基于Faster R-CNN算法的变电站设备识别与缺陷检测技术研究

于虹,龚泽威一,张海涛,周帅,于智龙

(1.云南电网有限责任公司电力科学研究院,昆明 650214; 2.云南电网有限责任公司临沧供电局,云南 临沧 677000; 3.哈尔滨理工大学 自动化学院,哈尔滨 150080)

0 引 言

变电站是电网中负责电压转换和电能分配的重要节点。其安全性和可靠性直接关系到电力系统的安全性和稳定性[1-3]。我国《国家电网公司人工智能技术应用2022年工作计划》中明确指示,建设和运营两级人工智能“两库一平台”,形成一批高精度、高价值的电力专用模型。变电站作为电力系统中重要且不可或缺的一部分,是构建强大智能电网的基础。由于可再生能源的不确定性以及人们对网络安全和隐私问题的担忧,变电站的运营迎来了新的挑战,因而科学进行变电站运营和维护的重要性不言而喻。

据2022电网设备故障统计报告,约有50%以上的电力设备故障在早期出现温度异常,因此,准确、及时地检测变电站的设备缺陷对电力系统的安全稳定运行具有重要意义。目前在变电站缺陷检测方面已经研究出了一些成果和方法,包括定向梯度直方图(HOG)与向量机(SVM)结合法[4]、超高频局部放电检测法[5]、时频脉冲转换算法[6]。但是在设备运行过程中,这些方法并非很适用,定向梯度直方图(HOG)与向量机(SVM)结合法对变电站设备信息提取不足,精度达不到识别要求,超高频局部放电检测方法的复杂性使得定位缺陷区域变得困难,并不适合多种设备且存在误报的情况,时频脉冲转换算法只适用于潮湿引起的设备缺陷,并不能检测多种缺陷。而利用红外检测法对变电站设备进行检测,具有不需停止运行,可避免直接接触高压设备,对温度比较敏感、技术相对成熟等优势[7-9]。因此,红外线检测法可以用来检测设备因工作异常而造成的温度变化,对设备故障及时进行预警,被广泛用于电力设备热故障诊断领域。目前,大部分变电站利用变电站巡检机器人对设备进行红外探测、建立无人机巡检平台,对变电站设备进行智能巡检,大大降低了维护人员采集设备红外图像的工作量[10-11]。然而,目前大批量的图像或视频监测仍然需要人工检测,这既耗时又低效,也难以满足有大批量的红外线图像检测需求的工业场景。因此,进行红外缺陷识别的算法智能化研究就显得尤为重要。

由于背景冗余,目标密集,直接应用现有的智能缺陷检测方法得到的精度不能满足工业需要。因此,需要首先提取复杂红外图像中的目标设备。早期的研究人员使用传统的数字图像处理技术研究了这些方法,包括基于阈值、基于区域和基于边缘的方法。基于阈值的方法通过选择合适的阈值[12]将前景与图像背景分开,该阈值分割方法简单且高效,但易受噪声干扰,导致鲁棒性较差。基于区域分割的方法是一种分水岭算法[13],它使用图像梯度的局部最小值来形成特定区域来分割不同的图像部分,并且采用对故障像素聚类的方法,完成了特征提取。然而,它对物体表面的颜色变化很敏感,会导致分割不均等问题。基于边缘的方法通过边缘检测运算符(如Sobel算子[14])从图像中提取边缘特征,以实现图像的分割。但是,它不能保证存在封闭的、连续的边缘区域,并且缺乏对噪声干扰的鲁棒性,工程实用性依然需要提升。近年来成像技术的快速发展,为从变电站设备红外图像中提取方法带来了新的思路。目标分割作为计算机视觉领域的经典任务,它可以在图像中出色地进行对象提取。该任务不仅可以定位和分类所有实例,还可以从图像中分割每个实例。许多工程场合都应用了实例分割方法,包括电气设备检测、绝缘设备检测等。但是大部分算法都是针对单独设备特征或分类模型来分析图像,确定并识别缺陷,采用的算法大部分都是基于机器的学习算法,精确度较低,只适合单个设备类别的缺陷检测,并且模型复杂,易受环境影响,所以并不适合直接应用到电力工程中。随着计算机视觉技术的发展,以深度学习为主的图像识别算法在工程中得到广泛应用,主要是依靠拍摄的图像或录像进行实时目标检测[15-18],但在红外图像识别和检测方面应用较少,开展基于红外图像的变电站设备故障识别算法迫在眉睫[19-21]。

