水電站GIS設備內部異物識別技術研究

馬飛越 牛勃 佃松宜 趙濤 倪輝 陳磊

摘要：GIS設備作為水電站內電力送出的關鍵設備，其內部異物引起絕緣擊穿是GIS設備占比最大的故障，直接影響著水電站的效益。由于GIS設備筒體較長，在設備安裝及開展檢修工作時，其內部毫米級異物難以通過經驗判斷。為了更加有效地檢查識別GIS管道內的異物，對比分析了超聲波、電磁波、光學不同類型的識別方法對GIS內部異物的有效性。研究了將光學敏感法和光影法相結合的異物識別方法，并設計了基于雙光源補光的異物識別算法，將其搭載在GIS設備內部異物檢查機器人上實現了應用。應用結果表明：采用雙光源補光的異物識別方法，可有效準確地識別出GIS腔體場景中的毫米級異物，準確率可達95%以上。

關 鍵 詞：GIS設備; 異物識別; 光影法; 機器人; 水電站

中圖法分類號： TM622

文獻標志碼： A

DOI：10.16232/j.cnki.1001-4179.2021.12.026

0 引 言

截至2020年，中國常規水電裝機容量約為3.5億kW，年發電量為13 220億kW·h。水電站內重要的一次設備主要包括水輪機、發電機、變壓器及氣體絕緣封閉開關設備（Gas Insulated Switchgear，GIS）等，其中，GIS設備主要由斷路器、互感器、隔離開關、接地開關、避雷器、母線、連接件和出線終端等元件組成，全部封閉在金屬接地外殼中的高壓裝置[1-3]。近年來，隨著水資源利用及建設步伐的加快，GIS設備裝用量迅速增長，GIS設備引發的故障占比也在逐年上升[4-6]。有學者對某系統近10 a來的GIS設備故障情況進行了統計，發現2010～2019年設備故障年平均增長率為17.5%，共發生故障跳閘84次。其中，異物放電占比最高為50.0%，主要原因為罐體內存在金屬異物或者雜質引起放電;絕緣件缺陷（盆式絕緣子、絕緣拉桿和支撐絕緣子）占比次之，為23.8%;裝配及安裝工藝不良占比為13.1%[7-8]。

GIS設備內部異物是指混入設備產品里的除GIS內部材質及部件以外的物質。主要原因是在組合電器GIS產品的設備制造過程、廠內裝配過程、運輸過程和現場安裝過程中內部異物清理不到位[9-12]，在GIS設備投入運行之后，異物在機械振動及電場作用下逐漸暴露出來而導致GIS內部閃絡、絕緣擊穿等故障[13-15]。在GIS設備中，常見的異物包括內部安裝過程遺留物品、金屬碎屑、橡膠粒子、外部塑料、紙屑和環境灰塵、粉末等。GIS設備安裝及檢修階段的異物識別方法往往僅依賴于人工肉眼判斷，對于腔體內存在一些細小微?；蚺c罐體底部顏色接近的顆粒，在可見光源下僅靠人工經驗判斷難以發現異物。因此，本文主要研究了GIS設備內部異物識別方法，對比不同方法的優缺點，設計了基于雙光源補光的異物識別算法，并搭載在GIS設備內部檢查機器人上實現了應用，解決了GIS設備內部異物難以識別發現的問題。

1 GIS設備內部異物識別方法

異物識別技術是采用大量樣本訓練得到良好的網絡模型，依賴實時數據得到預測的結果。也有一些常規的檢測方法例如顯著性檢測等，而識別技術的準確度極大依賴于原始樣本數據的有效性。目前各行業研究的異物識別的方法多種多樣，但由于斷路器、隔離開關等GIS設備腔體中的異物多是毫米級別，而且腔體中內壁光滑容易產生強反射，再加上異物的形狀、種類及材料不定，實現GIS設備內部異物識別較為困難。為此，本文針對不同類型的波對于GIS腔體中異物成像效果的影響開展研究，比對聲波、超聲波及電磁波對GIS腔體內部異物識別的特點，以達到獲取良好的GIS腔體內部異物成像效果圖片，并顯著提升GIS內部異物識別效果的目的[16-19]。通常，按照異物識別技術波的類型進行分類，對于主要檢測方法分述如下。

