黃勇，楊俊杰，賀文慧，袁杰

（1.貴州黔源電力股份有限公司，貴州 貴陽(yáng) 550002；2.南京南自信息技術(shù)有限公司，江蘇 南京 210031）

1 前言

電力安全管控是指在電網(wǎng)的建設(shè)、運(yùn)行以及應(yīng)用等過(guò)程中對(duì)電力系統(tǒng)的安全管理，對(duì)電能生產(chǎn)、運(yùn)輸以及分配等過(guò)程中進(jìn)行有效的監(jiān)控，從各個(gè)方向上保障電力系統(tǒng)的安全，減少意外情況的發(fā)生。電力安全管控是保證電力系統(tǒng)的穩(wěn)定運(yùn)行的重要措施，與國(guó)家經(jīng)濟(jì)發(fā)展、工業(yè)生產(chǎn)、民生生活和工程建設(shè)息息相關(guān)，若不能及時(shí)發(fā)現(xiàn)電力系統(tǒng)中的不安全因素，影響電力系統(tǒng)的安全和穩(wěn)定運(yùn)行，甚至引起電力供應(yīng)中斷，對(duì)國(guó)家和社會(huì)造成重大影響。因此，提高電力安全管控具有較高的研究?jī)r(jià)值和經(jīng)濟(jì)效益。

早期電力安全管控的手段主要依賴(lài)人工巡檢，需要系統(tǒng)運(yùn)維人員進(jìn)入設(shè)備間對(duì)各種設(shè)備的指示燈和提示音進(jìn)行逐一檢查。這種安全管控手段效率低，難以實(shí)現(xiàn)每天都對(duì)所有設(shè)備進(jìn)行檢查，容易出現(xiàn)漏檢。同時(shí)由于巡檢工作單一重復(fù)，工作人員在長(zhǎng)時(shí)間內(nèi)重復(fù)相同工作，容易麻木，難免忽視風(fēng)險(xiǎn)隱患。隨著通信技術(shù)發(fā)展和視頻監(jiān)控設(shè)備成本降低，視頻監(jiān)控也逐漸成為電力安全管控的重要手段之一。視頻監(jiān)控系統(tǒng)把監(jiān)控場(chǎng)所的圖像和聲音同步傳送至監(jiān)控中心，監(jiān)控人員根據(jù)被監(jiān)控場(chǎng)所情況進(jìn)行非現(xiàn)場(chǎng)指揮管理，同時(shí)監(jiān)控系統(tǒng)對(duì)監(jiān)控場(chǎng)所情況進(jìn)行記錄，便于調(diào)取歷史記錄及輔助處理現(xiàn)場(chǎng)異常情況。但是由于電力系統(tǒng)施工場(chǎng)景復(fù)雜，多工種與多專(zhuān)業(yè)人員參與，信息復(fù)雜性高，單憑人力無(wú)法做到準(zhǔn)確識(shí)別與判斷。傳統(tǒng)的監(jiān)控系統(tǒng)僅能實(shí)現(xiàn)監(jiān)控視頻的存儲(chǔ)回訪等功能，無(wú)法監(jiān)控預(yù)警。即使有監(jiān)控人員實(shí)時(shí)查看監(jiān)控視頻，監(jiān)控人員也難以全天候同時(shí)監(jiān)控多個(gè)畫(huà)面，無(wú)法對(duì)異常情況及時(shí)進(jìn)行預(yù)警，進(jìn)而造成電力安全隱患。近年來(lái)，隨著人工智能技術(shù)的發(fā)展，智能巡檢已經(jīng)成為電力安全管控的重要手段，其中基于圖像數(shù)據(jù)的目標(biāo)檢測(cè)算法作為智能巡檢的關(guān)鍵技術(shù)在電力安全管控的不同方向進(jìn)行了應(yīng)用。本文針對(duì)近年來(lái)目標(biāo)檢測(cè)算法在電力安全管控方面的發(fā)展和研究現(xiàn)狀進(jìn)行了梳理和總結(jié)，對(duì)目標(biāo)檢測(cè)在電力安全管控方面將要解決的問(wèn)題和發(fā)展方向進(jìn)行了展望。

