图1 R-FCN原理
Fig.1 R-FCN schematic
摘要 随着智能电网建设的不断发展，海量红外图像急剧增加，而传统红外故障检测依靠人工排查或手工提取特征，检测效率低且对人员经验依赖大。为实现对红外图像的高效智能化检测，保障电网安全运行，构建基于红外特征分析的在线故障诊断系统，提出通过改进高压引线接头红外图像的特征提取网络，以提升对小目标的识别性能，然后利用区域全卷积网络（R-FCN）实现对故障区域的定位和运行状态的识别，并且使用OpenCV对该故障区域的运行状态进行二次诊断，以进一步降低误报率。最后通过测试分析，改进后的R-FCN网络对高压引线接头红外图像故障诊断的平均精度达到了80.76%，比原R-FCN网络提升了8.43%。
关键词：故障诊断 高压引线接头 红外图像 区域全卷积网络 残差网络
电气设备的安全运行将直接影响到整个电力系统的稳定，因此设备保持安全稳定的运行状态显得尤为重要[1]。当出现电网故障时能够迅速做出相应的反应，发现异常时迅速告警，帮助电网工作人员快速进行相应的处理，保障电网运行的稳定性。电气设备的状态与热量密切关联，多种类型的故障都会以散发出高热量、温度快速升高的形式表现出来，如绝缘劣化、接触不良和磁路故障等[2]。红外检测技术是一种有效的、非接触式的热故障检测手段，在电力系统中判断设备的隐患和故障得到了广泛的应用。该技术的应用提高了电力系统故障与缺陷的预警能力，避免了相应事故的发生，并且在很大程度上减少不必要的停电所带来的能量损失与经济损失。但目前的红外诊断技术，多数情况下仍需要依靠检测人员的经验与技术水平对红外图像进行分析，且巡检过程存在危险，特殊情况下难以保障故障分析、判断的实时性与准确性。
近年来随着人工智能技术在电力系统方面的应用[3-5]，基于巡检图像数据的变电站设备故障智能评估已成为可能。例如，通过深度卷积神经网络（Convolutional Neural Networks, CNN）提取目标特征的目标检测算法可用于智能电网[6-8]。目前应用较为广泛的深度学习目标检测算法可分为两类：第一类为基于区域的目标检测算法（Region-based CNN, R-CNN），也被称为two-stage系算法，代表算法有Faster R-CNN[9]、Mask R-CNN[10]等，该类算法有较高的检测精度，但检测速度较慢；另一类为基于回归的目标检测算法，也被称为one-stage系算法，如YOLO(you only look once)[11-13]、SSD(single shot multibox detector) [14]等，它们的特点是采用端到端的检测，具有较快的检测速度。文献[15]利用Mask R-CNN在红外图像中自动提取多个绝缘子，但识别精度不够，计算速度也不能满足实时检测。文献[16]通过R-CNN算法实现了电力小部件的定位和识别，但是该方法对样本数据集规模的需求大，检测速度仍然不能满足实时性。文献[17]提出了一种基于红外图像分析和人工神经网络故障诊断的红外图像分割与人工神经网络相结合的绝缘子串检测方法，能够识别出故障绝缘子故障类型和故障位置，该方法具有很高的识别精度，但检测时间过长不能满足检测的实时性要求。总而言之，变电站的红外图形检测存在检测精度和检测实时性不能同时得到满足的问题。
本文提出了一种基于改进区域全卷积网络(Region-based Fully Convolutional Networks, R-FCN)[18]的高压引线接头红外图像特征分析的在线故障诊断方法。首先，通过对残差块进行了优化，使每个残差块融合低层特征和高层特征，并训练特征提取网络自动提取高压引线接头样本故障的特征图，然后使用R-FCN网络以实现对高压引线接头的故障定位和运行状态的识别，最后将R-FCN的检测结果送入OpenCV中进行二次诊断，进一步降低误报率，实现故障诊断。
R-FCN网络的原理如图1所示，其主要设计思想就是位置敏感得分图（position-sensitive score map）。R-FCN由特征提取网络、区域生成网络（Region Proposal Network, RPN）和感兴趣区域（Region of Interest, RoI）子网三部分组成。提取特征后，RPN根据这些特征生成RoI，RoI子网根据提取的特征与RPN输出的RoI进行目标区域的定位与分类。
