基于多特征與DCNN的紅外SF6泄漏檢測方法研究

徐守坤 符心宇 封曉晨 王雨生 石 林

(常州大學信息科學與工程學院 江蘇 常州 213164)

0 引 言

六氟化硫(SF6)是一種被廣泛應用于電力、化工行業的絕緣氣體，且具有無色無臭的性質，其泄漏會對設備與環境都造成巨大的損害，尋找一種及時、有效的SF6泄漏檢測方法尤為重要。傳統的SF6泄漏檢測方法很多，但大多利用其物理性質，借助設備進行檢測，這些方法不僅需要大量人力，且無法自動檢測。相關工作者利用SF6能夠較好吸收紅外光波的原理，提出了基于紅外成像技術的SF6泄漏檢測方法[1]，在紅外技術支持下，SF6呈現出黑色煙霧狀。過去幾年中，很多圖像煙霧檢測算法被提出。文獻[2-3]提出幾種煙霧檢測方法，如結合聚合Gabor核和局部二值模式(LBP)的煙霧識別方法、結合Gabor網絡與紋理特征的煙霧識別方法。Yin等[4]提出一種用于煙霧檢測的歸一化卷積神經網絡，在提取特征的同時對數據進行歸一化處理，獲得了不錯的檢測精度。衛鑫等[5]針對采樣的每幀煙霧特征具有極大的相似性，提出一種深度卷積長短期記憶網絡的火災煙霧檢測模型。

本文針對傳統SF6泄漏檢測方法準確性不高且耗時耗力等問題，將紅外成像技術與機器學習結合，提出一種新的SF6泄漏檢測方法，提取紅外技術下SF6泄漏的顏色及運動特征，利用加入膨脹卷積[6]的改進卷積神經網絡進行分類，在增大感受野的同時，可以避免空間信息的丟失，在實際對SF6的檢測中具有比經典CNNs更好的檢測效果。實驗證明，本文方法不僅能夠對SF6氣體進行全天候、多角度自動檢測，而且具有較高的檢測準確率。

1 算法基礎

1.1 高斯混合模型

高斯模型的原理就是使用高斯正態分布函數來精確地量化事物，將事物分解為K個高斯分布[7]，并且使用K個高斯分布的加權和來描述事物場景。一般來說，K的值越大，高斯混合模型處理場景變化的能力就越強，K的值一般取3～5。使用混合高斯模型能夠快速準確地提取疑似泄漏區域。

1.1.1高斯建模函數

在混合高斯模型中，設Xi,t為t時刻圖像中某像素點的取值，則模型的概率密度函數如下：

(1)

f(Xi,t,μi,t,Σi,t)=

(2)

式中：n為像素點的維數；β值是控制背景高斯分布個數的閾值。

1.1.2背景的劃分及更新

混合高斯模型之所以能夠準確劃分背景與運動區域，是因為它可以不斷地根據像素的變化進行背景的劃分與更新。在模型的概率密度函數中，ωi,t表示某單個像素值在第i個高斯分布產生的概率占P(Xi,t)的比例。一般來說，ωi,t的值越大，則第i個高斯分布越接近背景，而標準差σi,t(通常取2.5～3.5)越小，高斯分布越穩定。所以在混合高斯模型中，K個高斯分布按照權值ωi,t與標準差σi,t的比值從大到小進行排列，選取前B個高斯分布作為背景[10]，其中b表示B值所能取得的最小值：

(3)

β值的含義是作為背景的高斯分布B在像素的整個概率分布中所占的權重，β過小會導致背景圖像分布為單峰，反之則會是多峰，在一般情況下β取值為0.7。將權值較大的高斯分布作為背景，將權值較小的高斯分布用作描述運動目標。

視頻中的背景不是一成不變的，混合模型需要一直更新背景。如果像素值Xi,t滿足：

|Xi,t-μi,t-1|≤2.5σi,t-1

(4)

則當前像素值與第i個高斯模型匹配，然后更新高斯模型參數，其權值、均值、方差的更新公式為：

(5)

式中：θi,t的值在模型匹配時取1，如果不匹配則取0；ρ=α×f(Xi,t,μi,t,Σi,t)為均值、方差更新率,α為模型的學習率。高斯混合模型就是在不斷更新背景的過程中，提取出運動區域。