2 目標(biāo)檢測(cè)算法概述

目標(biāo)檢測(cè)算法的任務(wù)是需要判別圖片中被檢測(cè)的目標(biāo)類(lèi)別，同時(shí)使用邊界框確立目標(biāo)的位置及大小，并給出置信度。目標(biāo)檢測(cè)算法可以分為傳統(tǒng)目標(biāo)檢測(cè)技術(shù)和基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的目標(biāo)檢測(cè)技術(shù)。傳統(tǒng)的目標(biāo)檢測(cè)技術(shù)主要依靠手工特征提取方法獲取目標(biāo)特征，并采用傳統(tǒng)的識(shí)別器完成目標(biāo)分類(lèi)，主要包括VJ 檢測(cè)器、HOG 檢測(cè)器以及DPM 檢測(cè)器等。傳統(tǒng)目標(biāo)檢測(cè)方法特征表達(dá)能力弱、檢測(cè)的準(zhǔn)確率低、實(shí)時(shí)性較差?；诰矸e神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法，依據(jù)其設(shè)計(jì)思想，主要可分為2 種，即基于錨點(diǎn)的目標(biāo)檢測(cè)算法和無(wú)錨點(diǎn)的目標(biāo)檢測(cè)算法。基于錨點(diǎn)的目標(biāo)檢測(cè)算法又可以分為基于區(qū)域的算法和基于回歸的算法。基于區(qū)域的算法采用two-stage 的方法，即先提取候選框（Proposal），再進(jìn)行細(xì)粒度的物體檢測(cè)，雖然這類(lèi)方法檢測(cè)精度很高，但是計(jì)算量大、速度較慢，主要包括Faster-RCNN 等R-CNN 系列算法、FPN 算法和TridentNet 算法?；诨貧w的算法采用one-stage 的方法，直接在網(wǎng)絡(luò)中提取特征來(lái)預(yù)測(cè)邊界框的位置及其所屬的類(lèi)別，簡(jiǎn)化了整個(gè)檢測(cè)流程、加快檢測(cè)速度，主要包括YOLO 系列算法、SSD系列算法和RetinaNet 算法。無(wú)錨點(diǎn)的目標(biāo)檢測(cè)算法可以分為基于密集預(yù)測(cè)與基于關(guān)鍵點(diǎn)估計(jì)?；诿芗A(yù)測(cè)的目標(biāo)檢測(cè)算法則是采用逐像素預(yù)測(cè)的方式完成檢測(cè)，主要包括FCOS 算法、FoveaBox 算法等?；陉P(guān)鍵點(diǎn)估計(jì)的目標(biāo)檢測(cè)算法通過(guò)對(duì)中心點(diǎn)或角點(diǎn)的估計(jì)來(lái)實(shí)現(xiàn)目標(biāo)的檢測(cè)，主要包括CornerNet 算法等。近兩年，還有新提出的基于Transformer 的目標(biāo)檢測(cè)算法，其引入注意力模塊以增強(qiáng)特征表示能力，這類(lèi)算法特征融合能力強(qiáng)，檢測(cè)的準(zhǔn)確率高，但訓(xùn)練的成本較大。

以上算法中，采用two-stage 的基于區(qū)域算法適用于實(shí)時(shí)性要求不高的場(chǎng)景，對(duì)于實(shí)時(shí)性能要求高的場(chǎng)景則適用YOLO 系列的one-stage 算法或者關(guān)鍵點(diǎn)估計(jì)的目標(biāo)檢測(cè)算法，對(duì)于數(shù)據(jù)充足的應(yīng)用場(chǎng)景可選擇基于Transformer 的目標(biāo)檢測(cè)算法。在電力安全管控場(chǎng)景中，數(shù)據(jù)樣本較少且實(shí)時(shí)性要求較高，因此，采用onestage算法或者關(guān)鍵點(diǎn)估計(jì)的目標(biāo)檢測(cè)算法的案例較多。

