基于深度学习的变电设备红外图像识别检测技术应用探析

关键词：人工神经网络；深度学习；红外图像识别检测

中图分类号：TP183 文献标识码：A

文章编号：1009-3044（2024）26-0001-03 开放科学（资源服务）标识码（OSID） ：

0 引言

国家电网近期提出建设数智化坚强电网的目标，旨在通过深度整合数字化和智能化技术，推动电网生产运行与管理的全面升级。变电设备在电网中扮演着至关重要的角色，它们不仅负责电压的转换，还承担着电能的分配和传输使命。其运行状况的好坏直接关系到整个电网的安全性和稳定性，对电力系统的顺畅运行起着决定性的作用。在建设数智化坚强电网的宏伟蓝图中，变电设备作为电网的重要组成部分，其数智化升级显得尤为关键。通过深度整合数字化和智能化技术，实现对变电设备的实时监测、故障诊断和预警，提高电网的安全性和稳定性，为社会的可持续发展提供有力保障。红外检测技术因其实时、快速、非接触、监测范围广等优点成为电力公司对变电设备检测的主要手段之一。面对海量的红外检测图像，如何快速有效地识别变电设备类型及状态变得异常重要。传统的图像识别方法往往受到较多人为因素干扰，使得对红外图像的识别检测效果不尽如人意。然而，随着GPU硬件的发展，深度学习技术在计算机视觉领域得到了迅猛发展，为电力设备监测提供了全新的解决方案，全面提升了电力系统的稳定性与可靠性。

1 变电设备红外图像识别检测概述

1.1 红外图像采集简述

在变电设备巡检中，红外成像技术将变电设备温度通过红外图像的形式展现，温度高低在图像中以不同颜色呈现，并在比色条中列举出温度上下限范围。该方法由于具有安全性、无损性、实时采集等优点，无须设备停电即可实现故障隐患检测而被广泛应用。随着变电站巡检过程中智能巡检机器人、无人机等先进装备的大量应用，红外检测更是得到了普遍广泛的应用。智能巡检显著提高了工作效率，有效减轻了设备巡检人员的劳动强度，但是巡检中获得的大量红外图像，如何快速有效地在大量红外数据中获取有用信息，实现变电设备的准确识别，进而进行故障判断，成为当前智能巡检工作中亟须解决的问题。

1.2 传统图像识别检测

传统的红外图像分析和处理通常利用温度分布、热异常点等特征进行提取和分析。传统的图像识别算法在很大程度上依赖于人工的特征提取，特征包括边缘检测、梯度分析、灰度值、图像分割等。人工提取图像特征后，通常会使用分类器（如支持向量机、决策树等）对这些特征进行分类或识别。但是，传统的红外图像分析检测方式也存在一些局限性，它高度依赖于特征选择的质量和工程师的经验。不同的特征选择可能会导致截然不同的识别结果。此外，传统方式无法实现实时在线监测和数据传输，难以实时发现和处理设备故障。

2 深度学习算法概述

随着计算机技术的快速发展，机器学习（ML） 日益受到广泛关注和重视。作为一种基于数据驱动的自动化算法设计方法，机器学习能够深入挖掘大量数据中的潜在价值，通过精细的学习和分析过程，揭示隐藏在数据中的有用规律和模式。然后，将这些规律和模式应用于新数据的预测与决策中，为各行各业提供智能化、精准化的解决方案。近年来，随着大数据、云计算等技术的不断发展，机器学习在各个领域得到了广泛的应用，其中在图像辨识、行为分析、自然语言处理等方面尤为突出。在图像辨识方面，机器学习算法能够通过对图像中的像素、颜色、纹理等特征进行自动提取和学习，实现对图像的自动分类、识别和标注等功能[1]。然而，传统机器学习算法对数据质量有较高的要求，在处理与训练数据差异较大的数据时，存在泛化能力有限的问题，可能无法自主提取数据特征，难以准确地进行预测和分类。

人工神经网络（Artificial Neural Network， ANN） 作为机器学习的一种模型，具有参数少、预测性能好、泛化能力强等优点。其核心在于模拟生物神经元之间的连接和信号传递机制，从而实现对复杂函数的估计或近似。这种网络具有强大的自适应能力，能够在外界信息的影响下调整其内部结构，以更好地适应不同的任务需求。ANN通常由输入层、隐藏层和输出层构成，输入层接收外部数据并传递给隐藏层。隐藏层是网络中的核心部分，其层数以及每层神经元的数量通常需要根据具体任务进行人工设定，以便更好地捕捉和提取数据中的有用信息。输出层的神经元数量则与所要解决的问题中的分类标签个数相对应，负责输出最终的预测或决策结果。这种学习能力使得ANN 在医学图像分析、智能监控安防、自然语言处理等众多领域取得了成功的应用。然而，人工神经网络在处理大量数据时，隐藏层节点的调参过程通常需要耗费大量的人力和时间来精心调整这些参数，以达到最佳的性能表现。这种人工调参的过程不仅效率低下，而且效果难以保证，往往需要进行多次迭代和优化才能得到满意的结果。