图1 R-FCN原理
Fig.1 R-FCN schematic
深度残差神经网络（deep Residual Network, ResNet）[19]是由残差学习模块重复堆积而形成的一个完整网络，由于残差模块的引入，解决了模型在训练时的梯度弥散问题，并且增强了模型的特征学习能力和识别性能[20]。本文选择ResNet-50作为特征提取网络。残差块如图2所示，在残差块中，假设输入为x，经过卷积层W1、W2运算后输出为F(x,W1,W2)，激活函数为ReLU，因此，残差模块单元的最终输出y可表示为
（1）式中，W1、W2分别为卷积神经网络1层和2层所要学习的权重参数；Ws为将变量x从输入残差模块维度变换到输出维度的方阵。变量x跨过卷积层直接与F(x,W1,W2)进行融合，成为下个残差模块的输入。
图2 残差块结构
Fig.2 Residual block structure
为了准确提取电气设备缺陷的RoI，在基础FCN后面连接RoI子网。RoI子网可以实现对缺陷区域的位置参数进行回归修正，以实现对目标区域的准确识别。图1中位于特征谱图右边的卷积层是对原图进行卷积操作后得到的卷积层，用来生成位置敏感分数图，它在整幅图像上为每类生成k2个位置敏感分数图，有c类物体和1个背景，因此其通道数为k2(c+1)。红外图像的特征比较单一，若k值太大，必然会导致位置敏感分数图的检测速度下降，并且识别的精度未必会有明显的提高，反而可能造成过拟合等问题。所以，本文算法模型针对故障检测设置k=3。检测类别分别是一般故障目标和严重故障目标，其类别数c=2。
RPN给出感兴趣的RoIs后，通过对每个RoI做位置敏感池化，得到通道数为k2(c+1)位置敏感分数图。当k=3时，RoI可分割成9个矩形块，那么与之相对应的位置敏感分数图也就分割成9块，分别为（top-left，top-center，top-right，…，bottom-right）。再对位置敏感分数图做均值池化，得出一个长度为c+1的向量，并对该向量进行softmax分类，最终得出该RoI的类别。
位置敏感RoI池化具体操作为将1个尺寸为ω×h的RoI分割成k2个大小为(ω/k)×(h/k)的矩形方块，并使用(i,j)表示RoI和位置敏感分数图中每个分块的位置，其中(i, j)的取值范围为(0≤i≤k-1,0≤ j≤k-1)。再将图1中top-left箭头指向的通道数为k2的特征图对应的RoI中第(0,0)的方块放到位置敏感分数图的(0,0)位置；top-center箭头指向的通道数为k2的特征图对应的RoI中第(1,0)的方块放到位置敏感分数图的(1,0)位置，以此类推，最后将bottom-right箭头指向的通道数为k2的特征图对应的RoI中第(2, 2)方块放到位置敏感分数图的(2,2)位置，最终得到完整的位置敏感分数图。得到位置敏感分数图中第(i, j)个矩形方块的具体操作为
（2）式中，rc(i, j|θ)为第c类的位置敏感分数图k2个分块中的第(i, j)个分块；Zi,j,c为特征谱图右边卷积层的一个特征图；bin(i, j)为RoI和位置敏感分数图中的位置集合；(x0, y0)为RoI的左上角坐标；(x, y)为在RoI中以(x0, y0)为原点时每个元素的坐标值取值范围，其中i(ω/k)≤x≤(i+1)ω/k，j(h/k)≤ y≤(j+1)h/k，n为第(i, j)个块里的像素总量；θ为网络参数。
对位置敏感分数图生成的长度为c+1的向量均值池化操作为
（3）对向量做柔性最大值传输函数分类操作为
（4）R-FCN选用的训练方式是梯度下降[21]，代价函数同时考虑了分类损失和位置损失，为每个RoI的损失函数交叉熵损失与边界框回归损失的和，可表示为
（5）式中，λ=1；c*为RoI的类标(c*=0时，表示这个RoI是背景类）；
为用于分类的交叉熵损失函数；Lreg中的
为真实的回归框的参数；t为RPN得出的回归框的参数t=(tx, ty, tω, th)。采用损失函数为
（6）式中，SmoothL1为定义函数，x=t-t*。