1.1 超聲波法檢測異物

超聲波檢測主要是基于超聲波在被檢測工件中的傳播特性，對反射、投射和散射波進行分析，從而確定被檢測工件的特性。本文設計了超聲波異物檢測模型，利用單束超聲波觀察是否對細小的異物形成反射，測量其對不同大小異物的檢測精度。超聲波模塊檢測原理如圖1所示。

實驗室設置了不同類型的異物，分別為2 mm×3 mm的漆皮、頭發絲以及直徑1～10 mm的鋼珠、10 cm×5 cm杯子及書本等。不斷調整超聲波檢測模塊與異物間的距離，從而得到實驗結果，如表1所列。

通過對實驗檢測的數據展開分析，發現對于漆皮、頭發絲及毫米級的鋼珠異物，由于表面積較小，異物不能有效地反射超聲波模塊發出來的超聲波，單束超聲波的精度不滿足要求，無法形成有效的圖像。通過對實驗數據進行分析，發現要形成反射回來的圖像，異物橫截面的面積至少在16 cm2左右?？梢姵暡ǚz測不符合現場GIS異物識別要求。

1.2 電磁波法異物檢測研究

電磁波法針對GIS腔體內部小型異物的檢測，同樣是利用單束電磁波對小異物的反射信號來檢測，該項目采用TFmini激光雷達對其進行測試驗證。TFmini激光雷達基于飛行時間（Time of flight，TOF）原理，采用850 nm紅外光源，配合獨特的光學、電學設計，實現穩定、精確、高靈敏度和高速的距離測量功能。與超聲波成像測距相似，TFmini雷達檢測物體受到物體的反射表面積的影響[20]。TFmini雷達通過發射透鏡發射紅外激光，經過物體表面的反射，由接收透鏡接收激光，通過反射時間、激光波長來計算距離。如果物體表面積小，激光很難反射回透鏡，則物體就很難被檢測到。通過搭建與超聲波檢測相似的平臺，書本、杯子不變，選擇1 cm大小的鋼珠及塑料碎屑，調整測試距離以對不同類型的異物進行檢測，結果如表2所列。

實驗結果表明：書本、茶杯的反射面積足夠大，能夠很好地將激光反射回來，雷達就能檢測出其具體位置;鋼珠、塑料屑反射表面積較小，激光很難反射回來或者反射回來的激光不能由透鏡接收。電磁波檢測物體對物體的表面積要求很高，而GIS設備腔體中的異物都為微型異物，通過電磁波法很難對其進行檢測。

1.3 光學法異物檢測

（1） 光學敏感法。

當某種常溫物質經特定波長入射光（通常是紫外線或X射線）照射，吸收光能后進入激發態，具有這種性質的出射光就被稱之為熒光。另外有一些物質在入射光撤去后仍能較長時間發光，這種現象稱為余輝[21-22]，常見的例子是物質吸收紫外光，發出可見波段熒光。在GIS設備腔體內，通過帶電檢測解體發現的主要內部異物種類如圖2所示;利用內部異物光學敏感異物熒光效應，使得部分異物發出異于背景的顏色，獲得的圖片中異物亮度高于背景，容易區分，從而檢測出異物[23]，如圖3所示。這種檢測方法是利用異物對特定光線的敏感性，所以它也有一定的局限性，對熒光不敏感的異物則無法檢測。

（2） 光影法。

光影法是借助于不同物體在光源的照射下，受照射角度作用，會在設備內部異物的背光面形成大小不一的光影，通過捕捉光影來判斷異物的情況[24-26]。由于物體微小，且當光源照射在物體之上時，物體會反射光源，但是微小物體反射的光源面積較小，與背景的反射光區別不大，難以區分異物與背景。當光源水平照射物體時，在物體背面將會形成一個陰影，此時如果圖像采集裝置垂直向下拍攝物體，就能夠看見陰影以及物體的部分輪廓，由此便能夠拍攝清楚異物的位置，如圖4所示。

當白光傾角30°左右徑直照射時，可以形成良好的陰影，這樣有助于檢測;同時，鏡頭越靠近物體，微小物體拍的就越清楚。紫外光拍攝時，有部分物體會發出熒光現象，這些物體分別是紙屑、泡沫板碎屑、白色塑料扎帶、熱熔膠。在檢測過程中，需要保證光源與相機有一定的夾角，同時也需要保持光照均勻，而且覆蓋面足夠。所以，本文研究利用了光學敏感法與光影法互相結合方式開展GIS內部異物識別研究，采用了LED白光+紫外光的補光方式;同時，也采用了長焦距鏡頭以獲得良好的異物與背景分開的圖像，并利用圖像識別算法來實現設備內部異物識別。

