鄭文杰,楊 祎,喬 木,呂俊濤,張峰達(dá),洪欣媛

(1.國網(wǎng)山東省電力公司電力科學(xué)研究院, 濟(jì)南 250003;2.國網(wǎng)山東省電力公司, 濟(jì)南 250001;3.重慶大學(xué) 輸配電裝備及系統(tǒng)安全與新技術(shù)國家重點(diǎn)實(shí)驗(yàn)室, 重慶 400044)

0 引言

在電氣設(shè)備的長期使用過程中,其內(nèi)部器件可能發(fā)生老化和喪失絕緣,引起設(shè)備局部溫升或過熱,甚至造成嚴(yán)重事故[1]。據(jù)電網(wǎng)運(yùn)行分析發(fā)現(xiàn),在常見的早期故障類型中,由電流互感器、隔離開關(guān)、套管等設(shè)備過熱引發(fā)的故障占關(guān)鍵變電設(shè)備早期故障的半數(shù)以上[2-3]。為了保障電網(wǎng)的安全運(yùn)行,利用紅外診斷技術(shù)對變電設(shè)備進(jìn)行監(jiān)測能夠在不停運(yùn)的情況下有效識(shí)別設(shè)備內(nèi)部和外部缺陷[4-5]。然而,紅外技術(shù)在電氣領(lǐng)域的應(yīng)用仍存在很多問題,一是對設(shè)備的故障診斷大多依賴人工進(jìn)行,容易受主觀性的影響且效率低下;二是現(xiàn)有的機(jī)器視覺識(shí)別技術(shù)受限較大,不僅難以對復(fù)雜且種類繁多的電氣設(shè)備實(shí)現(xiàn)精準(zhǔn)分類,還因紅外圖像存在各種背景噪聲干擾而難以實(shí)現(xiàn)設(shè)備過熱關(guān)鍵區(qū)域的特征提取[6]。

針對變電設(shè)備紅外圖像目標(biāo)檢測和識(shí)別的研究主要分為圖像處理法和深度學(xué)習(xí)法兩大類。圖像處理法通過圖像分割、對比和增強(qiáng)等方法識(shí)別故障處的關(guān)鍵信息,采用Roberts、K-means聚類等多種邊緣檢測算法提取圖像邊緣[7-8],依據(jù)熱像特征、紋理特征等完成分割后紅外圖像的熱缺陷識(shí)別[9-10]。這些方法雖然在背景噪聲或干擾較小的紅外圖像中識(shí)別率較高,但難以完成復(fù)雜場景下多類型設(shè)備的缺陷診斷,診斷效率低下。

基于深度學(xué)習(xí)的目標(biāo)檢測法能夠減輕對檢測人員經(jīng)驗(yàn)程度的依賴,在識(shí)別的正確率和實(shí)時(shí)性方面表現(xiàn)良好,能夠?qū)崿F(xiàn)電氣設(shè)備熱缺陷故障診斷的自動(dòng)化[10]。目前,在設(shè)備特征提取及熱缺陷故障識(shí)別算法中,代表性的有基于候選框的R-CNN系列算法和基于回歸的YOLO系列網(wǎng)絡(luò)[11-12]。前者根據(jù)目標(biāo)特征提取預(yù)選框,在此基礎(chǔ)上對提取的每個(gè)區(qū)域進(jìn)行分類和位置回歸,具有較高的準(zhǔn)確率,但其結(jié)構(gòu)較為復(fù)雜,難以滿足實(shí)際應(yīng)用需求。后者檢測速度快,滿足實(shí)時(shí)性要求,能保持較高的定位準(zhǔn)確度和特征識(shí)別率。然而,現(xiàn)有電氣領(lǐng)域研究在采用YOLO系列算法獲取圖像先驗(yàn)框及特征時(shí),所涉及的對象多數(shù)為以輸電線路為代表的可見光圖像[13-14],以高壓開關(guān)設(shè)備為代表的紅外圖像[15-17]。這兩類圖像背景干擾較小,所提取特征與圖像雜散元素區(qū)分明顯,采用常規(guī)的YOLO系列算法便可以得到高質(zhì)量的預(yù)測框。而電流互感器、隔離開關(guān)、套管等設(shè)備具有不同的型號(hào)和結(jié)構(gòu),其紅外圖像背景干擾大,設(shè)備的過熱區(qū)域、正常區(qū)域和環(huán)境背景區(qū)域彼此重疊,難以區(qū)分,因此需要對YOLO算法加以改進(jìn)。

