УДК 621.315.6:004.8

ИНТЕЛЛЕКТУАЛЬНОЕ ОБНАРУЖЕНИЕ ДЕФЕКТОВ ИЗОЛЯТОРОВ ПОДСТАНЦИЙ НА ОСНОВЕ CENTERMASK

Бо Е
Фэн Ли
Минсюань Ли
Пейпэй Ян
Хуйтин Ян
Лихуа Ван
Научно-исследовательский институт энергетики Синьцзян, Государственная электросетевая корпорация, Урумчи, Китай
* Корреспонденция: Бо Е, bby90031@163.com
Аннотация. С развитием интеллектуальной эксплуатации и технического обслуживания подстанций ежедневный осмотр подстанций требует обработки массивных видео- и изобразительных данных. Это предъявляет повышенные требования к скорости обработки и точности обнаружения дефектов. На основе парадигмы сквозного обучения в данной статье предлагается интеллектуальный метод обнаружения дефектов изоляторов подстанций на основе CenterMask. Во-первых, базовая сеть VoVNet улучшена в соответствии с остаточным соединением и модулем eSE, что эффективно решает проблемы насыщения глубокой сети и потери градиентной информации. На этой основе предлагается метод генерации маски изолятора на основе механизма направленного пространственного внимания. Изоляторы со сложным фоновым изображением точно сегментируются. Затем вводятся три стратегии: покомпонентный регрессионный прогноз, многоуровневые признаки и центрирование. Безанкерный одноступенчатый детектор целей точно локализует точки дефектов изоляторов. Наконец, проводится примерный анализ с использованием изображений инспекции подстанций энергоснабжающей компании в определенном районе для проверки эффективности и надежности предлагаемого метода.
Ключевые слова: интеллектуальная подстанция; CenterMask; обнаружение дефектов изолятора; сегментация экземпляров; обработка изображений.
1. ВВЕДЕНИЕ
В Китае «План работы по применению технологий искусственного интеллекта Государственной электросетевой корпорации на 2021 год» дал четкие указания. Построить и эксплуатировать два уровня ИИ «две библиотеки и одна платформа», а также сформировать ряд высокоточных и высокоценных специализированных энергетических моделей. Как важная и незаменимая часть энергосистемы, безопасная и стабильная работа подстанций является основой построения мощной интеллектуальной сети [1], [2]. Сегодня растущая неопределенность возобновляемых источников энергии [3], [4] и опасения по поводу кибербезопасности и проблем конфиденциальности [5], [6] создают новые вызовы для работы подстанций. Поэтому существуют строгие стандарты для эксплуатации и технического обслуживания (ЭиТО) оборудования подстанций [7].
Изоляторы являются ключевым оборудованием на подстанциях. Распространенные типы включают: опорные изоляторы, проходные изоляторы и подвесные изоляторы. Их эксплуатационные характеристики напрямую связаны со стабильной и непрерывной работой региональной энергосистемы. Однако загрязнение и повреждение изоляторов являются основными факторами, влияющими на их эксплуатационные характеристики [8]. Для удовлетворения потребностей ЭиТО подстанция оснащена инспекционными роботами и развернуто большое количество высококачественных камер [9]. Ежедневное ЭиТО изоляторов на станции требует обработки массивных объемов видео- и изобразительных данных. Как использовать данные для эффективного анализа дефектов изоляторов является не только фокусом работы ЭиТО, но и сложностью в обнаружении дефектов [10].
