基于視頻圖像的輸變電設備外部缺陷檢測技術及其應用現(xiàn)狀

齊冬蓮 韓譯鋒 周自強 閆云鳳

①(浙江大學電氣工程學院 杭州 310027)

②(浙江大學海南研究院 三亞 572024)

③(浙江華云清潔能源有限公司 杭州 310014)

1 引言

在國民經(jīng)濟快速發(fā)展的背景下，電力需求不斷增長，電網(wǎng)規(guī)模急速擴大，電網(wǎng)行業(yè)逐步加強對電力設備安全穩(wěn)定運行的管控。電力設備存在的隱患、故障等極易引起“鏈式反應”致使電網(wǎng)癱瘓，從源頭波及社會有序發(fā)展。近年來，電力設備缺陷引發(fā)的事故再一次敲響了警鐘。2019年山東某1000 kV變電站發(fā)生電力設備爆炸[1]；2020年云南某水電站發(fā)生電力設備爆燃[2]。這些事故導致了不同程度的人員傷亡及經(jīng)濟損失。通過視頻圖像智能巡檢技術對關鍵電力設備運行狀態(tài)進行高頻率的監(jiān)控與分析，精準預測故障隱患，及時發(fā)現(xiàn)電力設備異常狀態(tài)，是保障電網(wǎng)安全的有效手段。

隨著智能電網(wǎng)的規(guī)?；l(fā)展，機器人、無人機和固定攝像頭等巡檢設備在電網(wǎng)中廣泛應用，應運而生的海量巡檢視頻帶來了人工復核效率低、缺陷檢測準確率低、成本日益增加等問題。同時，電力設備的異常狀態(tài)呈現(xiàn)種類多樣、形態(tài)多變、異常交互關聯(lián)、樣本過少、數(shù)據(jù)分散等特點，對其進行智能分析具有一定的難度。在此背景下，傳統(tǒng)圖像處理方法與基于深度學習的圖像處理方法逐漸應用于智能電網(wǎng)領域中。

視頻圖像是電力設備監(jiān)測最直接、最安全的手段。全國超80%的變電站配備了視頻監(jiān)控設備，其監(jiān)視對象覆蓋了90%以上的設備區(qū)域，產(chǎn)生了海量視頻圖像。以浙江某110 kV變電站為例，全站覆蓋80個高清攝像頭，視頻存儲量巨大。我國35 kV及以上等級的變電站約43441座，其中浙江省110 kV及以上等級變電站約1300座，可見，全國電網(wǎng)中僅變電站產(chǎn)生的視頻量就龐大無比。然而，基于視頻圖像的電力設備異常狀態(tài)檢測研究尚處于起步階段，大部分檢測任務仍需人工對海量視頻進行判斷、提取和篩選[3]。目前，對于輸變電設備的巡檢視頻圖像處理仍存在以下問題：(1)視頻數(shù)量大，存儲困難，大量數(shù)據(jù)未能被有效利用；(2)人工查看設備異常狀況的技能水平參差不齊，平均檢測速度慢，效率低；(3)過多的視頻巡檢任務容易引發(fā)工作人員的視覺疲勞，從而導致缺陷漏檢、誤檢或故障發(fā)現(xiàn)不及時等問題。隨著視頻圖像處理技術的不斷發(fā)展，上述問題得到了有效解決[4]。本文的主要貢獻可概括為以下4點：

(1)列舉了輸變電智能巡檢過程中重點關注的設備缺陷類型及當前人工巡檢方式的人力消耗。

(2)總結了基于視頻圖像的輸變電設備外部缺陷檢測技術及其應用現(xiàn)狀。通過典型設備缺陷檢測技術的對比，分析了傳統(tǒng)圖像處理方法與基于深度學習方法的優(yōu)劣。

(3)分析了當前圖像算法開發(fā)平臺在輸變電巡檢領域應用的現(xiàn)狀，總結了智能電網(wǎng)推動過程中輸變電智能巡檢系統(tǒng)開發(fā)及應用情況。