YOLOv4算法在YOLOv3算法的基礎(chǔ)上融合了更好的方案,如其主干特征提取網(wǎng)絡(luò)由DarkNet53改進(jìn)成CSPDarkNet53,提升了目標(biāo)的檢測效果[18]。YOLOv4-Tiny網(wǎng)絡(luò)是YOLOv4網(wǎng)絡(luò)的簡化,其模型結(jié)構(gòu)更加簡潔,每秒傳輸幀數(shù)約為YOLOv4的8倍,能夠高效處理海量數(shù)據(jù)。為此,本文提出一種基于改進(jìn)YOLO的變電設(shè)備熱缺陷識(shí)別及診斷方法。首先對多種變電設(shè)備紅外圖像進(jìn)行標(biāo)注,建立不同類型設(shè)備及熱缺陷數(shù)據(jù)庫;其次,采用改進(jìn)的YOLOv4算法對發(fā)生故障的設(shè)備進(jìn)行識(shí)別,并提取該設(shè)備所在區(qū)域的局部紅外熱圖;然后,基于聚集性連接思想,對分類所用網(wǎng)絡(luò)Resnet基礎(chǔ)結(jié)構(gòu)進(jìn)行改進(jìn),提高設(shè)備故障類型的分類準(zhǔn)確度;最后,基于貝葉斯優(yōu)化算法改進(jìn)模型超參數(shù),自動(dòng)獲取學(xué)習(xí)率、卷積核個(gè)數(shù)、正則化因子等的最佳組合,在提升準(zhǔn)確率的同時(shí)節(jié)省大量計(jì)算量。該方法能夠克服變電設(shè)備紅外圖像熱缺陷識(shí)別精度不高、特征提取困難等難題,滿足變電設(shè)備紅外檢測實(shí)際應(yīng)用場景的需求。

1 基于改進(jìn)YOLO的熱缺陷識(shí)別方法

1.1 變電設(shè)備紅外熱像數(shù)據(jù)集構(gòu)建

變電設(shè)備出現(xiàn)熱缺陷時(shí),通常表現(xiàn)為設(shè)備局部溫度上升或溫度分布異常,使得故障下的紅外熱像與正常熱像特征差距較為明顯。利用機(jī)器學(xué)習(xí)向診斷網(wǎng)絡(luò)中輸入不同類型設(shè)備在不同故障下的紅外圖像進(jìn)行訓(xùn)練,然后輸入待檢測目標(biāo)圖像,即可實(shí)現(xiàn)該圖像中設(shè)備特征提取及故障類型診斷。由于目前公開的數(shù)據(jù)集中并未包含變電設(shè)備紅外圖像,因此需要構(gòu)建一個(gè)包含多種設(shè)備、多類型缺陷的數(shù)據(jù)庫用于訓(xùn)練。

采用的數(shù)據(jù)集來自于某省多座變電站近5年以來的運(yùn)行數(shù)據(jù),包含電流互感器、隔離開關(guān)、套管、避雷器、斷路器等多種設(shè)備的紅外熱圖。選擇電流互感器、隔離開關(guān)、套管3種設(shè)備作為研究對象,這3類設(shè)備可作為相似設(shè)備的代表,提升模型的普適性。此外,該數(shù)據(jù)集還包含了不同的設(shè)備類型和型號(hào),以及缺陷類型和缺陷部位,部分圖像具有較強(qiáng)的背景干擾,能夠反映變電設(shè)備紅外應(yīng)用場景的真實(shí)狀況。數(shù)據(jù)集紅外圖像示例如圖1所示,詳細(xì)信息如表1所示,圖像數(shù)據(jù)分辨率范圍為(240×319)～(800×600)。