В настоящее время уже проведено значительное количество исследований по обнаружению дефектов изоляторов на подстанциях, поскольку искусственный интеллект был успешно применен к проблемам классификации в инженерии [11], [12]. В [13] на основе машинного зрения завершено извлечение признаков изображения изолятора через модуль Vision LabVIEW, и реализована предварительная идентификация и позиционирование изолятора. Поверхность изоляторов подстанций очень подвержена влиянию влажной погоды, что приводит к загрязнению и перекрытиям на объектах подстанции. В [14] разработан робот для очистки изоляторов на основе бинокулярного зрения, использующий алгоритм глубокого обучения YOLOv4-tiny для идентификации и обнаружения опорных изоляторов и целей фланцев. Путем установления электротермической модели для гирлянд изоляторов предложен метод идентификации ухудшающихся фарфоровых изоляторов на подстанциях на основе технологии инфракрасной термографии. Работа в [15] достигает определенной практичности. Кроме того, в [16] для улучшения возможностей диагностики неисправностей изоляторов оборудования подстанций предложен метод идентификации повреждения изоляторов оборудования подстанций на основе интеллектуального слияния информации изображения и обнаружения сегментации краевого контура. В [17] исследован метод обнаружения слияния многоисточниковой информации изображения и метод реконструкции слияния многоисточниковых изображений состояния загрязнения изолятора. Однако эта работа извлекает цветовые признаки поверхности, признаки повышения температуры и признаки интенсивности разряда изоляторов из изображений видимого света, инфракрасных и ультрафиолетовых изображений соответственно, что делает метод обнаружения трудным для применения в режиме онлайн [18].
В целом, применение методов компьютерного зрения и глубокого обучения для реализации обнаружения дефектов изоляторов подстанций стало областью активных исследований. Однако существующие методы не идеальны для обнаружения массивных высококачественных изобразительных данных на подстанциях, и существует общая проблема низкой оперативности обнаружения дефектов изоляторов. Поэтому на основе парадигмы сквозного обучения данная работа использует одноступенчатый алгоритм сегментации экземпляров, и предлагается сквозной гибкий метод обнаружения дефектов изоляторов подстанций.
Основные новшества данной работы:
(i) Идея сквозного проектирования революционизирует поэтапные и пошаговые методы сегментации и обнаружения в традиционных исследованиях обнаружения изоляторов. Эта стратегия эффективно снижает влияние пошаговой итерации ошибок на производительность модели.
(ii) Генерация маски изолятора и обнаружение дефектов могут выполняться параллельно. Этот метод значительно повышает эффективность идентификации неисправностей оборудования ЭиТО на подстанции.
(iii) Одноступенчатый алгоритм сегментации экземпляров был успешно применен в обнаружении точек дефектов изоляторов. Путем введения покомпонентного регрессионного прогнозирования, многоуровневых признаков и центрирования трех стратегий для точного вывода метки ограничительной рамки местоположения точки дефекта.
Данная статья организована следующим образом: Раздел 2 кратко описывает архитектуру для гибкого обнаружения точек дефектов изоляторов на подстанциях. Метод генерации маски изолятора и обнаружения точек дефектов подробно описан в Разделе 3. Раздел 4 проверяет эффективность предлагаемого метода на основе построенной экспериментальной среды. Наконец, выводы и перспективы представлены в Разделе 5.
2. АРХИТЕКТУРА ИНТЕЛЛЕКТУАЛЬНОГО МЕТОДА ОБНАРУЖЕНИЯ ДЕФЕКТОВ ИЗОЛЯТОРОВ
Из-за тесной связи между оборудованием на подстанции изображение изолятора, снятое инспекционным роботом, смешано с большим количеством другого трансформаторного оборудования [19], [20]. Это делает необходимым поэтапную обработку изображений при обнаружении дефектов изоляторов.
Однако результат поэтапной обработки определенно увеличит время обнаружения и снизит точность обнаружения [21], [22]. В то же время нельзя игнорировать особенности массивного количества инспекционных изображений. Поэтому данное исследование комплексно оценивает требования ЭиТО подстанционных изоляторов и сложность обучения массивных инспекционных изображений. Разработан метод обнаружения дефектов на основе CenterMask. Общая схема реализации данной работы показана на Рисунке 1. На основе одноступенчатого алгоритма обнаружения целей включена параллелизованная техника сегментации изображений для получения маски изолятора [23]. Одновременно, отдельное извлечение масок для точек дефектов изоляторов также включено в обучение. Путем подсчета задач обнаружения дефектов изоляторов основными задачами являются: обнаружение изолятора, сегментация маски изолятора, обнаружение точки дефекта изолятора и локализация точки дефекта изолятора.
