- 頭條特邀學術微文：高壓引線接頭紅外圖像特征分析的在線故障診斷方法2021-08-06 作者：徐奇偉 黃宏 等 | 來源：《電工技術學報》 | 點擊率：922導語本文提出了一種基于改進區域全卷積網絡(Region-based Fully Convolutional Networks, R-FCN)的高壓引線接頭紅外圖像特征分析的在線故障診斷方法。首先，通過對殘差塊進行了優化，使每個殘差塊融合低層特征和高層特征，并訓練特征提取網絡自動提取高壓引線接頭樣本故障的特征圖，然后使用R-FCN網絡以實現對高壓引線接頭的故障定位和運行狀態的識別，最后將R-FCN的檢測結果送入OpenCV中進行二次診斷，進一步降低誤報率，實現故障診斷。
團隊介紹
徐奇偉，副教授，博士生導師。現為電力電子與電力傳動系副主任、重慶大學“輸變電裝備及系統安全與新技術”國家重點實驗室固定研究人員。在科研工作方面，近年來一直從事特種電機設計、電驅動控制和電動車等領域的研究工作，作為項目負責人主持國家自然科學基金1項、重慶市自然科學基金項目2項、企業課題10余項。在國內外重要學術刊物以及國際會議上發表科研論文30余篇，申請發明專利20余項。
黃宏，碩士研究生，研究方向為圖像處理與模式識別。
本文提出了一種基于改進區域全卷積網絡(Region-based Fully Convolutional Networks, R-FCN)的高壓引線接頭紅外圖像特征分析的在線故障診斷方法。
首先，通過對殘差塊進行了優化，使每個殘差塊融合低層特征和高層特征，并訓練特征提取網絡自動提取高壓引線接頭樣本故障的特征圖，然后使用R-FCN網絡以實現對高壓引線接頭的故障定位和運行狀態的識別，最后將R-FCN的檢測結果送入OpenCV中進行二次診斷，進一步降低誤報率，實現故障診斷。
研究背景
電氣設備的安全運行將直接影響到整個電力系統的穩定，紅外診斷技術多數情況下仍需要依靠檢測人員的經驗與技術水平對紅外圖像進行分析，且巡檢過程存在危險，特殊情況下難以保障故障分析、判斷的實時性與準確性。
工業區的高壓電線。High-voltage power lines in an industrial
?論文方法及創新點
本文結合R-FCN和OpenCV的高壓引線接頭故障檢測算法模型如圖1所示，該模型分為三個部分：
- 第一部分為圖像的預處理，包括圖像去噪和圖像增強；
- 第二部分為改進的自動提取特征的深度卷積神經網絡，目的是自動提取特征，并將網絡最后一層的卷積特征譜圖（高×寬為35pixel×63pixel，約為原圖的1/16）提供給R-FCN，R-FCN直接用在特征譜圖上檢測故障，并檢測故障在原圖中的位置；
- 第三部分為基于OpenCV的二次診斷，根據R-FCN給出的故障位置，將原圖中的目標截取下來并調整成224pixel×224pixel的圖片，再對該目標進行二次診斷，以進一步降低誤報率。
圖1 故障診斷模型
經過前期測試發現，R-FCN雖然在位置回歸上有很好的表現，但是對于小目標的檢測效果并不理想，出現漏檢和錯檢等情況。通過對網絡結構的分析，R-FCN雖然將特征提取的主干網絡由原來的VGG網絡替換為ResNet網絡，在一定程度上通過增加卷積層的深度來增強對于目標特征提取的能力，但是對于小目標的檢測效果仍未提高。
鑒于本次設計的實際運用場景，需要對高壓引線接頭進行故障檢測，在紅外特征圖中面積較小，屬于小目標的范疇，為了增加特征提取的豐富性，因此本文對殘差模塊進行了優化，每個殘差塊融合了低層特征和高層特征，在整個R-FCN特征提取主干網絡中也對提取到的高低特征圖進行融合。優化后的殘差模塊結構如圖2所示。
圖2 優化后的殘差塊結構
通過加深了原殘差模塊的深度，使得在一個模塊中具有高低差距的特征圖。在每個模塊中先由兩個卷積層進行特征的提取，之后使用最大池化層減小特征圖繼續對深層特征進行提取，最后經由反卷積層將特征圖的大小恢復成池化之前的尺寸，并與底層特征圖進行融合。
同時對于整個主干網絡也采用這種結構布局，高低特征圖的融合再卷積，使得提取到的特征粒度更加細小與豐富，提升了網絡對于小目標的檢測能力。
在線監控系統結構如圖3所示，集可見光、紅外熱成像和嵌入式處理技術于一體，可實現對故障的實時在線監測。
圖3 在線監控系統結構
系統通過對采集到的紅外圖像進行分析處理以實現高壓引線接頭的故障診斷。在線監控系統處理流程如圖4所示，首先為了提高故障診斷的準確率，對紅外圖像進行預處理，其工作包括圖像去噪和圖像增強，然后訓練特征提取網絡自動提取樣本故障的特征圖，在特征圖上使用改進的R-FCN檢測出故障區域和故障等級，再將檢測結果送入OpenCV中進行二次診斷以進一步降低誤報率。
在系統巡航過程中，如發現目標設備溫度異常自動報警，報警信息有文字信息和聲音信息，提示運行人員具體的報警位置狀況信息，以便跟蹤故障點，確認告警情況并排除故障。
圖4 系統處理流程
總結
研究了如何用卷積神經網絡確定設備狀態，通過改進的R-FCN網絡結合OpenCV二次診斷的方法，首先對殘差模塊進行了優化，每個殘差塊融合了低層特征和高層特征，以實現對高壓引線接頭小目標的識別。然后訓練特征提取網絡自動提取樣本故障的特征圖，并在特征圖上使用R-FCN檢測出故障區域和故障等級。最后將檢測結果送入OpenCV中對缺陷的等級劃分進行二次診斷，以進一步降低誤報率。
實現了特征提取和故障檢測識別端到端的過程，避免了由于人工提取故障特征而造成特征單一，及在特定情況和場景下無法有效檢測并識別故障的問題，確保算法模型的穩定性、實時性和可靠性。
結果證明經過改進后的R-FCN網絡對高壓引線接頭紅外圖像故障診斷的平均精度達到了80.76%，比原R-FCN網絡提升了8.43%。
引用本文
徐奇偉， 黃宏， 張雪鋒， 周傳， 吳紹朋. 基于改進區域全卷積網絡的高壓引線接頭紅外圖像特征分析的在線故障診斷方法[J]. 電工技術學報， 2021, 36(7): 1380-1388. Xu Qiwei, Huang Hong, Zhang Xuefeng, Zhou Chuan, Wu Shaopeng. Online Fault Diagnosis Method for Infrared Image Feature Analysis of High-Voltage Lead Connectors Based on Improved R-FCN. Transactions of China Electrotechnical Society, 2021, 36(7): 1380-1388.
