目标检测算法在电力安全管控中的应用

黄勇，杨俊杰，贺文慧，袁杰

（1.贵州黔源电力股份有限公司，贵州 贵阳 550002；2.南京南自信息技术有限公司，江苏 南京 210031）

1 前言

电力安全管控是指在电网的建设、运行以及应用等过程中对电力系统的安全管理，对电能生产、运输以及分配等过程中进行有效的监控，从各个方向上保障电力系统的安全，减少意外情况的发生。电力安全管控是保证电力系统的稳定运行的重要措施，与国家经济发展、工业生产、民生生活和工程建设息息相关，若不能及时发现电力系统中的不安全因素，影响电力系统的安全和稳定运行，甚至引起电力供应中断，对国家和社会造成重大影响。因此，提高电力安全管控具有较高的研究价值和经济效益。

早期电力安全管控的手段主要依赖人工巡检，需要系统运维人员进入设备间对各种设备的指示灯和提示音进行逐一检查。这种安全管控手段效率低，难以实现每天都对所有设备进行检查，容易出现漏检。同时由于巡检工作单一重复，工作人员在长时间内重复相同工作，容易麻木，难免忽视风险隐患。随着通信技术发展和视频监控设备成本降低，视频监控也逐渐成为电力安全管控的重要手段之一。视频监控系统把监控场所的图像和声音同步传送至监控中心，监控人员根据被监控场所情况进行非现场指挥管理，同时监控系统对监控场所情况进行记录，便于调取历史记录及辅助处理现场异常情况。但是由于电力系统施工场景复杂，多工种与多专业人员参与，信息复杂性高，单凭人力无法做到准确识别与判断。传统的监控系统仅能实现监控视频的存储回访等功能，无法监控预警。即使有监控人员实时查看监控视频，监控人员也难以全天候同时监控多个画面，无法对异常情况及时进行预警，进而造成电力安全隐患。近年来，随着人工智能技术的发展，智能巡检已经成为电力安全管控的重要手段，其中基于图像数据的目标检测算法作为智能巡检的关键技术在电力安全管控的不同方向进行了应用。本文针对近年来目标检测算法在电力安全管控方面的发展和研究现状进行了梳理和总结，对目标检测在电力安全管控方面将要解决的问题和发展方向进行了展望。

2 目标检测算法概述

目标检测算法的任务是需要判别图片中被检测的目标类别，同时使用边界框确立目标的位置及大小，并给出置信度。目标检测算法可以分为传统目标检测技术和基于卷积神经网络（CNN）的目标检测技术。传统的目标检测技术主要依靠手工特征提取方法获取目标特征，并采用传统的识别器完成目标分类，主要包括VJ 检测器、HOG 检测器以及DPM 检测器等。传统目标检测方法特征表达能力弱、检测的准确率低、实时性较差。基于卷积神经网络的目标检测算法，依据其设计思想，主要可分为2 种，即基于锚点的目标检测算法和无锚点的目标检测算法。基于锚点的目标检测算法又可以分为基于区域的算法和基于回归的算法。基于区域的算法采用two-stage 的方法，即先提取候选框（Proposal），再进行细粒度的物体检测，虽然这类方法检测精度很高，但是计算量大、速度较慢，主要包括Faster-RCNN 等R-CNN 系列算法、FPN 算法和TridentNet 算法。基于回归的算法采用one-stage 的方法，直接在网络中提取特征来预测边界框的位置及其所属的类别，简化了整个检测流程、加快检测速度，主要包括YOLO 系列算法、SSD系列算法和RetinaNet 算法。无锚点的目标检测算法可以分为基于密集预测与基于关键点估计。基于密集预测的目标检测算法则是采用逐像素预测的方式完成检测，主要包括FCOS 算法、FoveaBox 算法等。基于关键点估计的目标检测算法通过对中心点或角点的估计来实现目标的检测，主要包括CornerNet 算法等。近两年，还有新提出的基于Transformer 的目标检测算法，其引入注意力模块以增强特征表示能力，这类算法特征融合能力强，检测的准确率高，但训练的成本较大。

以上算法中，采用two-stage 的基于区域算法适用于实时性要求不高的场景，对于实时性能要求高的场景则适用YOLO 系列的one-stage 算法或者关键点估计的目标检测算法，对于数据充足的应用场景可选择基于Transformer 的目标检测算法。在电力安全管控场景中，数据样本较少且实时性要求较高，因此，采用onestage算法或者关键点估计的目标检测算法的案例较多。