(4)指出了圖像處理技術在輸變電設備巡檢領域應用存在的問題，闡述了未來研究方向。

2 輸變電設備外部缺陷種類及巡檢方式

在基于視頻圖像的電網(wǎng)安全運行巡檢過程中，主要關注的輸變電設備缺陷可分為設備損壞和狀態(tài)異常兩類。表1列舉了輸變電場景中典型設備的缺陷類型。其中，設備破損包括設備外殼破損、滲漏油、金屬銹蝕等能夠從外部直接觀測到的缺陷。狀態(tài)異常包括設備讀數(shù)異常、油位計讀數(shù)異常等，此類缺陷檢測需要首先獲取狀態(tài)讀數(shù)，再對讀數(shù)進行分析計算，探查設備運行狀態(tài)。綜上，本文所述的基于視頻圖像的設備缺陷檢測技術主要針對表1所列舉出的缺陷類型，通過外觀變化判斷、狀態(tài)讀數(shù)識別等手段，實現(xiàn)輸變電設備的智能巡檢。

表1 輸變電設備外部缺陷示例

當前，基于視頻圖像的變電站巡檢任務通過調用固定攝像頭、巡檢機器人等方式采集變電站運行過程中的視頻圖像。輸電設備巡檢任務則通過人工拍攝及無人機拍攝等方式采集視頻圖像。采集到的輸變電設備圖像數(shù)據(jù)主要依靠人工篩查的方式檢測輸變電設備缺陷，具有準確度高、故障發(fā)現(xiàn)及時的優(yōu)點，卻耗費了大量人力資源。以浙江某110 kV變電站每天產(chǎn)生的數(shù)據(jù)量為例，按照每人0.25 fps的速度進行篩查，完成全部篩查任務需要1000工時(單人)以上，這種程度的人力消耗遠超出站內運維承受能力。此外，輸電設備巡檢環(huán)境復雜，圖像的采集與分析受環(huán)境影響較大，人工拍攝困難，無法滿足缺陷檢測的實時性要求。在新一代智能電網(wǎng)、無人值守變電站等發(fā)展需求下，利用智能視頻圖像算法篩查設備缺陷成為無人變電站、輸電設備智能巡檢領域的研究熱點。

3 輸變電設備外部缺陷檢測

3.1 圖像處理任務

圖像處理旨在利用計算機從視頻圖像中獲取高級、抽象的信息。在輸變電設備外部缺陷巡檢任務中，主要涉及圖像處理任務中個重要分支：圖像分類、目標檢測和圖像分割。

3.1.1 圖像分類

圖像分類任務通過獲取輸入圖像的特征，判斷拍攝內容的具體類別。在輸變電設備外部缺陷檢測任務中，圖像分類方法多用于判斷所拍攝圖像中的設備外觀是否有明顯破損或是否處于異常狀態(tài)。

傳統(tǒng)的圖像分類方法包含貝葉斯法[5]、費希爾(Fisher)分類器[6]、支持向量機[7]、提升方法(Boosting)[8]等。這些方法的分類理論相對完善，但對圖像內部語義信息提取能力較差，準確率有待提高?；谏窠?jīng)網(wǎng)絡的圖像分類方法通過構建神經(jīng)元連接的網(wǎng)絡結構，在訓練中獲取圖像內部特征，完成分類任務。早期的神經(jīng)網(wǎng)絡主要有反向傳播(Back Propagation, BP)網(wǎng)絡、霍普菲爾德(Hopfield)神經(jīng)網(wǎng)絡與自適應共振理論(Adaptive Resonance Theory, ART)等。此類網(wǎng)絡雖然結構簡單、訓練方便、擬合能力強，但存在學習速度慢、容易陷入局部極值以及梯度消失或梯度爆炸等問題。近年來，深度神經(jīng)網(wǎng)絡在圖像分類任務表現(xiàn)優(yōu)異。2107年，Krizhevsky等人[9]提出的深度卷積神經(jīng)網(wǎng)絡提升了神經(jīng)網(wǎng)絡在分類任務中的準確率。殘差網(wǎng)絡(Resnet)、擠壓激勵網(wǎng)絡(Senet)等在網(wǎng)絡結構設計上實現(xiàn)模型架構的優(yōu)化[10,11]。與傳統(tǒng)機器學習相比，深度神經(jīng)網(wǎng)絡模型利用訓練好的模型，采用端到端的方式將特征提取與分類目標結合在一起，學習能力較強。然而，基于深度學習的圖像分類方法存在模型正確性驗證復雜、模型訓練依賴大量樣本、計算量大等問題。

