變電站巡檢目標自動識別技術的研究

摘 要：本文針對變電站巡檢中存在的誤差和安全隱患問題，提出了一種基于改進SSD模型的變電站巡檢目標識別方法。該方法通過采用多尺度特征融合、過采樣技術、特征層上采樣以及特征金字塔結構的優化，提高了在復雜變電站環境下目標識別的精度和效率。試驗結果表明，該模型能夠高效準確地識別變電站內的多種設備及其狀態，整體查準率為96.75%。本研究為變電站的智能化巡檢提供了有效的技術支持，有助于提升電網的運維水平。

關鍵詞：變電站巡檢；目標識別；圖像識別；SSD

中圖分類號：TP 183" " 文獻標志碼：A

變電站作為電力設施的關鍵樞紐，承擔著發電和輸電的重要任務，其穩定運行直接關系到電網的安全與效率。隨著社會的不斷發展，輸電負荷持續增加，變電站設備的巡檢工作顯得尤為重要。智能巡檢機器人以其高效、精準和無間斷的特點，在變電站巡檢中展現出巨大潛力，能夠利用高清攝像頭等傳感器實時采集變電站內部的圖像信息。目前，利用機器人進行巡檢已成為變電站的日常巡檢模式[1]。

由于一般的機器人巡檢僅處于半智能化階段，在巡檢過程中雖然能夠拍攝高清設備圖像，但是需要人工對傳回的圖片進行分析，這種半智能方式存在人為因素導致的誤差和安全隱患。因此，引入智能化、自動化的巡檢技術成為提升變電站運維水平的重要途徑。

隨著深度學習在圖像識別、處理領域的不斷普及，一些基于圖像識別的深度學習模型，例如YOLO算法[2]、SSD算法[3]等，已應用于變電站智能化巡檢工作中。這些算法能夠識別變電站設備的表面狀態，但通常僅適用于單個設備的識別，在復雜的多設備狀態識別方面存在一定局限性。因此，本文提出了基于改進SSD模型的變電站巡檢目標識別模型，該模型能夠高效準確地識別復雜的變電站環境。

1 變電站圖像識別需求

變電站內設備眾多，例如高壓開關、隔離開關和計量器等，這些設備在機器人拍攝的圖像中呈現復雜交叉的狀態，因此，在進行站內設備識別過程中需要對設備進行精準定位和分類，以保證能夠準確區分并識別每一種設備。

此外，變電站內設備的儀表盤也是圖像識別的重要對象，其種類繁多、顯示內容復雜，圖像識別難度較大。因此，設備中儀表盤、指示燈的識別是本文圖像識別的重要內容，包括數字識別、指針識別和故障指示燈等，以期能夠準確讀取儀表盤上的各種信息，為變電站的巡檢工作提供有力支持。變電站設備圖像識別需求與難點見表1。

2 基于改進SSD模型的變電站設備目標檢測網絡

2.1 SSD模型

SSD（Single Shot Detection，SSD）網絡是一種高效的目標檢測算法，主要由基礎卷積層、輔助卷積層以及預測層構成，如圖1所示。

SSD網絡的基礎卷積部分采用了經典的VGG-16模型作為其基本特征提取器。VGG-16是一種深度卷積神經網絡，具有出色的特征提取能力。在SSD網絡中，VGG-16的前5個卷積塊（Conv-1～Conv-5）負責進行初步的特征提取。為了進一步增強特征提取的層次感和細節捕捉能力，SSD對VGG-16進行了改進，將原本的全連接層FC6和FC7替換為卷積層Conv-6和Conv-7，并在此基礎上額外增加了Conv-8、

Conv-9、Conv-10和Conv-11卷積層。這些改進使網絡能夠提取到更豐富、更多層次的特征信息，從而更好地適應不同尺寸和形狀的目標檢測任務。

2.2 多尺度特征融合與過采樣

在變電站巡檢中，由于巡檢機器人拍攝的設備照片（例如高壓開關、隔離開關和計量器等）的拍攝角度、距離不同，因此具有不同尺度。為了提升識別精度，本文采用多尺度特征融合技術。SSD模型能夠融合不同卷積層（例如Conv-6～Conv-11）提取的多尺度特征，對不同尺寸設備進行有效檢測。在8×8和4×4這2種不同尺寸的特征圖中，默認框的分布和特性如圖2所示。例如，當檢測高壓開關的開關狀態時，淺層特征保留了更多的邊緣信息，有助于定位開關的具體位置。深層特征提供了更豐富的語義信息，幫助判斷開關狀態。采用多尺度特征融合，模型能夠綜合這些信息，準確識別高壓開關的開關狀態。

