(jì)算設(shè)備會(huì)增加功耗,降低識(shí)別速度,因此將邊緣計(jì)算部署于無(wú)人機(jī)上需要考慮功耗和模型小型化問題。

SSD(Single Shot Multibox Detector)深度學(xué)習(xí)算法兼具較快的目標(biāo)檢測(cè)速度和檢測(cè)精度,但該模型較大。為將其部署于邊緣計(jì)算設(shè)備,本文提出了一種改進(jìn)的SSD卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),以多個(gè)低維度Core卷積核組替代了原有的高維度特征提取骨干網(wǎng)絡(luò),并使用輔助特征子網(wǎng)絡(luò)進(jìn)行目標(biāo)預(yù)測(cè)。搭建了瓷懸式絕緣子試驗(yàn)平臺(tái),獲取了不同放電階段的泄漏電流和放電紫外圖像及視頻。設(shè)計(jì)了自主學(xué)習(xí)率更新機(jī)制,提升了模型的訓(xùn)練性能,將訓(xùn)練好的模型下載至Jetson nano邊緣計(jì)算平臺(tái),實(shí)現(xiàn)放電嚴(yán)重程度的智能評(píng)估,可為后續(xù)將該邊緣模塊部署于無(wú)人機(jī)平臺(tái)奠定基礎(chǔ)。

1 試驗(yàn)原理及研究方法

1.1 試驗(yàn)原理

為模擬絕緣子表面不同嚴(yán)重程度的放電,采用人工染污在人工霧室中進(jìn)行相關(guān)試驗(yàn),試驗(yàn)接線如圖1所示。試驗(yàn)變壓器的型號(hào)為TDTW-1 200/300,人工霧室的尺寸為1.5×1.5×2.7 m,超聲波冷霧加濕器型號(hào)為SJC-3000,冷霧經(jīng)由霧室頂部設(shè)置的多個(gè)通風(fēng)口均勻出氣,實(shí)測(cè)其最大相對(duì)濕度可達(dá)95%～97%。在人工霧室的側(cè)面加裝了一片透紫外玻璃,尺寸為1.2×0.6 m,該玻璃在240 nm～280 nm波段紫外光的透光率可達(dá)95%。

圖1 試驗(yàn)原理圖

試品為XWP2-70型瓷懸式絕緣子,本文主要測(cè)量7片絕緣子的紫外放電現(xiàn)象,通過(guò)CoroCAM504紫外成像儀拍攝放電圖形并傳至視頻采集卡進(jìn)行存儲(chǔ),同時(shí)利用G15數(shù)碼相機(jī)拍攝可見光圖像和視頻。泄漏電流采用10Ω的無(wú)感精密電阻進(jìn)行取樣,通過(guò)HS5數(shù)據(jù)采集卡進(jìn)行數(shù)據(jù)采集。

1.2 試驗(yàn)方案

試驗(yàn)使用的絕緣子型號(hào)為XWP2-70,其結(jié)構(gòu)高度為146 mm,公稱盤徑為255 mm,爬電距離為400 mm,表面積為2 023 cm2,采用人工涂污方法模擬絕緣子積污。涂污前,用純凈水對(duì)絕緣子的表面進(jìn)行清洗,晾曬約12 h后,使用相應(yīng)量氯化鈉和高嶺土配置好污液后對(duì)絕緣子的表面進(jìn)行涂覆,控制等值鹽附密度為0.4 mg/cm2,灰密為2 mg/cm2。

試驗(yàn)采用恒壓加濕法進(jìn)行試驗(yàn),對(duì)7片絕緣子串施加電壓為70 kV,打開超聲波加濕器對(duì)人工霧室進(jìn)行增濕。紫外成像儀的增益設(shè)定為60%,觀測(cè)距離為14米,試驗(yàn)中利用數(shù)據(jù)采集系統(tǒng)和紫外成像儀采集相應(yīng)的泄漏電流和放電紫外視頻信號(hào)。