表1 訓(xùn)練數(shù)據(jù)集介紹

圖1 數(shù)據(jù)集中部分樣本圖

1.2 基于改進(jìn)YOLOv4的紅外熱圖局部熱像提取模型

YOLOv4-Tiny作為YOLOv4的壓縮版本,使得網(wǎng)絡(luò)結(jié)構(gòu)更加簡單,訓(xùn)練速度更快。但是紅外數(shù)據(jù)集中部分圖像具有嚴(yán)重的背景干擾,直接采用YOLOv4-Tiny網(wǎng)絡(luò)進(jìn)行設(shè)備局部提取時(shí)效果不佳。針對這一難題,從卷積核分解、網(wǎng)絡(luò)模塊化分解、多尺度特征融合及激活函數(shù)重選取這幾個(gè)方面對YOLOv4-Tiny網(wǎng)絡(luò)進(jìn)行改進(jìn),主要包括：① 采用Gelu激活函數(shù)替換主干網(wǎng)絡(luò)中的LeakyRelu函數(shù);② 設(shè)計(jì)并使用2個(gè)Conv_DBNGelu模塊提升對網(wǎng)絡(luò)淺層特征的利用;③ 采用卷積核分解技術(shù)提升網(wǎng)絡(luò)的計(jì)算能力。改進(jìn)YOLO模型結(jié)構(gòu)如圖2所示。

圖2 改進(jìn)YOLO模型結(jié)構(gòu)

1) 對原YOLOv4-Tiny網(wǎng)絡(luò)中激活函數(shù)的改進(jìn)

卷積神經(jīng)網(wǎng)絡(luò)中的激活函數(shù)可以使網(wǎng)絡(luò)增加非線性因素,提升模型傳遞不同尺度參數(shù)的能力。YOLOv4-Tiny原網(wǎng)絡(luò)使用LeakyRelu作為激活函數(shù),但該函數(shù)存在輸出結(jié)果不一致、無法為正負(fù)輸入值提供一致的關(guān)系預(yù)測等問題。且在訓(xùn)練過程中,訓(xùn)練參數(shù)α值難以選取,因此本文中使用Gelu激活函數(shù)替換主干網(wǎng)絡(luò)中的LeakyRelu函數(shù),Gelu函數(shù)的近似式為：

式中：x為輸入。與LeakyRelu函數(shù)相比,Gelu函數(shù)可以看作Dropout與Relu的結(jié)合,其在激活中加入了隨機(jī)正則的思想,使得模型在訓(xùn)練過程中能夠具有更高的泛化能力。

2) 對原YOLOv4-Tiny網(wǎng)絡(luò)泛化能力的改進(jìn)

改進(jìn)思想來源于使用初始YOLOv4-Tiny網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)出現(xiàn)的嚴(yán)重過擬合現(xiàn)象。由于紅外數(shù)據(jù)集具備不同的背景干擾,測試集里紅外圖像的背景噪聲可能不同于測試集圖像的背景噪聲,因此需要從提升網(wǎng)絡(luò)模型模糊度的方面加以改進(jìn)。采用網(wǎng)絡(luò)模塊化分解方法減少網(wǎng)絡(luò)的層數(shù);采用多尺度特征融合方法提取圖像的淺層特征;采用卷積核分解提升改進(jìn)后網(wǎng)絡(luò)的計(jì)算能力,目的是在網(wǎng)絡(luò)“深度”已經(jīng)足夠的情況下提升網(wǎng)絡(luò)的“寬度”,提升模型的泛化能力。

將網(wǎng)絡(luò)各部分進(jìn)行分解,得到Y(jié)OLOv4-Tiny主干網(wǎng)絡(luò)中便于分離的3個(gè)Resblock_body模塊,每個(gè)模塊的深度為16層。將淺層特征進(jìn)行多次加操作,依照排列組合原理進(jìn)行測試后,網(wǎng)絡(luò)在add_1處與add_2處實(shí)現(xiàn)加操作效果更優(yōu)。

