基于人工智能的變電站在線巡視算法研究

謝旭琛，王祥東，鄧月輝，田明明

（廣東電網有限責任公司惠州供電局，廣東惠州，516001）

1 背景

變電站是電力系統的重要組成單元，擁有眾多電力設備，這些設備在長期使用后，會產生磨損、老化等現象，導致設備出現缺陷故障。目前大部分的設備缺陷都需要依靠人工根據現場情況來進行評估，這樣的方式不但需要消耗大量的人力及時間成本，也不符合當下電力系統高效發展的需求。

隨著大數據與人工智能行業的發展，深度學習在各個領域的應用也越來越多，從生物醫療到居家安防，尤其是在視覺圖像領域，深度學習結合計算機視覺的發展勢如破竹。從AlexNet在2012年ImageNet挑戰賽上大獲成功之后[1]，卷積神經網絡（CNN）應用到計算機視覺這一領域引起了許多研究者的興趣，隨后伴隨著VGG、YOLO[2]等網絡的發表，卷積神經網絡在視覺任務中的應用越來越廣泛。目標檢測是大多數計算機視覺任務的第一步，目前目標檢測有兩個主要的方向：一階段網絡和二階段網絡。一階段和二階段檢測的主要區別在于二階段檢測算法需要先生成預選框，進而再進行詳細的物體檢測；而一階段檢測算法會直接在網絡中提取特征來預測物體的分類和位置。這兩種方法各有不同，一階段網絡更注重速度及效率，而二階段網絡更關心準確性。

2 算法及自動巡檢系統

2.1 Cascade Rcnn網絡及其改進

缺陷識別算法使用二階段級聯目標檢測網絡Cascade Rcnn[3]，其主干網絡使用殘差網絡ResNet，能有效地識別變電場景的缺陷目標。當獲取到場站內攝像頭畫面后，圖像先進行縮放、歸一化等預處理，然后輸入到目標檢測網絡內，一次性輸出潛在的缺陷目標，并給出置信度供用戶參考，無需重復多次推理。

現階段變電站設備缺陷的識別存在以下幾種問題：

（1）同一類缺陷形變多（如掛空懸浮物、滲漏油、蓋板破損等），目標形狀不一，特征難統一；（2）目標與背景物容易混淆，如鳥巢與背景的樹木、圓形表盤與變壓器本體上其它圓形的部件等等，容易導致誤報；（3）部分類別目標尺寸太小，如吸煙，煙頭占畫面的面積非常??；（4）部分類別目標數量太少，如呼吸器硅膠桶破損、油位狀態異常，數量少難以訓練模型。

Cascade rcnn的整體邏輯如圖1所示，圖片x輸入到骨干卷積層conv提取圖像特征，B0為RPN模塊，對可能存在的目標進行前后景分類，對認為是目標前景的區域進行ROI pooling（第一個pool），接著輸入到第一個檢測頭H1，輸出類別C1結果和bbox坐標B1；然后B1又作為第二階段的bbox proposal，進行第二次ROI pooing，步驟與第一階段一致；由此再重復第三次同樣的過程，最終輸出bbox結果B3以及對應的類別結果C3。

圖1 Cascade rcnn 結構

Cascade RCNN模型能有效地降低假陽性，而為了進一步提升我們的檢測精度，我們還對模型中的骨干backbone部分和特征融合neck部分進行了改進。

Cascade RCNN原版的骨干網絡為ResNet，近年來為了提升骨干網絡的特征提取能力，一些新的機制被提出，可變形卷積（Deformable Convolution）便是其中一種?？尚巫兙矸e結構（DCN）對感受野上的每一個點加一個偏差值，這個值的大小是通過學習得來的，接入偏差量后感受野不再是矩形，而是與物體的實際形狀相匹配，對于形變大的類別，如滲漏油，能識別到比較準確的位置。如圖2所示，左圖為傳統卷積網絡最終框出的矩形區域，可見有邊緣部分區域被漏掉了；右圖為可變形卷積的可視化結果，可見檢測器會把注意力集中在不規則油漬的周圍。

圖2 檢測器注意力機制圖示對比

針對改進前后，使用相同數據集對改進前后的網絡進行測試，結果如表1所示。

表1 結果表

可以看出，算法改進后（Improved-DCN）AP值與之前相比（Baseline）有較明顯的提升，并且對于識別目標形變而導致的誤檢以及漏檢問題，有較好的改善。此外，可變形卷積對于用戶硬件開銷的提升不多，因此，可以在保證經濟的情況下提高算法的整體準確性。

2.2 YOLOv5網絡及其改進

我們使用的是基于一階段檢測的YOLO算法第五代（下文簡稱YOLOv5），YOLOv5使用Leaky ReLU激活函數，檢測層使用Sigmoid激活函數。YOLOv5提供了兩種優化器，Adam和SGD，都預設了匹配的訓練超參數。并且YOLOv5使用Pytorch框架，比上一代使用的Darknet框架更容易投入生產。

YOLOv5的架構設計并不復雜，整體上維持了FPN的設計方式，FPN加強了重復迭代，兩次迭代的結構稱為PAN。這個結構還可以進一步重復，類似EfficientDet那樣演進為BiFPN。backbone仍然是Darknet的形式，通過殘差結構讓網絡加深。模型開始引入Focus的設計降低了resolution，也使得YOLOv5變得更加輕量。SPP模塊的引入進一步融合了多尺度特征提取。并且YOLOv5還可以通過改變網絡深度參數，控制網絡大小。

圖3 YOLOv5 結構

在實際使用中，由于與實驗室環境存在差距，識別勢必會受到天氣、距離等因素的影響，并且隨著天氣或距離的變化，圖片中的目標會越難識別，造成誤檢、漏檢的情況發生，影響生產安全，針對這類問題，我們提出了yolo-att結構，引入了注意力機制模塊，將其嵌入到算法當中。

Squeeze-and-Excitation Networks（SENet）曾 贏 得ImageNet分類競賽的冠軍，其有效性得到了認可，其提出的SE模塊構思簡單，易于實現，可以輕松加載到現有的網絡模型框架中。

一個SE模塊的過程分為Squeeze(壓縮)和Excitation(展開)兩個步驟：

Squeeze(壓縮)：通過在特征圖上執行全局池化，得到當前Feature Map的全局壓縮特征量；我們定義統計變量z∈R，C是通過收縮U的空間維度H×W來生成的，這樣，z的第c個元素通過以下方式計算。

Excitation(展開)：通過兩層全連接的bottleneck結構得到特征圖中每個通道的權重，并將加權后的特征圖作為下一層網絡的輸入。

圖4是加入了SE模塊的yolov5s骨干結構簡圖，其中SE模塊的輸入是上層C3的輸出。

圖4 改進后的網絡結構

在改進了網絡結構后，我們使用自己的數據集對于改進前后的網絡進行了測試（改進前：yolov5s-baseline，改進后yolov5s-attention），發現帶有SE模塊的YOLOv5s網絡的準確率明顯高于改進前的YOLOv5s，從93.7%提升至97.2%。

表2 結果表

3 結束語

本文針對當下變電站中存在的多種缺陷，人工巡檢存在時效性差，存在誤檢、漏檢、錯檢等問題，提出了基于深度學習和計算機視覺的的變電站在線巡視方法，使用改進后的卷積神經網絡中的YOLOv5算法和Cascade rcnn算法，能夠大大提高缺陷識別的準確性，降低誤檢、漏檢、錯檢的幾率。經過實際測試，證明了文中方法的有效性。