3.1.2 目標檢測

目標檢測通過模型定位圖像中的所有目標并判斷其類別。該任務可以在輸變電設備監(jiān)控圖像中自動框定設備區(qū)域或搜尋設備異常發(fā)生的位置，實現(xiàn)智能故障檢測。

傳統(tǒng)的目標檢測算法包括基于方向梯度直方圖(Histogram of Oriented Gradients, HOG)的檢測算法、可變形組件模型(Deformable Part Model,DPM)算法等。基于深度學習的檢測算法包括，區(qū)域卷積神經(jīng)網(wǎng)絡(Region-based Convolutional Neural Network, RCNN)[12]、快速區(qū)域卷積神經(jīng)網(wǎng)絡(Faster RCNN)算法等[13]。此外，為加快網(wǎng)絡運行，研究者又提出了以SSD[14]和YOLO[15]為代表的1階段檢測器。近年來，無錨(Anchor-Free)算法成為新的熱點，主要包括DenseBox[16], CornerNet[17],ExtremeNet[18], FSAF[19], FCOS[20]和FoveaBox[21]等。深度學習模型的不斷完善，提升了目標檢測任務的準確率，加速了技術落地應用。

3.1.3 圖像分割

圖像分割任務對目標圖像的密集像素進行預測，實現(xiàn)像素的標記和分類。在輸變電設備監(jiān)控圖像中，圖像分割主要用于自動分割出設備所在區(qū)域，為后續(xù)異常判斷提供精準輪廓與像素級類別信息。

傳統(tǒng)的圖像分割方法包括基于閾值的分割方法[22]，基于邊緣的分割方法[23]，基于區(qū)域生長的分割方法[24]，基于聚類的圖像分割方法[25]，基于圖論的分割方法等[26]。傳統(tǒng)圖像分割方法流程簡單，重點關注像素變化中的邊界信息，但缺少對圖像中語義信息的關注?；谏疃葘W習的圖像分割方法對關注區(qū)域的像素進行特征提取與分析，利用輪廓信息及語義信息進行分類，實現(xiàn)目標分割。代表性方法包括：多尺度圖像區(qū)塊提取法[27]，基于循環(huán)神經(jīng)網(wǎng)絡的圖像區(qū)塊預測法[28]，全卷積神經(jīng)網(wǎng)絡FCN[29]，Deeplab[30]系列等。上述方法雖然能夠更加高效地提取圖像中的語義特征，卻存在計算量大、效率低、訓練困難等缺點。

3.2 基于視頻圖像的電力設備缺陷檢測方法

電力設備運行環(huán)境復雜，種類眾多，動態(tài)過程快。輸變電設備故障嚴重影響社會穩(wěn)定和經(jīng)濟發(fā)展。近年來，輸變電設備視頻圖像的異常檢測成為新的研究熱點，現(xiàn)有研究方法主要有：

(1) 基于傳統(tǒng)圖像處理算法的電力設備缺陷檢測方法。結合電力設備的形態(tài)、特征分布等信息，識別設備狀態(tài)，從而判斷異常。

(2) 基于深度學習的電力設備缺陷檢測方法。根據(jù)已有數(shù)據(jù)集對神經(jīng)網(wǎng)絡進行訓練，訓練所得模型能夠識別輸變電設備的運行狀態(tài)，及時檢測設備缺陷。

3.2.1 基于傳統(tǒng)圖像處理算法的輸變電設備缺陷檢測

傳統(tǒng)圖像處理算法能夠識別設備特征，根據(jù)特征差異性進行異常狀態(tài)判斷。這一類方法依賴人工設計，難以應對復雜多變的場景，識別準確率較差，但對硬件設備與樣本量要求較低，算法流程易于實現(xiàn)。本章列舉了5種基于傳統(tǒng)圖像處理算法的輸變電設備缺陷檢測的典型應用場景。

(1)隔離開關。在輸變電設備巡檢任務中，需要判斷隔離開關的開、合及閉合不到位等狀態(tài)，如圖1中第1列所示。當前方法包括：基于局部區(qū)域的設備邊緣檢測方法[31]，基于尺度不變特征變換、霍夫變換和K臨近算法的檢測方法[32]，基于霍夫森林的檢測方法[33]等。該類方法在圖像拍攝質量較好時，具有較高的檢測準確率，但由于隔離開關運行環(huán)境復雜多變，噪聲干擾嚴重，現(xiàn)有方法主要實現(xiàn)了分、合兩個狀態(tài)的自動識別，而對于臨界狀態(tài)的識別準確率較低。