Как показано на Рисунке 1, эта сквозная работа может быть разложена на три части. Во-первых, на основе накопленных исходных инспекционных изображений строится начальная база данных изображений. Затем проектируется структура модели обнаружения дефектов. Эта часть также является ядром всего метода. 1) Базовая сеть использует улучшенный VoVNet для эффективного извлечения признаков целей. 2) Ветвь маски с пространственным вниманием (SAG-Mask) генерирует маски целей. 3) Использование полностью сверточной одноступенчатой (FCOS) для обнаружения точек дефектов изоляторов. Наконец, на выходе получается маска изолятора и метка ограничительной рамки точки дефекта.
Рис. 1 – Общая схема интеллектуального метода обнаружения дефектов изоляторов
Рис. 1 – Общая схема интеллектуального метода обнаружения дефектов изоляторов
3. ГИБКИЙ МЕТОД ОБНАРУЖЕНИЯ ДЕФЕКТОВ ИЗОЛЯТОРОВ ПОДСТАНЦИЙ
CenterMask — это более новый алгоритм сегментации экземпляров, предложенный Янгваном Ли и Джонёлем Парком из Корейского института электроники и телекоммуникаций в 2019 году [24]. Этот алгоритм добавляет модуль SAG-Mask, изобретенный учеными, к известному одноступенчатому безанкерному алгоритму обнаружения целей FCOS, что делает его точность и скорость сегментации целей превосходящими традиционные алгоритмы. Два ученых сделали алгоритм открытым исходным кодом для ученых в области изображений и зрения для совместного изучения прикладных исследований алгоритма. Применение этого алгоритма в обнаружении дефектов изоляторов подстанций дополнительно повышает интеллектуальность и точность обнаружения дефектов изоляторов.
3.1 Извлечение признаков изолятора на основе улучшенного VoVNet
Инспекционный робот на интеллектуальной подстанции будет собирать изображения изоляторов под разными углами во время работы. Фон изолятора на изображении сложен и разнообразен, что создает серьезные шумовые помехи для точного обнаружения точек дефектов изолятора [25], [26]. Поэтому нашей первой задачей является достижение точного извлечения признаков цели изолятора. Именно базовая сеть модели выполняет эту задачу в исследовании.
В настоящее время различные модели обнаружения целей полагаются на разные базовые сети [27]. Основным модулем, используемым в популярной модели обнаружения целей DenseNet, является плотный блок. Все предыдущие слои агрегируются через плотные соединения, что приводит к линейному увеличению количества входных каналов для каждого последующего слоя. Эта стратегия делает стоимость доступа к памяти и энергопотребление чрезвычайно высокими, а скорость вычислений серьезно затруднена [28]. Когда входом является изображение изолятора более высокого качества, извлечение объектов имеет тенденцию потреблять больше памяти и времени вывода. Эта проблема делает эффект обнаружения дефектов изоляторов далеким от соответствия стандарту массивных высококачественных изображений изоляторов на подстанциях. Базовая сеть CenterMask, предложенная исследованием, использует улучшенный VoVNet. Эффективно решена проблема избыточности признаков, вызванная плотными соединениями в DenseNet, и принят основной модуль одноэтапной агрегации (OSA). В этой стратегии все предыдущие слои унифицируются и агрегируются в конце.