1.2 卷積神經網絡

卷積神經網絡(CNN)最早是由Lecun等[8]提出用于手寫數字識別領域，并迅速在該領域占據霸主地位。強大的CNN在圖像識別、運動分析、人臉識別、自然語言處理及腦電波分析方面都有極大突破。與傳統的神經網絡相比，其優勢體現在局部感受野和權值共享上。圖1為卷積神經網絡的網絡結構，由輸入層、卷積層、池化層、全連接層、輸出層等部分構成。其卷積層能夠特征提取，卷積層中的每個神經元分別連接到上一層的局部感受野提取特征；池化層充當特征過濾器，池化操作一般有最大池化和平均池化兩種，池化操作的目的在于減少參數矩陣的尺度，加快運算速度，一定程度上可防止過擬合。

圖1 卷積神經網絡結構

2 算法設計

2.1 紅外SF6泄漏視頻檢測算法流程

紅外成像技術下的泄漏SF6為運動目標，具有豐富的特征,單單提取一種特征對其進行檢測，不能滿足SF6檢測的快速變化要求。本文首先通過混合高斯模型[9](GMM)將其放入HSV顏色空間[10]進行分析，得到其顏色特征；然后在疑似泄漏區域進一步提取其動態特征，即不規則運動特征，通過提取SF6泄漏的顏色特征與運動特征，能夠適應不同場景下的煙霧類氣體檢測；最后使用膨脹卷積代替卷積神經網絡(CNN)中的池化層。實驗證明，膨脹卷積神經網絡(DCNN)與經典的CNNs網絡相比，具有更好的分類效果。通過DCNN對提取出來的泄漏區域進行判斷，并準確地在視頻幀上標記出泄漏位置。SF6檢測算法流程如圖2所示。

圖2 SF6檢測算法流程

2.2 基于高斯混合模型的SF6泄漏區域提取

以某紅外SF6泄漏視頻為例，采用混合高斯模型背景建模方法提取其疑似泄漏區域，通過EM算法來進行參數估計。部分參數初始值設定為K=5、β=0.7、α=0.005、n=3。

混合高斯算法能夠較準確地提取運動候選區域。圖3所示為混合高斯模型提取到的候選區域,其中：圖3(a)為原始SF6泄漏視頻；圖3(b)中白色區域為利用混合高斯模型提取到的運動區域，但是由于SF6泄漏的位置較為固定，在一段時間的檢測之后，模型會將連續運動的區域自動判定為運動區域，造成一定程度上的誤檢，所以單單使用混合高斯模型來檢測SF6泄漏是不夠精確的。

圖3 混合高斯模型算法效果圖

2.3 紅外SF6泄漏多特征提取

對于SF6的泄漏檢測，高斯混合模型具有較好的優勢，但是對于一些運動物體的干擾，還是不能較好地分辨，所以本文將采用合適的特征提取算法，提取SF6的顏色及運動特征，進一步提高識別SF6的泄漏位置的準確率。

2.3.1 基于HSV顏色空間的SF6特征分析

HSV是根據顏色直觀特性提取特征的一種顏色空間，其中：H代表色調；S代表飽和度；V代表明度。圖4所示為HSV顏色圓錐模型。

圖4 HSV顏色圓錐模型

H的范圍為0°到360°，0°的位置為紅色，沿逆時針方向旋轉，綠色在120°的位置，藍色和品紅分別在240°和300°的位置。

S描述的是顏色與光譜色的對比程度，顏色越接近光譜色，飽和度就越大，一般飽和度的取值范圍0%到100%。

V表示色彩的明亮程度，這與發光體的亮度有關，與物體本身的透光程度也有關系，其取值范圍也為0%(黑)到100%(白)。

通常，圖像存儲在計算機中時，其存儲與顯示都是以RGB形式來進行的，但是HSV對于用戶來說是一種更加直觀的顏色模型，所以本文在HSV顏色空間中處理圖像數據。像素從RGB轉換到HSV顏色空間的公式如下：

(6)

(7)

V=max(R,G,B)

(8)

本文檢測的SF6氣體本身無色無味，但是在紅外成像儀下，卻呈現出黑灰色。將紅外SF6泄漏圖片所有像素點映射到HSV顏色空間當中，為了方便計算首先將圖片的三分量H、S、V映射到0～255之間：

(9)