2 GIS異物識別方法研究

為驗證采用LED白光+紫外光的補光方式下GIS設備內部異物的有效性，本文在離線條件下捕捉異物圖像以開展異物識別算法研究。采用C++語言作為檢測算法的語言，其優點是處理圖像的速度快，而且易于移植使用，便于與進一步搭載圖像的裝置進行集成;其圖像處理采用開源的OpenCV庫函數，該庫容易獲得資源且有廣泛的開源代碼可供使用。OpenCV是一個基于BSD許可（開源）發行的跨平臺計算機視覺庫，可以運行在Linux、Windows和Mac OS操作系統上。它是輕量級而且高效的，由一系列 C 函數和少量C++類構成，同時提供了Python、Ruby、MATLAB等語言的接口，實現了圖像處理和計算機視覺方面的通用算法。異物識別算法流程如圖5所示。

2.1 基于YOLO算法異物特征提取

YOLO算法對提取特征進行了上采樣、尺度拼接等操作，最后得到3個尺度的輸出特征圖，分別為13×13，26×26，52×52，每個尺度的特征圖負責檢測大小不同的物體，并進行異物目標預測。最終通過非極大值抑制方法篩選出最佳預測目標并輸出目標在圖像中的位置。圖6為基于YOLO算法的檢測流程圖。

針對存在的腔體外部機器人檢測環境視野偏大、機器人檢測環境比較單一帶來的問題，在設計訓練模型時主要考慮了基于腔體外部機器人的模型訓練，主要有以下2種改變：

（1） 修改網絡結構中的Anchor等其他相關參數，使模型對于小目標的檢測效果更加友好;

（2） 增加不同環境相關圖片到整體訓練樣本中，增強模型的泛化能力。

經過以上的改進，算法檢測能力得到了明顯增強。經實際腔體環境測試，基于YOLO的目標檢測算法在機器人部署上運行良好，相比傳統的機器視覺檢測算法，檢測準確率有較大提升。

2.2 自適應濾波

對于通過圖像采集裝置得到的腔體內異物圖像，需要首先進行圖像閾值化。閾值化的一般目的是從灰度圖像中區分目標區域和背景區域，然而僅僅通過設定固定閾值很難達到理想的分割效果。在實際應用中，本文通過某個像素的鄰域以某種方法確定這個像素具有的閾值，進而保證圖像中各個像素的閾值會隨著周期圍鄰域塊的變化而變化。在灰度圖像中，灰度值變化明顯的區域往往是物體的輪廓，所以將圖像分成一小塊一小塊地去計算閾值往往會較好得出圖像的輪廓，而固定閾值的方法則無法達到良好的效果。異物識別算法選取固定的區域大小，求取均值，以減小偏移量為目標作為閾值的濾波方法，其中自適應濾波算法后像素賦值公式如下：

dst（x，y）value if src（x，y）>thresh0otherwise（1）

thresh=conv（blockSize（x，y），src（x，y））-offset（2）

式中：（x，y）表示圖像中某點的坐標;src（x，y）為圖像中某點的像素值;dst（x，y）為自適應濾波后圖像中某點的像素值;value值可以根據實際情況進行設置;blockSize（x，y）為一個高斯核函數，按照高斯函數進行離散取值;conv表示對離散取值與實際像素值做卷積;offset表示偏移量，在不同的腔體中檢測，開始進行初始化，默認值offset取60;thresh為根據實際圖像狀態計算的動態閾值。

2.3 形態學處理

形態學處理是一個數學運算。處理類型相當于運算函數，表示如何對圖像數據進行變換，結構元素好比函數自變量的取值范圍，在進行形態學處理時，控制該點像素點的運算，需要取出周圍的點進行運算。由于異物比較小，在尋找異物輪廓的時候容易造成整個輪廓分成無數的小輪廓，給后面的定位造成不準和干擾。采取形態學的閉操作可以填充一些小空洞，減少后續尋找輪廓的干擾。