本文结合R-FCN和OpenCV的高压引线接头故障检测算法模型如图3所示，该模型分为三个部分：第一部分为图像的预处理，包括图像去噪和图像增强；第二部分为改进的自动提取特征的深度卷积神经网络，目的是自动提取特征，并将网络最后一层的卷积特征谱图（高×宽为35pixel×63pixel，约为原图的1/16）提供给R-FCN，R-FCN直接用在特征谱图上检测故障，并检测故障在原图中的位置；第三部分为基于OpenCV的二次诊断，根据R-FCN给出的故障位置，将原图中的目标截取下来并调整成224pixel×224pixel的图片，再对该目标进行二次诊断，以进一步降低误报率。
图3 故障诊断模型
Fig.3 Troubleshooting model
经过前期测试发现，R-FCN虽然在位置回归上有很好的表现，但是对于小目标的检测效果并不理想，出现漏检和错检等情况。通过对网络结构的分析，R-FCN虽然将特征提取的主干网络由原来的VGG[22]网络替换为ResNet网络，在一定程度上通过增加卷积层的深度来增强对于目标特征提取的能力，但是对于小目标的检测效果仍未提高。鉴于本次设计的实际运用场景，需要对高压引线接头进行故障检测，在红外特征图中面积较小，属于小目标的范畴，为了增加特征提取的丰富性，本文对残差模块进行了优化，每个残差块融合了低层特征和高层特征，在整个R-FCN特征提取主干网络中也对提取到的高低特征图进行融合。优化后的残差模块结构如图4所示。
通过加深原残差模块的深度，使得在一个模块中具有高低差距的特征图。在每个模块中先由两个卷积层进行特征的提取，之后使用最大池化层减小特征图继续对深层特征进行提取，最后经由反卷积层将特征图的大小恢复成池化之前的尺寸，并与底层特征图进行融合。同时对于整个主干网络也采用这种结构布局，高低特征图的融合再卷积，使得提取到的特征粒度更加细小与丰富，提升了网络对于小目标的检测能力。
图4 优化后的残差块结构
Fig.4 Optimized residual block structure
本文实验选择NVIDIA RTX 2080 Ti的显卡，使用Caffe框架进行测试。对红外图像进行故障目标检测流程如图5所示，各部分的具体内容如下：
（1）将红外图像作为数据集，对图像中的故障区域进行定位标注，完成数据集的制作。
（2）从数据集中抽取训练集，训练集尽量包含所有种类的高压引线接头图像，余下的作为测试集，且训练集与测试集之间无交叉重复数据。
（3）构建卷积神经网络，定义网络的输入层、中间层和输出层，最后将所有图层合并。
（4）配置训练参数，基本参数有：ITERS（迭代次数）配置为30 000次，cls_num（数据集的类别数）配置为3，base_lr（初始学习率）配置为0.001，iter_size（每次处理的数据个数）配置为1等。
（5）将训练集作为输入，训练R-FCN。利用P-R曲线对R-FCN进行评估，根据评估结果对训练参数进行调整，提高分割的准确度。
（6）将测试集作为输入，得到检测结果。
图5 高压引线接头检测框图
Fig.5 The flow chart of High-voltage lead connectors
为了确保对于故障级别的准确诊断，降低误判率，对于检测系统的流程也进行了优化。故障检测的流程如图6所示，将检测到的故障区域进行分割后，依据不同的温度其在红外特征图中的颜色也不相同的特性，根据颜色对故障的等级进行二次诊断。OpenCV对于颜色有着敏感的处理能力，在这一阶段采用传统的图像处理对图像进行颜色的判别。如果二者对于故障的判定结果不一致，则将此数据重新进行预处理或交由人工进行判定。
图6 系统检测流程
Fig.6 System inspection process
高压引线接头的故障一般是由过负荷或接触不良导致电流过大而引起的过热故障，这种故障的特点是局部出现过热点。针对电流致热型设备，导则根据相对温差法对设备的状态进行分类，相对温差法的公式为
（7）式中，T1为发热点的温度；T2为正常相对应点的温度；T0为环境温度参照体的温度；τ为相对温差。
根据相对温差，导则将接头设备的运行状态划分成正常、一般缺陷和严重缺陷，本文根据导则对引线接头状态划分依据，将接头状态分为上述三类。图7展示了三种运行状态下的高压引线接头红外图像。
图7 高压引线接头状态示例
Fig.7 Example of high voltage lead connectors status