由于計算機中所有圖像的默認值都會按照RGB的值處理，所以將圖片轉換到HSV空間時，圖像會發生較大變化。圖5所示為某SF6泄漏圖像放入HSV顏色空間中的效果圖，其中圖5(a)為原始圖像，圖5(b)為放入HSV顏色空間轉換后的圖像。

圖5 轉換到HSV顏色空間的效果對比

圖6是一幅從SF6泄漏視頻中截取的小圖像塊，將其從RGB顏色空間轉到HSV顏色空間中，分析其特征。

圖6 SF6泄漏圖像塊

HSV像素分布效果如圖7所示。圖7(a)為將SF6泄漏圖像塊所有像素映射到HSV空間的三維效果圖，x、y、z分別對應了H、S、V三個分量。由于像素分布較多且雜亂無章，看不出規律，所以將三維空間中的像素分布分別映射到三個平面上，將H、S、V兩兩組合，生成二維圖像。圖7(b)為HSV三維圖像向S-V平面投影得到的二維圖像，可以看出，S值較小的區域，像素分布很多，而V值的分布比較廣泛，沒有明顯的特征。圖7(c)為HSV三維圖像向S-H平面投影得到的二維圖像，可以看出，像素都分布在S值較小部分，而H值的分布較廣，也沒有明顯的特征。圖7(d)為HSV三維圖像向V-H平面投影得到的二維圖像，圖中V值的分布與H的分布都沒有明顯的特征。

(a) H-S-V像素分布圖3D

(b) S-V平面投影圖像

(c) H-S平面投影圖像

(d) V-H平面投影圖像圖7 HSV像素分布效果圖

將大量圖片放入HSV顏色空間中進行對比，得到如下結論：存在SF6泄漏區域的飽和度S一般較低，經過實驗選取S值為70，而SF6泄漏運動時亮度V提升，取視頻前50幀的平均亮度作為閾值。所以區域飽和度S低于70且亮度值V大于視頻前50幀平均亮度值時，判定該區域為疑似泄漏區域。

圖8所示為經過HSV顏色空間處理與原始圖像的效果對比圖，圖8(a)為原始圖像，圖8(b)中被黑色區域覆蓋的為SF6泄漏區域。通過顏色特征分析，可以進一步對候選區域進行篩選。

圖8 HSV顏色空間泄漏區域確定

2.3.2SF6泄漏運動特征分析

對比多個SF6泄漏視頻，其泄漏呈現出不規則性。一般來說，SF6的密度比空氣大得多，其開始的運動方向都為朝下，因受拍攝環境的影響，其泄漏軌跡往往會向四周擴散，整體運動呈現出不規則性。而煙霧的局部運動也是不規則的，這種運動特性是別的物體所不具備的，所以根據SF6泄漏運動的不規則性，可以進一步判斷SF6泄漏的運動區域。

同樣面積的兩個物體，一個是光滑規則的閉環曲線，一個是參差不齊、不規則的閉環曲線，兩者相比，不規則的曲線長度一定要比規則的曲線長度長。圖9為不規則性原理的示意圖，其中圖9(a)是邊緣規則曲線，而圖9(b)是面積與圖9(a)相同但形狀不規則的曲線，可以看出，不規則曲線長度明顯要長。

圖9 不規則性原理示意圖

SF6在發生泄漏時，受氣壓、溫度、氣流等影響，泄漏時呈現出不規則的形狀，通過計算每一幀的像素變化來實現SF6泄漏檢測是非常困難的，因此引入一個不規則度(Irregularity)[11]的概念,其計算公式如下：

(10)

式中：S1為使用混合高斯模型提取出來的疑似泄漏區域面積；S2為提取出來的疑似泄漏區域的最小外接矩陣的面積。S1、S2的值用其包含的連通區域的像素總數來描述。

給定一個閾值?,根據式(11)來區分是否為擴散的SF6泄漏區域。

(11)

式中：Area=1代表該區域為擴散的SF6泄漏區域，反之則不是。

通過計算多個SF6泄漏視頻的不規則度IRR，最終得到實驗需要的閾值?,如圖10所示，圖10(a)、(b)分別為兩組SF6泄漏視頻，圖10(c)、(d)分別為它們的IRR分布圖。可以看出，IRR的值大多分布在0.1到0.7之間，而且小于0.6的分布占絕大多數，通過多組實驗比對，IRR的分布同樣滿足這一特點，所以設定不規則度的閾值?為0.6。