Улучшенный VoVNet решает проблему насыщения производительности и проблему потери информации в стандартном VoVNet соответственно. 1) Путем регулировки входа модуля OSA и добавления его к выходу вводится остаточная связь ResNet, чтобы гарантировать, что VoVNet может обучать более глубокую сеть. Он может эффективно обрабатывать изображения изоляторов с высоким соотношением пикселей. 2) Модуль eSE из SENet добавлен к последнему слою признаков VoVNet, и два полностью связанных слоя, используемых в исходном модуле SE, напрямую заменены одним, что эффективно снижает потерю информации канала. Этот метод дополнительно усиливает способность извлечения признаков цели изолятора. Улучшенная структура соединения модулей OSA в VoVNet согласно этой идее показана в области извлечения признаков изолятора на Рисунке 1. Производительность моделей обнаружения целей на основе улучшенного VoVNet превосходит модели на основе других алгоритмов обнаружения целей. Алгоритм значительно повышает эффективность вычислений на GPU и удовлетворяет потребности в высокоскоростной обработке для интеллектуальной идентификации скрытых угроз изоляторов.
3.2 Извлечение маски изолятора на основе SAG-Mask
Наборы данных изображений изоляторов часто страдают от проблем сложного фона, множества гирлянд на одном изображении и перекрытия изоляторов [29]. Извлечение признаков изолятора в Разделе 3.1 реализует обнаружение цели изолятора. Положение изолятора на изображении точно ограничивается рамкой, и только выполнение этого звена не может быстро обнаружить точки дефектов изолятора. Поэтому необходимо дополнительно реализовать точную сегментацию изоляторных элементов на этой основе. Добавление ветви SAG-Mask к результату обнаружения FCOS в алгоритме CenterMask удовлетворительно выполняет эту задачу.
Наиболее известными в сегментации экземпляров являются Mask RCNN и связанные с ним улучшенные алгоритмы, а также алгоритм YOLACT, который фокусируется на скорости [30]. Однако в CenterMask предлагается механизм, ориентированный на пространственное внимание. Этот механизм способен использовать карту пространственного внимания входного изображения для прогнозирования масок сегментации для каждого ограниченного экземпляра. Добавленная ветвь SAG-Mask может выполняться параллельно с идентификацией точек неисправностей изолятора детектором целей, что значительно повышает эффективность идентификации интеллектуальных скрытых угроз изоляторов.
В данной статье сегментация экземпляров изоляторов разлагается на две простые и параллельные подзадачи, как показано в области генерации маски на Рисунке 1. Задача 1 достигает цели ограничения локальной области каждого изолятора и естественного различения экземпляра. Делается грубый прогноз формы вокруг центральной точки каждого изолятора. Задача 2 достигает точной сегментации изоляторов при сохранении пространственного положения точной сегментации. Ветвь прогнозируется с использованием значимых пикселей изолятора во всем инспекционном изображении. Основная идея заключается в том, чтобы сосредоточиться на конкретных блочных признаках на карте признаков с помощью механизма внимания. Наконец, маска для соответствующего положения изображения каждого изолятора строится путем умножения выходов двух параллельных ветвей.
Математический процесс процесса сегментации экземпляров может быть описан как: входная карта признаков изолятора обозначается как Xi ∈ RC*H*W. Она объединяется с использованием максимального и среднего объединения. Объединенные признаки соответственно Fmax_pooling, Faverage_pooling ∈ Rh*H*W и затем пропускаются через сверточную нейронную сеть 3×3. Конкретные математические функции следующие:
Asag(Xi) = σ(F3*3(Pmax_pooling · Paverage_pooling))
Затем значимые пиксели используются в задаче 2 для усиления входных признаков исходного изображения изолятора. Как показано в уравнении (2).
