一种基于卷积神经网络和纵横交叉优化算法的电缆隧道温度异常识别方法

孟安波 杨跞 王伟 殷豪 曾云 黄圣权

摘 要：电力系统的安全稳定运行一直是我国电力行业的重中之重，而电缆隧道的安全也是电网安全运行的重要一环。本文使用电缆隧道巡检系统拍摄的图片，基于卷积神经网络（R-CNN）算法，在图像中定位异常状况点，并映射到红外图片。对电缆以及接头温度进行分析来及时对异常情况做出报警，可以维护供电安全并延长电缆使用寿命。针对电缆隧道巡检图像的时效性需求，采用纵横交叉（CSO）算法对图像分割的阈值优化，便于快速定位异常位置。

关键词：电缆隧道；温度异常；卷积神经网络；纵横交叉优化算法

中图分类号：TP391.41；TP183 文献标识码：A 文章编号：2096-4706（2019）02-0046-05

Abstract：The safe and stable operation of the power system has always been the top priority of China’s power industry，and the safety of cable tunnels is also an important part of the safe operation of the power grid. In this paper，the picture taken by the cable tunnel inspection system is based on the convolutional neural network method，positioning the cable connector in the image and mapping to the infrared image. Analysis of the temperature of the cable connector in time to make an alarm on the abnormal situation，you can maintain the safety of power supply and extend the service life of the cable. Aiming at the small number of sample images collected，a migration learning method is adopted，which reduces the training intensity and ensures a better positioning and recognition effect.

Keywords：cable tunnel；temperature anomaly；convolutional neural network；crossbar optimization algorithm

0 引 言

目前地下電缆隧道内的电缆线路和各种电力设备通信设备的数量在逐渐增多，且电缆隧道的结构因地势等原因比较复杂，使得地下电缆的维护变得越来越困难[1]。

由于电缆接头处的工艺水平限制，连接不牢固等问题都可能导致接头处电阻过高，在电缆电流流过时产生的热效应之下会导致电缆接头处发热，严重的会导致电缆的绝缘被破坏致使漏电，甚至会引发火灾[2]。而在非连接处由于电阻值较小一般不会出现热故障，因此对电缆接头的温度监控对于减小电缆故障，延长电缆使用寿命都有重要意义。

使用目前常用的温度传感器如：热敏电阻，热电偶，温控晶闸管等都存在无法克服的问题。接触式测温传感器由于电缆外皮的存在使得温度变化有很大的滞后性且得到的温度都是小块区域的，为了得到整体温度需要安装大量的传感器这增加了电缆隧道的维护难度[3]。

随着电缆巡检机器人的推广，使用巡检机器人的设备对电缆隧道进行维护越来越普及。本文利用装有可见光高清摄像头和红外摄像头的电缆隧道巡检机器人采集图片，基于R-CNN网络结构定位电缆接头部位并在此基础上判断是否发出异常高温预警。

1 卷积神经网络

卷积神经网路（Convolutional Neural Network，CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现[4，5]。卷积神经网络（CNN）的主要结构为卷积层（Convolutional layer）、激活函数、池化层（Pooling）、全连接层（fully connection）、分类器（softmax）。

1.1 卷积层

4 实验结果分析

4.1 网络结构

R-CNN的网络结构如图1所示，在基础神经网络输出的特征图层中加了一个区域建议网络（RPN），该网络用作预选区域生成。由RPN网络得到预选区后，池化层把特征图上的对应预选区的特征整合成固定长度的特征向量，在经过两层全连接层后连接到softmax分类层和边框回归层[11]。

基础神经网络可以选择不同的结构如GoogleNet[12]、ZFNet[13]。本文选择使用ZFNet，因为该网络规模较小且程序运行时间比较合理。

4.2 训练数据

即使是采用了规模较小的CNN网络结构作为基础网络训练参数，仍然需要大量的训练样本。在广东省珠海供电局的帮助下，本实验小组在横琴地区环琴甲、乙线采集了数千分钟的视频数据和1500张正常或异常状况图片。

将前述得到的样本划分为训练集和测试集。用已经在CNN网络上预训练后得到的网络参数初始化区域建议网络（RPN）。用RPN网络初始化R-CNN目标检测网络参数，并用RPN网络提取预选区域训练目标检测网络。用训练后的目标检测网络重新初始化RPN网络，固定网络的卷积层并进行微调。固定目标检测网络的卷积层用微调后的RPN网络提取的预选区域对目标检测网络微调。如图2所示。