深度学习（Deep Learning， DL） [2]算法是一种基于人工神经网络的机器学习算法，其核心原理是通过构建多层神经网络来模拟人脑神经元的连接方式，从而实现对输入数据的层级化特征表示和抽象。多层神经网络意味着更多的参数设置，模型复杂度也随之增加，处理信息的能力也更强，能够完成更复杂的学习任务。在图像分析领域的突破性成就展现了深度学习模型对于模式提取的强大功能，能够准确识别图像中的物体、纹理以及更复杂的场景关系。

3 深度学习在红外图像识别检测的研究进展

近年来，深度学习以其能够自动提取复杂数据特征的特性，经过良好设计的深度学习模型可以自动完成对高维复杂数据分布的建模[3]，使得深度学习在目标检测领域的应用日益受到关注，尤其在变电设备视觉检测中成为研究焦点。其中，卷积神经网络（CNN） 作为深度学习领域的核心模型之一，发挥着至关重要的作用。

3.1 卷积神经网络

卷积神经网络（Convolutional Neural Networks，CNN） 在其神经网络结构中采用了一种称为卷积的数学运算，代替了传统人工神经网络的矩阵乘法，特别适用于处理具有网格结构的数据，如图像与语音。CNN通过模拟生物视觉认知机制，通过大量有标定数据的训练，建立从底层信号到高层语义的映射关系，克服了手工设计特征区分度不足的问题，被广泛应用于大型复杂图像分类任务中。在图像处理领域，CNN 被广泛应用于图像识别、物体识别、图像处理等方面。

贾鑫等[4]创新性地提出了基于双监督信号深度学习的电气设备红外图像故障识别方法。该方法利用Slic超像素HSV空间变换算法，有效排除了无故障设备的干扰，精准提取了图像中的故障区域。在网络训练方面，该方法结合了GoogLeNet卷积神经网络模型以及softmax损失和中心损失两种监督信号，显著提升了故障诊断的准确性和泛化性能。该方法能够高效识别变电站红外图像中的故障设备，增强了变电站设备运行的稳定性，确保了运维检修人员的安全。实验结果表明，双监督信号训练出的网络识别准确率可达到98.6%，但数据集规模对最终识别率有很大影响。

王有元等[5]提出了利用卷积神经网络内经典的残差网络诊断模型，用于变电设备红外巡检。通过构建多分类数据集，改进残差网络结构，并利用贝叶斯优化算法自动调整超参数，提高了识别准确率，降低了计算资源占用。模型采用卷积核分解、多维度特征融合和卷积核自调整等技术，采用Xavier正态分布初始化方法，并加入快捷连接方式，以提高诊断准确率。通过贝叶斯优化方法自适应超参数调整策略，优化深度学习模型在变电设备热缺陷诊断任务中的性能。实验结果显示，改进后的贝叶斯优化算法能提升模型准确率，所改进模型的状态识别准确率达到94.53%，并获得了性能最优的轻量化诊断模型。

吴昊月等[6]提出了一种改进的级联卷积神经网络结构，通过在骨干残差网络中添加可形变卷积层，提高了特征提取的几何形变能力。通过像素点概率指导锚的中心点生成，使生成的锚更少且质量更高，有助于故障小区域的检测。改进后的算法损失包括分类损失、回归框的位置损失、位置候选区的中心点位置损失和锚的形状损失。由于数据集中存在负样本与正样本不平衡问题，该研究采用Focalloss作为损失函数，以平衡正负样本。实验结果表明，改进后的网络在电气设备红外图像检测中具有较好的性能。与Cascade RCNN、Faster RCNN、Dcn-CascadeRCNN、SSD 四种经典算法相比，新算法漏检错检问题较少，位置候选区生成锚的数量减少，且故障区域检测平均精度均值（mAP） 达到95.3%。