形態學處理的過程主要包括如下3個步驟。

（1） 形態學膨脹。在一個滑動的窗口內，求取窗口中所有點最大的值，并且將這個最大的值給到滑動窗口的錨點處。

（2） 形態學腐蝕。在一個滑動的窗口內，求取窗口中所有點最小的值，并且將這最小的值給到滑動窗口的錨點處。

（3） 形態學閉操作。通過形態學閉操作，在形態學膨脹操作之后再進行形態學的腐蝕操作，可以濾除背景中細小的雜波點，同時能夠在不改變面積的情況下使得目標物的外輪廓更加凸顯出來。

2.4 異物動態標記

為了通過結果標記準確地找出異物的位置，需要定住外部的輪廓和輪廓的中心位置，然后用矩形框擬合。本文使用輪廓查找函數，先定位外部輪廓的點，然后使用旋轉矩形返回每一個矩形的中心和邊界的4個點，使其輪廓被旋轉矩形擬合。在光影法中，由于光影與實際異物的距離存在差異，采用根據面積和周長進行設定系數動態調整的策略，對于面積和周長大的異物輪廓進行標記框的刪除，當標記有異物的時候用視頻記錄保存，等待檢測結束后人工查看。

3 機器人GIS內部異物識別技術

由于GIS腔體兩手孔部位距離較遠，單個筒體長度可達10 m，筒體內部異物狀態難以通過人工進行檢查[27]。本文設計了GIS設備內部檢查機器人，并利用機器人本體搭載的可見光及紫外光源在雙光源補光條件下捕捉圖像進行異物識別，實現GIS設備內部異物的智能識別，機器人本體結構如圖7所示。

GIS腔體檢查機器人頂蓋和底盤內部主要布置有2塊主控電路板、1個主控電路板安裝架、4個驅動電機、2個攝像頭安裝架、2個前置攝像頭、內置有4枚可重復充放電的鋰電池、4塊微型的電機驅動板、1塊電源板、1個電源板安裝架、1個尾部航插接頭、1個電源開關等。補光燈與前置相機并排布置于機器人底部，補光燈板可提供兩種光源：一種是高亮白光，另一種是紫外光。白燈光用于環境昏暗的情況下對GIS腔體內部進行補光，便于機器人的正常行進與工作;紫燈光用于在GIS腔體內給各種障礙或異物打光，便于進行異物熒光反應下的識別。

機器人系統在GIS設備腔體內部行走檢查內部情況時，前端視頻設備獲取腔體內部信息和視頻圖像信息，并設置好采集窗口和視頻參數，然后開始捕獲一幀的視頻圖像，并將視頻圖像推送到本地的8080端口上，上位機獲取后進行處理及應用。當機器人系統對GIS設備垂直段進行檢測時，利用機器人的模塊化設計，可以將柔性臂搭載的圖像采集模塊與機器人本體分離，借助本體的光源進行腔體內照射，對柔性臂搭載的前端視頻設備獲取的信息進行處理。采集傳輸流程如圖8所示。

機器人在GIS設備腔體內部檢查過程中，對采集到的圖像進行視覺檢測，檢測的內容包括管道內部異物、異色等，并將檢測到的圖像進行放大顯示、存儲到本地磁盤。如圖8所示，通過小樣本特征提取與訓練模型構建模塊，實現在異物小樣本的條件下提取異物的特征，并根據提取到的特征信息構建訓練模型，以此來提高監控系統提取異物特征的速度和準確性。具體包括對異物整體、局部特征的提取，對不同類型、不同大小的異物進行特征提取和分類，并根據這些特征信息構建適用于GIS設備腔體內部異物檢測的訓練模型。隨著采集到的樣本數量的增加，訓練模型越趨于完善，檢測準確度與效率也逐漸提高。GIS內部異物識別過程如圖9所示。

4 異物識別技術應用

將異物識別技術搭載于GIS設備內部檢查機器人，并在330 kV GIS分支母線模擬罐體內部進行試驗，試驗情況如圖10所示。

為了進一步驗證雙光源補光的異物識別效果，分別使用不同類型不同尺寸的異物進行檢測。在GIS試驗腔體內部分別預置不同大小的異物顆粒，每種異物的擺放方向及位置均隨機放置。在識別過程中，發現機器人光源的角度對識別圖像影響較大，需要保證光源與相機有一定夾角，同時保持光照均勻，且覆蓋面足夠。當白光傾角30°左右徑直照射時，可以形成良好的陰影，有助于檢測，同時鏡頭越靠近物體，微小物體拍得越清楚。紫外光拍攝時，有部分物體發出熒光，這些物體分別是紙屑、泡沫板碎屑、白色塑料扎帶、熱熔膠。檢測過程表明采用LED白光+紫外光的方式，可以獲得良好的異物與背景分開的圖像，易于檢測。對異物的識別效果如圖11所示。

