爱爱视频网站免费-爱爱视频在线-爱爱视频在线播放-爱爱视频在线观看-爱爱视频在线看

絕緣子、金具等是電網(wǎng)輸變電設(shè)備的重要組成部分，及時(shí)掌握其絕緣水平和運(yùn)行狀態(tài)對(duì)電力系統(tǒng)的安全穩(wěn)定運(yùn)行至關(guān)重要。目前電網(wǎng)主要采用的人工巡檢方式耗時(shí)費(fèi)力，且無法及時(shí)全面地掌握主要電氣設(shè)備的外絕緣狀態(tài)。基于無人機(jī)和巡檢機(jī)器人搭載的可見光、紫外和紅外圖像信息是高壓設(shè)備熱、電參量非接觸檢測(cè)的重要手段和發(fā)展趨勢(shì)，而絕緣子等主要電氣設(shè)備的識(shí)別是對(duì)其進(jìn)行綜合診斷以實(shí)現(xiàn)其絕緣狀態(tài)判別的基礎(chǔ)。

實(shí)現(xiàn)絕緣子等高壓設(shè)備圖像識(shí)別思路主要有機(jī)器學(xué)習(xí)方式和深度學(xué)習(xí)方式。前者主要針對(duì)電氣設(shè)備的形狀和紋理特征進(jìn)行設(shè)計(jì)，優(yōu)點(diǎn)為針對(duì)性強(qiáng)、特征具有可解釋性，缺點(diǎn)為檢測(cè)魯棒性差，對(duì)目標(biāo)的拍攝角度等要求較高；后者通過卷積算法自動(dòng)提取目標(biāo)抽象化特征，實(shí)現(xiàn)端到端圖像識(shí)別，其識(shí)別精度高，泛化能力好，識(shí)別速度快，但對(duì)樣本需求量大，可解釋性差。隨著無人機(jī)和機(jī)器人巡檢方式的推廣，現(xiàn)場(chǎng)將產(chǎn)生大量高壓設(shè)備檢測(cè)視頻和圖片，基于此，華北電力大學(xué)律方成教授團(tuán)隊(duì)在本次研究中采用了深度學(xué)習(xí)方式。

深度學(xué)習(xí)的概念是在由G. E. Hinton等2006年提出的非監(jiān)督貪心逐層訓(xùn)練算法的基礎(chǔ)上，融合了卷積計(jì)算、神經(jīng)網(wǎng)絡(luò)框架、下采樣和自動(dòng)提取及匹配網(wǎng)絡(luò)特征的端到端有監(jiān)督學(xué)習(xí)框架。常用的深度學(xué)習(xí)框架包括以LeNet，F(xiàn)aster R-CNN（Region-Convolution Neural Network），SSD（Single Shot MultiBox Detector）和YOLO（You Only Look Once）為代表的深度卷積神經(jīng)網(wǎng)絡(luò)及以長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory, LSTM），GRU（Gated Recurrent Unit）為代表的循環(huán)卷積神經(jīng)網(wǎng)絡(luò)等。

深度學(xué)習(xí)在電氣領(lǐng)域的應(yīng)用研究主要包括：①利用電力系統(tǒng)運(yùn)行數(shù)據(jù)實(shí)現(xiàn)其調(diào)度預(yù)測(cè)、調(diào)度控制、穩(wěn)定性評(píng)估；②利用計(jì)算機(jī)視覺、結(jié)構(gòu)化和非結(jié)構(gòu)化文本，實(shí)現(xiàn)電力系統(tǒng)和電氣設(shè)備狀態(tài)預(yù)測(cè)、缺陷識(shí)別與故障診斷、自然語言處理。