在目标检测问题中，训练数据集的选择和原始图像的标签制作是两个至关重要的步骤，原始图像标签的准确性直接影响训练效果和测试的准确性。目前，在变电站巡检中，缺乏对外公开的适合深度学习训练的数据集。本文创建了基于红外图像的变电站高压接线头的数据集，本次采集正常状态、一般缺陷和严重缺陷的变电站高压接线头红外图像各3 000张，用于测试的图像各300张。首先将数据库中的图像按照VOC2007数据集格式进行整理，其次使用label Img工具对训练集中的图像进行逐一标记，并生成与之对应的xml格式的目标框位置信息文件，标记时将正常状态、一般缺陷和严重缺陷的高压引线接头分别标记为1、2和3。最后编写python程序将xml格式的目标框位置信息进行归一化处理并转换为.txt格式，作为变电站高压接线头数据集标签。
分析数据集，待测目标的刚性结构主要分为长方形与近似三角形，不同的故障等级对应的颜色有明显颜色梯度区分。对数据集进行30 000次迭代训练，训练后的Loss曲线与平均交变比（Intersection over Union, IoU）的变化线分别图8和图9所示。
图8 平均损失函数曲线
Fig.8 The function curve of average loss
图9 IoU曲线
Fig.9 The curve of IoU
在训练过程中，通过绘制损失（Loss）曲线能够直观地观察到训练的动态过程。图8展示本文方法模型训练过程中对应的平均损失曲线，横坐标表示训练迭代次数，纵坐标表示训练过程中的Loss值。图9中IoU的值在[0,1]之间，同时IoU越接近1表示两个窗口重叠部分越多，定位准确度也就越好，反之则越差。
本文中，使用经过训练的基于改进区域全卷积网络进行了一系列实验，并通过测试图像来验证算法的性能。使用测试集对训练好的模型进行测试，测试的指标主要有查准率（Precision）、查全率（Recall）、平均检测精度mAP（mean Average Precision）、平均最低可信度AMC（Average Minimum Confidence）和漏检率（Loss）。其中平均最低可信度用来评价识别多类目标算法对某一目标的分类性能，漏检率用来检验算法识别目标框的性能。采用式（8）~式（13）对指标进行评测。
（8）
（9）式中，TP为算法中被正确分类的正样本；FP为错误分类的正样本；FN为错误分类的负样本。
（10）
（11）式中，N为图片数量；NC为目标种类。
（12）式中，MC为一张图片中系统对于正确识别出的某一类目标中的最低可信度。
（13）式中，NB为图中全部的目标个数；NM为未检测出的目标个数。
为了验证本文提出的模型的性能，将提出的基于改进R-FCN网络与R-FCN网络Faster-RCNN网络进行了比较，目的是说明本文提出的基于改进区域全卷积网络模型的优越性。基于改进R-FCN网络、R-FCN网络和Faster-RCNN网络的指标评测见表1。
表1 三种模型性能指标评测
Tab.1 Test comparison for three models
模型Faster R-CNNR-FCN改进-FCN Precision (%)737379 Recall (%)717085 mAP (%)73.7272.3380.76 Loss (%)27.5628.7119.56 Average time/s3.420.1700.175
通过表1的对比可以证明，改进后的R-FCN网络在检测精度与回召率上相较于原网络R-FCN和Faster R-CNN都有所提高。这一部分的提高主要是基于对于小目标检测能力的提升，具体每一类下提升的精度可以参照表2。在检测时间上，改进后的R-FCN网络的平均检测时间为0.17s，与原R-FCN网络的0.170s相近；与Faster-RCNN网络的平均检测时间3.42s相比，改进后的R-FCN网络大大缩短了平均检测时间。
每一类的AMC指标对比见表2。
表2 AMC指标对比
Tab.2 AMC indicator comparison （%）
模型AMC 正常状态一般缺陷严重缺陷 Faster R-CNN92.8683.6863.97 R-FCN92.9582.6964.12 New-R-FCN93.1688.5478.50
从表2的比对可以看出，改进后的R-FCN网络比原网络R-FCN的检测准确度有明显的提高。