Xsag = Asag(Xi) ⊗ Xi
3.3 Идентификация и локализация дефектов изолятора на основе FCOS
Целью интеллектуальной идентификации скрытых угроз изоляторов является быстрое определение местоположения различных распространенных неисправностей изоляторов с помощью интеллектуальных алгоритмов, таких как повреждение элемента, чрезмерное загрязнение, старение трещин и т.д. [31]. Точное извлечение маски изолятора может только гарантировать, что местоположение изолятора идентифицировано из инспекционного изображения, и изолятор точно сегментирован. Однако конкретные точки неисправности требуют точного обнаружения местоположения соответствующей моделью. Данная работа использует безанкерный алгоритм FCOS для выполнения задачи в части обнаружения целей общей структуры CenterMask. FCOS — это полностью сверточный одноступенчатый алгоритм обнаружения объектов [32]. Он решает проблему обнаружения объектов способом прогнозирования пиксель за пикселем. В то же время, в процессе обнаружения безанкерная рамка FOCS является огромным преимуществом. Гиперпараметры, связанные с якорными рамками, и все сложные вычисления, связанные с якорными рамками, эффективно избегаются. Эффективность идентификации и локализации дефектов изолятора значительно повысилась. Выход всего результата идентификации и локализации дефектов включает три аспекта: покомпонентный регрессионный прогноз, многоуровневые признаки и центрирование.
Конкретная процессная схема показана в области маркировки точек дефектов на Рисунке 1. Первый выход из 3 выходных слоев — это ветвь классификации. H*W представляет размер признака. C представляет количество категорий. Позиция во входном инспекционном изображении может быть отображена на позицию на признаке, и функция отображения:
(r/2) + pr'[1/2] + qr'
где координаты (p, q) обозначают конкретное местоположение в инспекционном изображении. r обозначает масштабирование между картой признаков и исходным инспекционным изображением. Эта функция может представлять отношение между положением точки на карте признаков и положением точки на выходном изображении. Это закладывает основу для вычисления целей классификации и регрессии для каждой точки на карте признаков.
Второй выход — это стратегия центрирования. Алгоритм FCOS применяется для достижения высокой эффективности одноступенчатого безанкерного вычисления рамки и высокой полноты стратегии покомпонентной регрессии. Он также приносит множество низкокачественных прогнозируемых ограничительных рамок со слишком большим отклонением от центральной точки. Путем введения этой стратегии можно рассчитать расстояние между каждой точкой и центром цели, тем самым подавляя некоторые прогнозируемые ограничительные рамки, которые находятся далеко от центра цели. Но эта стратегия не вводит никаких чрезмерных гиперпараметров.
Стратегия центрирования добавляет ветвь к каждому прогнозируемому слою пирамиды признаков. И эта ветвь параллельна ветви классификации, что эквивалентно добавлению функции потерь к сети. В процессе обучения набора данных изображений функция потерь ограничивает прогнозируемую ограничительную рамку быть как можно ближе к центральной точке, чтобы вспомогательное немаксимальное подавление (NMS) могло отфильтровать низкокачественное прогнозирование ограничительной рамки. Функция потерь следующая:
Loss* = √[(min(dleft*, dright*)/max(dleft*, dright*)) × (min(dtop*, dbottom*)/max(dtop*, dbottom*))]
где расстояния от центральной точки до левой, правой, верхней и нижней сторон прогнозируемой ограничительной рамки представлены dleft, dright, dtop и dbottom соответственно. Loss* — это значение функции потерь, и чем больше оно стремится к нулю, тем лучше может быть ограничен прогноз.
Третий выход — это ветвь возврата. При выполнении регрессии целевой рамки для всех точек в целевой рамке точек дефектов в инспекционном изображении расстояние до каждого края используется в качестве стандарта измерения. Эта часть является основным отличием алгоритма обнаружения целей без якорной рамки от алгоритма обнаружения целей на основе якорной рамки, где 4 в H × W × 4 представляет 4 значения, связанные с регрессией. Рассчитывается следующим образом:
dleft* = m - m0(i), dtop* = n - n0(i)
dright* = m0(i) - m, dbottom* = n0(i) - n
4. ПРИМЕРНЫЙ АНАЛИЗ
Для проверки эффективности и надежности гибкого метода обнаружения дефектов изоляторов, предложенного в данной статье. В качестве примера проводится анализ с использованием изображений инспекции подстанций энергоснабжающей компании в определенном районе. Есть два основных аспекта для построения экспериментальной среды на графической рабочей станции DELL. Аппаратное обеспечение: Intel(R) Xeon(R) Gold5118 CPU @ 2.30GHz, NVIDIA Quadro P5000, 128G RAM; Программное обеспечение: Python 3.7.6, CUDA 10.1, PyTorch 1.4.0, Detectron2 0.1.1, CV2 4.2.0. Результаты вывода модели оцениваются рядом комбинаций показателей для дальнейшей реализации оптимизации модели идентификации точек дефектов.
