深度學習在絕緣子紅外圖像異常診斷的應用

范 鵬，馮萬興，周自強，趙 淳，周 盛，姚翔宇

（1.南瑞集團（國網電力科學研究院）有限公司，江蘇 南京 211106；2.國網電力科學研究院武漢南瑞有限責任公司，湖北 武漢 430074）

0 引言

紅外成像具有非接觸直接測量輸變電設備狀態的特征，無需停電，在電力領域具有廣泛的應用[1-3]。輸變電設備在野外嚴峻環境中長期運行，由于材料老化、污穢閃絡、機械受損等因素，常伴隨有局部放電、溫度增高等現象。絕緣子作為輸電線路重要部件，起到電氣隔離和機械支撐的作用，當紅外圖像顯示的溫度較高，表明其有異常缺陷，這是因為場強不均勻發生局部放電，嚴重時可能導致線路故障，甚至造成停電故障。文獻[4-5]開展了變壓器高壓套管的紅外診斷研究，通過熱像特征譜圖分析了故障原因。紅外圖像可應用于交流濾波器的故障分析中，提取其跳閘的典型故障特征[6-8]。

輸變電設備紅外圖譜特征提取主要為圖像處理方法，諸如紋理、色彩、邊框等圖像特征[9-10]。隨著無人機航拍技術的發展，輸變電設備紅外圖譜呈現爆發式增長，深度學習提供了一種良好的手段[11-13]，采用卷積神經網絡（Convolutional Neural Networks，CNN）的方法，對海量圖片進行訓練學習，提取特征進行測試和驗證。CNN 通過卷積層計算，輸入較深層的特征圖，對于小目標絕緣子、套管，權重值相對較少，無法實現小目標的有效提取[14-15]。針對這一缺點，本文對Faster R-CNN 方法進行改進，提高絕緣子紅外圖譜診斷的精度。

1 改進的Faster R-CNN 方法

1.1 Faster R-CNN 原理

區別于普通的CNN，Faster R-CNN 增加了一個區域提取網絡（Region Proposal Network，RPN），即圖1 中的候選區域，摒棄傳統的滑動窗口，可在GPU直接運行計算，極大地加快了計算速度。RPN 判斷每個像素點對應的多個不同尺度和寬高比的錨框是否為前景目標的二分類，形成候選區域。

圖1 Faster R-CNN 的算法流程Fig.1 Algorithm flow of Faster R-CNN

Faster R-CNN 一般采用隨機梯度下降法（Stochastic Gradient Descent，SGD）訓練神經網絡，見式(1)：

式中：X為輸入；W為權重；wi、xi分別表示第i個權重和輸入；h(x)為對應的輸出。

損失函數S(W)基于平方誤差實現，見式(2)：

式中：yi為真實輸出。

W的更新函數見式(3)：

式中：α為學習率，可設置步長。W通過梯度下降法進行求解，首先正向計算樣本輸出值，接著根據反向傳遞的誤差迭代計算，常用在CNN 訓練中。

RPN 的選擇本質是通過平移或者尺度變化的方法將合適的區域提取網絡R變成，從而接近實際的候選框C：

式中：(x,y)、(w,h)分別為矩形區域的中心坐標和寬、高。

令t*為矩形區域的平移和縮放量，則有：

式中：tx、ty為矩形區域的中心坐標平移量；tw、th分別為矩形區域的寬、高的縮放量。

預測值計算過程為：

式中：φ是最后一次卷積計算。

損失函數的目標值計算見式(7)，通過調整平移和縮放的尺度，確定最終的候選區域[16]：

1.2 壓縮激勵結構

為了增強Faster R-CNN 的小目標特征提取能力，引入壓縮激勵結構，即壓縮和激勵兩大操作，設圖像的特征參數設置為(H,W,K)，分別表示為長、寬和通道數。

壓縮操作Fsq(?)基于各個通道實現特征圖空間信息的壓縮，見式(8)：

式中：kc表示第c個通道；hc表示經過壓縮后輸出向量h的第c個元素。

激勵操作分為激勵Fex(?)和校準Fscale(?)兩個過程，分別見式(9)和式(10)：

式中：σ是sigmoid 激活函數；w1為的實數矩陣，表示通道的縮減，r為縮減因子；δ是ReLU 激活函數，w2為的實數矩陣，表示通道的恢復。

式中：sc表示激活向量s的第c個元素；表示校準后的對應元素。

2 絕緣子紅外圖像的深度學習

2.1 環境搭建

本文基于改進的Faster R-CNN 方法，對平臺的環境搭建要求較高，具體配置見表1。操作系統為開源Linux，數據庫為MySQL；硬件配置較高，CPU 采用Intel 高端系列，內存和硬盤容量均較大，保證大量數據的高效運算。框架采用2018年初公開的目標檢測平臺Detectron，包含最具代表性的目標檢測、圖像分割、關鍵點檢測算法。

