深度学习目标检测在电网运维中的应用实践

蔡天烨，张 旭，张彦龙

（1.国网南通供电公司，江苏 南通 226000；2.许继集团有限公司，河南 许昌 461000）

0 引 言

随着输电线路的大规模增长，传统人工巡检模式由于工作量骤增、检测精度和效率已不能适应电网发展[1-4]。近年来，随着计算机视觉和人工智能的发展，人工智能技术在电力领域的探索，逐步成为电网运检发展的新突破[5-8]。

1 目标检测网络模型

与传统图像分类不同的是，图像目标检测的目的要标记出目标物体的位置。这一任务分为两步：一是输出目标类别信息的分类任务；二是输出目标具体位置信息的定位任务。

传统的目标检测方法由于滑窗算法的特点，极大地限制了算法发展。近年来，随着计算机运算力的飞速发展和大数据的支撑，基于深度学习的目标检测网络层出不穷。经典的深度学习目标检测网路有R-CNN、SPPNet、Fast R-CNN、Faster R-CNN、YOLO以及SSD等[9]。R-CNN系列目标检测网络作为经典的two-stage检测方法，首先生成大量可能的包含待检测物体的候选区域，然后对这些候选区域进行进一步的分类和位置回归。SPPNet引入图像金字塔网络和ROI池化技术，解决了目标变形、裁剪、缩放以及带来的网络输入信息不完整的问题。YOLO与SSD为代表的one-stage方法，均摒弃了运算量巨大的候选框提取操作，大大节省了计算量和训练时间。

2 图像处理技术原理

2.1 彩色模型

彩色模型的建立是计算机感知颜色的方法和手段。数字图像处理中，存在两种应用广泛的模型——RGB（红、绿、蓝）模型和HSI（色调、饱和度、亮度）模型。RGB模型与HSI模型参数转换公式为：

2.2 空间滤波

空间滤波中的空间域是指图像平面本身。此类图像处理方法以像素操作为基础，实现图像滤波和图片质量性能的提升，数学上可表示为：

其中，f(x,y)是输入图像，g(x,y)是输出图像，T是在点(x,y)的邻域上的一个算子。

2.3 图像分割

图像分割是将感兴趣的区域从图像中提取出来，进而对目标进行深层处理分析[10]。传统的图像分割方法有阈值法（如Otsu二值化）、区域生长与超像素以及图切割等。基于深度学习的图像分割算法有FCN、Mask RCNN等。

3 电力领域应用实践

3.1 一次设备领域

基于TensorFlow开源框架和目标检测网络模型，结合某检修公司无人机巡检图像，采用Dropout参数随机失活机制，提高网络收敛速度与识别泛化能力，实现了输电线路绝缘子目标识别，如图1所示。

图1 绝缘子检测结果

利用空间滤波、ROI区域分割、直线拟合和角度判别等技术，实现了AIS刀闸状态判别。通过目标检测、图像分割和色彩追踪算法，可实现GIS刀闸状态的判别。

在变压器呼吸器的目标识别方面，利用有监督的数据增强处理和轻量级SSD模型的训练，不仅可以进行呼吸器目标的识别，而且可以进行呼吸器硅胶变色的区分，如图2所示。

图2 呼吸器硅胶变色识别结果

3.2 二次设备领域

基于OpenCV的图像处理和目标检测网络的结合，在变电站压板状态识别和指针式仪表的读数方面，可实现变电站压板状态智能识别和指针式仪表的自动读数。

3.3 其他实践

结合图像处理和目标识别，实现了输电线路金具锈蚀缺陷的检测。在鸟窝检测和电力走廊施工车辆的检测方面，根据深度学习目标检测网络的训练，达到了较好的识别率，如图3所示。

图3 鸟窝检测结果

4 结 论

本文介绍了目标检测、图像处理等人工智能技术及其在电力领域中的应用实践，解决了传统运检模式以人力为主、巡检效率低的问题。