基于深度学习的电力设备状态检测的研究

吴 媚

（江苏方天电力技术有限公司，江苏 南京 211100）

近十年来，国内已经研制成功很多传感器和监测装置，也取得了较好的成果。国外企业电力设备在线监测传感技术、监测装置的集成性等方面要优于国内，但都是离散的、单一的针对单个设备进行监测研究。设备巡检过程中产生了大量视频图像数据，巡检人员能够通过视频图像了解现场情况、设备运行情况等，从而为日常工作、应急处理、事故分析等工作提供直观的辅助决策依据。但是，随着图像处理技术的不断深入研究，设备状态巡检业务应用对图像的智能化程度、可靠性、可用性等需求提出了更高的要求。本文针对这些问题，提出了基于深度学习的电力设备状态检测方案。

1 系统架构

系统分层结构包括数据采集层、数据接入层、服务支撑层和应用展现层。数据采集层包括机器人、无人机、监控摄像机、智能手机、PDA、Pad、单兵设备、电力设备状态图像采集装置等巡检采集设备，为上层提供巡检数据；数据接入层包括盒子、电力设备状态图像分析装置，提供安全防护、灵活接入和数据分析能力；服务支撑层为各项功能提供技术支撑服务，包括应用服务、网管服务、控制服务、视频大数据智能分析服务；应用展现层根据各业务的需求实现功能应用，提供B/S应用客户端和APP应用客户端满足不同用户对不同使用场景的使用需要。总体应用功能架构由前端应用功能、支撑服务功能、系统应用功能三大部分构成，前端应用功能包括电力设备状态图像采集和分析功能；支撑服务功能包括控制服务、网管服务、视频大数据图像分析服务，向电力设备状态监测应用提供统一服务；系统应用功能包括智能分析管理、视图库管理、应用、APP应用，实现对视频图像信息的可看、可管、可控。系统应用功能架构由前端应用功能、支撑服务功能、系统应用功能三大部分构成。前端应用功能包括电力设备状态图像采集和分析功能；支撑服务功能包括控制服务、网管服务、视频大数据图像分析服务，向电力设备状态监测应用提供统一服务；系统应用功能包括智能分析管理、视图库管理、APP应用。该系统架构实现对视频图像信息的可看、可管、可控。

2 基于异构硬件平台的多类电力设备状态检测及效率提升技术

1）电力传输线检测。采用图像灰度化，图像增强、去噪、锐化、阈值分割、形态学和边缘提取等算法，提取绝缘子串的形状特征，再基于像素点分类方法，对同类像素点拟合，实现对传输线的检测。步骤一：读入直升机、无人机、机器人、固定摄像机等智能设备巡检过程中产生的关于电网传输线的图像。步骤二：将输入的图片灰度化处理，即将采集到的24位真彩色图像转化为8位灰度图，得到灰度图像。步骤三：利用高斯算子对灰度化图像进行高斯模糊去噪，将高斯分布权值矩阵与原始图像矩阵做卷积运算，减少图像噪声平滑图像。步骤四：对平滑后的图像进行算术运算，将图像整体像素值降低，便于后续进行线性变换。步骤五：对算数运算后的图像进行灰度线性变换，增强图像的对比度，扩大传输线和背景之间的差值，这有利于提升边缘检测的效果。

2）安全帽、红马甲检测。在基建场景下，安全员负责现场的安全管理，对于整个建筑项目的完成起着至关重要的作用，安全员若不在现场，整个项目就存在巨大的安全隐患。利用安全员身着红色马甲、戴安全帽这一明显特征，我们可以利用计算机视觉检测技术，通过确定红色马甲位置来检测安全员是否在工作现场。对采集的训练图像行预处理的步骤如下。步骤一：利用摄像头采集多个不同场景下的安全员。步骤二：筛去上述图像中受环境因素影响较大的部分，保留安全员红色马甲特征较为明显的图片。步骤三：人工的框出行人以及红色马甲的位置，并为其边界框打上标签。在深度学习方案中，将神经网络的53个卷积层在ImageNet数据集上进行预训练，得到这些卷积层之间的权重，用于提取图片的特征。将训练图片输入神经网络，经过卷积层提取特征之后通过全连接层进行分类，根据损失函数算出预测值与真实值之间的损失，通过反向传播算法调整神经网络各个隐层的权重，当损失值下降到一定的阈值时，停止训练，得到最终的神经网络。