針對變電站巡檢數據集中某些設備或故障樣本較少的問題，本文應用過采樣技術。例如，當識別變電站內某型號隔離開關時（如圖2（b）所示），如果類別的樣本數量較少，會采用重復或者數據增強技術生成新的樣本，以增加其數量，從而平衡正、負樣本比例，提高模型對該類設備的識別能力，減少由樣本不均衡導致的誤判。

2.3 特征層的上采樣

在變電站設備圖像中，細節信息對準確識別設備狀態至關重要。因此，本文采用特征層的上采樣技術來增大特征層的尺寸，以便更好地捕捉設備的細微特征。以識別計量器上的數字為例，由于拍攝距離較遠，因此計量器的數字可能會模糊。采用上采樣技術將特征層的尺寸放大，使數字區域的特征信息更突出，從而提高數字識別的準確性。最近鄰插值法是上采樣方法之一，具有簡單、高效的特點，在變電站巡檢任務中的應用效果較好。

在設備圖像自動分割中，特征層的上采樣在SSD網絡中具有重要作用。采用最近鄰插值法進行上采樣操作是一種有效方法，因此本文選用最近鄰插值法進行上采樣（upsampling）操作，以增大特征層的尺寸。最近鄰插值法是從原圖像矩陣中找到與目標圖像的像素點距離最近的點，再將最近點的灰度值賦給目標圖像的該像素點。根據當前像素位置推斷出原圖像，假設設備圖像中第i個特征點的坐標（xi，yi）、（xi'，yi'）為對應設備圖像中的坐標，W、H分別為原圖像的寬、高，W'、H'為新圖像的寬、高，兩者間的轉換關系如公式（1）所示。

（1）

公式（1）描述了原圖像與新圖像像素點間的映射。在設計過程中，系統先根據任務需求確定上采樣比例，然后遍歷新圖像的每個像素點，利用公式（1）計算出原圖像中對應的坐標位置并取整，從原圖像中找到最近鄰的像素值，并對其賦值。該過程采用最近鄰插值法，即選擇距離目標位置最近的像素值，以填充新圖像，使上采樣后的圖像能夠保持原圖像的信息完整性，同時增大了特征層尺寸，使模型能夠更有效地捕捉變電站設備的細微特征，例如計量器上的數字、指針位置等。

2.4 特征金字塔結構的改進

優化SSD網絡特征金字塔結構可以有效融合高、低層特征，提高對深度特征信息的提取能力，避免信息丟失和圖像失真，有助于精準定位和檢測目標。此外，SSD網絡的卷積核結構還與金字塔式設計相結合，采用正則化處理，并引入注意力機制模塊，能夠提升網絡訓練的性能和數據處理效率，從而提高圖像分割的精度和準確性。

為了調整網絡通道數量，并進一步優化特征表示，本文引入了1*1卷積操作，以便在不改變特征圖空間尺寸的情況下，減少或增加通道數，從而調整網絡的信息流。基于累加的方式，選擇最佳通道數量，以充分表達特征信息，避免冗余特征對模型性能的影響。此外，為了消除特征融合過程中可能出現的混疊效應，本文還采用了2*2卷積操作。該操作能夠在一定程度上平滑特征圖，減少特征融合引入的噪聲，進一步提高模型的穩定性和魯棒性。

在具體實施中，假設原設備圖像特征為m維，大小為k，每個網格將生成k個先驗框。在優化特征金字塔結構后，模型能夠生成這些先驗框，并保證每個先驗框對應特征圖的縮放比例S合理且一致。這種精細化的調整不僅提升了模型的定位精度，而且進一步增強了其在復雜設備圖像中識別目標的能力。具體計算過程如公式（2）所示。

