基于深度學習的電力設備狀態檢測的研究

吳 媚

（江蘇方天電力技術有限公司，江蘇 南京 211100）

近十年來，國內已經研制成功很多傳感器和監測裝置，也取得了較好的成果。國外企業電力設備在線監測傳感技術、監測裝置的集成性等方面要優于國內，但都是離散的、單一的針對單個設備進行監測研究。設備巡檢過程中產生了大量視頻圖像數據，巡檢人員能夠通過視頻圖像了解現場情況、設備運行情況等，從而為日常工作、應急處理、事故分析等工作提供直觀的輔助決策依據。但是，隨著圖像處理技術的不斷深入研究，設備狀態巡檢業務應用對圖像的智能化程度、可靠性、可用性等需求提出了更高的要求。本文針對這些問題，提出了基于深度學習的電力設備狀態檢測方案。

1 系統架構

系統分層結構包括數據采集層、數據接入層、服務支撐層和應用展現層。數據采集層包括機器人、無人機、監控攝像機、智能手機、PDA、Pad、單兵設備、電力設備狀態圖像采集裝置等巡檢采集設備，為上層提供巡檢數據；數據接入層包括盒子、電力設備狀態圖像分析裝置，提供安全防護、靈活接入和數據分析能力；服務支撐層為各項功能提供技術支撐服務，包括應用服務、網管服務、控制服務、視頻大數據智能分析服務；應用展現層根據各業務的需求實現功能應用，提供B/S應用客戶端和APP應用客戶端滿足不同用戶對不同使用場景的使用需要。總體應用功能架構由前端應用功能、支撐服務功能、系統應用功能三大部分構成，前端應用功能包括電力設備狀態圖像采集和分析功能；支撐服務功能包括控制服務、網管服務、視頻大數據圖像分析服務，向電力設備狀態監測應用提供統一服務；系統應用功能包括智能分析管理、視圖庫管理、應用、APP應用，實現對視頻圖像信息的可看、可管、可控。系統應用功能架構由前端應用功能、支撐服務功能、系統應用功能三大部分構成。前端應用功能包括電力設備狀態圖像采集和分析功能；支撐服務功能包括控制服務、網管服務、視頻大數據圖像分析服務，向電力設備狀態監測應用提供統一服務；系統應用功能包括智能分析管理、視圖庫管理、APP應用。該系統架構實現對視頻圖像信息的可看、可管、可控。

2 基于異構硬件平臺的多類電力設備狀態檢測及效率提升技術

1）電力傳輸線檢測。采用圖像灰度化，圖像增強、去噪、銳化、閾值分割、形態學和邊緣提取等算法，提取絕緣子串的形狀特征，再基于像素點分類方法，對同類像素點擬合，實現對傳輸線的檢測。步驟一：讀入直升機、無人機、機器人、固定攝像機等智能設備巡檢過程中產生的關于電網傳輸線的圖像。步驟二：將輸入的圖片灰度化處理，即將采集到的24位真彩色圖像轉化為8位灰度圖，得到灰度圖像。步驟三：利用高斯算子對灰度化圖像進行高斯模糊去噪，將高斯分布權值矩陣與原始圖像矩陣做卷積運算，減少圖像噪聲平滑圖像。步驟四：對平滑后的圖像進行算術運算，將圖像整體像素值降低，便于后續進行線性變換。步驟五：對算數運算后的圖像進行灰度線性變換，增強圖像的對比度，擴大傳輸線和背景之間的差值，這有利于提升邊緣檢測的效果。

2）安全帽、紅馬甲檢測。在基建場景下，安全員負責現場的安全管理，對于整個建筑項目的完成起著至關重要的作用，安全員若不在現場，整個項目就存在巨大的安全隱患。利用安全員身著紅色馬甲、戴安全帽這一明顯特征，我們可以利用計算機視覺檢測技術，通過確定紅色馬甲位置來檢測安全員是否在工作現場。對采集的訓練圖像行預處理的步驟如下。步驟一：利用攝像頭采集多個不同場景下的安全員。步驟二：篩去上述圖像中受環境因素影響較大的部分，保留安全員紅色馬甲特征較為明顯的圖片。步驟三：人工的框出行人以及紅色馬甲的位置，并為其邊界框打上標簽。在深度學習方案中，將神經網絡的53個卷積層在ImageNet數據集上進行預訓練，得到這些卷積層之間的權重，用于提取圖片的特征。將訓練圖片輸入神經網絡，經過卷積層提取特征之后通過全連接層進行分類，根據損失函數算出預測值與真實值之間的損失，通過反向傳播算法調整神經網絡各個隱層的權重，當損失值下降到一定的閾值時，停止訓練，得到最終的神經網絡。