由上述識別圖像可以看出：對1 mm以上的異物顆粒，可以通過雙光源異物識別算法進行有效識別，并且隨著異物顆粒的增大，其識別的光斑同步增大。由標記的結果可以看出，識別框中尺寸為20 mm的異物明顯大于5 mm和2 mm的異物，雙光源識別算法對異物的大小具有一定的魯棒性，對細小的異物有顯著的檢測效果。

分別對規則鋼珠、螺絲螺母、鐵屑、紙屑、焊錫絲、發絲等不同類型的異物進行了識別，每種類型異物采集試驗樣本50組，異物識別率如表3所列。經過多次實驗，GIS設備內部智能檢查機器人在18幀/s的頻率下，異物識別算法能檢測出毫米級的異物，毫米級異物識別準確率在95%以上，亞毫米級異物識別準確率也可達80%。因此，本文GIS異物檢查機器人的異物識別技術可以滿足GIS設備腔體中異物檢測的要求。

本文采用方形異物、長條形異物作為識別對象，分別對本文識別方法與超聲波法、電磁波法異物識別情況進行比對。檢測距離結合小車的視角和GIS腔體的實際情況持續調整，在對距離的持續調整過程中，如果能識別圖中的異物則為“能”，否則為“否”，比對結果如表4所列。由表4中識別方法的比對結果可以看出：超聲波法及電磁波法對于較小的異物難以發揮作用，雙光源法能夠識別出毫米級的異物，對小于1 mm的異物識別效果與異物類型密切關聯。

5 結 論

本文針對GIS設備內部異物難以檢查的問題，分析了不同類型異物識別方法在GIS設備內部異物識別的準確性。設計了GIS設備內部異物識別算法，研究了將光學敏感法和光影法相結合的識別方法，并搭載在GIS設備內部檢查機器人上，實現了GIS設備罐體異物識別的實際應用。

在機器人自動行進過程中，以18幀/s的頻率采集GIS設備內部的圖像，并將圖像上傳至上位機識別。采用雙光源補光的異物識別方法，可準確地識別出GIS腔體場景中的毫米級異物，準確率可達95%以上，

能夠在GIS設備關鍵點見證、現場安裝、設備檢修等環節推廣應用。

參考文獻：

[1] 劉洪正.高壓組合電器[M].北京：中國電力出版社，2014.

[2] 馬飛越，劉威峰，李奇超，等.GIS交流耐壓試驗中超聲檢測自由顆粒缺陷的分析[J].人民長江，2018，49（6）：92-96.

[3] 申健.GIS金屬異物的工藝過程控制[J].河南科技，2018，12（12）：46-48.

[4] 李軍浩，韓旭濤，劉澤輝，等.電氣設備局部放電檢測技術述評[J].高電壓技術，2015，41（8）：2583-2601.

[5] 許淵，劉衛東，陳維江，等.交流 GIS 絕緣子表面亞毫米級金屬顆粒的運動和局部放電特性[J].中國電機工程學報，2019（14）：4315-4325.

[6] 盧斌先，馮啟琨，李曉，等.考慮金屬異物存在時220 kV緊湊型GIS內電場分布精確分析[J].高電壓技術，2018，44（11）：3493-3501.

[7] 許淵，劉衛東，陳維江，等.運行工況下交流 GIS 絕緣子表面微金屬顆粒運動誘發沿面閃絡的研究[J].電網技術，2020，44（4）：1596-1602.

[8] 李繼勝，趙學風，楊景剛，等.GIS典型缺陷局部放電測量與分析[J].高電壓技術，2009，35（10）：2440-2445.

[9] 李娟，李明，金子惠，等.GIS設備局部放電缺陷診斷分析[J].高壓電器，2014（10）：85-90.

[10] 李秀廣，韓四滿，萬華，等.寧夏電網GIS設備缺陷分析及預防措施[J].電氣技術，2015（3）：107-110.