1.3 相對(duì)光斑面積

隨著觀測(cè)距離的增加,放電光斑面積會(huì)近似按照平方反比規(guī)律而下降,直接采用光斑大小來(lái)衡量放電難以得到統(tǒng)一的判據(jù)。在此本文提出了相對(duì)光斑面積參數(shù)Sre,具體如式(1)所示。

(1)

式中:Sins為拍攝的圖像中絕緣子的外部輪廓所對(duì)應(yīng)的長(zhǎng)方形區(qū)域面積,也即該區(qū)域所包含的像素點(diǎn),單位為像素(pixel),如圖2所示。S代表放電的光斑面積,其計(jì)算方法如式(2)。

圖2 絕緣子面積Sins示意圖

(2)

式中:M和N代表二維像素矩陣行與列的數(shù)值,H(x,y)為采用文獻(xiàn)[3]方法對(duì)圖像進(jìn)行閾值分割、形態(tài)學(xué)濾波、小區(qū)域面積算法處理后的二值圖像,可有效提取放電的光斑區(qū)域。光斑面積是放電光斑區(qū)域像素點(diǎn)的個(gè)數(shù),本文定義其單位為像素(pixel)。

1.4 放電嚴(yán)重程度劃分

基于上述試驗(yàn)可獲得不同濕度下放電的典型紫外圖像如圖3所示。

圖3 不同濕度下紫外通道放電圖像

結(jié)合放電時(shí)觀測(cè)到表面的電暈、火花和電弧放電的形態(tài),根據(jù)不同濕度下放電的相對(duì)光斑面積,對(duì)瓷懸式絕緣子的運(yùn)行狀態(tài)進(jìn)行分析,本文將其運(yùn)行狀態(tài)分為以下四種:

(a)當(dāng)相對(duì)濕度達(dá)到約70%左右,絕緣子鐵帽周圍開始出現(xiàn)微弱的電暈放電,紫外圖像上出現(xiàn)分散的光斑點(diǎn),分析可知此時(shí)0≤Sre<0.50,將該狀態(tài)標(biāo)記為“slight”,其泄漏電流波形如圖4所示,此時(shí),其泄漏電流幅值一般為幾毫安左右。

圖4 “slight”狀態(tài)下的泄漏電流波形

(b)隨著濕度繼續(xù)增加,可出現(xiàn)藍(lán)紫色的刷狀小火花放電且伴隨有明顯的“呲呲聲”,光斑區(qū)域呈現(xiàn)不規(guī)則狀態(tài),時(shí)大時(shí)小。分析可知此時(shí)0.50≤Sre<1.0時(shí),將該狀態(tài)標(biāo)記為“moderate”。其泄漏電流波形如圖5所示,此時(shí),其泄漏電流在每個(gè)工頻周期內(nèi)的幅值可達(dá)幾十毫安。

圖5 “moderate”狀態(tài)下的泄漏電流波形

(c)當(dāng)相對(duì)濕度達(dá)到約90%左右時(shí),在鐵帽周圍的干區(qū)開始出現(xiàn)了橘黃色的小電弧放電,長(zhǎng)度不超過(guò)2 cm,在紫外圖像中可以看到較大的光斑,放電紫外圖像區(qū)域可完全遮蓋絕緣子本體,分析可知此時(shí)1.0≤Sre<2.0時(shí),本文將該狀態(tài)標(biāo)記為“heavy”。該狀態(tài)下的泄漏電流波形如圖6所示,其泄漏電流幅值可達(dá)100 mA以上。

圖6 “heavy”狀態(tài)下的泄漏電流波形

(d)隨著濕度進(jìn)一步增加,絕緣子本體上下表面會(huì)偶爾出現(xiàn)明亮的電弧,最大電弧可接近瓷件邊緣,此時(shí)伴隨著紫外圖像明顯增加,將該狀態(tài)標(biāo)記為“worse”,分析可知此時(shí)Sre≥2.0,該狀態(tài)下的泄漏電流波形如圖7所示,其泄漏電流幅值可接近200 mA。