3）基于嵌入式平臺的電力設備檢測。SSD是一種基于深度學習的經典目標檢測算法。與R-CNN系列目標檢測算法相比，SSD取消了中間候選項和像素特征的重新采樣過程，確保了速度，同時確保了檢測精度，SSD輸出了一系列離散候選箱，候選箱生成了字符模式SSD產生一系列固定大小的方塊，使用小型回旋篩選來預測目標類別和候選方塊位置偏移（即候選方塊包含目標類別的可能性），并透過移除值的方法取得最終預測結果但是，使用特征提取網絡需要大量的計算資源，通常部署在圖形處理器上，這就需要大量的硬件，并且使得在集成平臺上執行如此重要的網絡模型非常困難，這可能會對使ssd與內置設備兼容。我們使用MobileNet替換SSD中的VGG-16網絡。mobiliet使用深度來分隔卷，而不是傳統卷層，深度可以分隔卷，從而將整個標準卷轉換為深卷，并將每個點一個卷。當輸入可分為深體積：16×3×3，得到16通道特征輪廓，點體積：16×1×1×32。如果使用標準體積，計算體積如下：mxnx16×3×32=m×n×4608，在深度分解體積后計算體積如下：m×n×16×3+m×n×16×1×32=m×n656，計算體積和體積神經網絡參數體積減小，運行效率降低。

3 電力設備狀態檢測和應急處置中的示范應用

針對運維檢修工作需要，本文在技術研究基礎上，依托統一視頻監控平臺，實現電力設備狀態圖像采集裝置、電力設備狀態圖像分析裝置、音視頻遠程盒子的示范應用，達到設備狀態自動監視、突發事件應急處置、疑難問題遠程交流、歷史問題研判分析的目標。系統部署架構主要包括主站側及站端側。主站側部署視頻監控平臺，平臺新增大數據存儲與分析服務集群，包括管理節點服務和計算節點服務，基于大數據框架和深度學習技術，實現分類模型的訓練算法、對象分類算法和設備狀態分析算法，以保證各算法在后端服務中運行的高效性，實現對下載和導入的歷史視頻圖像的分析。平臺執行分析任務，發現設備狀態異常時，歷史分析將以任務結果形式查閱；平臺新增網關服務、控制服務、部署盒子，從而實現視頻平臺資源與遠程進行整合，用戶可以靈活接入會場音視頻信號，與遠程移動終端進行會話，并調用查看平臺監控視頻、應急處置等業務應用中提供大量現場監控圖像，服務于業務指揮。站端側移動終端安裝遠程軟件實現與會場的遠程視頻；部署電力設備狀態圖像采集及分析裝置，以滿足多種場景的應用，一旦發生設備狀態問題將立刻向平臺推送告警信息，啟動遠程查看、現場核實、遠程會診等預案。電力設備狀態圖像分析裝置，實現對前端電力設備狀態圖像的實時監視，發現設備狀態異常時，將向后臺推送告警信息。

4 結束語

本文件中討論的電氣設備狀態圖像收集和分析裝置等結果將直接應用于電氣設備狀態檢測和緊急處置，以便在典型情況下準確監測電氣設備狀態，例如，保證電氣設備正常運行，保證電網安全運行，同時提高可靠性，可以改進電氣設備檢查方式，提高設備狀態控制和運輸檢查決策水平，加快計算機視覺和機器學習是非常實用的學科。第一條電力線的視頻數據是測試算法有效性的最佳試金石。它們還提供了提高算法性能、改進算法和算法創新的機會，對相關通用技術的發展進步產生推進作用，并可為類似應用提供借鑒和啟發。