目前基于无人机的输电线路缺陷检测虽有了一定的进展,但算法应用主要以可视化缺陷层面为主。算法可分为双阶段算法和单阶段算法,前者以R-CNN[22]、Fast R-CNN[23]、Faster R-CNN[24]为主。后者则包括YOLO、SSD等算法。算法的不断改进和自然语言处理(NLP)技术的发展,使得越来越多的专家学者将目标检测算法应用于电力设备安全评估领域[25]。文献[26]根据功率器件缺陷文本的特点,建立了基于语义框架的电网缺陷文本挖掘模型,该模型的准确率明显高于传统机器学习方法。而文献[27]中考虑到电力设备文本数据难以完全挖掘和使用,提出了一种基于修正语义框架的文本挖掘模型,将缺陷文本划分为固定模式,提取文本特征,验证了缺陷文本挖掘结果的统计可靠性。但是实际上所提出的模型在文本语义信息的提取方面存在一些不足,并且容易受影响造成语义丢失,鲁棒性较差。因此,在语义提取和分类过程中,充分保留文本的语义信息是提升缺陷检测的关键。文献[28]提出了一种改进的单阶段算法网络用于输电线路中的连接器缺陷检测。首先,对目标框采用k均值聚类算法对数据集进行聚类,提高缺陷目标的检测精度;然后,使用单尺度特征映射进行检测,通过提升采样的次数,提升对特征图的特征获取以及特征复用,简化了模型,减少了计算量,提升了检测精度。文献[29]中提出改进的相位编组算法用于输电线路的异常检测,这种方法只适用于可以外观可视化的图像缺陷,但是在变电设备中并不是所有的缺陷都可以直接观察。在文献[30]中,针对基于深度学习的目标检测技术无法在移动端嵌入式设备上部署这一问题,提出一种基于YOLOv3改进的输电线路部件实时检测算法,建立一种新型轻量级特征融合检测模型LFF-DM(lightweight feature fusion detection model),并且通过改进式的K-means算法等检测的目标框进行聚类,为算法部署到工业端提供了良好的思路。文献[31]针对输电线路无人机实时巡检过程中,通用目标检测算法在移动端运行速度过慢或无法运行的问题,提出一种将多尺度特征融合方法与输电线路关键部件的检测相结合的算法。该算法结合关键部件的特征,使用深度可分离卷积设计了特征提取网络,提高了算法在具有边缘计算能力的移动端ARM设备上的运行速度,这种部署到移动端的方法值得借鉴,但是多尺度融合并不适合红外线图像,所以针对于缺陷检测方法仍需要改进。

首先,利用Faster R-CNN算法[32],对6种类型的变电站设备进行目标检测,包括套管、绝缘子、电线、电压互感器、避雷针和断路器,以实现设备的精确定位。然后,对于检测到的变电站设备的图像区域,采用基于稀疏表示分类算法(SRC)进行精细分类[33]。并且使用训练样本来确定其所属的特定变电站设备标签。最后,利用温度阈值计算红外图像中的最高温度,识别设备区域中的缺陷,以确定设备是否存在缺陷以及相关的严重程度。与传统的变电站设备图像缺陷检测算法相比,文中进一步引入SRC分类算法来实现对输入变电站设备类别的准确性进行确认。这样的操作对后续缺陷和故障检测的分析具有重要的意义。文中使用实际测量中采集的红外图像对该方法进行了测试,验证了该方法的可行性和准确性。

1 基于Faster R-CNN的设备检测

文中基于Faster R-CNN算法建立变电站设备识别模型,模型整体框架结构如图1所示。先对目前收集的设备红外线检测图像进行训练,生成设备识别模型。然后将需要检测的设备红外线图像导入模型进行检测。检测网络主要由两部分组成,一是以提取不同尺度特征为主要作用的RPN网络(区域建议网络),二是负责对不同尺度的图片进行边框回归和分类回归的R-CNN网络(区域卷积神经网络)。