3）基于嵌入式平台的电力设备检测。SSD是一种基于深度学习的经典目标检测算法。与R-CNN系列目标检测算法相比，SSD取消了中间候选项和像素特征的重新采样过程，确保了速度，同时确保了检测精度，SSD输出了一系列离散候选箱，候选箱生成了字符模式SSD产生一系列固定大小的方块，使用小型回旋筛选来预测目标类别和候选方块位置偏移（即候选方块包含目标类别的可能性），并透过移除值的方法取得最终预测结果但是，使用特征提取网络需要大量的计算资源，通常部署在图形处理器上，这就需要大量的硬件，并且使得在集成平台上执行如此重要的网络模型非常困难，这可能会对使ssd与内置设备兼容。我们使用MobileNet替换SSD中的VGG-16网络。mobiliet使用深度来分隔卷，而不是传统卷层，深度可以分隔卷，从而将整个标准卷转换为深卷，并将每个点一个卷。当输入可分为深体积：16×3×3，得到16通道特征轮廓，点体积：16×1×1×32。如果使用标准体积，计算体积如下：mxnx16×3×32=m×n×4608，在深度分解体积后计算体积如下：m×n×16×3+m×n×16×1×32=m×n656，计算体积和体积神经网络参数体积减小，运行效率降低。

3 电力设备状态检测和应急处置中的示范应用

针对运维检修工作需要，本文在技术研究基础上，依托统一视频监控平台，实现电力设备状态图像采集装置、电力设备状态图像分析装置、音视频远程盒子的示范应用，达到设备状态自动监视、突发事件应急处置、疑难问题远程交流、历史问题研判分析的目标。系统部署架构主要包括主站侧及站端侧。主站侧部署视频监控平台，平台新增大数据存储与分析服务集群，包括管理节点服务和计算节点服务，基于大数据框架和深度学习技术，实现分类模型的训练算法、对象分类算法和设备状态分析算法，以保证各算法在后端服务中运行的高效性，实现对下载和导入的历史视频图像的分析。平台执行分析任务，发现设备状态异常时，历史分析将以任务结果形式查阅；平台新增网关服务、控制服务、部署盒子，从而实现视频平台资源与远程进行整合，用户可以灵活接入会场音视频信号，与远程移动终端进行会话，并调用查看平台监控视频、应急处置等业务应用中提供大量现场监控图像，服务于业务指挥。站端侧移动终端安装远程软件实现与会场的远程视频；部署电力设备状态图像采集及分析装置，以满足多种场景的应用，一旦发生设备状态问题将立刻向平台推送告警信息，启动远程查看、现场核实、远程会诊等预案。电力设备状态图像分析装置，实现对前端电力设备状态图像的实时监视，发现设备状态异常时，将向后台推送告警信息。

4 结束语

本文件中讨论的电气设备状态图像收集和分析装置等结果将直接应用于电气设备状态检测和紧急处置，以便在典型情况下准确监测电气设备状态，例如，保证电气设备正常运行，保证电网安全运行，同时提高可靠性，可以改进电气设备检查方式，提高设备状态控制和运输检查决策水平，加快计算机视觉和机器学习是非常实用的学科。第一条电力线的视频数据是测试算法有效性的最佳试金石。它们还提供了提高算法性能、改进算法和算法创新的机会，对相关通用技术的发展进步产生推进作用，并可为类似应用提供借鉴和启发。