4.1 Генерация маски изолятора и обнаружение дефектов
Изображения изоляторов, захваченные инспекцией, разделены на обучающий набор и тестовый набор. В вышеупомянутой экспериментальной среде проводится анализ образцов обучающего набора, выбор и оптимизация базовой сети модели. Эта модель обучалась более 200 000 итераций. В процессе обучения каждая часть потерь сети визуализируется для достижения точной настройки параметров модели. Полный процесс генерации маски изолятора показан на Рисунке 2.
Во-первых, обучающий набор, как показано на Рисунке 2(а), аннотируется вручную. Он используется для помощи начальному обучению модели. Рисунок 2(b) показывает ручную аннотацию исходного инспекционного изображения с использованием инструмента разметки Labelme. Изоляторы помечены меткой «Insulator», а точки дефектов изоляторов помечены меткой «Insulator error». Затем модель сети CenterMask итеративно обучается и настраивается с использованием эффективно размеченного обучающего набора. Этот процесс занимает много времени. Наконец, применяется обученная модель обнаружения дефектов изоляторов. Входной тестовый набор для проверки эффективности ветви извлечения маски изолятора модели. Результат извлечения показан на Рисунке 2(c).
Как упоминалось в Разделе 2, идентификация точек дефектов и извлечение маски в модели обнаружения дефектов изоляторов — это две независимые ветви, и две ветви могут выполняться параллельно. Идентификация точек дефектов не должна ждать генерации маски или быть нарушена результатами генерации маски. Поэтому идентификация и позиционирование точек дефектов более гибки и эффект лучше. Путем принятия той же многоуровневой стратегии обучения, что и для изоляторов, параметры модели устанавливаются для случайного масштабирования в пределах диапазона входных масштабов. Набор данных обучения точек взрыва изолятора обогащается в соответствии с ограничениями максимального и минимального входного размера. При выводе файла xml точки дефекта реализуется визуальный вывод отображения идентификации точки дефекта изолятора одного изображения и точность идентификации. Для тестового набора визуализация обнаружения точки дефекта изолятора модели и соответствующая метка позиционирования, хранящаяся в файле xml, эффект показан на Рисунке 3.
Рис. 2 – Процесс генерации маски изолятора: (a) Исходное изображение изолятора. (b) Аннотированный чертеж изолятора. (c) Извлечение маски изолятора.
Рис. 2 – Процесс генерации маски изолятора: (a) Исходное изображение изолятора. (b) Аннотированный чертеж изолятора. (c) Извлечение маски изолятора.
Рис. 3 – Обнаружение и позиционирование точки дефекта изолятора.
Рис. 3 – Обнаружение и позиционирование точки дефекта изолятора.
4.2 Оценка по примерным показателям
Для результатов тестирования модели установлены метрики оценки средней точности (AP) и средней полноты (AR). При комбинации различных IOU, областей проверки (AREA) и количества проверяемых объектов (MaxDets) проводится анализ производительности модели по всем тестовым результатам. Конкретные результаты оценки показаны в Таблице 1. Где IOU представляет степень перекрытия между сгенерированным кандидатным кадром и исходным размеченным кадром. Это отношение пересечения и объединения, и уравнение расчета следующее:
IOU = (Площадь Перекрытия) / (Площадь Объединения)
В Таблице 1 AP представляет IOU в диапазоне от 0,5 до 0,95. AP50 представляет диапазон IOU от 0,5 до 1,0. AP75 представляет диапазон IOU от 0,75 до 1,0. APs представляет измерение AP целевой рамки, площадь пикселей которой меньше 322. APm представляет измерение AP целевой рамки, площадь пикселей которой находится между 322 и 962. APl представляет измерение AP целевой рамки, площадь пикселей которой больше 962. Value1 представляет AP/AR, сгенерированные маской изолятора при различных методах оценки. Value2 представляет результат значения индекса обнаружения точки дефекта в различных ситуациях.