将改进前与改进后的R-FCN网络进行对比，同样对原R-FCN网络进行30 000次的迭代训练，使用准确率-召回率曲线（P-R曲线）来评估两个结构在整个测试集上的表现，P-R曲线如10所示。准确率代表其分割出高压引线接头的正确率，召回率代表R-FCN分割出图像中全部高压引线接头的能力。理想情况下的P-R曲线是一条准确度始终为1的直线，性能好的模型在召回率持续增长的同时准确率应保持在一个很高的值，而性能差的模型需要牺牲大量的准确率值才能换取召回率的提高。优化后模型的P-R曲线在85%的召回率之后才出现了准确度的下降，相比于原网络在70%的召回率下就出现了准确度下降，可以证明优化后的网络模型检测效果有明显提升。
图10 P-R曲线
Fig.10 P-R curves
高压引线接头状态检测结果对比如图11所示，其中标号2表示一般缺陷，标号3表示严重缺陷。结合图10和图11，可见改进R-FCN网络在保证了高召回率的同时，准确率也达到了较高水平，相比于原R-FCN网络性能有很大的提升。
图11 检测结果对比
Fig.11 Comparison of test results
在线监控系统结构如图12所示，集可见光、红外热成像和嵌入式处理技术于一体，可实现对故障的实时在线监测。
图12 在线监控系统结构
Fig.12 Online monitoring system structure
系统通过对采集到的红外图像进行分析处理以实现高压引线接头的故障诊断。在线监控系统处理流程如图13所示，首先为了提高故障诊断的准确率，对红外图像进行预处理，其工作包括图像去噪和图像增强，然后训练特征提取网络自动提取样本故障的特征图，在特征图上使用改进的R-FCN网络检测出故障区域和故障等级，再将检测结果送入OpenCV中进行二次诊断以进一步降低误报率。在系统巡航过程中，如发现目标设备温度异常自动报警，报警信息有文字信息和声音信息，提示运行人员具体的报警位置状况信息，以便跟踪故障点，确认告警情况并排除故障。
系统客户端界面如图14所示。由系统客户端界面可见，A相电抗器引线连接处被标记为严重缺陷，且热点温度为104.4℃，温差为59K，疑似因接触不良而导致发热。根据《国家电网公司变电检测管理规定（试行）第1分册红外热像检测细则》定义为严重缺陷，建议加强监视，尽快安排处理。
图13 系统处理流程
Fig.13 System processing flow
图14 系统客户端界面
Fig.14 System client interface
对异常部位通过停电处理发现，发热相A相电抗器引线连接处螺栓与接线板锈蚀严重，如图15所示，通过更换新螺栓、打磨接线板锈蚀部位、涂抹导电脂的方式对异常发热部位进行处理。处理完毕，送电运行12h后进行复测，异常部位温度恢复正常。
图15 故障位置
Fig.15 Malfunction position
本文以电气设备红外图像故障诊断为基础，针对目前红外诊断主要依赖人工识别，检测效率低，对人员经验的依赖大的状况，使用基于卷积神经网络的故障诊断方法能够实现故障的自动诊断。同时针对目前卷积神经网络在电气设备故障诊断方面的研究缺少对设备具体状态的确定的情况，本文研究了如何用卷积神经网络确定设备状态。通过改进的R-FCN网络结合OpenCV二次诊断的方法，首先对残差模块进行了优化，每个残差块融合了低层特征和高层特征，以实现对高压引线接头小目标的识别。然后训练特征提取网络自动提取样本故障的特征图，并在特征图上使用R-FCN网络检测出故障区域和故障等级。最后将检测结果送入OpenCV中，对缺陷的等级划分进行二次诊断，以进一步降低误报率。实现了特征提取和故障检测识别端到端的过程，避免了由于人工提取故障特征而造成特征单一，及在特定情况和场景下无法有效检测并识别故障的问题，确保算法模型的稳定性、实时性和可靠性。结果证明经过改进后的R-FCN网络对高压引线接头红外图像故障诊断的平均精度达到了80.76%，比原R-FCN网络提升了8.43%。
参考文献
[1]徐彪, 尹项根, 张哲, 等. 电网故障诊断的分阶段解析模型[J]. 电工技术学报, 2018, 33(17): 4113-4122. Xu Biao, Yin Xianggen, Zhang Zhe, et al. A staged analytical model for power system fault diagnosis[J]. Transactions of China Electrotechnical Society, 2018, 33(17): 4113-4122.