圖7 “worse”狀態(tài)下的泄漏電流波形

2 瓷絕緣子放電嚴(yán)重程度狀態(tài)評(píng)估

2.1 邊緣平臺(tái)搭建

由上述試驗(yàn)可知,紫外圖像可有效反映絕緣子表面的放電,可采用圖像和視頻分析的方法進(jìn)行識(shí)別和評(píng)估。在此本文搭建了基于NVIDIA Jetson nano邊緣計(jì)算識(shí)別平臺(tái),該計(jì)算平臺(tái)配備了Ubuntu18.04操作系統(tǒng),參數(shù)如表1所示。

表1 平臺(tái)參數(shù)

2.2 紫外放電數(shù)據(jù)庫(kù)的建立及數(shù)據(jù)標(biāo)注

本文通過(guò)試驗(yàn)共獲取紫外通道放電圖像8 000張,“slight”、“moderate”、“heavy”、“worse”四個(gè)狀態(tài)下的放電圖像各占四分之一,部分照片如圖8所示。

圖8 放電嚴(yán)重程度樣本數(shù)據(jù)庫(kù)中典型紫外圖像

完成數(shù)據(jù)庫(kù)的搭建后,采用labelImg圖像標(biāo)注軟件對(duì)樣本數(shù)據(jù)庫(kù)內(nèi)的紫外放電圖像進(jìn)行標(biāo)注,并將整個(gè)樣本數(shù)據(jù)集按照3∶1的比例劃分為訓(xùn)練集和測(cè)試集,即將6 000張圖片用于網(wǎng)絡(luò)的訓(xùn)練,2 000張圖片用于模型性能的評(píng)估。本文模型訓(xùn)練的初參數(shù)如表2所示。

表2 模型參數(shù)初始值

2.3 SSD模型的改進(jìn)

將放電嚴(yán)重程度樣本數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,為降低模型大小,本文提出的改進(jìn)檢測(cè)網(wǎng)絡(luò)模型如圖9所示。其由兩部分組成:高度優(yōu)化的Core卷積核子網(wǎng)絡(luò)和基于SSD的輔助特征提取子網(wǎng)絡(luò)。經(jīng)Core卷積核初步提取后生成多個(gè)特征圖,經(jīng)過(guò)選取特定特征圖傳入輔助特征提取子網(wǎng)絡(luò)用于預(yù)測(cè),在保證目標(biāo)檢測(cè)精度的同時(shí)最小化模型。

圖9 改進(jìn)的檢測(cè)網(wǎng)絡(luò)模型

2.3.1 Core卷積組子網(wǎng)絡(luò)

傳統(tǒng)目標(biāo)檢測(cè)算法大都將VGG16等模型用于底層特征提取,此類模型多采用3×3卷積核作為特征圖的濾波器,具有兩方面弊端:一方面卷積的深度不足;另一方面若卷積核的數(shù)量過(guò)多,導(dǎo)致輸出特征圖的通道數(shù)過(guò)多,產(chǎn)生大量的參數(shù),對(duì)硬件的算力和內(nèi)存要求高。本文設(shè)計(jì)了更小的Core卷積組,并利用該網(wǎng)絡(luò)結(jié)構(gòu)體系實(shí)現(xiàn)更為高效的特征提取,Core卷積組的設(shè)計(jì)原則如下:盡可能的減少3×3卷積核的數(shù)量,減少3×3卷積核輸入特征圖的通道數(shù)。