紅外數(shù)據(jù)集中部分圖像熱缺陷部位較小,在深度卷積后可能丟失該局部圖像的數(shù)據(jù)特征[19]。因此,采用多尺度特征融合方法,設(shè)置2個(gè)捷徑模塊提取Resblock_body_1層前的淺層特征。捷徑模塊及其連接方式如圖2中Conv_DBNGelu所示,其輸出分別在add_1與add_2處實(shí)現(xiàn)降維加操作,各模塊輸入與輸出的關(guān)系為：

(2)

式中：x為U1、U2處的特征;f1i為第i個(gè)Resblock_body模塊的函數(shù)表達(dá)式;f2為Conv_DBNGelu模塊主網(wǎng)絡(luò)的表達(dá)式;f3為降維模塊的表達(dá)式,代表步幅為3的卷積過程;f4為ConvBNGelu模塊的表達(dá)式。

3) 對原YOLOv4-Tiny網(wǎng)絡(luò)計(jì)算速度的改進(jìn)

為了避免增加網(wǎng)絡(luò)導(dǎo)致的進(jìn)一步過擬合現(xiàn)象,盡可能地減少運(yùn)算過程中的計(jì)算量,采用卷積核分解技術(shù)減少參數(shù)量,卷積核的分解過程為：

(2N+1)×(2N+1)→(3×3)×N

(3)

式中：N×N表示卷積核尺寸。對于3×3卷積核,可以分解為3×1和1×3的2個(gè)連續(xù)卷積核提升網(wǎng)絡(luò)的訓(xùn)練速度,降低過擬合的風(fēng)險(xiǎn),最后使用1×1卷積核進(jìn)行特征聚合并降維輸出。

2 基于改進(jìn)Resnet的局部熱像診斷模型

2.1 Resnet_18基礎(chǔ)結(jié)構(gòu)改進(jìn)

殘差網(wǎng)絡(luò)(residual network,Resnet)是經(jīng)典的神經(jīng)網(wǎng)絡(luò)之一,采用殘差網(wǎng)絡(luò)對提取的紅外圖像進(jìn)行分類識(shí)別可以有效解決在網(wǎng)絡(luò)深度不斷增加的情況下難以訓(xùn)練的問題,能得到較好的效果。但是,部分變電設(shè)備外形相似,故障特征存在故障面積小、易在深層網(wǎng)絡(luò)中丟失信息等特點(diǎn),直接采用原始網(wǎng)絡(luò)對其訓(xùn)練準(zhǔn)確度不高。因此,需要對原始網(wǎng)絡(luò)進(jìn)行改進(jìn)。

Densenet網(wǎng)絡(luò)基于多層密集連接的思想,在網(wǎng)絡(luò)層數(shù)極深的情況下仍能兼顧圖像的淺層特征,對圖像中小目標(biāo)和微特征的識(shí)別度較好[20-21]。將該網(wǎng)絡(luò)密集連接的特點(diǎn)應(yīng)用于模塊化分解的Resnet_18網(wǎng)絡(luò)中,可以提高設(shè)備缺陷狀態(tài)識(shí)別的識(shí)別準(zhǔn)確率。Densenet的連接方式及改進(jìn)后的Res_DNet網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 改進(jìn)Res_DNet模型結(jié)構(gòu)

改進(jìn)思路為：在Resnet_18原網(wǎng)絡(luò)中,含有8個(gè)Res_Branch子模塊,淺層特征難以在高層網(wǎng)絡(luò)中得到應(yīng)用,因此,令第i個(gè)模塊前輸出的Outij特征作為第j個(gè)模塊增加的輸入特征Inij,讓網(wǎng)絡(luò)具有更強(qiáng)的梯度流動(dòng)性并保存低維度的特征。同時(shí),使用過多Res_Branch子模塊可能造成模型過擬合?？紤]自身的數(shù)據(jù)集特點(diǎn),假設(shè)最終采用的子模塊數(shù)量為L,則需設(shè)計(jì)0.5L(L-1)條支路進(jìn)行多層語義特征傳遞。由于紅外圖像的局部特征主要體現(xiàn)在淺層語義中,考慮對稱式結(jié)構(gòu)的設(shè)計(jì),所使用的網(wǎng)絡(luò)最終采用6個(gè)Res_Branch子模塊。值得注意的是,在設(shè)置密集性連接時(shí),網(wǎng)絡(luò)可能因卷積核的數(shù)量不同而無法直接采取加操作,此時(shí)可設(shè)置多個(gè)大小為1×1的卷積核進(jìn)行聚合。