3 目標(biāo)檢測(cè)算法在電力安全管控中的具體應(yīng)用

電力安全管控的核心任務(wù)是減少安全隱患，而電力安全管控中安全隱患的來(lái)源主要包括以下3 個(gè)方面：（1）人為因素隱患。電力系統(tǒng)安全運(yùn)行離不開(kāi)人員操作，如果出現(xiàn)人員操作違規(guī)、失誤等問(wèn)題就可能引發(fā)安全事故；而在日常巡檢過(guò)程中容易出現(xiàn)漏檢現(xiàn)象，留下安全隱患。（2）設(shè)備隱患。電廠核心主要在于發(fā)電機(jī)組以及各種壓力容器、高溫高壓管道等設(shè)備，這些設(shè)備一旦出現(xiàn)老化或者泄漏等問(wèn)題，就會(huì)發(fā)生爆炸、火災(zāi)等重大安全事故。同時(shí)，在設(shè)備運(yùn)行過(guò)程中所消耗的油、酸堿等化學(xué)原料，都會(huì)設(shè)備造成損害，加大設(shè)備發(fā)生事故的概率。（3）環(huán)境因素隱患。電力系統(tǒng)安全運(yùn)行需要相對(duì)穩(wěn)定的自然環(huán)境，而各種自然災(zāi)害如地震、暴雨、雷電等發(fā)生時(shí)，極可能破壞電力系統(tǒng)的設(shè)備，造成故障和人員傷亡。針對(duì)上述安全隱患的來(lái)源，目標(biāo)檢測(cè)算法在電力安全管控中應(yīng)用于以下3 個(gè)方面。

3.1 目標(biāo)檢測(cè)在電力系統(tǒng)人員安全管理的應(yīng)用

（1）人臉識(shí)別。人臉識(shí)別常用于電力系統(tǒng)中人員非法入侵、人員統(tǒng)計(jì)和區(qū)域管理。電力施工現(xiàn)場(chǎng)作為復(fù)雜、科技化程度相對(duì)較高并且相對(duì)危險(xiǎn)的工作現(xiàn)場(chǎng)，采用基于目標(biāo)檢測(cè)算法的人臉識(shí)別技術(shù)可以有效控制施工現(xiàn)場(chǎng)無(wú)關(guān)人員的進(jìn)入，提高施工現(xiàn)場(chǎng)的安全保障和工作效率。同時(shí)，人臉識(shí)別可以幫助管理人員統(tǒng)計(jì)排除工人日常到崗的情況，有效防止工人冒名頂替和遲到早退的現(xiàn)象發(fā)生。另外，在電力施工現(xiàn)場(chǎng)的工作中，利用基于目標(biāo)檢測(cè)的人臉識(shí)別技術(shù)與監(jiān)控技術(shù)的結(jié)合可以實(shí)現(xiàn)區(qū)域管理，針對(duì)限制區(qū)域和重要區(qū)域進(jìn)行權(quán)限管理，如果非授權(quán)人員進(jìn)入系統(tǒng)中，將會(huì)實(shí)現(xiàn)自動(dòng)報(bào)警。如果目標(biāo)對(duì)象擅自離開(kāi)指定區(qū)域，系統(tǒng)會(huì)自動(dòng)報(bào)警。關(guān)于人臉識(shí)別的目標(biāo)檢測(cè)算法主要分為基于靜止圖像和基于運(yùn)動(dòng)視頻的檢測(cè)，主要包括基于先驗(yàn)知識(shí)的方法、不變特征方法、模板匹配方法以及統(tǒng)計(jì)模型方法。