[11] 何寧輝，朱洪波，周秀，等.GIS內部缺陷檢測及診斷分析技術研究[J].電測與儀表，2019，56（24）：86-91.

[12] 張凱，胡春江，孫亞明，等.一起750kV變電站GIS支柱絕緣子故障分析[J].電測與儀表，2015，52（1）：115-118.

[13] 李通，薛峰.UHF局放檢測技術在GIS故障診斷中應用與分析[J].供用電，2018，35（12）：80-88.

[14] 繆金，王艷華.GIS組合電器典型故障分類和全周期維護策略研究[J].陜西電力，2017，45（2）：78-81.

[15] 夏天，吳彤，葉齊政，等.懸浮顆粒局部放電綜合作用機制的研究[J].廣東電力，2019，32（8）：101-108.

[16] 趙永生，徐海青，吳立剛，等.基于霍夫直線變換的輸電線路異物識別應用研究[J].數字技術與應用，2017，3（3）：127-130.

[17] 萬書亭，趙曉迪，肖珊珊，等.基于BP神經網絡的GIS缺陷圖像識別系統的研究[J].電力科學與工程，2017，33（11）：73-78.

[18] 李寧，鄭仟，謝貴文，等.基于無人機圖像識別技術的輸電線路缺陷檢測[J].電子設計工程，2019，27（10）：102-106.

[19] 孫志鋒，孫志林.跳躍顆粒的計算機圖像識別[J].模式識別與人工智能，2000，13（3）：357-360.

[20] 李南忘.基于數據挖掘方法通過簡約參數建立水質異常檢測及污染物識別系統的研究[D].上海：華東師范大學，2016.

[21] 韓仲志，劉杰，劉康煒，等.紫外/可見光下海洋溢油油種光譜識別方法[J].光學技術，2016，42（4）：337-341.

[22] 李拓.目標紫外光譜散射特性研究[D].西安：西安電子科技大學，2012.

[23] 韓仲志，萬劍華，李永平，等.紫外誘導高光譜成像的海洋溢油及乳化探測方法[J].光學學報，2016，36（1）：2-6.

[24] 劉薇，蘇俊源，尚秋峰.基于彩色區域識別快速報警指針識別算法[J].電測與儀表，2014，51（20）：25-30.

[25] 王建元，郭威，劉洋，等.基于圖像識別的移動機器人自動完成充電[J].電測與儀表，2017，54（10）：103-107.

[26] 盧榮勝，吳昂，張騰達，等.自動光學（視覺）檢測技術及其在缺陷檢測中的應用綜述[J].光學學報，2018，38（8）：2-28.

[27] 馬飛越，游洪，佃松宜，等.一種用于氣體絕緣開關設備異物清掃與檢測的機器人系統[J].計算機科學，2017，44（增2）：592-595.

（編輯：趙秋云）

Research on recognition technology of foreign matters in GIS equipment of hydropower station

MA Feiyue1，NIU Bo1，DIAN Songyi2，ZHAO Tao2，NI Hui1，CHEN Lei1

（1.Electric Power Research Institute of State Grid Ningxia Electric Power Co.，Ltd.，Yinchuan 750002，China; 2.College of Electrical Engineering，Sichuan University，Chengdu 610064，China）

Abstract：

GIS equipment is the key equipment for power transmission in hydropower stations.The insulation breakdown caused by internal foreign matters is the most common fault in GIS equipment，which directly affects the benefit of hydropower station.Due to the long barrel of GIS equipment，it is difficult to judge the internal millimeter-level foreign matters by experiences during the equipment installation and maintenance.Therefore，in order to check and identify the foreign matters in GIS pipelines more effectively，we analyzed the effectiveness of different types of identification methods such as ultrasonic wave，electromagnetic and optics wave on the internal foreign matters in GIS equipment.Then we proposed a method of foreign matters recognition combining optical sensitive method and light shadow method，designed a algorithm of foreign matters recognition based on dual light source filling light，and equipped with foreign matters detection robot in GIS equipment to realize the application，which solved the problem that it is difficult to identify and find the foreign matters in GIS equipment.The results showed that the foreign matters recognition method based on dual light source filling light can effectively and accurately identified the millimeter-level foreign matters in the GIS cavity scene，and the accuracy rate can reach more than 95%.

Key words：

GIS equipment;foreign matters recognition;light shadow method;robot;hydropower station