3 目标检测算法在电力安全管控中的具体应用

电力安全管控的核心任务是减少安全隐患，而电力安全管控中安全隐患的来源主要包括以下3 个方面：（1）人为因素隐患。电力系统安全运行离不开人员操作，如果出现人员操作违规、失误等问题就可能引发安全事故；而在日常巡检过程中容易出现漏检现象，留下安全隐患。（2）设备隐患。电厂核心主要在于发电机组以及各种压力容器、高温高压管道等设备，这些设备一旦出现老化或者泄漏等问题，就会发生爆炸、火灾等重大安全事故。同时，在设备运行过程中所消耗的油、酸碱等化学原料，都会设备造成损害，加大设备发生事故的概率。（3）环境因素隐患。电力系统安全运行需要相对稳定的自然环境，而各种自然灾害如地震、暴雨、雷电等发生时，极可能破坏电力系统的设备，造成故障和人员伤亡。针对上述安全隐患的来源，目标检测算法在电力安全管控中应用于以下3 个方面。

3.1 目标检测在电力系统人员安全管理的应用

（1）人脸识别。人脸识别常用于电力系统中人员非法入侵、人员统计和区域管理。电力施工现场作为复杂、科技化程度相对较高并且相对危险的工作现场，采用基于目标检测算法的人脸识别技术可以有效控制施工现场无关人员的进入，提高施工现场的安全保障和工作效率。同时，人脸识别可以帮助管理人员统计排除工人日常到岗的情况，有效防止工人冒名顶替和迟到早退的现象发生。另外，在电力施工现场的工作中，利用基于目标检测的人脸识别技术与监控技术的结合可以实现区域管理，针对限制区域和重要区域进行权限管理，如果非授权人员进入系统中，将会实现自动报警。如果目标对象擅自离开指定区域，系统会自动报警。关于人脸识别的目标检测算法主要分为基于静止图像和基于运动视频的检测，主要包括基于先验知识的方法、不变特征方法、模板匹配方法以及统计模型方法。

（2）人员安全防护设备检测。人员安全防护设备是指电力施工现场上的作业人员所需要佩戴的防护设备，比如，安全帽、安全带、防护服、防护鞋等。部分电力施工作业人员对佩戴安全防护设备的意识较为薄弱，安全防护设备不佩戴或佩戴不规范造成了较多的安全事故。近年来，国内外众多专家学者基于目标检测算法对施工区域的防护设备安全佩戴判别技术进行了深入研究。以检测安全帽为例，Fang 等人（2018）在对各种视觉条件进行分类的基础上，提出了基于Faster R-CNN的自动非硬帽使用检测方法；邓开发等人（2020）将Faster R-CNN 目标检测模型和深度特征流算法结合，较好的实现了施工现场摄像头监控的视频中安全帽检测。李华等人（2021）针对小目标的安全帽识别问题，通过增加锚点提升检测能力，采用Foci loss 替代原本的损失函数，引入ROI Align 代替ROI Pooling 操作中2 次量化产生的误差，解决了安全帽预测区域不匹配问题，提升检测模型准确性。刘增辉等人（2022）改进了YOLOv3 的多目标安全检测识别方法，引入空间金字塔池化结构，对Darknet-53 网络结构进行调整优化，增加特征层保留更多小目标特征信息，采用GIOU 改进损失函数，提升了佩戴安全帽及防疫口罩的识别精度。目前，人员安全防护设备检测的数据集较少，难以适应各种复杂场景下网络模型的训练要求，对于作为小目标的安全防护设备仍然普遍存在一定误检、漏检情况，而摄像机位置角度不同使得训练数据集中存在遮挡目标的情况，同样会造成误检和漏检。