(2)絕緣子破損。絕緣子破損檢測是輸變電巡檢領域中最為重要的任務之一，視頻圖像巡檢技術能夠提高巡檢頻率及效率。郭威等人[34]利用Canny算子提取到的絕緣子輪廓信息標記絕緣子位置判定絕緣子是否缺失；李浩然等人[35]利用改進的Canny算子檢測絕緣子裂紋，優(yōu)化了航拍絕緣子裂紋檢測結果；嚴宇等人[36]提出了基于霍夫變換的絕緣子視覺檢測方法。絕緣子破損特征明顯，識別準確率較好。

(3)指針式儀表。儀表讀數(shù)識別任務的重點在于識別儀表指針與儀表刻度，如圖1中第3列圖像所示?？紤]到儀表指針呈直線的特點，大部分方法采用霍夫變換獲取指針的方向和位置，從而獲取儀表讀數(shù)[37]。儀表刻度識別主要包括模版匹配、多階段刻度識別等方法。文獻[38]利用預先構建的雙針儀表設備圖像模板及尺度不變特征變換算法識別儀表讀數(shù)；文獻[39]首先粗識別出表盤刻度候選區(qū)域，再細識別精準定位刻度。上述方法在指針數(shù)量較少、表盤刻度均勻且圖像拍攝質量較好時，具有較高的準確率，但每種算法只能應對一種表盤或指針類型的儀表，難以適應變電站內表計種類復雜的環(huán)境。

(4)輸電線路。輸電線路巡檢任務通過無人機等對線路上的輸電設備進行圖像采集，并完成缺陷檢測，所拍攝圖像如圖1第4列所示。文獻[40]通過建立圖像樣本庫及提取圖像梯度直方圖(Histogram of Oriented Gradients, HOG)特征的方法，檢測輸電線路螺栓缺陷；文獻[41]利用超像素圖像分割技術，對變電設備紅外圖像進行分割，提取發(fā)熱故障區(qū)域。上述傳統(tǒng)分類方法的識別準確率依賴于現(xiàn)場拍攝設備及拍攝條件，算法識別精度難以進一步提升。

圖1 輸變電設備缺陷檢測典型應用場景

(5)溫度檢測。輸變電設備溫度檢測任務可分為目標設備定位與溫度分析。設備在紅外監(jiān)控圖像中的自動定位通過圖像處理方法實現(xiàn)?，F(xiàn)有的解決方案有：楊洋[42]提出基于Canny邊緣特征提取與k-means聚類的目標設備區(qū)域檢測方法；郭文誠等人[43]針對設備圖像傾斜、縮放等問題，采用具有旋轉與縮放不變性的Zernike矩陣作為待識別設備的特征，并使用支持向量機進行設備分類與識別；馮振新等人[44]針對目標邊界模糊、區(qū)域灰度變化等問題，結合灰度相似度聚類與閾值分割機制，快速分割相似像素，獲取紅外故障區(qū)域。傳統(tǒng)的溫度檢測方法測溫精度高、靈敏度強，但存在測溫區(qū)域邊界模糊等問題。

3.2.2 基于傳統(tǒng)圖像處理算法的輸變電設備缺陷檢測

基于深度學習的缺陷檢測方法利用電力設備缺陷樣本訓練神經(jīng)網(wǎng)絡模型，使模型能夠學習到樣本特征并應對不同的背景環(huán)境?？傮w來說，這一類方法的主要步驟為：(1) 設計基于深度學習的網(wǎng)絡模型結構。(2) 制作數(shù)據(jù)集，收集并標注待檢測的電力設備缺陷圖像。(3) 利用標注好的圖像訓練網(wǎng)絡模型，保存最優(yōu)模型參數(shù)。(4) 使用最優(yōu)網(wǎng)絡模型進行設備缺陷檢測。基于深度學習算法的輸變電設備缺陷檢測典型應用場景如下：

(1) 隔離開關。主要通過深度網(wǎng)絡模型識別隔離開關當前狀態(tài)。文獻[45]通過融合非下采樣輪廓波變換(Contourlet)和2維最大熵分割方法，完成閘刀位置的自動識別。文獻[46]利用深度卷積對抗網(wǎng)絡識別開關狀態(tài)，實現(xiàn)隔離開關狀態(tài)的“雙確認”。此外，文獻[47]針對隔離開關故障類型和故障發(fā)生位置難以被有效識別的問題，利用ReliefF算法優(yōu)化隔離開關多路特征，并使用BP網(wǎng)絡進行融合決策。然而，算法準確率過分依賴樣本數(shù)據(jù)量。