3.2 基于YOLO的深度学习算法

尽管卷积神经网络在变电设备红外图像识别检测中取得了较高的准确率，但仍存在一些挑战和局限性。具体来说，由于不同变电设备之间的特征差异较大，这可能导致目标检测的效果不尽如人意。此外，环境因素的变化也可能引发目标特征的变化，从而影响识别准确性。更为关键的是，数据样本的不均衡问题可能导致模型在泛化能力方面存在不足，使其在面对新数据或不同场景时表现不佳。这些问题都亟待解决，以提高卷积神经网络在变电设备红外图像识别检测中的性能和稳定性。随着轻量化网络型红外检测设备的投入使用，对检测设备的运行环境及模型的大小提出了新的要求。YOLO系列算法具备检测速度快，满足实时性要求，能保持较高的定位准确度和特征识别率得到了广泛关注。

王永平[7]提出一种基于YOLO v3的高压开关设备红外图像异常发热点目标检测方法，通过优化算法参数、Loss函数和检测框，提高了检测速度和准确性。通过建立高压开关设备红外图像异常发热点的独立训练集和测试集，成功地训练出了具备合适权重的模型。这种检测方法不仅识别速度快，而且准确率极高，展现出强大的泛化能力。经过严格的测试验证，该方法的准确率达到了91.83%，充分证明了其在高压开关设备红外图像异常发热点检测中的有效性和可靠性。

在YOLO v3目标检测的基础上，俞贤文等提出了一种基于改进YOLO v3的红外电力设备目标检测模型，通过改进特征提取网络、加入轻量级注意力模块和改变特征层检测尺度等方式，提升模型的检测精度和速度。实验表明，该方法在检测速度相近的同时，具有更高的检测精度，为电力设备红外图像智能检测提供了新的思路[8]。

段中兴等提出了一种基于改进YOLO v4的电力设备红外图像识别方法，针对雨雾天气条件下红外图像普遍存在的对比度偏低以及像素模糊等突出问题，该方法利用MSRCR图像增强算法对原始红外图像进行增强处理，改善雨雾天气下红外图像存在的对比度低、像素模糊等问题，进而提高模型在雨雾天气下对电力设备的检测能力[9]。实验结果表明，该方法在电力设备红外图像识别方面具有较高的准确率和召回率，同时检测速度为 71 frame/s，检测速度有大幅度提升。

王宇聪[10]提出了一种改进的YOLO v5n红外图像目标检测新模型，结合了SE注意力机制与SPD-Conv 的优点，用于无人机红外图像电力巡检。实验结果表明，该模型在检测速度和精度上达到了平衡，相比其他模型更适合部署于无人机红外图像电力巡检。

邓长征等[11]提出了一种基于改进YOLO v7-Tiny 的变电设备红外图像识别算法，通过引入轻量级注意力机制CA和改进损失函数，提高了模型的精确度和mAP0.5，同时模型大小降低至 7.82M。实验结果表明，本文算法在多目标、背景复杂、目标被遮挡等场景下均能准确识别变电设备，具有较高的识别精度和稳定性。

4 结论与展望

本文对近年来深度学习算法在电力设备红外图像的识别检测方法应用进行了总结，通过按照学习方法进行分类，有利于深度学习方法之间的相互比较，这将有助于从事电力巡检的人员根据特定的电力设备故障诊断选取合适的视觉检测方法。

然而，基于深度学习的视觉检测方法也面临着一些挑战。首先，训练样本的匮乏和标注困难是制约该方法应用的重要因素。由于电力设备种类繁多，故障形态各异，收集足够的标注样本是一项艰巨的任务。其次，小目标发热故障区域的检测也是一个难题。由于故障区域较小，可能受到背景噪声和遮挡等因素的影响，实现精确的小目标检测成为当前研究的重点。此外，深度学习模型的实时性和稳定性也是实际应用中需要考虑的问题。

针对以上挑战，未来的研究可以从以下几个方面展开：

1） 探索多源图像融合技术。结合不同传感器的数据以提高目标检测的精度。

2） 利用生成式对抗网络（GAN） 等方法生成红外图像样本。以缓解训练样本匮乏的问题。

3） 研究针对小目标检测的优化算法和网络结构。提高对小目标发热故障区域的检测能力。

4） 开展轻量化网络模型的研究。以提高深度学习模型在边缘设备上的部署效率。

5） 优化模型结构和参数。提高模型的稳定性和实时性，以适应复杂多变的实际应用场景。

总之，深度学习在电力设备的红外图像识别与发热故障检测中展现出了巨大的应用潜力和极高的研究价值。随着对新技术和新方法的不断研究与探索，有望为数智化电网的建设和运维提供更加高效、准确和智能的解决方案。