表1 軟硬件配置Table 1 Hardware and software configuration

2.2 數據準備

圖像數據來源于多條輸電線路無人機拍攝的大量絕緣子照片。在神經網絡的訓練過程中，對正負樣本的判定見圖2，主要基于錨框映射圖與真實目標框的交并比（Intersection over Union，IoU）來進行計算分類。首先對 RPN 形成的錨框進行排序篩選形成錨框序列，接著利用邊框回歸參數向量修正錨框的位置形成候選區域集合，然后計算所有感興趣區域（Region of Interest，RoI）與真實目標框的IoU，求最大值，并判斷其是否大于0.5，若滿足，則為正樣本，否則為負樣本。

圖2 正負樣本判定Fig.2 Positive and negative sample decision

完成正負樣本的判定后，為了使樣本的采樣盡量均衡，保證雙方的訓練集和驗證集數量一致，同時采用遷移學習的方法，經過相關修正與補償，擴充樣本總量至2375，樣本信息配置見表2。

表2 樣本配置信息Table 2 Information of sample configuration

2.3 改進模型的建立

普通的CNN 方法，原始圖像經過卷積層和池化層后，全鏈接層輸出結果，本文方法的結構如圖3所示，引入壓縮激勵的過程，壓縮特征圖的空間信息，并通過激勵操作學習通道間的依賴關系，可自適應分配每個通道的權重值，提取有利于任務的重要特征通道，最終能進一步增強網絡模型的特征提取能力，采用SE-DenseNet-169 框架的Faster R-CNN 模型。

改進模型主要完成絕緣子異常狀態的精準識別，首先對紅外原始圖像進行相關修正與補償實現樣本擴充，然后采用本文方法進行訓練，收斂后，獲得最終的改進Faster R-CNN 模型。

圖3 改進的Faster R-CNN 結構Fig.3 Structure of improved Faster R-CNN

3 實驗分析

3.1 精確度衡量

CNN 學習中，精確度的衡量一般會采用準確率（Precision）和召回率（Recall），其計算過程分別見式(11)和式(12)：

式中：TP 表示是實際值和預測值均是異常絕緣子的個數；FP 表示預測值是異常絕緣子，實際值卻不是的個數；FN 表示是實際值是異常絕緣子，預測值卻不是的個數。

為進一步衡量改進模型的優劣，這里采用平均檢測精度（mean Average Precision，mAP），其中AP 等價于召回率和準確率形成曲線與橫軸包圍的幾何圖形的面積，對所有類別的AP 求平均值即可得到mAP。

3.2 不同方法的對比研究

基于樣本數據，開展BP、FasterR-CNN以及本文方法的精確度和效率對比研究，不同方法的實驗結果統計見表3。Faster R-CNN和本文方法在Precision方面均明顯優于BP 方法，本文方法的Recall 最高，mAP 也最高，相對于BP提高了近10%，這說明經過改進的Faster R-CNN對于小目標的特征提取具有明顯的優勢。本文方法通過壓縮激勵結果，減少了數據量的計算，所以相對于其他方法，有更高的效率。

表3 不同方法的實驗結果統計Table3Statisticsof experimental resultsbydifferent meth ods

繪制其準確率-召回率關系曲線，如圖4所示，可更加形象直觀地反映出本文方法對絕緣子異常特征的提取優勢，因為另外兩種方法的曲線均被完整的覆蓋，說明本文方法改進效果明顯。

圖4 準確率-召回率關系曲線Fig.4 Relation curvesof precision and recall

3.3 不同類型絕緣子對比研究

常見絕緣子排列有單I型、雙I 型以及V型。本文開展這3類絕緣子的紅外圖像研究，比較不同排列方式的診斷準確率，如圖5所示。根據電力標準DL/T 664-2008[19]，圖(b)和圖(c)絕緣子端部明顯發熱，屬于異常情況。

圖5 不同類型絕緣子的紅外圖像Fig.5 Infrared image of different typesof ins ulators

不同類型絕緣子的異常診斷準確率見表4，準確率均較高，均在90%以上；I 型和V型絕緣子的準確率明顯優于雙I型絕緣子，這是因為雙I 型絕緣子會出現兩排絕緣子重疊的情況，對紅外圖像的研究造成一定的影響，為此無人機對于該種類型絕緣子的線路需開展多種角度的拍攝。

表4 絕緣子異常診斷的準確率Table4Accuracyof insulator anomaly diagnosis

4 結論

本文提出一種改進的Faster R-CNN 方法，引入激勵壓縮環節，搭建訓練模型，完成絕緣子紅外圖像的異常診斷，并成功應用于電力現場運維。本文方法可高效并精準地識別出絕緣子的異常缺陷，mAP 達到90.2%。研究結果可為輸電線路絕緣子缺陷識別研究提供一定的參考。