（3）人员行为检测。电力系统工作人员的不安全行为如抽烟、打电话玩手机等是引发电力系统产生事故的源头之一，是电力安全管控中重点监管内容。以吸烟行为为例，传统的目标检测方法依赖于图像分割、人工设计特征进行分析，对吸烟烟雾和吸烟手势进行判断，但是，烟雾特征由于受光照影响较大难以提取特征，吸烟手势忽略目标物的图像信息极易出现误判。而在深度学习领域，对吸烟行为识别的研究多采用one-stage 目标检测方法，如利用YOLO 系列算法对香烟进行检测而推理出吸烟行为。Zhang 等人基于GoogLeNet 优化吸烟图像的特征，并采用与目标图像相似的超大数据集进行模型预训练进行吸烟检测。深度学习模型的效果非常依赖于训练集，由于吸烟、打电话等人体行为在实际场景中存在较大差异，一般训练集很难覆盖所有情况，存在样本数量不够和分布不均衡的情况，难以统一行为训练集的标注范围，使得深度学习尤其是基于端到端的目标检测对吸烟行为出现误检情况。

3.2 目标检测在电力设备检测及故障诊断中的应用

电力设备的故障诊断是复杂的模式识别问题，传统模式识别方法依赖主观选取和专家经验对故障进行诊断，而目标检测能够识别出数据内在的耦合特征，并将特征信息用于建模中，替代人为选取特征的不足，其强大辨识能力能够帮助快速定位故障位置，提升解决问题的效率。电力设备种类众多，目前现有研究主要集中在输电线、绝缘子和变电设备等类型的设备上。

在输电线路检测方面，赵振兵等人（2018）基于深度学习理论研究了输电线路关键部件视觉检测方法；李辉等人（2018）采用了基于深度学习的Faster-RCNN 目标检测模型与锈蚀HIS 颜色特征结合的锈蚀检测方法，实现了输电线路锈蚀的检测。丁志敏等人（2021）通过在原始Faster R-CNN 方法的基础上提取卷积网络的低层和高层特征图，并对非极大值抑制方法改进，实现输电线挂接地线状态的目标检测。迄今，将目标检测算法应用在输电线路检测方面已有部分研究，但是由于电力系统的特殊性难以建立大规模专业图像数据库，目标检测算法实现工程应用仍面临较大挑战。

在绝缘子检测方面，李军锋等人（2017）结合了卷积神经网络和随机森林分类法成功识别绝缘子，但故障元件检出率较低；王淼等（2017）采用深度卷积神经网络提取红外图像中绝缘子并实现了对其缺陷类型进行判定；张倩等人（2019）根据绝缘子样本的特点，改进LeNet_5 网络结构，引入随机配置网络分类器，添加反馈机制实现对绝缘子的状态检测，但是实验中的图像质量不高，影响了最终识别的准确性。

在变电设备检测方面，李文璞等人（2021）提出了一种基于旋转目标检测的变电设备电压致热型缺陷智能诊断方法，基于Faster RCNN 模型对红外图像中三相区域、套管、电流互感器等变电 设备区域进行识别、定位，基于温差阈值法进行电压致热型缺陷诊断，该方法能够有效地从红外图像中自动识别电压致热型缺陷。朱惠玲等人（2021）在利用图像增强算法及阈值分割的图像预处理基础上，基于变电设备红外图像对YOLOv3 算法进行参数优化，并通过迁移学习策略解决了图像集样本少的问题，快速实现变电设备的识别与定位。曹恩宇等人（2022）使用YOLOX-Darknet53 目标检测算法对增强的变电设备热红外图像进行识别，其识别率高于传统的YOLOv3 方法。

目前，目标检测技术在智能交通、智慧医疗等多个领域有成熟应用，但是电力设备具有其自身的特性，其他领域的目标识别技术不能直接应用于电力设备的检测和故障诊断分析中。若想实现目标检测技术在该领域的应用，亟待建立相关的设备图像库。