2.2 基于貝葉斯的超參數(shù)優(yōu)化方法

超參數(shù)(hyper-parameter)是機(jī)器學(xué)習(xí)算法的參數(shù),學(xué)習(xí)率、卷積核數(shù)量、正則化項(xiàng)系數(shù)等超參數(shù)的設(shè)置會(huì)影響模型分類的準(zhǔn)確率。不同模型會(huì)有不同的最優(yōu)超參數(shù)組合,根據(jù)經(jīng)驗(yàn)或隨機(jī)的方法來嘗試會(huì)浪費(fèi)大量時(shí)間和計(jì)算資源。特別地,本文采用2個(gè)網(wǎng)絡(luò)逐層遞進(jìn)的方式提高最終檢測的準(zhǔn)確度,每個(gè)網(wǎng)絡(luò)的超參數(shù)設(shè)置都需要配合改進(jìn)。因此,采用貝葉斯算法可以實(shí)現(xiàn)超參數(shù)的自動(dòng)獲取與最優(yōu)選擇。

貝葉斯優(yōu)化的原理可表示為：

λ*=arg maxλf(λ,Dtrain,Dvalid)

(4)

式中：λ為機(jī)器學(xué)習(xí)模型超參數(shù)配置,λ*為最優(yōu)機(jī)器學(xué)習(xí)模型配置;D為給定數(shù)據(jù)集;f為待求的目標(biāo)優(yōu)化函數(shù)。利用貝葉斯算法進(jìn)行超參數(shù)優(yōu)化的流程如下：

1) 確定待優(yōu)化的超參數(shù)組合、超參數(shù)調(diào)節(jié)方式和尋優(yōu)取值范圍,各類超參數(shù)優(yōu)化設(shè)置如表2所示。

表2 超參數(shù)優(yōu)化設(shè)置

2) 隨機(jī)進(jìn)行n次訓(xùn)練,記錄分類準(zhǔn)確率,根據(jù)采集函數(shù)的極大值確定下一個(gè)采樣點(diǎn)。

3) 設(shè)置最大優(yōu)化時(shí)間為8 h,時(shí)間結(jié)束后輸出超參數(shù)組合。

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境及過程

同一幅圖像中可能同時(shí)具有正常工況的設(shè)備和異常工況的設(shè)備。首先,采用改進(jìn)后的YOLOv4-tiny算法對待訓(xùn)練圖像中電氣設(shè)備的缺陷部位進(jìn)行定位,并提取出該設(shè)備先驗(yàn)框;然后,將先驗(yàn)框內(nèi)的局部圖像作為改進(jìn)Resnet網(wǎng)絡(luò)的輸入層進(jìn)行訓(xùn)練,并通過貝葉斯算法優(yōu)化訓(xùn)練模型的超參數(shù);最后,驗(yàn)證本文模型,并與目前流行的其余診斷模型進(jìn)行對比,實(shí)驗(yàn)整體流程如圖4所示。

圖4 實(shí)驗(yàn)整體流程

將樣本按照7∶3劃分為訓(xùn)練集和測試集,模型輸入尺度為224×224×3。運(yùn)行環(huán)境為Windows 10操作系統(tǒng),NVIDIA GeForce RTX 3080 Ti顯卡。CPU為AMD Ryzen 9 5950X 16-Core,在Matlab 2022b環(huán)境下運(yùn)行實(shí)驗(yàn)。實(shí)驗(yàn)參數(shù)設(shè)置如表3所示。