[2]杨志淳, 沈煜, 杨帆, 等. 考虑多元因素态势演变的配电变压器迁移学习故障诊断模型[J]. 电工技术学报, 2019, 34(7): 1505-1515. Yang Zhichun, Shen Yu, Yang Fan, et al. A transfer learning fault diagnosis model of distribution transformer considering multi-factor situation evolution[J]. Transactions of China Electrotechnical Society, 2019, 34(7): 1505-1515.
[3]徐春华, 陈克绪, 马建, 等. 基于深度置信网络的电力负荷识别[J]. 电工技术学报, 2019, 34(19): 4135-4142. Xu Chunhua, Chen Kexu, Ma Jian, et al. Recognition of power loads based on deep belief network[J]. Transactions of China Electrotechnical Society, 2019, 34(19): 4135-4142.
[4]朱煜峰, 许永鹏, 陈孝信, 等. 基于卷积神经网络的直流XLPE电缆局部放电模式识别技术[J]. 电工技术学报, 2020, 35(3): 659-668. Zhu Yufeng, Xu Yongpeng, Chen Xiaoxin, et al. Pattern recognition of partial discharges in DC XLPE cables based on convolutional neural network[J]. Transactions of China Electrotechnical Society, 2020, 35(3): 659-668.
[5]李超然, 肖飞, 樊亚翔, 等. 基于卷积神经网络的锂离子电池SOH估算[J]. 电工技术学报, 2020, 35(19): 4106-4119. Li Chaoran, Xiao Fei, Fan Yaxiang, et al. An approach to lithium-ion battery SOH estimation based on convolutional neural network[J]. Transactions of China Electrotechnical Society, 2020, 35(19): 4106-4119.
[6]吴迪, 汤小兵, 李鹏, 等. 基于深度神经网络的变电站继电保护装置状态监测技术[J]. 电力系统保护与控制, 2020, 48(5): 81-85. Wu Di, Tang Xiaobing, Li Peng, et al. State monitoring technology of substation relay protection device based on deep neural network[J]. Power System Protection and Control, 2020, 48(5): 81-85.
[7]张倩, 王建平, 李帷韬. 基于反馈机制的卷积神经网络绝缘子状态检测方法[J]. 电工技术学报, 2019, 34(16): 3311-3321. Zhang Qian, Wang Jianping, Li Weitao. Insulator sta- te detection of convolutional neural networks based on feedback mechanism[J]. Transactions of China Electrotechnical Society, 2019, 34(16): 3311-3321.
[8]Jiang Anfeng, Yan Nannan, Wang Fa, et al. Visible image recognition of power transformer equipment based on mask R-CNN[C]//IEEE Sustainable Power and Energy Conference, Beijing, China, 2019: 657-661.
[9]Ren Shaoping, He Kaiming, Girshick R, et al. Faster R-CNN:towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis&Machine Intelligence, 2017, 39(6): 1137-1149.
[10]He Kaiming, Gkioxari G, Dollár P, et al. Mask R-CNN[C]//International Conference on Computer Vision, Venice, Italy, 2017: 2961-2969.
[11]Redmon J, Divvala S, Girshick R, et al. You only look once:unified real-time object detection[C]// IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, USA, 2016: 779-788.