(2) 絕緣子破損。通過神經(jīng)網(wǎng)絡模型定位絕緣子并判斷是否發(fā)生破損。唐小煜等人[48]利用目標檢測與圖像分割算法綜合判斷絕緣子缺陷；朱明州等人[49]利用改進的目標檢測算法對絕緣子進行檢測；王道累等人[50]提出了改進生成對抗網(wǎng)絡，完成玻璃絕緣子自爆缺陷檢測。相比于其他類型的輸變電設備缺陷，絕緣子破損特征較為明顯，深度學習模型能夠較好地提取特征，具有較好的檢測準確率。

(3) 指針式儀表。此類任務主要通過深度模型獲取儀表刻度與指針位置。例如，文獻[51]通過卷積神經(jīng)網(wǎng)絡與文本檢測器獲取表盤刻度位置與數(shù)值信息，并通過位置信息定位指針位置。文獻[52]通過目標檢測算法Faster RCNN確定表盤位置及表計種類，通過圖像分割算法U-Net獲取表盤刻度及指針位置，獲取表計讀數(shù)。相比于傳統(tǒng)方法，同一深度學習算法模型能夠適應不同種類的表計，魯棒性較強，但也存在訓練所需數(shù)據(jù)量大、識別效果受限于樣本質量等問題。

(4) 輸電線路。主要通過目標檢測模型對輸電線路上的設備缺陷進行自動識別。例如，文獻[53]利用YOLO-v3網(wǎng)絡對輸電線路防震錘和線夾進行檢測；文獻[54]設計輸電線路典型缺陷圖像智能解譯模型，獲取線路上的缺陷位置；文獻[55]通過Faster RCNN檢測器在無人機巡檢過程中自動識別輸電線路桿塔關鍵結構。輸電線路設備缺陷的智能識別是電力領域應用較為成熟的一個方向，但仍存在缺陷樣本少、識別率較低等問題。

(5) 溫度檢測。溫度檢測任務的重點在于通過識別算法自動框定監(jiān)控畫面中待測溫區(qū)域。例如，文獻[56]采用Faster RCNN算法實現(xiàn)對紅外圖像發(fā)熱故障區(qū)域的檢測；文獻[57]利用目標檢測算法對變電設備進行精準定位，再通過溫度閾值判別法對設備區(qū)域進行過熱缺陷判定。上述方法均采用非接觸式方式實現(xiàn)設備溫度的實時監(jiān)測，算法準確率過分依賴數(shù)據(jù)集。

相比于傳統(tǒng)方法，基于深度學習的圖像處理方法在輸變電設備外觀缺陷檢測中具有不依賴人工經(jīng)驗，智能化程度高，魯棒性強，算法精度較高等優(yōu)點。然而，網(wǎng)絡模型的優(yōu)化依賴大量訓練數(shù)據(jù)，而實際的電力場景中，缺陷圖像的數(shù)量無法滿足網(wǎng)絡模型的訓練需求，難以發(fā)揮深度學習算法的優(yōu)勢。

綜上所述，基于視頻圖像的電力設備缺陷檢測技術雖然發(fā)展迅速，但仍然難以應對復雜的電力場景。

目前，該技術存在以下問題：

(1) 輸變電設備公開數(shù)據(jù)集較少，論文中算法大多是在各自未開源的數(shù)據(jù)集上測試。算法準確率缺少統(tǒng)一的衡量標準，難以進行橫向比較。

(2) 對于電網(wǎng)內部已有的數(shù)據(jù)集來說，輸變電設備異常狀態(tài)出現(xiàn)頻率低，缺陷數(shù)據(jù)集正負樣本數(shù)據(jù)嚴重不平衡。變電站內長期積累的數(shù)據(jù)未能有效整理，數(shù)據(jù)資源浪費嚴重。

(3) 電力設備種類多、拍攝環(huán)境背景復雜，電力異常狀態(tài)的結構與形狀隨機性大，現(xiàn)有算法大都針對某種特殊設備或特殊場景進行開發(fā)和定制，泛化能力有限，給實際應用和推廣帶來了諸多困難。