本文所設(shè)計(jì)的Core卷積組共由10個(gè)Core卷積核組成,分別為Core1～Core10。每個(gè)Core卷積核包含兩個(gè)卷積層:壓縮卷積層S和擴(kuò)張卷積層E。壓縮卷積層中均為1×1卷積核,擴(kuò)張卷積層為1×1卷積和3×3卷積的混合,具體如圖10所示。每個(gè)Core體系卷積層中1×1卷積核和3×3卷積核的數(shù)量將影響目標(biāo)檢測(cè)的精度和模型大小。受文獻(xiàn)[18]的啟發(fā)并經(jīng)過(guò)多次試驗(yàn),在保證模型精度的前提下,盡可能減少了S層和E層中卷積核的數(shù)量,并在多次Core卷積后增加Pool下采樣層以降低特征圖的通道數(shù),Core卷積組子網(wǎng)絡(luò)的具體架構(gòu)如表3所示。表中s1x1、e1x1、e3x3分別代表S層中1×1卷積核的數(shù)量、E層中1×1卷積核的數(shù)量和E層中3×3卷積核的數(shù)量。

表3 Core卷積組架構(gòu)

圖10 單個(gè)Core卷積示意圖

Core卷積組均由低維度卷積核組成,極大的壓縮了神經(jīng)網(wǎng)絡(luò)計(jì)算參數(shù)量。假設(shè)卷積核的輸入通道數(shù)為M,輸出通道數(shù)為N,使用標(biāo)準(zhǔn)卷積對(duì)其進(jìn)行特征提取所產(chǎn)生的參數(shù)量為

K×K×M×N=K2MN

(3)

若使用本文的優(yōu)化卷積,參數(shù)量為

M×s1×1+M×e1×1+9×M×e3×3=

(4)

由式(3)、式(4)對(duì)比可知,本文設(shè)計(jì)的優(yōu)化卷積的計(jì)算參數(shù)量比傳統(tǒng)卷積降低了一個(gè)數(shù)量級(jí),并且輸出通道數(shù)N越大,模型縮減效果越好。

2.3.2 輔助特征提取子網(wǎng)絡(luò)

SSD算法是近年來(lái)應(yīng)用較為廣泛的目標(biāo)檢測(cè)網(wǎng)絡(luò)[19],其通過(guò)一組維度逐漸縮小的非均勻卷積特征層對(duì)場(chǎng)景中不同尺寸的物體進(jìn)行檢測(cè),然后利用這些卷積特征層來(lái)獲取待檢測(cè)目標(biāo)的位置及類別。此方法可同時(shí)對(duì)多對(duì)象進(jìn)行檢測(cè)。本文在Core卷積核子網(wǎng)絡(luò)中選取Core4、Core8、Core9、Core10、Conv11-2、Conv12-2卷積層組成輔助特征提取子網(wǎng)絡(luò),總體架構(gòu)和每層參數(shù)如表4所示,在完成相應(yīng)卷積層特征初步提取后,再使用一組卷積來(lái)預(yù)測(cè)該特征層上每個(gè)預(yù)測(cè)框的位置(loc)以及預(yù)測(cè)框內(nèi)目標(biāo)對(duì)應(yīng)的種類(conf)。

表4 特征提取網(wǎng)絡(luò)架構(gòu)

3 訓(xùn)練模型策略優(yōu)化

卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練對(duì)硬件以及運(yùn)算速度要求較高,故采用NVIDIA深度學(xué)習(xí)服務(wù)器對(duì)該模型進(jìn)行訓(xùn)練,服務(wù)器搭載英特爾Xeon Silver 4200系列中央處理器以及英偉達(dá)P6000系列顯卡,可完成復(fù)雜的神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程。

3.1 自主更新學(xué)習(xí)率機(jī)制

學(xué)習(xí)率是深度學(xué)習(xí)中重要的超參數(shù)之一,手動(dòng)調(diào)整學(xué)習(xí)率需要 經(jīng)過(guò)不斷的嘗試以獲得最佳模型,每次訓(xùn)練的權(quán)重均擁有獨(dú)立的損失曲線,易出 現(xiàn)模型難以收斂或收斂效果不佳等情況,本文采取動(dòng)態(tài)調(diào)整學(xué)習(xí)率的方案,迭代次數(shù)越多,所提取的特征圖越細(xì)致,學(xué)習(xí)率越低,特征提取越全面,因此根 據(jù)迭代次數(shù)設(shè)置優(yōu)化器 α來(lái)執(zhí)行學(xué)習(xí)率的更新,具體如圖11所示。