(a) SF6泄漏視頻1 (b) SF6泄漏視頻2

(c) 視頻1的IRR分布圖

(d) 視頻2的IRR分布圖圖10 SF6泄漏不規則度分析

(a) 膨脹率r=1 (b) 膨脹率r=2 (c) 膨脹率r=4圖11 膨脹卷積結構單個神經元感受野

2.4 基于DCNN的紅外SF6圖像識別

雖然CNN的分類效果已經很不錯，但它仍有以下問題。首先是卷積層的問題，卷積層通過一組矩陣與前一層網絡神經元的輸出矩陣相乘，即卷積計算，來得到某些特征，它具有平移不變性，這意味著，同一目標的輕微位置變化，可能不會激活那些識別目標的神經元；其次是池化層的弊端，池化操作會導致內部數據結構丟失以及空間層級化信息丟失。

基于上述情況，引入一種新穎的卷積方法——膨脹卷積。該算法既可以增大感受野，還可以避免池化操作而導致諸多細節和空間信息的丟失。膨脹卷積誕生于圖像分割領域，它在原始卷積的基礎上增加了一個r參數，能將卷積核擴張到膨脹系數所約束的尺度中，并將原卷積核中未被占用的區域填充0。圖11為膨脹卷積單個神經元感受野的示意圖，其中r代表卷積核的膨脹系數，其有效卷積核高計算公式如(12)所示，有效卷積核寬計算公式如式(13)所示。

hconv=fh+(fh-1)×(r-1)

(12)

wconv=fw+(fw-1)×(r-1)

(13)

式中:fh為原卷積核的高;fw為原卷積核的寬。

膨脹卷積的計算方法是通過卷積核沿著像素點逐步移動，移動到了某個像素點之后，特征圖對應的位置數值再與卷積核模塊做點積運算。膨脹卷積的感受野計算公式為：

k′=r(k-1)+1

(14)

膨脹卷積產生的特征圖分辨率計算公式為：

(15)

式中：k′為膨脹卷積核尺寸；k為原始卷積核尺寸；r為膨脹率；d為填充的數據大小；s表示步長。

不難看出，膨脹率r=1的時候，膨脹卷積與卷積是等價的，與卷積神經網絡的池化層相比，膨脹卷積具有快速擴大感受野、避免空間信息丟失的功能，在圖像數據需要全局空間信息進行分析時，能夠得到很好的應用。SF6是一種不規則的氣體，對其泄漏進行檢測，需要根據其空間信息進行判斷，所以使用膨脹卷積神經網絡來檢測SF6氣體泄漏分類效果更佳。圖12所示為本文使用的膨脹卷積神經網絡(DCNN)的網絡結構。

圖12 膨脹卷積神經網絡模型圖

本文中使用的膨脹卷積神經網絡共包含一層輸入層、三層卷積層、兩層膨脹卷積層、一層池化層、兩層全連接神經網絡層和一層輸出層。模型相關超參數如表1所示。

表1 網絡模型超參數

續表1

本文使用的膨脹卷積神經網絡(DCNN)在卷積神經網絡結構上，將前兩個池化層替換成膨脹率為2的膨脹卷積，減少了空間信息的丟失，在卷積層與全連接層中使用了修正線性單元(Rectified Linear Unit,ReLU)函數[12]作為激活函數，使用方差為0.1的正態分布來隨機生成卷積核的權值，其中偏置的值為1。ReLU函數公式如下：

f(x)=max(0,x)

(16)

全連接層部分采用了DropOut[13]的方法來防止過擬合，其原理是減少神經元之間復雜的共通關系，減少了一些特征相互依存的情況，從而提升整個神經網絡的效率，一般設置DropOut為0.3或者0.5，本文選擇0.5。如圖12所示，本文網絡中使用了兩個全連接層，最后一個Softmax層用于分類，兩個全連接層用于從前一層得到的特征圖中提取特征向量，為了研究不同組件的有效性，本文進行了實驗對比，實驗結果如表2所示，本文具有兩個全連接層的改進卷積神經網絡性能最佳，但去掉兩個全連接層的其中一個時，其性能略差，若將兩個全連接層全部去掉，網絡失去收斂效果。因為，當沒有前兩個全連接層時，提供給Softmax分類器的特征維數會非常高，忽略了反向傳播，所以全連接層對于網絡是不可缺少的一部分。表2所示為不同全連接層對檢測效果的影響結果分析，表明兩個全連接層的神經網絡對于SF6的檢測效果更佳。