（2）人員安全防護(hù)設(shè)備檢測(cè)。人員安全防護(hù)設(shè)備是指電力施工現(xiàn)場(chǎng)上的作業(yè)人員所需要佩戴的防護(hù)設(shè)備，比如，安全帽、安全帶、防護(hù)服、防護(hù)鞋等。部分電力施工作業(yè)人員對(duì)佩戴安全防護(hù)設(shè)備的意識(shí)較為薄弱，安全防護(hù)設(shè)備不佩戴或佩戴不規(guī)范造成了較多的安全事故。近年來(lái)，國(guó)內(nèi)外眾多專(zhuān)家學(xué)者基于目標(biāo)檢測(cè)算法對(duì)施工區(qū)域的防護(hù)設(shè)備安全佩戴判別技術(shù)進(jìn)行了深入研究。以檢測(cè)安全帽為例，F(xiàn)ang 等人（2018）在對(duì)各種視覺(jué)條件進(jìn)行分類(lèi)的基礎(chǔ)上，提出了基于Faster R-CNN的自動(dòng)非硬帽使用檢測(cè)方法；鄧開(kāi)發(fā)等人（2020）將Faster R-CNN 目標(biāo)檢測(cè)模型和深度特征流算法結(jié)合，較好的實(shí)現(xiàn)了施工現(xiàn)場(chǎng)攝像頭監(jiān)控的視頻中安全帽檢測(cè)。李華等人（2021）針對(duì)小目標(biāo)的安全帽識(shí)別問(wèn)題，通過(guò)增加錨點(diǎn)提升檢測(cè)能力，采用Foci loss 替代原本的損失函數(shù)，引入ROI Align 代替ROI Pooling 操作中2 次量化產(chǎn)生的誤差，解決了安全帽預(yù)測(cè)區(qū)域不匹配問(wèn)題，提升檢測(cè)模型準(zhǔn)確性。劉增輝等人（2022）改進(jìn)了YOLOv3 的多目標(biāo)安全檢測(cè)識(shí)別方法，引入空間金字塔池化結(jié)構(gòu)，對(duì)Darknet-53 網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行調(diào)整優(yōu)化，增加特征層保留更多小目標(biāo)特征信息，采用GIOU 改進(jìn)損失函數(shù)，提升了佩戴安全帽及防疫口罩的識(shí)別精度。目前，人員安全防護(hù)設(shè)備檢測(cè)的數(shù)據(jù)集較少，難以適應(yīng)各種復(fù)雜場(chǎng)景下網(wǎng)絡(luò)模型的訓(xùn)練要求，對(duì)于作為小目標(biāo)的安全防護(hù)設(shè)備仍然普遍存在一定誤檢、漏檢情況，而攝像機(jī)位置角度不同使得訓(xùn)練數(shù)據(jù)集中存在遮擋目標(biāo)的情況，同樣會(huì)造成誤檢和漏檢。

（3）人員行為檢測(cè)。電力系統(tǒng)工作人員的不安全行為如抽煙、打電話玩手機(jī)等是引發(fā)電力系統(tǒng)產(chǎn)生事故的源頭之一，是電力安全管控中重點(diǎn)監(jiān)管內(nèi)容。以吸煙行為為例，傳統(tǒng)的目標(biāo)檢測(cè)方法依賴(lài)于圖像分割、人工設(shè)計(jì)特征進(jìn)行分析，對(duì)吸煙煙霧和吸煙手勢(shì)進(jìn)行判斷，但是，煙霧特征由于受光照影響較大難以提取特征，吸煙手勢(shì)忽略目標(biāo)物的圖像信息極易出現(xiàn)誤判。而在深度學(xué)習(xí)領(lǐng)域，對(duì)吸煙行為識(shí)別的研究多采用one-stage 目標(biāo)檢測(cè)方法，如利用YOLO 系列算法對(duì)香煙進(jìn)行檢測(cè)而推理出吸煙行為。Zhang 等人基于GoogLeNet 優(yōu)化吸煙圖像的特征，并采用與目標(biāo)圖像相似的超大數(shù)據(jù)集進(jìn)行模型預(yù)訓(xùn)練進(jìn)行吸煙檢測(cè)。深度學(xué)習(xí)模型的效果非常依賴(lài)于訓(xùn)練集，由于吸煙、打電話等人體行為在實(shí)際場(chǎng)景中存在較大差異，一般訓(xùn)練集很難覆蓋所有情況，存在樣本數(shù)量不夠和分布不均衡的情況，難以統(tǒng)一行為訓(xùn)練集的標(biāo)注范圍，使得深度學(xué)習(xí)尤其是基于端到端的目標(biāo)檢測(cè)對(duì)吸煙行為出現(xiàn)誤檢情況。