图1 Faster R-CNN目标检测结构图

当红外线图像导入时,首先经过预训练过的卷积特征提取层来提取红外线图像的特征,然后将提取的特征进行输出,再则通过RPN(region proposal network)网络,该部分网络完成对可能包含检测目标的区域的筛选,并且将可能包含目标检测的区域使用目标框标记。之后结合第一部分对红外线图像提取的特征图,使用Rol(region of interest)将对应物体找出来,并把它们的特征提取到新的张量里面进行分类。最后通过R-CNN模块,根据红外线设备特征对物体进行具体分类,同时对目标框作出更好的调整与回归,让目标框更为准确。

2 设备识别和缺陷诊断

2.1 SRC算法

SRC分类方法(sparse representation based classification method)的原理是,利用训练集中图像的稀疏线性表示测试集,加上稀疏误差项对于图像线性表示的误差进行补偿,从而在此基础上进行对应类别的判断。然而,需要构造一个训练样本的全局字典。假设字典包含M类目标,全局的内容字典表示为A=[A1,A2,…,AM]∈Rd×N,其中表示样本的公式Ai∈Rd×Ni(i=1,2,…,M)分别表示为第i类训练样本。对于具有未知目标标签的测试样本y,稀疏表示过程为:

(1)

(2)

(3)

可以看出,SRC中的关键问题是稀疏系数的求解。通过准确可靠的解决方案,可以准确地获得样本的目标标签。但是关键问题在于,当实际环境中来了一张设备缺陷红外线图像后,去求解此幅图像在数据库所有图像上的稀疏表示,此算法一般比较耗时。对于实时应用问题,依然无法满足要求。所以,问题之关键还是归结于范数最小化问题上。虽然式(1)中的0-范数最小化问题很难直接求解。但研究人员发现,1-范数最小化优化和0-范数最小优化在某些条件下是等价的。因此式(1)可以转化为:

(4)

(5)

式中ε是允许的重建误差。

基于Faster R-CNN对变电站设备的检测结果,文中使用SRC对检测结果的每个区域进行精确识别。利用已知目标标签作为训练样本构建全局字典。根据上述稀疏表示和重建过程计算任何类别中输入样本的重建误差。根据创建的误差,精确确定变电站设备标签。

2.2 缺陷诊断

变电站设备运行出现异常在温度上会有所体现,大部分设备出现缺陷时会出现温度升高,这也是文中进行缺陷识别的依据。设备在运行过程会出现硬件不良类问题,包括设备零件松动,电线接触不良;接触面类问题,包括接触面潮湿、腐蚀或者氧化以及设施问题,包括电气接触部件故障,绝缘子破损等。这些缺陷都会造成局部温度升高,发热不正常的现象。

电学可以根据加热特性的不同,将设备的热缺陷分为电流加热和电压加热。电流加热缺陷意为电流在设备和导线之间进行流通时,经过电阻发生异常而产生的加热,主要发生在各个设备之间的接触部位。重要的是,温度对这类缺陷非常敏感,当设备运转出现异常状况时,温度上升剧烈,并且此类缺陷占据总缺陷比例的90%以上,易被发现,所以这类缺陷为检测的重点。电压加热缺陷指的是当电压施加到绝缘子这类绝缘器件上时,器件会因为电场作用而升温,而电场作用较小,传导到设备外壳表面更少,所以一般很难被检测。文中算法主要针对电流加热缺陷的识别方法,该缺陷类别包括接头加热、断开开关刀口和开关加热、断路器触点加热、变压器内部连接加热和套管串加热。表面温度判别法是判断电流加热缺陷最简单、最有效的方法。根据温度评估标准,选择了三个温度阈值,即50 ℃、80 ℃和105 ℃来识别设备中的缺陷。紧急缺陷是指对电力系统具有严重威胁的缺陷,需要紧急制定措施。严重缺陷表示有明显运作异常的故障。一般缺陷指的是需加强监督的设备运行安全几乎没有受到威胁。在完成变电站设备检测识别的基础上,文中红外图像缺陷识别的过程如图2所示。

图2 基于红外线的缺陷诊断流程图

3 实验与分析

3.1 数据集准备

文中分别选取了套管、绝缘子、电线、电压互感器、避雷针和断路器等6种变电站设备的红外图像进行缺陷检测。这些图像主要来自输电分公司的储备和实际场景中收集的数据。该数据集包括总共800个缺陷图像和1 900个正常图像。为了避免在数据划分过程中引入额外的偏差并影响最终结果,训练集和测试集应从原始集中随机选择。最后,文中从总样本集中随机选择1 700幅变电站设备红外图像作为训练集,600幅红外图像作为测试集。各类缺陷数量如图3所示。实验室环境设置如表1所示。

