團(tuán)隊(duì)介紹

徐奇?zhèn)ィ苯淌冢┦可鷮?dǎo)師。現(xiàn)為電力電子與電力傳動(dòng)系副主任、重慶大學(xué)“輸變電裝備及系統(tǒng)安全與新技術(shù)”國家重點(diǎn)實(shí)驗(yàn)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(jī)設(shè)計(jì)、電驅(qū)動(dòng)控制和電動(dòng)車等領(lǐng)域的研究工作，作為項(xiàng)目負(fù)責(zé)人主持國家自然科學(xué)基金1項(xiàng)、重慶市自然科學(xué)基金項(xiàng)目2項(xiàng)、企業(yè)課題10余項(xiàng)。在國內(nèi)外重要學(xué)術(shù)刊物以及國際會(huì)議上發(fā)表科研論文30余篇，申請發(fā)明專利20余項(xiàng)。

黃宏，碩士研究生，研究方向?yàn)閳D像處理與模式識別。

本文提出了一種基于改進(jìn)區(qū)域全卷積網(wǎng)絡(luò)(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(jìn)行了優(yōu)化，使每個(gè)殘差塊融合低層特征和高層特征，并訓(xùn)練特征提取網(wǎng)絡(luò)自動(dòng)提取高壓引線接頭樣本故障的特征圖，然后使用R-FCN網(wǎng)絡(luò)以實(shí)現(xiàn)對高壓引線接頭的故障定位和運(yùn)行狀態(tài)的識別，最后將R-FCN的檢測結(jié)果送入OpenCV中進(jìn)行二次診斷，進(jìn)一步降低誤報(bào)率，實(shí)現(xiàn)故障診斷。

研究背景

電氣設(shè)備的安全運(yùn)行將直接影響到整個(gè)電力系統(tǒng)的穩(wěn)定，紅外診斷技術(shù)多數(shù)情況下仍需要依靠檢測人員的經(jīng)驗(yàn)與技術(shù)水平對紅外圖像進(jìn)行分析，且巡檢過程存在危險(xiǎn)，特殊情況下難以保障故障分析、判斷的實(shí)時(shí)性與準(zhǔn)確性。

工業(yè)區(qū)的高壓電線。High-voltage power lines in an industrial

?論文方法及創(chuàng)新點(diǎn)

本文結(jié)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(gè)部分：

• 第一部分為圖像的預(yù)處理，包括圖像去噪和圖像增強(qiáng)；
• 第二部分為改進(jìn)的自動(dòng)提取特征的深度卷積神經(jīng)網(wǎng)絡(luò)，目的是自動(dòng)提取特征，并將網(wǎng)絡(luò)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(jù)R-FCN給出的故障位置，將原圖中的目標(biāo)截取下來并調(diào)整成224pixel×224pixel的圖片，再對該目標(biāo)進(jìn)行二次診斷，以進(jìn)一步降低誤報(bào)率。

圖1 故障診斷模型

經(jīng)過前期測試發(fā)現(xiàn)，R-FCN雖然在位置回歸上有很好的表現(xiàn)，但是對于小目標(biāo)的檢測效果并不理想，出現(xiàn)漏檢和錯(cuò)檢等情況。通過對網(wǎng)絡(luò)結(jié)構(gòu)的分析，R-FCN雖然將特征提取的主干網(wǎng)絡(luò)由原來的VGG網(wǎng)絡(luò)替換為ResNet網(wǎng)絡(luò)，在一定程度上通過增加卷積層的深度來增強(qiáng)對于目標(biāo)特征提取的能力，但是對于小目標(biāo)的檢測效果仍未提高。

鑒于本次設(shè)計(jì)的實(shí)際運(yùn)用場景，需要對高壓引線接頭進(jìn)行故障檢測，在紅外特征圖中面積較小，屬于小目標(biāo)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(jìn)行了優(yōu)化，每個(gè)殘差塊融合了低層特征和高層特征，在整個(gè)R-FCN特征提取主干網(wǎng)絡(luò)中也對提取到的高低特征圖進(jìn)行融合。優(yōu)化后的殘差模塊結(jié)構(gòu)如圖2所示。

圖2 優(yōu)化后的殘差塊結(jié)構(gòu)

通過加深了原殘差模塊的深度，使得在一個(gè)模塊中具有高低差距的特征圖。在每個(gè)模塊中先由兩個(gè)卷積層進(jìn)行特征的提取，之后使用最大池化層減小特征圖繼續(xù)對深層特征進(jìn)行提取，最后經(jīng)由反卷積層將特征圖的大小恢復(fù)成池化之前的尺寸，并與底層特征圖進(jìn)行融合。

同時(shí)對于整個(gè)主干網(wǎng)絡(luò)也采用這種結(jié)構(gòu)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(xì)小與豐富，提升了網(wǎng)絡(luò)對于小目標(biāo)的檢測能力。

在線監(jiān)控系統(tǒng)結(jié)構(gòu)如圖3所示，集可見光、紅外熱成像和嵌入式處理技術(shù)于一體，可實(shí)現(xiàn)對故障的實(shí)時(shí)在線監(jiān)測。

圖3 在線監(jiān)控系統(tǒng)結(jié)構(gòu)

系統(tǒng)通過對采集到的紅外圖像進(jìn)行分析處理以實(shí)現(xiàn)高壓引線接頭的故障診斷。在線監(jiān)控系統(tǒng)處理流程如圖4所示，首先為了提高故障診斷的準(zhǔn)確率，對紅外圖像進(jìn)行預(yù)處理，其工作包括圖像去噪和圖像增強(qiáng)，然后訓(xùn)練特征提取網(wǎng)絡(luò)自動(dòng)提取樣本故障的特征圖，在特征圖上使用改進(jìn)的R-FCN檢測出故障區(qū)域和故障等級，再將檢測結(jié)果送入OpenCV中進(jìn)行二次診斷以進(jìn)一步降低誤報(bào)率。

在系統(tǒng)巡航過程中，如發(fā)現(xiàn)目標(biāo)設(shè)備溫度異常自動(dòng)報(bào)警，報(bào)警信息有文字信息和聲音信息，提示運(yùn)行人員具體的報(bào)警位置狀況信息，以便跟蹤故障點(diǎn)，確認(rèn)告警情況并排除故障。

圖4 系統(tǒng)處理流程

總結(jié)

研究了如何用卷積神經(jīng)網(wǎng)絡(luò)確定設(shè)備狀態(tài)，通過改進(jìn)的R-FCN網(wǎng)絡(luò)結(jié)合OpenCV二次診斷的方法，首先對殘差模塊進(jìn)行了優(yōu)化，每個(gè)殘差塊融合了低層特征和高層特征，以實(shí)現(xiàn)對高壓引線接頭小目標(biāo)的識別。然后訓(xùn)練特征提取網(wǎng)絡(luò)自動(dòng)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(qū)域和故障等級。最后將檢測結(jié)果送入OpenCV中對缺陷的等級劃分進(jìn)行二次診斷，以進(jìn)一步降低誤報(bào)率。

實(shí)現(xiàn)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(wěn)定性、實(shí)時(shí)性和可靠性。

結(jié)果證明經(jīng)過改進(jìn)后的R-FCN網(wǎng)絡(luò)對高壓引線接頭紅外圖像故障診斷的平均精度達(dá)到了80.76%，比原R-FCN網(wǎng)絡(luò)提升了8.43%。

引用本文

徐奇?zhèn)ィ?黃宏， 張雪鋒， 周傳， 吳紹朋. 基于改進(jìn)區(qū)域全卷積網(wǎng)絡(luò)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(shù)學(xué)報(bào)， 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.