基于AI視覺技術的電力設備檢測方法

李楊, 董元龍, 林明暉, 高明, 岳衡, 丁靖

(國網浙江省電力有限公司寧波供電公司,浙江,寧波 315000)

0 引言

由于電力設備結構復雜、散布范圍廣,電力設備發生故障時,不良數據量大,難以及時搶修,影響電力的恢復進度,因此對電力設備進行及時檢測至關重要。現存的電力設備檢測方法如:孫海銘等[1]提出了電力設備雙通道圖像智能檢測方法,主要是從單通道和雙通道2個途徑進行電力設備檢測,缺乏對圖像清晰效果的考慮,導致檢測效果不理想;王旭紅等[2]提出了基于改進SSD的電力設備異常檢測方法,該方法受外部環境影響程度較大,已經不能滿足電力設備檢測的完整性;高明等[3]借助深度學習強大的識別與檢測能力,分析了電力設備的單目危險關系和成對對象間潛在的二元危險關系,在電力場景下,電力設備作業的危險描述與作業預警,但是其難以保證及時恢復供電;吳雙等[4]提出了一種電網智能特征選擇方法,采用包裝方法和反向搜索策略,利用信息論和數據挖掘技術,智能地選擇關鍵特征,實現了在電力系統安全穩定評估場景中的綜合應用,但是其數據適應度波動大。

由于變壓器、斷路器、電能表等物理形狀各不相同,刀閘、電流互感器等電力設備的指示燈變化復雜,隨著環境光照的變化,色彩信息量豐富。相機采集的電力設備圖像是 RGB 顏色形式,圖像紋理的局部變化程度較大,向量維數較大,視覺圖像奇異特征較多,導致電力設備異常檢測難度較大。結合以往研究方法的局限性,本文提出基于AI視覺技術的電力設備檢測方法,該方法能夠通過視覺技術拍攝獲取清晰電力設備圖像,結合AI(人工智能)技術實現電力設備檢測。該方法既考慮了圖像的清晰度,又增強了電力設備的檢測效果。

1 AI視覺技術在電力設備檢測中的應用

1.1 基于視覺技術的電力設備圖像采集

基于視覺成像原理的三目立體視覺系統主要由擺設方向相同、距離相同的3個攝像機構成。在電力設備檢測中,需要對電力設備進行表面3D信息采集,本文采用該系統對需要檢測的電力設備進行拍攝。具體原理如圖1所示。

圖1 三目立體視覺系統

圖1中,C1、C2、C3分別為左邊攝像機、中間攝像機和右邊攝像機。其中,C1和C2的距離為0.1 m的窄基線,C1和C3的距離為0.2 m的寬基線。兩條基線各有其特點,窄基線能夠對C1和C2共同覆蓋的視野范圍進行擴大,在有限的距離內,視野更廣是寬基線的特點。該系統的主要工作原理是通過擺放位置不同的3個攝像機從多角度拍攝電力設備圖像。

1.2 電力設備視覺圖像的奇異特征提取

基于三目立體視覺系統拍攝到的電力設備圖像,采用邊界特征融合法對電力設備視覺圖像進行邊緣輪廓檢測,結合特征分解和尺度模板匹配提取視覺圖像的奇異特征,便于后期電力設備檢測[5],過程如下。

采用顏色梯度分解方法進行視覺圖像范圍融合處理,得到處理后的視覺圖像范圍融合Snake函數公式為

(1)

式中,Eint(vi)和Eext(vi)分別為電力設備視覺圖像內部和外部范圍融合值。通過三維空間重構方法,進行電力設備視覺圖像異常特征點定位,得到的拓撲結構分別用x1、x2、x3和x4向量量化函數表示:

(2)

式中,m為相鄰區域內的電力設備視覺圖像邊緣分割尺度[6-8]。與視覺圖像相近的尺度信息為

(3)

式中,sin(theta)、cos(theta)分別為正弦、余弦尺度參數。獲取邊緣像素點的特征量依據像素特征分解技術對電力設備視覺圖像的像素進行融合處理[9],即可得到:

(4)

(5)

式中,dist(xi,xj)為xi和xj之間的距離,以此完成特征分解。

設參數σ為電力設備視覺圖像的拆分模塊匹配閾值,利用噪點密度分布規律,結合像素重組,重新繪制三維圖像,進行紋理區域分割,分割函數為

(6)

式中,Vd(Y,βi)和θ分別為分割得到的像素點信息和灰度直方圖信息。采用范圍分割方法分割視覺圖像特征,得到特征分布矩陣為

(7)

依據式(7)計算圖像中各像素點的灰度值,得到電力設備視覺圖像分割的相鄰區域內像素值為

Eext(V(i))=γ(i)Eimage(V(i))+δ(i)Econ(V(i))

(8)

式中,Eimage和Econ分別為梯度信息和逆向梯度信息,兩種信息的清晰度分別用γ(i)和δ(i)表示。以相鄰區域內像素值清晰度對比過程進行邊緣像素點匹配,即完成相似的特征模板與電力設備視覺圖像特征的匹配。

1.3 基于AI技術的電力設備檢測模型

1.3.1 深度神經網絡

深度神經網絡作為一種AI技術,對電力設備檢測具有重要意義。深度神經網絡(DNN)根據人類的認知范圍選擇分析事物的看法,得到具有層次分明、非線性,并且不同層級蘊含不同特征的網絡結構,該模型能夠較好地解決存在淺層神經網絡的疑難問題。深度神經網絡具體結構如圖2所示。

圖2 深度神經網絡的基本結構

圖2中,ω和b分別為不同層次之間的權值和閾值,z為輸入層點與ω和b兩個值的計算結果,通過激活函數計算的結果用aj、ak、al表示。DNN主要是對產生的誤差進行迭代次數訓練,降低誤差對權值和閾值的影響,最大程度上發揮神經網絡的作用。

深度神經網絡的具體方法過程如下。

(1)對DNN進行初始化設置,設迭代次數和最小誤差分別為k和ε。

(2)G={(x1,y1),(x2,y2),…,(xm,ym)}為DNN訓練數據樣本,?為激活函數,通過特征向量x計算傳播過程中每層的輸出,如aL表示第L層輸出具體計算公式如下:

(9)

式中,zl為底層奇異特征權值,bl為初始化層次之間閾值,al為不變矩形狀特征權值。

(3)利用最后一層得到的輸出結果,與實際輸出結果通過損失函數進行比較,神經網絡的損失函數用均方差Q表示:

(10)

(4)判斷k和ε是否符合條件,當不符合條件時,進行逆向傳播計算,計算不符合條件產生的輸出誤差,計算公式如下:

(11)

(5)利用式(12)、式(13)求取更新權值和閾值的偏導:

(12)

(13)

(6)利用式(14)、式(15)對每層權值和閾值進行參數化更新:

(14)

(15)

(7)當兩者達到設定要求時停止訓練,得到檢測模型。

通過上述方法,可知深度神經網絡對事物的辨析能力和異常情況有較強的表現能力,模擬分析各種復雜多樣的異常情況,提高電力設備異常情況決策的準確度和便利性。

1.3.2 電力設備檢測流程

通過對采集到的視覺圖像進行仔細分析挖掘,得到電力設備的奇異特征,對該特征進行電力設備類型定義,依據提取到的奇異特征構建訓練集和測試集,分別對基于深度神經網絡的電力設備檢測模型進行訓練和測試,實現電力設備檢測。

從圖3可以看出,特征提取到建立數據集是檢測電力設備的過程。由此,實際拍攝圖像生成樣本集,以其Harris角點不變矩作為基于關鍵點的不變矩形狀特征,若直接通過原圖像對數據集進行模式匹配和分類檢索,向量維數較大,難度較大,所以抽取圖像底層的特征構建數據集,成為圖像奇異特征提取的關鍵步驟。通過提取到的奇異特征建造數據集對DNN模型進行訓練,最終輸出電力設備檢測結果。