图3 各种类型数据集数量

3.2 性能指标

不同的目标检测算法会因为应用场景的不同而展现出不同的效果。算法检测性能主要从如下所列的几个方面进行评估:P(Precision,精确率)、AP(Accuracy Precision,平均性能)、R(Recall,召回率)、mAP(mean Accuracy Precision,不同类别的平均精度),计算公式如式(6)～式(9)所示:

(6)

(7)

(8)

(9)

其中,TP表示正确识别的设备数量;FP表示为错误识别的设备目标数量;FN表示误识为非设备目标的数量;k则表示总共识别目标的种类数。一般P与R呈现相反的变化趋势,所以一般用mAP来表示目标检测的综合性能。

3.3 结果分析

为了更快地进行基于FasterR-CNN的变电站设备检测,在实验中模型训练学习率设置为0.001,Batch size大小为256,动量为0.9,权重衰减为0.000 1,总迭代次数为20 000。对1 700个训练样本进行训练,以获得变电站设备检测模型。采用文中算法实现的6种变电站设备的检测精度如表2所示,各类设备检测精度即在某个类别识别出的设备数占该类设备总数的百分比,各类设备的平均精度为91.64%,性能如图4所示,算法的收敛效果如图5所示。这一结果验证了Faster R-CNN用于变电站设备图像检测的有效性。

表2 基于Faster R-CNN的检测性能分析

图4 Faster R-CNN识别准确率

图5 Faster R-CNN的识别收敛性能

训练样本还用于训练SRC,以获得相应的分类模型。根据测试样本的Faster R-CNN结果,确认测试样本所属变电站设备的具体标签。表3显示了基于SRC的不同类型变电站设备的缺陷识别准确率,即在某个类别识别出的缺陷设备数占该类设备总数的百分比,通过表中数据计算得到所有类别的平均识别率达到91.62%。证明了SRC算法在变电站设备识别中的有效性。

表3 基于SRC的缺陷识别准确率

在上述检测和识别过程的基础上,基于温度阈值的思想进行变电站设备的缺陷检测。根据人工统计,在600幅红外图像的测试集中,共有160张红外线图像包含有缺陷的设备,142张图像被正确判断为有缺陷设备图像,准确率为88.75%。结果与实际情况相符,如图6所示。实验结果表明了在套管、绝缘体、线路、电压互感器、避雷针和断路器各类设备检测上,文中方法的精度都达到了90%以上,综合性能达到80%以上。根据图7速度与精度图像可以得出结论,该算法在精度与速度上比较平衡,验证了文中方法在设备识别上的准确性以及缺陷检测的有效性,不再针对于单个缺陷设备,对多个变电站设备具有普适性;在具体的缺陷处理过程中,由于文中不仅对设备进行了检查,而且确认了其类别,所以可以帮助工作人员制定更有效的处理措施,对实际变电站红外线检测有着积极的意义。

图7 Faster R-CNN速度与精度

4 结束语

文中提出一种设备识别和故障检测相结合的方法,并且将该技术应用于变电站设备缺陷的检测与诊断。首先,对于输入的变电站设备的红外图像,使用Faster R-CNN来检测关键区域,以获得感兴趣的变电站设备。在此基础上,根据已分类的训练样本,基于SRC确定检测区域,并确定变电站设备的具体类型。最后,根据当前红外图像中反映的设备温度,判断其是否处于正常状态。与传统的变电站设备缺陷分析算法相比,文中通过引入SRC算法,进一步确定了输入设备的类别,因此分析结果更加详细,有利于开展有针对性的诊断和维修。在实际变电站设备的红外图像集上进行了实验,结果表明了该方法对变电站设备缺陷检测和识别技术的有效性。

未来的工作主要集中在两个方面。首先,出于保密考虑,变电站缺陷数据集的可用性受到限制,从而限制了样本收集过程。因此,将努力继续收集不同设备的缺陷样本,从而扩大实验数据集,增强检测模型的泛化能力。此外,还将进一步优化网络结构,对不同视角下较小目标检测的针对性策略。这一优化将提高检测性能,从而更加灵敏的完成识别输电线路缺陷的任务。