[12]Redmon J, Farhadi A. YOLO9000: better, faster, stronger[C]//IEEE Conference on Computer Vision & Pattern Recognition, Honolulu, USA, 2017: 6517-6525.
[13]Redmon J, Farhadi A. Yolov3: an incremental improvement[C]//Proceedings of the Conference on Computer Vision and Pattern Recognition, Salt Lake City, USA, 2018: 1-4.
[14]Liu Wei, Anguelov D, Erhan D, et al. SSD: single shot multibox detector[C]//European Conference on Computer Vision, Amsterdam, The Netherlands, 2016: 21-37.
[15]Wang Bin, Dong Ming, Ren Ming, et al. Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis[J]. IEEE Transactions on Instrumentation and Measurement, 2020, 69(8): 5345-5355.
[16]王万国, 田兵, 刘越. 基于RCNN的无人机巡检图像电力小部件识别研究[J]. 地球信息科学学报, 2017, 19(2): 256-263. Wang Wanguo, Tian Bing, Liu Yue. Research on power component identification of UAV inspection image based on RCNN[J]. Journal of Earth Information Science, 2017, 19(2): 256-263.
[17]Xiao Lijun, Mao Qiang, Lan Penghao, et al. A fault diagnosis method of insulator string based on infrared image feature extraction and probabilistic neural network[C]//International Conference on Intelligent Computation Technology & Automation, Changsha, 2017: 80-85.
[18]Dai Jifeng, Li Yi, He Kaiming, et al. R-FCN: object detection via region-based fully convolutional networks[C]//Proceedings of the 2016 Advances in Neural Information Processing Systems, Barcelona, Spain, 2016: 208-217.
[19]Bodla N, Singh B, Chellappa R, et al. Soft-NMS-improving object detection with one line of code[C]// 2017 IEEE International Conference on Computer Vision, Venice, Italy, 2017: 5562-5570.
[20]He Kaiming, Zhang Xiangyu, Ren Shaoqing, et al. Deep residual learning for image recognition [C]// IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, USA, 2016: 770-778.
[21]Liu Jian, Zhao Mingrui, Guo Xifeng. A fruit detection algorithm based on R-FCN in natural scene[C]//2020 Chinese Control And Decision Conference (CCDC), Hefei, China, 2020: 487-492
[22]Shelhamer E, Long J, Darrell T. Fully convolutional networks for semantic segmentation[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2014, 39(4): 640-651.
Online Fault Diagnosis Method for Infrared Image Feature Analysis of High-Voltage Lead Connectors Based on Improved R-FCN
Abstract With the continuous development of smart grid construction, massive infrared images have increased dramatically, while traditional infrared fault detection relies on manual inspection or manual extraction of features, low detection efficiency and great dependence on personnel experience. In order to realize the efficient and intelligent detection of infrared images and ensure the safe operation of the grid, this paper constructs an online fault diagnosis system based on infrared feature analysis, and proposes to improve the recognition performance of small targets by improving the feature extraction network of high-voltage lead connectors infrared images. Then, the region-based fully convolutional networks (R-FCN) is used to identify the location and operational status of the faulty area, and the operating state of the faulty area is secondarily diagnosed using OpenCV to further reduce the false alarm rate. Finally, through testing and analysis, the average accuracy of the improved R-FCN network for high-voltage lead connectors infrared image fault diagnosis reached 80.76%, which is 8.43% higher than the original R-FCN network.
keywords：Fault diagnosis, high-voltage lead connectors, infrared image, region-based fully convolutional networks, residual network
中图分类号：TM938.6；TP391.4
DOI:10.19595/j.cnki.1000-6753.tces.201136
重庆市科学技术委员会项目（cstc2018jcyjA3148）和重庆市研究生科研创新项目（CYS18071）资助。
收稿日期 2020-08-30
改稿日期 2020-10-09
徐奇伟 男，1983年生，博士，副教授，研究方向为特种电机设计与控制，电动汽车电驱动系统，混合动力的控制与仿真。E-mail：xuqw@cqu.edu.cn（通信作者）
黄 宏 男，1994年生，硕士，研究方向为图像处理与模式识别。E-mail：HuangHong1004@cqu.edu.cn
（编辑 郭丽军）