圖11 自主更新學(xué)習(xí)率機(jī)制

設(shè)定初始學(xué)習(xí)率lr為0.000 1,并按照該學(xué)習(xí)率對(duì)模型進(jìn)行訓(xùn)練。step為訓(xùn)練的迭代次數(shù),初始值為0,當(dāng)?shù)螖?shù)為 4 000、8 000、12 000時(shí),將學(xué)習(xí)率載入優(yōu)化器 α對(duì)其進(jìn)行下降,優(yōu)化器中 gamma為學(xué)習(xí)率衰減因子,此處取值為0.8,將該值進(jìn)行step次方運(yùn)算并與上一結(jié)點(diǎn)學(xué)習(xí)率相乘得到后4 000次迭代運(yùn)算所需學(xué)習(xí)率。當(dāng)?shù)螖?shù)并非上述三個(gè)值時(shí),按照初始學(xué)習(xí)率或更新后的學(xué)習(xí)率進(jìn) 行訓(xùn)練,即迭代次數(shù)小于4 000時(shí),學(xué)習(xí)率等于初始學(xué)習(xí)率;迭代次數(shù)大于 4 000小于8 000時(shí),學(xué)習(xí)率等于迭代次數(shù)為4 000時(shí)所更新的學(xué)習(xí)率;迭代次數(shù)大于8 000小于12 000時(shí),學(xué)習(xí)率等于迭代次數(shù)為 8 000時(shí)所更新的學(xué)習(xí)率;迭代次數(shù)大于12 000小于20 000時(shí),學(xué)習(xí)率等于迭代次數(shù)為12 000時(shí)所更新的學(xué)習(xí)率。

圖12對(duì)比了本文設(shè)計(jì)的學(xué)習(xí)率自主更新機(jī)制與手動(dòng)設(shè)定學(xué)習(xí)率為1e-4,1e-5,1e-6時(shí)的訓(xùn)練效果。由圖12可看出,四條曲線均為波動(dòng)下降最終收斂至一個(gè)值且剛迭代時(shí)收斂速度較快,隨著迭代次數(shù)的增加,由于樣本數(shù)據(jù)集深層特征的 復(fù)雜性,其收斂速度趨于平緩。從學(xué)習(xí)率為1e-4、1e-5、1e-6三條曲線可看出,學(xué)習(xí)率的大小與收斂效果并非為正相關(guān),即學(xué)習(xí)率過(guò)大或過(guò)小都不利于損失函數(shù) 的收斂。學(xué)習(xí)率為1e-6時(shí),在迭代至5 000次時(shí)已陷入局部最優(yōu)解;學(xué)習(xí)率為1e-4時(shí),且收斂速度和收斂效果略優(yōu),最終損失函數(shù)收斂值為1.2左右;1e-5學(xué)習(xí)率作為上述兩學(xué)習(xí)率的中間值,收斂速度以及收斂效果遠(yuǎn)優(yōu)于上述兩種學(xué)習(xí)率。而本文設(shè)計(jì)的自主更新學(xué)習(xí)率機(jī)制訓(xùn)練效果顯而易見,前10 000次收斂速度快且 收斂至0.7附近,后續(xù)迭代計(jì)算速度較為平緩,整體趨勢(shì)與學(xué)習(xí)率為1e-5時(shí)相近,但是整個(gè)曲線的波動(dòng)值(曲線的波動(dòng)由訓(xùn)練時(shí)陷入局部最優(yōu)解引起)較小,不如學(xué)習(xí)率為1e-5時(shí)的波動(dòng)幅度大,最終損失值收斂至0.3附近,整個(gè)訓(xùn)練過(guò)程 收斂速度快,曲線較為平滑且收斂值較優(yōu)?？傮w上,訓(xùn)練效果與傳統(tǒng)固定學(xué)習(xí)率 學(xué)習(xí)率相比較顯著。