圖3 電力設備檢測流程圖

深度神經網絡中的激活函數?是對每層輸出結果進行計算來提高模型模擬能力的。常見的激活函數有Sigmoid、tanh和ReLU。Sigmoid和tanh兩種函數受DNN影響較大,當DNN深度增加時,梯度不斷下降,甚至消失,影響訓練效果,因此ReLU函數是使用最廣的函數。ReLU函數的劣勢是要提前對學習率進行設置,否則在進行首次權重更新時,輸入值小于0,輸出值將全部為0,甚至影響反向傳播時梯度,與ReLU相關的神經節點將不會動作,權重停止更新,導致DNN不再學習。為避免此類問題發生,提出激活函數L-ReLU[Leaky ReLU,f(x)],表達式為

(16)

其中,a為一個很小的整數,當x>0時,ReLU函數值等于0,但L-ReLU的梯度值較小。

2 實驗分析

為了驗證本文方法對電力設備檢測的有效性,選取某區域電力設備為實驗對象,采用本文方法對電力設備進行多次拍攝,得到3組電力設備圖像,并用于實驗分析。將本文方法與電力設備雙通道圖像智能檢測方法(文獻[3]方法)和基于改進SSD的電力設備異常檢測方法(文獻[4]方法)進行平均適應度對比分析。

2.1 視覺圖像奇異特征提取效果

采集到的原始電力設備視覺圖像如圖4所示。運用本文方法提取電力設備視覺圖像的奇異特征點,得到檢測圖像如圖5所示。

(a) 原始檢測圖像1

(a) 提取結果1

圖5中,白色方框內即為本文方法奇異特征提取結果。通過上述結果可知,本文方法不僅能有效實現視覺圖像奇異特征提取,而且圖像提取的清晰度較高。因此,本文方法的電力設備奇異特征提取效果較好,可為檢測電力設備提供便利。

2.2 電力設備檢測適應度情況

為了保證實驗的可信性,在保證參數、激活函數、閾值、溫度等相同的條件下,對3種方法的平均適應度進行比較分析,如圖6所示。

圖6 平均適應度變化

從圖6可以看出:本文方法在迭代8次時就達到收斂;當迭代次數達到14次時,文獻[4]方法才能開始收斂;文獻[3]方法一直處于波動狀態,沒有收斂意向。這說明本文方法收斂速度方面更勝一籌。因此,本文方法在電力設備檢測和收斂速度方面表現均為最優。

2.3 檢測精度分析

為了驗證本文方法對電力設備檢測精度,選取不同天氣,對比迭代次數不斷變化的情況下電力設備檢測的損失值,損失值越小,表示用于電力設備檢測的網絡收斂度越高,檢測精確度越好。具體對比結果如圖7所示。

圖7 不同天氣下的檢測精度比較

從圖7可以看出,本文方法受環境影響較小,用于電力設備檢測的網絡收斂程度較高,對電力設備檢測的精度較高,能為電力設備管理者提供更準確的電力設備檢測效果。

2.4 噪聲環境影響分析

實驗統計不同噪聲環境下的電力設備測試結果,具體如圖8所示。

圖8 不同噪聲環境下的測試結果

從圖8可以看出,在無噪聲情況和0.2噪聲情況下,本文方法均可取得較好測試效果,在噪聲0.3環境下,測試結果雖存在些許波動,但依舊可以較好地抑制噪聲,證明本文方法在高噪聲情況下,仍然能夠對電力設備進行有效檢測。

3 總結

本文提出了基于AI視覺技術的電力設備檢測方法,該方法打破了傳統方法對于電力設備無法實現設備圖像清晰、檢測準確的方式,并且在很大程度上提高了電力設備的檢測狀況,為電力設備管理者提供了便利。經實驗驗證,該方法對電力設備進行檢測時,不僅操作簡單、圖像清晰度高、受環境影響小,且該方法具有較強的檢測精度。

由于AI視覺技術在電力設備檢測的應用剛剛起步,如何在此基礎上結合具體應用從多角度、多方位豐富檢測方法,解決因檢測效果不理想影響電力設備正常使用的問題,值得進一步研究。