表2 不同全連接層數量對比實驗結果

在輸出層使用了Softmax函數作為激活函數，傳統的Lenet-5卷積神經網絡的輸出層有10個神經元，而本文的目的只需要判斷SF6是否泄漏，所以將輸出神經元的數目修改為2，減少了輸出層的運算量。

3 實 驗

本文使用Linux搭建實驗開發平臺，選用Ubuntu16.04作為操作系統，GPU選用NVIDIA GeForce GTX 1080Ti，CUDA8.0，CUDNN6.0，內存為12 GB。實驗使用Tensorflow深度學習框架進行模型的訓練和測試。為了證明本文方法的優越性，本文使用Tensorflow框架在同樣的實驗環境下實現了其他深度卷積神經網絡，如Lenet-5、Alexnet。在此硬件環境下，訓練一個周期的DCNN需要90 s，對紅外SF6視頻的識別速度大約為15～20幀/s。

3.1 數據集制作

3.1.1數據來源及整理

SF6氣體因其肉眼不可見的性質，其圖像視頻的獲取大多來源于紅外熱成像儀的拍攝，雖然其檢測的重要性較高，但是并沒有成熟的公共數據集，本文主要通過以下兩種方式采集SF6泄漏視頻數據：(1) 通過Youtube、Youku等視頻網站視頻爬取；(2) 以GF306紅外氣體成像儀現場采集。圖13為部分采集到的紅外SF6泄漏視頻幀。拍攝的場景及測試部位有法蘭、閥門、室內外GIS設備、密度繼電器等。視頻大小都為320×240，每秒25幀，在紅外拍攝條件下，整體呈現出黑灰色且亮度較暗，噪聲類型主要為高斯噪聲。

圖13 部分SF6泄漏視頻

3.1.2數據集預處理及數據增強

1) 數據集的去噪處理。為了降低圖像的噪聲，增強圖像的固有特性，本文對紅外SF6泄漏視頻進行圖像預處理，由于SF6泄漏視頻的采集大多是通過紅外成像儀拍攝得到，受拍攝環境、傳輸過程的影響，會產生一些圖片噪聲，這決定了圖片質量的好壞，對圖像的識別準確率會有一定的干擾。所以在檢測之前，需要對其進行濾波去噪，本文采用的是高斯濾波法。高斯濾波是一種線性濾波，在處理高斯噪聲時效果較佳，可以有效保護圖像的邊緣信息。本文采用雙線性插值算法對視頻進行歸一化處理，該算法不僅對圖像縮放效果好，而且其運算效率也很高，最終將視頻歸一化為320×240。本文最后輸入到膨脹卷積神經網絡進行訓練的圖片是32×24像素的小圖片，使用小圖片進行訓練能夠有效地減少運算量，提升檢測速度。

2) 數據增強。深度卷積神經網絡通常有數百萬需要學習的參數，想要通過卷積神經實現高準確率，一方面需要大量的訓練圖像，另一方面需要圖像樣本的均衡性。本文通過數據增強技術[6]，將SF6圖像樣本和非SF6圖像樣本進行水平翻轉、垂直翻轉，從訓練集中產生更多的訓練數據。將新生成的樣本與原始樣本進行混合，在不改變正樣本與負樣本比例的同時，生成了更大更平衡的訓練集，對整個系統的檢測性能有了不錯的提升。如表3所示，Set1為測試所用數據集，測試集中的正負樣本圖片都是從紅外SF6泄漏視頻中裁剪出來的，Set2為沒有使用數據增強技術的原始數據集，Set3為使用數據增強技術對數據集進行擴充。擴充后的數據集中的圖片統一為32×24的小圖片，其中：黑灰色煙霧圖片一部分來源于文獻[14]的公開數據集，一部分是裁剪自SF6視頻中的泄漏圖像塊；非泄漏煙霧圖片一部分來源于公開的煙霧檢測負樣本數據集[14]，另一部分裁剪自泄漏視頻中對應的非泄漏區域，如設備、墻壁等。