圖12 不同學(xué)習(xí)率損失函數(shù)曲線

3.2 紫外放電圖像視頻流檢測(cè)

本文將服務(wù)器端訓(xùn)練完的模型下行至邊緣端,實(shí)現(xiàn)放電圖像的實(shí)時(shí)視頻流識(shí)別。視頻的本質(zhì)為多幀圖片的融合,視頻流檢測(cè)即按照時(shí)間序列對(duì)幀圖片進(jìn)行檢測(cè)。本文采用OpenCV中的VideoCapture類讀取視覺傳感器所獲取的絕緣子視頻圖像信息,并在嵌入式邊緣計(jì)算平臺(tái)上調(diào)用PyQT5的計(jì)時(shí)器應(yīng)用程序接口,每隔一段時(shí)間對(duì)其進(jìn)行抽幀。

經(jīng)測(cè)試,在未載入算法前嵌入式平臺(tái)通過(guò)視覺傳感器捕獲的紫外通道下的瓷絕緣子放電圖像,圖像幀率為28.2 FPS,分辨率為1 280×720,調(diào)用OpenCV的VideoCapture類對(duì)視頻流信息進(jìn)行提取,利用計(jì)時(shí)器每間隔1 ms從視頻流中讀取一幀圖像并將其輸入預(yù)訓(xùn)練完成的改進(jìn)SSD檢測(cè)模型進(jìn)行預(yù)測(cè)并輸出檢測(cè)結(jié)果,最后通過(guò)VideoCapture將每一幀識(shí)別結(jié)果進(jìn)行融合,生成帶有 檢測(cè)結(jié)果的視頻圖像。

瓷懸式絕緣子放電的每一幀視頻圖像的識(shí)別通過(guò)初步提取檢測(cè)模型中待檢測(cè)圖像6個(gè)特征圖的參數(shù),再進(jìn)行深度的特征提取,具體如圖13所示。經(jīng)過(guò)兩次卷積不斷調(diào)整預(yù)測(cè)框相對(duì)于先驗(yàn)框的位置以及每個(gè)預(yù)測(cè)框所對(duì)應(yīng)的預(yù)測(cè)類別,6個(gè)特征圖生成6個(gè)檢測(cè)結(jié)果,最后通過(guò)非極大值抑制在6個(gè)檢測(cè)結(jié)果中找出最大置信度所對(duì)應(yīng)的邊界框的位置和類別,即為輸入圖像的最終預(yù)測(cè) 值。將預(yù)測(cè)值通OpenCV的VideoWriter類寫入新視頻圖像。間隔1 ms后重復(fù)上述流程提取視頻流下一幀圖像,將帶有檢測(cè)結(jié)果的圖像按堆疊即完成對(duì)瓷懸式絕緣子紫外放電圖像的識(shí)別。

圖13 視頻圖像檢測(cè)過(guò)程

4 模型性能測(cè)試及分析

在本文搭建的邊緣計(jì)算平臺(tái)下,將驗(yàn)證圖片分別載入本文模型、原SSD模型和文獻(xiàn)[20]模型,借助文獻(xiàn)[21]提出的參數(shù)計(jì)算模型進(jìn)行運(yùn)算參數(shù)分析,其計(jì)算方法如式(5)所示。

(5)

式中:ci為每個(gè)卷積層的參數(shù)量,N為模型訓(xùn)練產(chǎn)生的總參數(shù)量,αi為主內(nèi)存對(duì)圖形處理器緩存的訪問次數(shù)。訓(xùn)練1 000次并分析訓(xùn)練過(guò)程中所產(chǎn)生中間參數(shù)量的關(guān)系,具體如圖14所示。