4 圖像處理平臺與缺陷檢測系統(tǒng)

4.1 圖像算法訓練平臺

輸變電智能巡檢領域的圖像處理算法開發(fā)專業(yè)壁壘高，算法模型的設計與優(yōu)化依賴專業(yè)技術人員，導致輸變電現(xiàn)場模型迭代更新不及時。隨著圖像處理技術的發(fā)展，集成多種算法模型的圖像算法訓練平臺逐步興起，為研究者提供了便捷的學習平臺與開發(fā)工具，為電力領域工作人員設計、修改、更新圖像處理模型提供了可能。

目前，圖像算法訓練平臺主要有微軟公司開發(fā)的計算機視覺開源云計算平臺CustomVision.AI[58]、谷歌公司開發(fā)的Cloud AutoML[59]、圖森未來的SimpleDet[60]、 Facebook AI研究院開發(fā)的Detectron2[61]、商湯科技與香港中文大學開源的mm-Detection[62]以及百度公司開源的PaddlePaddle[63]平臺。以上平臺可分為兩類：

(1) 商業(yè)開發(fā)的圖像處理平臺，以微軟CustomVision.AI、谷歌Cloud AutoML為代表，主要為工業(yè)場景下的圖像處理問題提供企業(yè)級付費服務，存在價格高、源代碼不開源、支持模型種類有限等缺點。

(2) 開源的圖像處理平臺，以SimpleDet,Detectron2, mmDetection 和PaddlePaddle為代表，這些平臺側重學術研究，支持源代碼開源，是面向專業(yè)開發(fā)者的深度學習算法模型工具箱。

微軟CustomVision.AI支持用戶通過平臺創(chuàng)建神經(jīng)網(wǎng)絡模型并進行訓練。訓練好的模型可直接導出到移動設備端運行，然而，該平臺不支持數(shù)據(jù)在線標注功能。谷歌Cloud AutoML平臺支持人臉、標牌、地標識別等任務，支持用戶人工標注，但不支持代碼導出及離線使用功能。SimpleDet集成了目標檢測與物體識別模型，主要有Faster RCNN,Mask RCNN[64], Cascade RCNN[65], RetinaNet[66],Knowledge Distillation[67]等。mmDetection由香港中文大學開發(fā)，支持當前業(yè)內先進的目標檢測算法，如Faster RCNN, Mask RCNN, R-FCN, Cascade RCNN, SSD和RetinaNet等。該開源庫集成了訓練、測試、模型權重下載等功能。

PaddlePaddle深度學習平臺，包含圖像分類、目標檢測、圖像分割以及文字識別等模塊，提供了模型壓縮及部署功能。然而，該平臺缺乏上層封裝，電力行業(yè)人員使用困難?？傮w來說，mmDetection, SimpleDet和Detectron2是面向計算機視覺專業(yè)開發(fā)者的工具，訓練時缺少簡單便捷的人機交互功能，缺少數(shù)據(jù)預處理、標注和模型部署等功能。

綜上所述，現(xiàn)有的通用圖像算法訓練平臺雖然能夠提供模型訓練功能，但使用群體仍然局限于圖像專業(yè)技術開發(fā)人員，平臺開發(fā)的模型難以直接移植至電力領域，其面臨的困難主要有：(1) 目前的算法訓練平臺環(huán)境配置各不相同、代碼缺少封裝，對于非專業(yè)人士應用壁壘較高；(2) 現(xiàn)有平臺缺乏數(shù)據(jù)標注、預處理及數(shù)據(jù)集構建功能，無法解決電力行業(yè)現(xiàn)有大量視頻數(shù)據(jù)未能有效利用的問題；(3) 現(xiàn)有平臺缺少模型評測及部署功能，不同模型間缺少橫向對比，無法有效判斷算法水平，制約了算法開發(fā)進程。

4.2 基于視頻圖像的輸變電設備缺陷檢測系統(tǒng)

在智能電網(wǎng)發(fā)展過程中，視頻圖像是最為重要的輔助監(jiān)控方法之一。目前，基于視頻圖像的輸變電設備缺陷檢測平臺主要以變電站為建設核心，通過調用變電站內安裝的攝像頭及巡檢機器人等拍攝設備，建立基于視頻圖像的電力設備缺陷檢測體系，構建變電站智能巡檢系統(tǒng)等。此外，在室外環(huán)境下，以無人機、巡檢機器人作為主要圖像采集設備，構建相應的輸電設備巡檢系統(tǒng)。