3.2 目標(biāo)檢測(cè)在電力設(shè)備檢測(cè)及故障診斷中的應(yīng)用

電力設(shè)備的故障診斷是復(fù)雜的模式識(shí)別問(wèn)題，傳統(tǒng)模式識(shí)別方法依賴(lài)主觀選取和專(zhuān)家經(jīng)驗(yàn)對(duì)故障進(jìn)行診斷，而目標(biāo)檢測(cè)能夠識(shí)別出數(shù)據(jù)內(nèi)在的耦合特征，并將特征信息用于建模中，替代人為選取特征的不足，其強(qiáng)大辨識(shí)能力能夠幫助快速定位故障位置，提升解決問(wèn)題的效率。電力設(shè)備種類(lèi)眾多，目前現(xiàn)有研究主要集中在輸電線、絕緣子和變電設(shè)備等類(lèi)型的設(shè)備上。

在輸電線路檢測(cè)方面，趙振兵等人（2018）基于深度學(xué)習(xí)理論研究了輸電線路關(guān)鍵部件視覺(jué)檢測(cè)方法；李輝等人（2018）采用了基于深度學(xué)習(xí)的Faster-RCNN 目標(biāo)檢測(cè)模型與銹蝕HIS 顏色特征結(jié)合的銹蝕檢測(cè)方法，實(shí)現(xiàn)了輸電線路銹蝕的檢測(cè)。丁志敏等人（2021）通過(guò)在原始Faster R-CNN 方法的基礎(chǔ)上提取卷積網(wǎng)絡(luò)的低層和高層特征圖，并對(duì)非極大值抑制方法改進(jìn)，實(shí)現(xiàn)輸電線掛接地線狀態(tài)的目標(biāo)檢測(cè)。迄今，將目標(biāo)檢測(cè)算法應(yīng)用在輸電線路檢測(cè)方面已有部分研究，但是由于電力系統(tǒng)的特殊性難以建立大規(guī)模專(zhuān)業(yè)圖像數(shù)據(jù)庫(kù)，目標(biāo)檢測(cè)算法實(shí)現(xiàn)工程應(yīng)用仍面臨較大挑戰(zhàn)。

在絕緣子檢測(cè)方面，李軍鋒等人（2017）結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林分類(lèi)法成功識(shí)別絕緣子，但故障元件檢出率較低；王淼等（2017）采用深度卷積神經(jīng)網(wǎng)絡(luò)提取紅外圖像中絕緣子并實(shí)現(xiàn)了對(duì)其缺陷類(lèi)型進(jìn)行判定；張倩等人（2019）根據(jù)絕緣子樣本的特點(diǎn)，改進(jìn)LeNet_5 網(wǎng)絡(luò)結(jié)構(gòu)，引入隨機(jī)配置網(wǎng)絡(luò)分類(lèi)器，添加反饋機(jī)制實(shí)現(xiàn)對(duì)絕緣子的狀態(tài)檢測(cè)，但是實(shí)驗(yàn)中的圖像質(zhì)量不高，影響了最終識(shí)別的準(zhǔn)確性。

