论文部分内容阅读
摘 要：随着科技进步和电力行业改革，智能化巡检已经成为潮流。但传统目标检测技术处理端子应用场景苛刻，且效果不佳。该文提出将深度卷积神经网络应用于端子批量检测中，利用深度卷积神经网络完成端子特征提取、目标定位和状态识别，完成端子端到端识别。并与电力系统对接，与后台数据实时比对，实现端子巡检智能化，提高工作效率，有效防止误检、漏检、粗心等因素造成安全事故。
关键词：卷积神经网络 电力行业 目标检测
中图分类号：TP183 文献标识码：A 文章编号：1672-3791（2019）01（a）-00-02
Abstract：With the progress of science and technology and the reform of power industry， intelligent inspection has become a trend. However， the traditional target detection technology is harsh and ineffective in dealing with terminal application scenarios. In this paper， the deep convolution neural network is applied to batch terminal detection. The deep convolution neural network is used to complete terminal feature extraction， target location and state recognition， and end-to-end terminal identification. Connecting with power system， real-time comparison with background data， intellectualize terminal inspection， improve work efficiency， and effectively prevent safety accidents caused by false detection， missed detection， carelessness and other factors.
Key words：Convolutional Neural Network； Electric-Power Industry； Object Detection
二次设备端子巡检是电力系统中的一项重要工作。端子巡检具有流程繁琐、耗时长、数量多、出错率高等特点。传统的电力巡检系统中存在基于图像识别技术解决端子批量识别问题，但是由于端子数量众多、特征点[1]少使得识别应用场景苛刻，如角度、光线等环境要求极为苛刻，使得软件使用困难，难以推广应用。
该文提出一种基于深度卷积神经网络[2]，实现在电力系统二次设备端子巡检中批量识别端子状态并完成比对。实现端子巡检更加智能化，有效提高了端子巡检的工作效率。
1 背景介绍
在传统二次设备端子巡检中一直是人为比对。端子的操作一般流程是先操作部分端子，如完成断电操作，以完成其他一系列电力操作，完成其他操作后，需要对端子进行复位操作，整个过程中的端子数量、位置不确定，操作人员难以准确操作及复位。
较为先进的利用传统图像识别技术[3]对子状态进行定位识别。但是传统基于OpenCV实现的图像识别算法应用场景苛刻，如识别时必须正视、光线也具有特殊要求，稍微变化就无法识别；其次也难以保证定位识别视野中的所有端子，导致应用使用极为复杂且容易出错，难以管控，甚至不及人工比对。
2006年之后，深度卷积神经网络（CNN）得到蓬勃发展，并在目标检测领域有着深度应用。因CNN在图像特征提取上具有较好的效果，可以有效对特征点较少的端子进行特征提取，所以该文提出基于深度卷积神经网络实现端子批量识别。
2 实现过程
传统目标检测[4]方法存在两个问题：一是基于滑动窗口的区域选择策略没有针对性，时间复杂度高，冗余窗口多；二是手工设计的特征对于物体多样性没有很好的鲁棒性[5]。该文提出利用卷积神经网络方法解决端子批量定位识别，有效地解决了传统目标检测存在的问题。
2.1 整体过程
卷积神经网络是一种多层神经网络，擅长处理图像相关机器学习问题。最典型的卷积网络，由卷积层、池化层、全连接层组成。卷积运算的目的是提取输入的不同特征池化层的作用是降低图像分辨率，减少计算量；全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来。通过对卷积层、池化层不断的累积，对端子的特征进行特征提取，并在最后使用全连接层拼接，并利用分类算法处理拼接后的特征即可对端子完成定位识别。
一般视野中会同时存在电流端子和电压端子，但是电压端子和电流端子特征是一致的，深度卷积神经网络无法区别其是电压端子还是电流端子，该文在获得所有端子的情况下，同时利用开源的文字识别算法对标记端子属性的场景文字进行定位识别。