對(duì)圖像識(shí)別主要采用深度卷積神經(jīng)網(wǎng)絡(luò)。相比于Faster R-CNN，YOLO在2015年由美國(guó)華盛頓大學(xué)提出。同屬圖像識(shí)別state-of-art檢測(cè)框架，YOLO采用無候選區(qū)域的類別和坐標(biāo)one-stage檢測(cè)思路，具有較高的識(shí)別準(zhǔn)確度和更高的識(shí)別速度，可實(shí)現(xiàn)對(duì)無人機(jī)和機(jī)器人巡檢產(chǎn)生的圖像的實(shí)時(shí)、整體識(shí)別。其在電力系統(tǒng)的應(yīng)用研究方面，有關(guān)文獻(xiàn)主要基于YOLOv3或更早版本，關(guān)于網(wǎng)絡(luò)參數(shù)對(duì)訓(xùn)練誤差和識(shí)別準(zhǔn)確度的影響的研究較少。

為了對(duì)外絕緣設(shè)備的絕緣狀態(tài)進(jìn)行智能診斷，華北電力大學(xué)律方成教授團(tuán)隊(duì)對(duì)YOLOv4網(wǎng)絡(luò)框架進(jìn)行了研究，建立了絕緣子、均壓環(huán)、防振錘、套管和導(dǎo)線訓(xùn)練和測(cè)試數(shù)據(jù)庫，研究了數(shù)據(jù)擴(kuò)充算法、錨框及其聚類中心對(duì)其訓(xùn)練和識(shí)別性能的影響。

圖1 One stage 檢測(cè)流程

圖2 YOLOv4網(wǎng)絡(luò)框架

主要研究工作包括：采用表征訓(xùn)練誤差、識(shí)別準(zhǔn)確度和訓(xùn)練速度的系統(tǒng)性能評(píng)價(jià)體系，分析了YOLOv4檢測(cè)框架及網(wǎng)絡(luò)框架，研究并改進(jìn)了Mosaic數(shù)據(jù)擴(kuò)充算法，研究了交并比 （Intersection over Union, IoU）算法對(duì)不同尺度檢測(cè)目標(biāo)的邊界框預(yù)測(cè)有效性，以及自建數(shù)據(jù)庫的寬高數(shù)據(jù)標(biāo)注值聚類對(duì)檢測(cè)結(jié)果及其評(píng)價(jià)參數(shù)的影響，優(yōu)化了YOLOv4的網(wǎng)絡(luò)，提出基于IoU和識(shí)別準(zhǔn)確度的網(wǎng)絡(luò)調(diào)參方法。

圖3 訓(xùn)練集數(shù)據(jù)庫

圖4 優(yōu)化后網(wǎng)絡(luò)的識(shí)別效果

本項(xiàng)研究成果主要有：1）基于YOLOv4，對(duì)數(shù)據(jù)擴(kuò)充算法進(jìn)行了改進(jìn)，優(yōu)化后的網(wǎng)絡(luò)訓(xùn)練誤差由1.011降低到了0.302，識(shí)別準(zhǔn)確度提高到84.3%；2）研究并分析了CIoU和GIoU方法在訓(xùn)練和識(shí)別大目標(biāo)和小目標(biāo)中的優(yōu)劣勢(shì)，對(duì)均壓環(huán)和防振錘等相對(duì)較小目標(biāo)采用了GIoU的優(yōu)化方法，使其平均識(shí)別準(zhǔn)確率提高了3%；3）提出了基于自建數(shù)據(jù)庫識(shí)別類別和label寬高數(shù)據(jù)的聚類思路，經(jīng)過優(yōu)化后的網(wǎng)絡(luò)識(shí)別準(zhǔn)確度提高了0.8%，訓(xùn)練誤差減小了3%。

研究團(tuán)隊(duì)表示，經(jīng)過優(yōu)化和參數(shù)調(diào)優(yōu)，較好地實(shí)現(xiàn)了主要電氣設(shè)備的識(shí)別，本項(xiàng)成果可用于基于無人機(jī)和巡檢機(jī)器人搭載的多光譜成像檢測(cè)。

本文編自2021年第22期《電工技術(shù)學(xué)報(bào)》，論文標(biāo)題為“基于優(yōu)化YOLOv4的主要電氣設(shè)備智能檢測(cè)及調(diào)參策略”，作者為律方成、牛雷雷 等。