在變電設(shè)備檢測(cè)方面，李文璞等人（2021）提出了一種基于旋轉(zhuǎn)目標(biāo)檢測(cè)的變電設(shè)備電壓致熱型缺陷智能診斷方法，基于Faster RCNN 模型對(duì)紅外圖像中三相區(qū)域、套管、電流互感器等變電 設(shè)備區(qū)域進(jìn)行識(shí)別、定位，基于溫差閾值法進(jìn)行電壓致熱型缺陷診斷，該方法能夠有效地從紅外圖像中自動(dòng)識(shí)別電壓致熱型缺陷。朱惠玲等人（2021）在利用圖像增強(qiáng)算法及閾值分割的圖像預(yù)處理基礎(chǔ)上，基于變電設(shè)備紅外圖像對(duì)YOLOv3 算法進(jìn)行參數(shù)優(yōu)化，并通過(guò)遷移學(xué)習(xí)策略解決了圖像集樣本少的問(wèn)題，快速實(shí)現(xiàn)變電設(shè)備的識(shí)別與定位。曹恩宇等人（2022）使用YOLOX-Darknet53 目標(biāo)檢測(cè)算法對(duì)增強(qiáng)的變電設(shè)備熱紅外圖像進(jìn)行識(shí)別，其識(shí)別率高于傳統(tǒng)的YOLOv3 方法。

目前，目標(biāo)檢測(cè)技術(shù)在智能交通、智慧醫(yī)療等多個(gè)領(lǐng)域有成熟應(yīng)用，但是電力設(shè)備具有其自身的特性，其他領(lǐng)域的目標(biāo)識(shí)別技術(shù)不能直接應(yīng)用于電力設(shè)備的檢測(cè)和故障診斷分析中。若想實(shí)現(xiàn)目標(biāo)檢測(cè)技術(shù)在該領(lǐng)域的應(yīng)用，亟待建立相關(guān)的設(shè)備圖像庫(kù)。

3.3 目標(biāo)檢測(cè)在電力系統(tǒng)環(huán)境監(jiān)控的應(yīng)用

環(huán)境因素是影響輸電線路和變電站等重要電網(wǎng)設(shè)施安全的風(fēng)險(xiǎn)源之一，其中輸電線路周?chē)h(huán)境檢測(cè)和變電站內(nèi)部環(huán)境檢測(cè)是環(huán)境狀態(tài)監(jiān)控的重要區(qū)域。

能夠利用視頻圖像和目標(biāo)檢測(cè)算法對(duì)輸電線路周?chē)h(huán)境進(jìn)行監(jiān)控的風(fēng)險(xiǎn)主要包括山火、導(dǎo)線覆冰、植被生長(zhǎng)和異物入侵。例如，趙鈺等人（2021）構(gòu)建了Mobilenet-SSD 模型并進(jìn)行邊緣部署識(shí)別山火，準(zhǔn)確率達(dá)到81%；馬富齊等人（2021）通過(guò)卷積神經(jīng)網(wǎng)絡(luò)MobileNetV3 提取覆冰圖像特征，并引入多感受野模塊增大模型對(duì)覆冰影像的映射區(qū)域，從而增強(qiáng)其特征提取能力，采用多尺度目標(biāo)檢測(cè)模型SSD 實(shí)現(xiàn)覆冰厚度的辨識(shí)與監(jiān)測(cè)。針對(duì)異物入侵的研究相比其他研究較多，F(xiàn)aster-RCNN, YOLO 以及SSD 等目標(biāo)檢測(cè)模型均有所應(yīng)用。目前，雖然已經(jīng)有不少研究成功應(yīng)用目標(biāo)檢測(cè)算法，實(shí)現(xiàn)對(duì)輸電線路環(huán)境的監(jiān)控，但是訓(xùn)練樣本不足仍然是提升目標(biāo)檢測(cè)準(zhǔn)確率的關(guān)鍵障礙。變電站內(nèi)設(shè)備眾多，環(huán)境復(fù)雜，其環(huán)境檢測(cè)重點(diǎn)包括溫濕度、電磁場(chǎng)、氣體成分，煙霧和明火以及異物入侵，其中溫濕度、電磁場(chǎng)和氣體成分主要依靠傳感器進(jìn)行監(jiān)控，異物入侵、煙霧和明火可以依靠視頻和目標(biāo)檢測(cè)算法進(jìn)行監(jiān)控。例如，基于YOLOv5 和K-means 算法針對(duì)無(wú)人值守變電站異物如鳥(niǎo)巢、風(fēng)飄物入侵進(jìn)行識(shí)別，利用MobileNetv3-Large 網(wǎng)絡(luò)改進(jìn)的YOLOv3 模型判別變電站火災(zāi)檢測(cè)。然而，由于實(shí)際火災(zāi)數(shù)據(jù)集較少，模型建立于自建數(shù)據(jù)集上，其泛化能力相對(duì)較差，且缺少實(shí)際驗(yàn)證。