表3 數據集描述

3.2 檢測結果分析

為了檢測算法的效果，使用本文的方法對采集到的SF6泄漏視頻進行檢測，圖14所示為本文系統最終輸出的結果示意圖，系統標記出識別為SF6泄漏的小塊圖像在原視頻幀中的位置。

圖14 部分SF6泄漏視頻檢測結果示意圖

通過觀察與分析，紅外成像儀拍攝的SF6泄漏視頻主要有以下特點：紅外SF6呈黑灰色煙霧狀；泄漏速度較快，泄漏擴散的畫面與畫面背景類似；視頻的每一幀都是泄漏幀。

本文方法會根據檢測結果生成整個檢測環節中的報警幀數，通過統計準確報警、錯誤報警、漏檢的幀數，計算整個系統的準確率、誤檢率及漏檢率，實現SF6泄漏檢測的客觀評價。

表4為部分紅外SF6泄漏視頻的檢測分析，其中S表示泄漏幀數，T表示正確檢測到泄漏的幀數，N1表示漏報幀數，N2表示誤報幀數。可以看出，設備穩定、正常拍攝條件下的SF6視頻泄漏檢測效果不錯，誤報數和漏檢數比較少，說明本文使用方法檢測的報警率較高；但如果設備晃動，泄漏量少或泄漏不明顯；有較多干擾因素在的話，就容易出現誤報、漏報的情況。

表4 部分紅外SF6泄漏視頻檢測分析

續表4

為了更加客觀地評估本文的方法，將多個測試視頻的檢測數據進行統計，計算平均準確率、漏檢率和誤檢率[15]。記平均準確率為AR,漏檢率為LR，誤檢率為FR,泄漏幀數為S，漏報幀數為N1,誤報幀數為N2,測試的視頻數為n，i表示測試視頻，計算公式如下：

(17)

經過多次實驗，本文方法的準確率保持在82%左右，檢測的效果比較好，具有一定的抗干擾能力，魯棒性高，缺點是還有一定程度的漏檢。

3.3 對比實驗

為了驗證本文使用的膨脹卷積神經網絡具有較好的效果，本文將其與幾個經典的CNN進行了對比實驗，如Lenet-5[16]、Alexnet[17]、ZF-net[18]。使用這幾種網絡分別對進行數據增強以后的Set2進行訓練，訓練采用隨機組合的方法，每次隨機抽取100幅圖片進行分類訓練，一共抽取1 000組數據。隨機組合的好處在于對小數據集能夠達到大數據集的訓練效果。表5所示為幾種網絡訓練的精度對比。

表5 本文網絡與經典CNN的精度值比較

可以看出幾種CNN網絡都能得到不錯的訓練精度，但是在實際的SF6泄漏檢測過程中，膨脹卷積神經網絡結合本文提取SF6泄漏特征的幾種方法，其檢測的效果明顯更佳。采用4種網絡分別對Set1和Set2進行訓練，然后對紅外SF6泄漏視頻的檢測進行評估，結果如表6所示。可以看出，本文使用的DCNN取得了最高的AR值和最低的LR值。在Set1上，Alexnet取得了較低的FR值，但是DCNN在AR值和LR值上明顯高于Alexnet；ZF-net在Set2上擁有較好的AR和FR，但是其擁有過多的可學習參數，在速度上明顯不及DCNN。總之，本文使用的DCNN在SF6這類煙霧類氣體檢測當中，擁有比Lenet-5、Alexnet和ZF-net更好的檢測性能。

表6 與不同CNN的對比實驗

4 結 語

針對傳統SF6泄漏大多依靠人力檢測的問題，本文提出一種基于多特征融合及膨脹卷積神經網絡的紅外SF6泄漏檢測方法，采用圖像處理算法結合深度學習網絡對紅外技術下SF6泄漏進行檢測。實驗證明，本文方法具有較好的檢測效果，為實現遠距離實時檢測SF6泄漏提供了理論依據。該方法可以應用在人員不易接觸、距離較遠的高壓電氣設備中，不僅對SF6實現了檢測，而且節約了人力，保障了相關工作人員的安全。

未來可以將本文方法與SF6泄漏的濃度檢測相結合，工作人員可以根據泄漏的程度大小采取不同的處理方法，進一步提高SF6電氣設備的監管力度，保障電力生產作業安全運行。