端子定位算法和文本定位算法返回值經处理后的都转化为以图像右上角为原点，图像横向为X轴，向右为正方向，图像纵向为Y轴，向下为正方向的坐标值（x，y）；其次端子上方是一定存在文本信息用以说明下方端子的场景所在；故可以对端子和文字框的中心坐标（x1，y1）和（x2，y2）中的y值进行排序比对，端子所在场景即为坐标值y2小于y1且最近邻的文本框值。
2.2 YOLO v3网络架构
该文采用YOLO v3深度卷积神经网络结构对端子进行训练，网络结构具体如图1所示。YOLO v3的模型比之前的模型变得更加复杂，且可以通过改变模型结构的大小来权衡速度与精度。相对之前的v2版本进行一定的优化，如增加了多尺度预测已经使用了更好的基础分类网络和分类器。提供了YOLO v3应用于电力系统中二次设备中端子状态检测的可行性。
2.3 实验方法与结果分析
该文通过研究常用二次设备端子的状态和使用情况，在现场不同条件下采集了大量端子不同状态的图片。数据集共标记了6000张640×480分辨率大小图片，并按照8∶2的比例随机生成了训练集和验证集，不设测试集。
通过上述识别过程，实现对端子定位识别。识别结果如图2所示。
经现场测试后，深度卷积神经网络能够定位识别待检图像的所有端子，几乎能实现99%的检测率和准确率。结合开源的文字识别算法及2.1章节方法获取端子所在场景后即可与后台数据库标准状态进行一一比对，标出待操作或异常的端子，并叠加富文本和语音提示，防止工人漏检，提高对比效率。
3 结语
该文提供了一种二次设备端子识别方法，效果良好，在操作端子和恢复端子过程中批量识别和比对，且正确率和准确率高达98%。与人工比对及传统算法比较，优势明显，使端子巡检更加的智能化、易使用。
该文提出的深度卷积神经网络不但对端子定位识别有一个较好的效果，而且对于其他的电力设备巡检也能起到一个很好的辅助作用，在未来，深度卷积神经网络在电力应用场景不断扩大，对电力的无纸化、智能化、知识沉淀、数据挖掘具有重大且深远的发展意义。
参考文献
[1] 黄莺.基于ORB和SIFT的特征提取算法[J].哈尔滨师范大学自然科学学报，2017，33（2）：25-29.
[2] Tara N.Sainath，Brian Kingsbury，George Saon，et al. Deep Convolutional Neural Networks for Large-scale Speech Tasks[J]. Neural Networks，2015（64）：39-48.
[3] 邹香玲.计算机图像识别技术及应用问题之研究[J].电子测试，2017（23）：46-47.
[4] 周自强，陈强，马必焕，等.一种改进的YOLO目标检测方法在电缆设备异常状态识别中的应用[J].电测与仪表，2018（23）：1-7.
[5] 姜明新.智能视频监控中的目标跟踪技术研究[D].大连理工大学，2013.
关键词：卷积神经网络 电力行业 目标检测
中图分类号：TP183 文献标识码：A 文章编号：1672-3791（2019）01（a）-00-02
Abstract：With the progress of science and technology and the reform of power industry， intelligent inspection has become a trend. However， the traditional target detection technology is harsh and ineffective in dealing with terminal application scenarios. In this paper， the deep convolution neural network is applied to batch terminal detection. The deep convolution neural network is used to complete terminal feature extraction， target location and state recognition， and end-to-end terminal identification. Connecting with power system， real-time comparison with background data， intellectualize terminal inspection， improve work efficiency， and effectively prevent safety accidents caused by false detection， missed detection， carelessness and other factors.