4 問(wèn)題分析及建議

盡管目標(biāo)檢測(cè)算法在電力系統(tǒng)人員安全管理、電力設(shè)備檢測(cè)及故障診斷和重要區(qū)域環(huán)境狀態(tài)監(jiān)測(cè)3 個(gè)方面均有所應(yīng)用，但是仍然存在許多難點(diǎn)問(wèn)題，制約著目標(biāo)檢測(cè)算法在電力安全管控中的大規(guī)模應(yīng)用。

4.1 缺少有效真實(shí)樣本集

雖然電力監(jiān)控系統(tǒng)中的攝像頭能夠獲取大量數(shù)據(jù)，但絕大多數(shù)都是正常數(shù)據(jù)，異常狀態(tài)下的樣本非常稀少，這直接限制了由數(shù)據(jù)驅(qū)動(dòng)的目標(biāo)檢測(cè)算法的模型訓(xùn)練。盡管可以通過(guò)圖像增強(qiáng)和圖像融合的方法擴(kuò)充樣本，但沒(méi)有從根本上解決問(wèn)題，導(dǎo)致算法模型泛化和遷移能力差，不能滿足不同場(chǎng)景的需求。甚至，由于缺乏真實(shí)的數(shù)據(jù)集，諸如煙霧和明火的目標(biāo)檢測(cè)算法無(wú)法在實(shí)際應(yīng)用中得到驗(yàn)證。

為了解決少樣本的問(wèn)題，一方面，要在電網(wǎng)公司和集團(tuán)的管理層面推動(dòng)建立樣本庫(kù)，打破電網(wǎng)內(nèi)部的信息壁壘，提升樣本數(shù)量；另一方面，要發(fā)展少樣本或者零樣本的目標(biāo)算法，諸如遷移學(xué)習(xí)、元學(xué)習(xí)和度量學(xué)習(xí)等基于弱監(jiān)督、半監(jiān)督甚至自監(jiān)督的方法訓(xùn)練模型，在弱監(jiān)督學(xué)習(xí)過(guò)程中嵌入先驗(yàn)知識(shí)，或者通過(guò)將學(xué)習(xí)過(guò)程分階段進(jìn)行強(qiáng)化訓(xùn)練，增強(qiáng)弱監(jiān)督學(xué)習(xí)能力。