輸變電設備缺陷檢測系統(tǒng)主要是通過將變電站內不同位置的監(jiān)控圖像集成到平臺中，利用智能分析算法，協(xié)助站內工作人員在監(jiān)控端對站內設備運行狀態(tài)進行監(jiān)控、查看及缺陷自動檢測。平臺中嵌入的電力設備缺陷檢測算法，包括基于傳統(tǒng)圖像理論與基于機器學習的圖像處理方法，如1.2節(jié)所述內容。

然而，基于視頻圖像的電力設備缺陷檢測平臺仍存在眾多不足之處。王勛等人[68]認為當前的智能巡檢系統(tǒng)標準化不足，智能化程度差，誤報率高，各廠家開發(fā)的平臺智能化水平良莠不齊。嚴太山等人[69]認為目前的缺陷檢測平臺沒有充分發(fā)揮現(xiàn)有視頻技術的作用，智能化程度不足且與電網(wǎng)業(yè)務相對孤立。張海華等人[70]認為目前變電站智能巡檢系統(tǒng)建立過程中存在數(shù)據(jù)冗余、效率低、巡檢范圍有限等問題。

綜上所述，目前的電力設備缺陷檢測平臺在界面設計、視頻監(jiān)控、信息傳輸?shù)确矫嬉严鄬Τ墒欤诠δ苣K、智能化程度以及與電網(wǎng)行業(yè)要求匹配程度方面仍存在以下不足：

(1) 目前的系統(tǒng)重點關注實時監(jiān)測、監(jiān)控和遠程報警等與電網(wǎng)運行密切相關的輔助功能，設備缺陷的精細定位及可視化能力有限。

(2) 監(jiān)控對象及監(jiān)控任務細化和覆蓋面不夠，與電力行業(yè)的結合度低，準確率提升困難。

(3) 目前系統(tǒng)仍需要人工輔助檢查，缺乏設備缺陷的深入分析及預警功能。

5 總結與展望

5.1 問題分析

本文對輸變電智能巡檢領域中的圖像處理技術、電力設備缺陷檢測算法、圖像處理算法訓練平臺及智能巡檢系統(tǒng)進行了綜述，對比并總結了現(xiàn)有方法的優(yōu)缺點。綜上所述，當前基于視頻圖像的輸變電設備缺陷檢測技術及平臺雖發(fā)展迅速，依然有以下問題待解決：

(1)有效數(shù)據(jù)匱乏。海量輸變電巡檢視頻圖像樣本數(shù)據(jù)標注、清洗及預處理能力亟待提升。近年來，輸變電視頻圖像巡檢領域積累了大量數(shù)據(jù)，而電力視頻數(shù)據(jù)統(tǒng)一管理機制尚屬空白，數(shù)據(jù)資源浪費嚴重，數(shù)據(jù)價值無法體現(xiàn)。針對不同的設備缺陷，其標注及管理方法不盡相同。設備及缺陷類別標注通常需要電力行業(yè)專業(yè)知識，開源的圖像標注平臺無法滿足電力高質量、高效率標注及安全保密管理需求。此外，輸變電設備缺陷樣本數(shù)據(jù)少，目前大部分圖像數(shù)據(jù)是設備運行正常數(shù)據(jù)，樣本數(shù)據(jù)不均衡影響著檢測模型的泛化能力。

(2)模型魯棒性差、迭代優(yōu)化慢。目前，基于視頻圖像的輸變電設備缺陷檢測模型智能化水平有待提高。現(xiàn)有缺陷檢測模型大多針對某種特殊設備開發(fā)，泛化能力有限。并且輸變電設備種類多，異常結構與形狀隨機性大，同一算法在不同視頻圖像拍攝環(huán)境中表現(xiàn)不穩(wěn)定，魯棒性較差，遠不能滿足大規(guī)模應用的要求。此外，電力行業(yè)中圖像專業(yè)技術人員缺乏，模型迭代更新速度無法滿足實用要求，模型運行過程中積累的誤差數(shù)據(jù)很難得到再利用，模型長時間運行效果差。