Key words：Convolutional Neural Network； Electric-Power Industry； Object Detection
二次设备端子巡检是电力系统中的一项重要工作。端子巡检具有流程繁琐、耗时长、数量多、出错率高等特点。传统的电力巡检系统中存在基于图像识别技术解决端子批量识别问题，但是由于端子数量众多、特征点[1]少使得识别应用场景苛刻，如角度、光线等环境要求极为苛刻，使得软件使用困难，难以推广应用。
该文提出一种基于深度卷积神经网络[2]，实现在电力系统二次设备端子巡检中批量识别端子状态并完成比对。实现端子巡检更加智能化，有效提高了端子巡检的工作效率。
1 背景介绍
在传统二次设备端子巡检中一直是人为比对。端子的操作一般流程是先操作部分端子，如完成断电操作，以完成其他一系列电力操作，完成其他操作后，需要对端子进行复位操作，整个过程中的端子数量、位置不确定，操作人员难以准确操作及复位。
较为先进的利用传统图像识别技术[3]对子状态进行定位识别。但是传统基于OpenCV实现的图像识别算法应用场景苛刻，如识别时必须正视、光线也具有特殊要求，稍微变化就无法识别；其次也难以保证定位识别视野中的所有端子，导致应用使用极为复杂且容易出错，难以管控，甚至不及人工比对。
2006年之后，深度卷积神经网络（CNN）得到蓬勃发展，并在目标检测领域有着深度应用。因CNN在图像特征提取上具有较好的效果，可以有效对特征点较少的端子进行特征提取，所以该文提出基于深度卷积神经网络实现端子批量识别。
2 实现过程
传统目标检测[4]方法存在两个问题：一是基于滑动窗口的区域选择策略没有针对性，时间复杂度高，冗余窗口多；二是手工设计的特征对于物体多样性没有很好的鲁棒性[5]。该文提出利用卷积神经网络方法解决端子批量定位识别，有效地解决了传统目标检测存在的问题。
2.1 整体过程
卷积神经网络是一种多层神经网络，擅长处理图像相关机器学习问题。最典型的卷积网络，由卷积层、池化层、全连接层组成。卷积运算的目的是提取输入的不同特征池化层的作用是降低图像分辨率，减少计算量；全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来。通过对卷积层、池化层不断的累积，对端子的特征进行特征提取，并在最后使用全连接层拼接，并利用分类算法处理拼接后的特征即可对端子完成定位识别。
一般视野中会同时存在电流端子和电压端子，但是电压端子和电流端子特征是一致的，深度卷积神经网络无法区别其是电压端子还是电流端子，该文在获得所有端子的情况下，同时利用开源的文字识别算法对标记端子属性的场景文字进行定位识别。
端子定位算法和文本定位算法返回值經处理后的都转化为以图像右上角为原点，图像横向为X轴，向右为正方向，图像纵向为Y轴，向下为正方向的坐标值（x，y）；其次端子上方是一定存在文本信息用以说明下方端子的场景所在；故可以对端子和文字框的中心坐标（x1，y1）和（x2，y2）中的y值进行排序比对，端子所在场景即为坐标值y2小于y1且最近邻的文本框值。
2.2 YOLO v3网络架构
该文采用YOLO v3深度卷积神经网络结构对端子进行训练，网络结构具体如图1所示。YOLO v3的模型比之前的模型变得更加复杂，且可以通过改变模型结构的大小来权衡速度与精度。相对之前的v2版本进行一定的优化，如增加了多尺度预测已经使用了更好的基础分类网络和分类器。提供了YOLO v3应用于电力系统中二次设备中端子状态检测的可行性。
2.3 实验方法与结果分析
该文通过研究常用二次设备端子的状态和使用情况，在现场不同条件下采集了大量端子不同状态的图片。数据集共标记了6000张640×480分辨率大小图片，并按照8∶2的比例随机生成了训练集和验证集，不设测试集。
通过上述识别过程，实现对端子定位识别。识别结果如图2所示。
经现场测试后，深度卷积神经网络能够定位识别待检图像的所有端子，几乎能实现99%的检测率和准确率。结合开源的文字识别算法及2.1章节方法获取端子所在场景后即可与后台数据库标准状态进行一一比对，标出待操作或异常的端子，并叠加富文本和语音提示，防止工人漏检，提高对比效率。
3 结语
该文提供了一种二次设备端子识别方法，效果良好，在操作端子和恢复端子过程中批量识别和比对，且正确率和准确率高达98%。与人工比对及传统算法比较，优势明显，使端子巡检更加的智能化、易使用。
该文提出的深度卷积神经网络不但对端子定位识别有一个较好的效果，而且对于其他的电力设备巡检也能起到一个很好的辅助作用，在未来，深度卷积神经网络在电力应用场景不断扩大，对电力的无纸化、智能化、知识沉淀、数据挖掘具有重大且深远的发展意义。
参考文献
[1] 黄莺.基于ORB和SIFT的特征提取算法[J].哈尔滨师范大学自然科学学报，2017，33（2）：25-29.
[2] Tara N.Sainath，Brian Kingsbury，George Saon，et al. Deep Convolutional Neural Networks for Large-scale Speech Tasks[J]. Neural Networks，2015（64）：39-48.
[3] 邹香玲.计算机图像识别技术及应用问题之研究[J].电子测试，2017（23）：46-47.
[4] 周自强，陈强，马必焕，等.一种改进的YOLO目标检测方法在电缆设备异常状态识别中的应用[J].电测与仪表，2018（23）：1-7.
[5] 姜明新.智能视频监控中的目标跟踪技术研究[D].大连理工大学，2013.