整个网络的输出是电缆接口的位置信息包含四个参数（x、y、w、h）分别是接口区域左上角顶点的横、纵坐标，区域的宽度和高度。

4.3 实验过程

在通过R-CNN目标检测网络训练得到电缆接头在可见光照片上的位置后就可以得到电缆接头的温度了，具体步骤如下：

根据R-CNN得到的接头区域以及隧道巡检机器人的可见光摄像头与红外摄像头的参数可以将电缆接头区域从可见光照片映射到红外照片上。

对选定的红外照片区域做温度最高值搜索，得到最高温度值。

在根据电缆线芯温度与防爆箱温度的矫正公式矫正后便得到了电缆接头处线芯最高温度。

将最高温度与电缆接头的巡检标准温度阈值对比判断是否出现异常高温，决定是否报警。

4.4 結果与分析

本文给出了两个电缆接头处的识别定位结果分别如图3接头1和图4接头2所示，图中：（a）为可见光原始图像，（b）为定位后可见光图片，（c）为对应的红外图片。

根据在定位框对应到的红外图片内也即接头区域搜索最高温得到的结果是接头1最高温度31.63℃，接头2的最高温度为29.31℃，均在正常的温度范围内。

本文采用的基于Faster-R-CNN的电缆接头定位算法可以准确定位，识别速度快，统计结果显示识别准确率高达80%，在仅CPU运行的模式下识别时间小于10s。

另外接头处温度识别的结果与现场巡检结果一致，温度偏差不超过5%。

5 结 论

本文将深度学习与图像处理技术应用于电力隧道图像的识别与分析中，提出一种基于数字图像处理技术和卷积神经网络的智能电缆接头温度状态识别算法。在高压危险的环境中能够使用巡检机器人代替人工检测电缆的温度状态，减轻了运维人员的工作负担，提高了巡检机器人的智能化水平，利用电缆隧道内现有的巡检机器人的巡检设备采集，定位，识别电缆接头的温度状态。提出的算法适用性广，具有良好的识别质量和较高的识别速度，为电力隧道智能化，无人化值守提供了重要的技术支撑。

参考文献：

[1] 刘凯.大连地区电缆隧道在线监测系统的设计与实现 [D].大连：大连理工大学，2016.

[2] 黄岩.电力电缆接头的温度监测与预警研究 [J].时代农机，2015，42（10）：35-36.

[3] 王龙阁，郭宏燕，陈磊，等.一种基于分布式光纤光栅传感器的电缆温度监测系统 [J].电器工业，2016（12）：74-76.

[4] LAWRENCE S，GILES C L，TSOI A C，et al. Face recognition：A convolutional neural-network approach [J]. IEEE Transactions on Neural Networks，1997，8（1）：98-113.

[5] TURAGA C S，MURRAY F J，JAIN V，et al. Convolutional Networks Can Learn to Generate Affinity Graphs for Image Segmentation [J]. Neural Computation，2010，22（2）：511-538.

[6] Dong C，Loy C C，He K M，et al. Image super-resolution using deep convolutional networks [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2016，38（2）：295-307.

[7] Xu B，Wang N，Chen T，et al. Empirical evaluation of rectified activations in convolutional network [J]. arXiv preprint arXiv：1505.00853，2015.

[8] Hinton G E，Srivastava N，Krizhevsky A，et al. Improving neural networks by preventing co-adaptation of feature detectors [J]. arXiv preprint arXiv：1207.0580，2012.

[9] 陈庆，闫斌，叶润，等.航拍绝缘子卷积神经网络检测及自爆识别研究 [J].电子测量与仪器学报，2017，31（6）：942-953.

[10] 孟安波，胡函武，刘向东.基于纵横交叉算法优化神经网络的负荷预测模型 [J].电力系统保护与控制，2016，44（7）：102-106.

[11] 黄心汉，苏豪，彭刚，等.基于卷积神经网络的目标识别及姿态检测 [J].华中科技大学学报（自然科学版），2017，45（10）：7-11.

[12] Ren S，He K，Girshick R B，et al.Faster R-CNN：Towards Real-Time Object Detection with Region Proposal Networks [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（6）：1137-1149.

[13] Szegedy C，Liu W，Jia Y，et al. & Rabinovich，A. Going deeper with convolutions [C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015：1-9.

作者简介：孟安波（1971-），男，汉族，重庆人，博士，教授，主要研究方向：人工智能在电力市场与电力系统中的应用；通讯作者：杨跞（1993-），男，汉族，河南洛阳人，硕士研究生，主要研究方向：人工智能在电力系统中的应用；王伟（1988-），男，汉族，河南洛阳人，硕士研究生，主要研究方向：电力系统负荷预测；殷豪（1972-），女，汉族，重庆人，副教授，主要研究方向：人工智能在电力系统中的应用；曾云（1994-），女，汉族，湖北荆门人，硕士研究生，主要研究方向：电力市场电价预测；黄圣权（1990-），男，汉族，广东阳江人，硕士研究生，主要研究方向：风力发电风速预测。