(3)模型評價標準缺失。為提高設備缺陷檢測模型在實際場景應用的有效性，對模型的標準客觀評價體系不可或缺。目前的評價體系多從計算機視覺領域出發(fā)，重點關注模型的準確率，未能從設備場景、缺陷嚴重等級、任務難度、漏檢率、誤報率等電力業(yè)務角度設計評價體系。另外，由于公開的輸變電領域有效圖像數(shù)據(jù)較少，算法模型間無法衡量比較，模型在電力現(xiàn)場的應用效果更是無法驗證。

綜上，電力設備運維圖像的智能處理技術仍將是下一步的研究熱點，其技術水平將對電網(wǎng)智能化進程的推進起到極大的支撐作用。

5.2 未來工作展望

5.2.1 數(shù)據(jù)集構建

如上所述，基于視頻圖像處理技術的輸變電設備缺陷檢測算法的開發(fā)，依賴輸變電設備圖像數(shù)據(jù)的數(shù)量、質量。目前電力系統(tǒng)內雖已存儲海量監(jiān)控數(shù)據(jù)，但其整理、篩選、標注仍然面臨巨大挑戰(zhàn)。因此，輸變電設備缺陷標準化數(shù)據(jù)集的構建將是未來智能巡檢、無人值守變電站發(fā)展的重要基礎。數(shù)據(jù)集的構建需要有針對性地面向不同電力任務場景，在數(shù)據(jù)標注時結合電力行業(yè)專業(yè)知識，將專家信息融入到數(shù)據(jù)標注中，為后續(xù)算法開發(fā)提供數(shù)據(jù)基礎。在技術方面，重點開發(fā)樣本自動標注技術，解決海量數(shù)據(jù)標注耗時耗力的問題。另外，為解決缺陷樣本均衡問題，研究針對輸變電設備缺陷檢測的半監(jiān)督學習、小樣本學習及樣本擴充技術。

5.2.2 算法定制開發(fā)與綜合應用

如表2所示，傳統(tǒng)圖像處理方法與深度學習方法在處理輸變電領域圖像任務時優(yōu)缺點明顯。實際應用時，受現(xiàn)場條件、計算資源、拍攝角度、任務需求等約束，算法開發(fā)可綜合利用傳統(tǒng)圖像處理方法與深度學習方法，并融合電力專業(yè)知識。一般來說，傳統(tǒng)方法對于圖像內像素信息具有準確的邊、線提取能力，深度學習方法對于圖像內部語義信息的挖掘更具有優(yōu)勢。同一任務中，使用不同的圖像信息能夠更加高效地實現(xiàn)目標。

表2 基于視頻圖像的輸變電設備缺陷檢測算法對比

此外，基于視頻圖像的輸變電設備缺陷檢測算法應結合電力現(xiàn)場需求進行定制開發(fā)，脫離電力任務的開發(fā)方式將會出現(xiàn)算法能力冗余或精確度不足等問題。算法模型應涵蓋不同輸變電巡檢專家知識，提高模型實用性。

在對算法進行評價時，除利用標準輸變電數(shù)據(jù)集進行評估外，還要構建服務器數(shù)據(jù)集測試與現(xiàn)場應用聯(lián)合測試機制，將實用性、新環(huán)境場景適應性、算法提升潛力納入算法評估機制中。

5.2.3 基于視頻圖像的多維度智能訓練及管控平臺研制

目前的變電站智能巡檢系統(tǒng)、機器人巡檢系統(tǒng)、無人機巡檢系統(tǒng)等大多功能單一，算法準確率低，智能化程度不足，資源浪費嚴重。此外，現(xiàn)有巡檢系統(tǒng)大多不支持算法訓練與更新功能，電力行業(yè)人員無法在發(fā)現(xiàn)問題時自行對算法模型進行優(yōu)化調整，智能巡檢系統(tǒng)運行過程中積累的大量數(shù)據(jù)未能被有效利用。

總體來說，應建立基于視頻圖像的多維度智能訓練及管控平臺，將固定攝像頭、巡檢機器人及未來應用更廣的無人機等融入到平臺中，從數(shù)據(jù)采集與管理、部署框架統(tǒng)一、模型算法訓練與優(yōu)化、現(xiàn)場巡檢系統(tǒng)匹配與應用、分布式計算與模型下發(fā)等方面來構建平臺，注重日常使用過程中的圖像分類收集、標注及模型更新迭代，提升電力運維智能化水平。