（2）

式中：Smax、Smin分別為高特征的最大值、低特征的最小值。

利用公式（2）可以調整特征金字塔中每一層特征圖的縮放比例，保證不同尺度特征能夠有效融合。根據設備的復雜度和數據集規模，設置合理的縮放比例因子，例如1、2和3等。根據公式（2）計算特征金字塔中每一層特征圖的縮放比例，使其與上一層特征圖尺寸一致，或者按照設定的比例變化，以保證高、低層特征在融合過程中保持信息的連貫性和一致性，進而提高模型在復雜變電站環境下對不同大小目標的檢測能力。

3 模型訓練與試驗

3.1 試驗環境

軟件環境基于Python 3.5和Tensorflow 1.13.1[4]框架搭建，在配置為i5 9400 CPU、GTX1660顯卡以及16 G內存的Ubuntu系統中進行網絡模型訓練，同時利用cuda等顯卡加速驅動以提升訓練效率。

3.2 模型訓練

本文試驗數據集來源于靖遠風場330 kV滄海變電站的現場巡檢，共采集了63種變電站設備的12 960張高清圖片，由專業巡檢人員標注了設備狀態、表針指示和表盤數等信息。數據集分為訓練集（70%）、測試集（20%）和驗證集（10%），分別為9 072張、2 592張和1 296張圖片。

本試驗將數據樣本的輸入、輸出大小調整為128×128。在生成網絡和鑒別網絡中，均選用ReLU作為激活函數，卷積和反卷積的操作均采用5*5的卷積核。為了保證網絡性能，每次卷積或反卷積操作后都進行批歸一化處理。將生成器和鑒別器的網絡學習率設置為0.000 2，同時將Adam作為優化方式，其中優化器的參數betal設為0.5，迭代次數epoch設為500次。

3.3 試驗結果分析

本試驗旨在識別不同類型的設備識別目標，并根據查準率來評估模型的性能。查準率是指模型在測試集上分類正確的圖像數量與總圖像數量之比，其是衡量模型效果的一個重要指標。在測試過程中，本文計算分類正確樣本數與總樣本數的比例，從而得到查準率，并根據查準率來評價模型性能。查準率見表2。

試驗結果顯示出改進SSD模型的優異性能。模型能夠準確識別不同類型的設備及其狀態，例如數字表盤、指針、表面溫度以及設備表面污濁等，整體查準率為96.75%。結果表明，模型在復雜變電站環境中具有高效的識別和泛化能力，能夠為變電站巡檢提供有力支持。

4 結語

隨著經濟社會發展和電網負荷持續增長，變電站設備的巡檢工作日益重要、復雜。傳統人工巡檢模式完全取決于巡檢員的經驗，并且存在誤差與安全隱患，雖然智能巡檢機器人應用提升了巡檢效率，但是仍然需要人工輔助分析，難以達到智能化水平。因此本文提出了基于改進SSD模型的變電站巡檢目標識別方法，即對SSD模型進行多尺度特征融合、過采樣、特征層上采樣以及特征金字塔結構優化，使該模型在復雜變電站環境中具有卓越性能。試驗結果表明，該模型能夠高效、準確地識別變電站內的各種設備及其狀態，整體查準率為96.75%，顯著提高了目標識別的精度和效率。

本文研究為變電站智能化巡檢提供了有效的技術方案，為深度學習在復雜場景下的應用提供了新的思路，期望能夠推動變電站巡檢技術的智能化進程，為電力行業的安全、高效運行貢獻更大的力量。

參考文獻

[1]高曉麗，楊瑤玉，丁子郡，等.基于數據中臺的變電站智能巡檢系統分析[J].集成電路應用，2024，41（5）：306-307.

[2]保佑智，楊濤.基于改進SSD模型的變電站設備識別技術[J].電氣開關，2023，61（6）：32-35.

[3]華澤璽，施會斌，羅彥，等.基于輕量級YOLO-v4模型的變電站數字儀表檢測識別[J].西南交通大學學報，2024，59（1）：70-80.

[4]潘文嬋，黃海平.基于人工智能TensorFlow平臺的建設與研究[J].實驗室科學，2023，26（4）：44-47.