圖14 模型參數(shù)量對(duì)比

原SSD模型訓(xùn)練產(chǎn)生的參數(shù)量約為91 MB,文獻(xiàn)[20]采用MobileNet代替底層特征提取網(wǎng)絡(luò),對(duì)模型進(jìn)行精簡(jiǎn)后產(chǎn)生的參數(shù)量約為25 MB;本文模型采用了多個(gè)低緯度卷積,所產(chǎn)生中間參數(shù)量?jī)H為原SSD網(wǎng)絡(luò)的1/20,極大縮減模型,模型預(yù)測(cè)準(zhǔn)確率及大小如表5所示,模型文件僅為4.5 MB,相比于輕量化模型 MobileNet+SSD,本文進(jìn)一步精簡(jiǎn)了網(wǎng)絡(luò)結(jié)構(gòu),實(shí)現(xiàn)了模型的微型化。

表5 模型對(duì)比

5 檢測(cè)結(jié)果

本文將實(shí)驗(yàn)中所拍攝放電視頻載入測(cè)試識(shí)別準(zhǔn)確率為83.53%的模型觀測(cè)識(shí)別效果,具體如圖15所示。

由圖中可以看出,對(duì)于大部分放電均可實(shí)現(xiàn)準(zhǔn)確的識(shí)別。0≤Sre<0.50時(shí),偶爾出現(xiàn)漏識(shí)別的情況;0.50≤Sre<1.0和1.0≤Sre<2.0時(shí),易出現(xiàn)重復(fù)交替識(shí)別,需結(jié)合現(xiàn)場(chǎng)的其他信息使得評(píng)估更準(zhǔn)確;Sre≥2.0時(shí),瓷懸式絕緣子處于閃絡(luò)的邊緣,有較為連貫的電弧,放電光斑的本體面積較大,本文算法可對(duì)其進(jìn)行精準(zhǔn)識(shí)別。

本文還將改進(jìn)SSD模型識(shí)別的懸式絕緣子放電結(jié)果與YOLOv3模型識(shí)別結(jié)果進(jìn)行了對(duì)比分析,如圖16所示。

分析圖16可知,兩種模型均能對(duì)懸式絕緣子不同放電程度進(jìn)行準(zhǔn)確識(shí)別,統(tǒng)計(jì)分析表明雖然YOLOv3模型的識(shí)別準(zhǔn)確率略高于改進(jìn)SSD模型,但改進(jìn)SSD模型大小遠(yuǎn)小于YOLOv3模型,更適合于部署于無(wú)人機(jī)巡檢上的邊緣計(jì)算平臺(tái),方便現(xiàn)場(chǎng)應(yīng)用。

6 結(jié) 論

(1)搭建了污穢絕緣子試驗(yàn)平臺(tái),提出相對(duì)光斑面積的概念,并利用其對(duì)絕緣子的放電嚴(yán)重程度進(jìn)行相應(yīng)分類,便于后續(xù)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

(2)改進(jìn)了SSD模型的底層結(jié)構(gòu),在保證識(shí)別準(zhǔn)確率的前提下,模型文件大小僅為4.5 MB,具有良好的嵌入式檢測(cè)性能。

(3)優(yōu)化了模型的訓(xùn)練策略,設(shè)計(jì)了自主更新學(xué)習(xí)率機(jī)制,使得模型收斂速度提升約3.5倍,收斂值降低1/2,訓(xùn)練曲線平滑且收斂值較優(yōu)。

(4)將實(shí)驗(yàn)中所拍攝放電視頻載入測(cè)試識(shí)別準(zhǔn)確率為83.53%的模型中,對(duì)于大部分放電均可實(shí)現(xiàn)準(zhǔn)確的識(shí)別。

目前相關(guān)研究主要是在實(shí)驗(yàn)室進(jìn)行,后續(xù)可將該邊緣計(jì)算模塊與掛載在無(wú)人機(jī)上的紫外成像儀進(jìn)行一體化設(shè)計(jì),開展現(xiàn)場(chǎng)應(yīng)用測(cè)試。