表3 實(shí)驗(yàn)參數(shù)設(shè)置

表4 改進(jìn)模型與其他模型的實(shí)驗(yàn)結(jié)果

3.2 評(píng)價(jià)標(biāo)準(zhǔn)

針對紅外巡檢任務(wù)的特殊性,使用改進(jìn)YOLO算法提取局部圖像部分,使用召回率Rec(recall)、精確度Pre(precision)、每類目標(biāo)的平均精度AP(average precision)、平均精度均值mAP(mean average precision)和每秒傳輸幀數(shù)FPS(frames per second) 來評(píng)估模型的性能。使用改進(jìn)Resnet進(jìn)行診斷部分,主要采用準(zhǔn)確度Pac(accuracy)和FPS來評(píng)估改進(jìn)網(wǎng)絡(luò)的性能。部分計(jì)算表達(dá)式如下：

(5)

(6)

式中：R為召回率;C為分類的總數(shù)。網(wǎng)絡(luò)模型的交并比IOU取值為0.5。

3.3 基于改進(jìn)YOLO的紅外熱像局部提取結(jié)果分析

圖5展示了改進(jìn)模型在訓(xùn)練不同設(shè)備過程中70輪損失值的變化情況。隨著訓(xùn)練輪數(shù)的增加,損失值逐漸下降,在60輪以后損失值趨于平穩(wěn)。

圖5 損失值變化曲線

為了驗(yàn)證改進(jìn)算法的先進(jìn)性,在紅外熱像局部提取任務(wù)中與目前主流的算法進(jìn)行對比,表3給出了本文模型與Fast-RCNN、YOLOv3、YOLOv4以及YOLOv4-Tiny的實(shí)驗(yàn)結(jié)果。在訓(xùn)練尺度為224×224×3時(shí),改進(jìn)算法的平均檢測精度為91.25%,mAP相比于原算法提升了5.3%。同時(shí),改進(jìn)算法在檢測速度上與原算法相比(抽取總樣本10%作為檢驗(yàn)對象)雖然下降了7 FPS,但在精度上有了很大的提升。故綜上可發(fā)現(xiàn),改進(jìn)后的算法對變電設(shè)備局部提取的綜合性能最好。

圖6與圖7更為直觀地展示了YOLOv4-Tiny原網(wǎng)絡(luò)和改進(jìn)網(wǎng)絡(luò)對變電設(shè)備紅外圖像熱缺陷局部提取的結(jié)果?？梢钥闯?改進(jìn)模型在電流互感器、隔離開關(guān)、套管這幾類變電設(shè)備上的提取精度均高于原始模型。

圖6 YOLOv4_Tiny提取平均精度均值

圖7 改進(jìn)模型提取平均精度均值

采用改進(jìn)算法對數(shù)據(jù)集中隔離開關(guān)、套管、電流互感器3類設(shè)備進(jìn)行檢測,并提取出設(shè)備所在的局部區(qū)域,提取結(jié)果如圖8所示?？梢钥闯?改進(jìn)算法具有較高的置信度,能夠在具有復(fù)雜背景干擾的情況下準(zhǔn)確提取出目標(biāo)設(shè)備。

圖8 紅外熱像局部提取結(jié)果

3.4 基于改進(jìn)Resnet的檢測模型結(jié)果分析

基于改進(jìn)YOLOv4-Tiny算法進(jìn)行圖像局部提取后,將其輸入到已訓(xùn)練的分類模型中,得到模型預(yù)測的準(zhǔn)確度。同時(shí),采用貝葉斯優(yōu)化算法對模型超參數(shù)組合進(jìn)行優(yōu)化,效果如圖9所示,表明以分類準(zhǔn)確率作為最終期望時(shí),超參數(shù)組合更偏向于選擇較低的正則化系數(shù)與較多的卷積核個(gè)數(shù)。