3.3 目标检测在电力系统环境监控的应用

环境因素是影响输电线路和变电站等重要电网设施安全的风险源之一，其中输电线路周围环境检测和变电站内部环境检测是环境状态监控的重要区域。

能够利用视频图像和目标检测算法对输电线路周围环境进行监控的风险主要包括山火、导线覆冰、植被生长和异物入侵。例如，赵钰等人（2021）构建了Mobilenet-SSD 模型并进行边缘部署识别山火，准确率达到81%；马富齐等人（2021）通过卷积神经网络MobileNetV3 提取覆冰图像特征，并引入多感受野模块增大模型对覆冰影像的映射区域，从而增强其特征提取能力，采用多尺度目标检测模型SSD 实现覆冰厚度的辨识与监测。针对异物入侵的研究相比其他研究较多，Faster-RCNN, YOLO 以及SSD 等目标检测模型均有所应用。目前，虽然已经有不少研究成功应用目标检测算法，实现对输电线路环境的监控，但是训练样本不足仍然是提升目标检测准确率的关键障碍。变电站内设备众多，环境复杂，其环境检测重点包括温湿度、电磁场、气体成分，烟雾和明火以及异物入侵，其中温湿度、电磁场和气体成分主要依靠传感器进行监控，异物入侵、烟雾和明火可以依靠视频和目标检测算法进行监控。例如，基于YOLOv5 和K-means 算法针对无人值守变电站异物如鸟巢、风飘物入侵进行识别，利用MobileNetv3-Large 网络改进的YOLOv3 模型判别变电站火灾检测。然而，由于实际火灾数据集较少，模型建立于自建数据集上，其泛化能力相对较差，且缺少实际验证。

4 问题分析及建议

尽管目标检测算法在电力系统人员安全管理、电力设备检测及故障诊断和重要区域环境状态监测3 个方面均有所应用，但是仍然存在许多难点问题，制约着目标检测算法在电力安全管控中的大规模应用。

4.1 缺少有效真实样本集

虽然电力监控系统中的摄像头能够获取大量数据，但绝大多数都是正常数据，异常状态下的样本非常稀少，这直接限制了由数据驱动的目标检测算法的模型训练。尽管可以通过图像增强和图像融合的方法扩充样本，但没有从根本上解决问题，导致算法模型泛化和迁移能力差，不能满足不同场景的需求。甚至，由于缺乏真实的数据集，诸如烟雾和明火的目标检测算法无法在实际应用中得到验证。

为了解决少样本的问题，一方面，要在电网公司和集团的管理层面推动建立样本库，打破电网内部的信息壁垒，提升样本数量；另一方面，要发展少样本或者零样本的目标算法，诸如迁移学习、元学习和度量学习等基于弱监督、半监督甚至自监督的方法训练模型，在弱监督学习过程中嵌入先验知识，或者通过将学习过程分阶段进行强化训练，增强弱监督学习能力。

4.2 算法的泛化和迁移能力差

在真实场景中的视频帧差异化很大，容易出现遮挡、失焦、目标姿态罕见等情况，这需要视频目标检测算法具有很好的泛化能力，才能完成真实场景的具体任务。同时，目标检测算法面对的真实场景千差万别，当场景变化时可能导致算法失效，需要建立新的样本集，重新设计和训练模型。为了提升目标检测算法的泛化能力，除了提升样本集数量和质量外，可以从两个方面优化算法模型。一方面，提高目标检测模型的可解释性，模仿传统目标检测方法，选取具有明确物理含义的图像数据，逐渐了解模型从训练集中学习到了哪些知识，哪些属性是对模型训练有用的，哪些是冗余，从而提高算法模型的性能。另一方面，优化算法训练方法，采用支持样本类别和数量增加的增量学习方式，减少模型迭代更新的成本。

4.3 目标检测算法的弱稳定性

目标检测算法的精度在海量数据的训练基础上或许能达到较高的水平，但是仍然会发生错误辨识，有时候甚至是低级错误。目标检测算法的研究成果目前还只是处于“可以用”的阶段，距离“很好用”还有很长的路要走。而电力行业关系到国民经济各方面，很多情况下，对算法可靠性要求极高，因此面向电力系统的目标检测算法需要着力突破计算不稳定性的技术瓶颈。

目前，针对大、中目标的检测算法尚能满足场景需求，但是对于小目标本身尺度小，在图像中所对应的信息含量少，细节特征不明确，使得目标检测算法在检测小目标时容易产生低级错误，因此，提升小目标检测的能力是提升目标检测算法稳定性的突破口之一。另外，基于深度学习的目标检测算法大部分以CNN 为基础，但是以CNN 为平台的研究成果质量提升愈加缓慢，如果能找到独立于CNN 的网络架构模式，也许是提高目标检测算法稳定性的另一个突破口。

5 结语

本文对目标检测算法的概念及其在电力安全管控的应用进行了综述，对目前存在的问题进行了分析并提出了相关建议。相对传统的目标检测技术，基于深度学习的目标检测方法具有强大的优势，为电力安全管控带来了革命性的变化。未来如果能够建立起电力系统的统一标准样本库，将会使目标检测算法在电力安全管控中发挥更大的优势，为电力系统的持续稳定运行提供自动化的监督服务。