4.2 算法的泛化和遷移能力差

在真實(shí)場(chǎng)景中的視頻幀差異化很大，容易出現(xiàn)遮擋、失焦、目標(biāo)姿態(tài)罕見(jiàn)等情況，這需要視頻目標(biāo)檢測(cè)算法具有很好的泛化能力，才能完成真實(shí)場(chǎng)景的具體任務(wù)。同時(shí)，目標(biāo)檢測(cè)算法面對(duì)的真實(shí)場(chǎng)景千差萬(wàn)別，當(dāng)場(chǎng)景變化時(shí)可能導(dǎo)致算法失效，需要建立新的樣本集，重新設(shè)計(jì)和訓(xùn)練模型。為了提升目標(biāo)檢測(cè)算法的泛化能力，除了提升樣本集數(shù)量和質(zhì)量外，可以從兩個(gè)方面優(yōu)化算法模型。一方面，提高目標(biāo)檢測(cè)模型的可解釋性，模仿傳統(tǒng)目標(biāo)檢測(cè)方法，選取具有明確物理含義的圖像數(shù)據(jù)，逐漸了解模型從訓(xùn)練集中學(xué)習(xí)到了哪些知識(shí)，哪些屬性是對(duì)模型訓(xùn)練有用的，哪些是冗余，從而提高算法模型的性能。另一方面，優(yōu)化算法訓(xùn)練方法，采用支持樣本類(lèi)別和數(shù)量增加的增量學(xué)習(xí)方式，減少模型迭代更新的成本。

4.3 目標(biāo)檢測(cè)算法的弱穩(wěn)定性

目標(biāo)檢測(cè)算法的精度在海量數(shù)據(jù)的訓(xùn)練基礎(chǔ)上或許能達(dá)到較高的水平，但是仍然會(huì)發(fā)生錯(cuò)誤辨識(shí)，有時(shí)候甚至是低級(jí)錯(cuò)誤。目標(biāo)檢測(cè)算法的研究成果目前還只是處于“可以用”的階段，距離“很好用”還有很長(zhǎng)的路要走。而電力行業(yè)關(guān)系到國(guó)民經(jīng)濟(jì)各方面，很多情況下，對(duì)算法可靠性要求極高，因此面向電力系統(tǒng)的目標(biāo)檢測(cè)算法需要著力突破計(jì)算不穩(wěn)定性的技術(shù)瓶頸。

目前，針對(duì)大、中目標(biāo)的檢測(cè)算法尚能滿足場(chǎng)景需求，但是對(duì)于小目標(biāo)本身尺度小，在圖像中所對(duì)應(yīng)的信息含量少，細(xì)節(jié)特征不明確，使得目標(biāo)檢測(cè)算法在檢測(cè)小目標(biāo)時(shí)容易產(chǎn)生低級(jí)錯(cuò)誤，因此，提升小目標(biāo)檢測(cè)的能力是提升目標(biāo)檢測(cè)算法穩(wěn)定性的突破口之一。另外，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法大部分以CNN 為基礎(chǔ)，但是以CNN 為平臺(tái)的研究成果質(zhì)量提升愈加緩慢，如果能找到獨(dú)立于CNN 的網(wǎng)絡(luò)架構(gòu)模式，也許是提高目標(biāo)檢測(cè)算法穩(wěn)定性的另一個(gè)突破口。

5 結(jié)語(yǔ)

本文對(duì)目標(biāo)檢測(cè)算法的概念及其在電力安全管控的應(yīng)用進(jìn)行了綜述，對(duì)目前存在的問(wèn)題進(jìn)行了分析并提出了相關(guān)建議。相對(duì)傳統(tǒng)的目標(biāo)檢測(cè)技術(shù)，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法具有強(qiáng)大的優(yōu)勢(shì)，為電力安全管控帶來(lái)了革命性的變化。未來(lái)如果能夠建立起電力系統(tǒng)的統(tǒng)一標(biāo)準(zhǔn)樣本庫(kù)，將會(huì)使目標(biāo)檢測(cè)算法在電力安全管控中發(fā)揮更大的優(yōu)勢(shì)，為電力系統(tǒng)的持續(xù)穩(wěn)定運(yùn)行提供自動(dòng)化的監(jiān)督服務(wù)。