圖9 貝葉斯優(yōu)化超參數(shù)組合效果

圖10展示了本文模型與Alexnet、Resnet、Googlenet、Vgg16等模型在100次迭代訓(xùn)練過程中的分類準(zhǔn)確率。模型識(shí)別準(zhǔn)確度隨迭代次數(shù)增加均不斷提升并趨于穩(wěn)定,最終檢測效果如表5所示。

表5 不同模型組合的分類準(zhǔn)確率

圖10 不同模型組合識(shí)別準(zhǔn)確度

由表5可知,在進(jìn)行圖像局部提取之后,經(jīng)典網(wǎng)絡(luò)對各設(shè)備類型和缺陷的識(shí)別度均較高。在未進(jìn)行提取時(shí),即使是識(shí)別度最高的Googlenet也僅有85.56%的準(zhǔn)確率,進(jìn)行提取操作這一前步驟可以為最終的分類結(jié)果貢獻(xiàn)約5%的精度。同時(shí),與其他模型相比,本文模型對各類設(shè)備熱缺陷狀態(tài)的識(shí)別準(zhǔn)確率達(dá)到96.67%,比Googlenet等經(jīng)典網(wǎng)絡(luò)的準(zhǔn)確率至少高出4.6%。圖11展示了紅外熱像經(jīng)提取、并將數(shù)據(jù)完全打亂后隨機(jī)抽取部分圖像進(jìn)行訓(xùn)練的結(jié)果,表明本文模型能夠有效識(shí)別設(shè)備的熱缺陷狀態(tài)。

圖11 本文模型檢測效果

使用Grad-CAM對Res_DNet網(wǎng)絡(luò)與其余網(wǎng)絡(luò)的識(shí)別效果進(jìn)行對比,結(jié)果如圖12所示。不同的顏色代表著該區(qū)域?qū)︻A(yù)測結(jié)果的貢獻(xiàn)度,紅色區(qū)域表明該處的貢獻(xiàn)度最高。網(wǎng)絡(luò)順序從上至下為：Alexnet、Resnet_18、Googlenet、Vgg16、Res_DNet(本文模型)。

圖12 改進(jìn)模型狀態(tài)識(shí)別結(jié)果可視化圖像

從圖12中可以看出,本文診斷模型對設(shè)備熱缺陷狀態(tài)進(jìn)行識(shí)別時(shí),將重點(diǎn)放在設(shè)備產(chǎn)生高熱量的熱缺陷部位,能夠合理判斷設(shè)備的運(yùn)行狀態(tài),并識(shí)別出設(shè)備的故障位置。

4 結(jié)論

針對變電設(shè)備紅外圖像背景干擾大、熱缺陷故障種類繁多、現(xiàn)有故障診斷方法效率低、難以滿足實(shí)際巡檢應(yīng)用需求的問題,通過卷積核分解及多特征融合方法提出一種改進(jìn)的YOLOv4-Tiny模型,用以提取設(shè)備的局部特征,構(gòu)建了融合密集連接思想的殘差網(wǎng)絡(luò)模型,提升了對設(shè)備熱缺陷的識(shí)別準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明,改進(jìn)后的YOLOv4-Tiny算法相較于原算法提升了5.3%的準(zhǔn)確率,改進(jìn)后的Res_DNet算法相比于經(jīng)典算法提升了4.6%以上的準(zhǔn)確率,2種算法組合后表現(xiàn)出輕量化和高精確度的特點(diǎn),能在電氣設(shè)備紅外巡檢的真實(shí)環(huán)境中運(yùn)用。

下一步將從提升某一類特定設(shè)備熱缺陷識(shí)別準(zhǔn)確度的方向開展工作。如本文針對隔離開關(guān)的識(shí)別效果并未達(dá)到預(yù)期,這與隔離開關(guān)原紅外數(shù)據(jù)集中故障數(shù)據(jù)與正常數(shù)據(jù)過于相似有關(guān)。因此,針對易于混淆的設(shè)備故障狀態(tài),可對提取圖像進(jìn)一步增強(qiáng)處理,如HSI、HSV等,從輸入的角度改進(jìn)和提升檢測模型的準(zhǔn)確率。