Таблица 1 – Значения индексов различных методов оценки
Метод оценки IOU AREA MaxDets Value1 Value2
AP 0.50-0.95 all 100 0.921 0.881
AP50 >0.50 all 100 0.934 0.926
AP75 >0.75 all 100 0.854 0.873
APs 0.50-0.95 small 100 0.845 0.694
APm 0.50-0.95 medium 100 0.896 0.811
APl 0.50-0.95 large 100 0.912 0.976
ARm1 0.50-0.95 all 1 0.632 0.694
ARm10 0.50-0.95 all 10 0.726 0.789
ARm100 0.50-0.95 all 100 0.776 0.804
ARs 0.50-0.95 small 100 0.751 0.792
ARm 0.50-0.95 medium 100 0.887 0.834
ARl 0.50-0.95 large 100 0.898 0.942
Анализ Таблицы 1 показывает, что когда 0,5 используется в качестве порога IOU для сегментации, эффект генерации маски модели является наилучшим. Точность модели составляет 93,4%, что указывает на то, что модель удовлетворяет извлечению изоляторов в большинстве сценариев инспекционных изображений. Однако AP и AR целевых рамок с площадью пикселей меньше 322 значительно ниже, что указывает на то, что модель все еще нуждается в улучшении в деталях генерации маски. Далее анализируется производительность модели в обнаружении точек дефектов, и общие требования ЭиТО подстанции удовлетворяются, и эффект обнаружения хороший. При обнаружении объектов с площадью пикселей больше 962 AP и AR составляют 97,6% и 94,2% соответственно. Модель работает лучше всего. Видно, что модель имеет высокую точность обнаружения для крупных точек дефектов изолятора и имеет хорошую полноту.
5. ЗАКЛЮЧЕНИЕ
Данная работа берет интеллектуальное ЭиТО оборудования на подстанции в качестве фона и комплексно анализирует характеристики массивных изображений инспекционных изоляторов и сложный фон обнаружения точек дефектов. Предложен интеллектуальный метод обнаружения дефектов изоляторов подстанций на основе CenterMask. Предложение этой технологии повышает эффективность и точность обнаружения дефектов изоляторов в определенной степени. Результаты примерного анализа подтверждают следующие основные выводы:
1) Разработана сквозная архитектура обнаружения точек дефектов изоляторов. Весь процесс обучения не выполняет искусственного разделения на подзадачи, но модель глубокого обучения напрямую изучает отображение от исходного ввода к желаемому выводу.
2) Необходимо только ввести изображение поля изолятора, захваченное инспекционным роботом, в модель обнаружения дефектов. Три ключевые задачи извлечения признаков цели, сегментации маски и обнаружения цели точки дефекта изоляторов могут быть реализованы за один раз.
3) Предложен новый гибкий метод обнаружения дефектов изоляторов на подстанциях. В режиме ручной инспекции эффективно сокращаются трата человеческих ресурсов и потенциальные угрозы безопасности, вызванные работой энергосистемы.
Исследование трансферного применения этого метода станет следующим направлением исследований. Это значительно повысит эффективность и интеллектуальность ЭиТО оборудования подстанций и имеет важное исследовательское значение и инженерную прикладную ценность.
СПИСОК ЛИТЕРАТУРЫ

1. Han, S., Yang, F., Jiang, H., Yang, G., Zhang, N., and Wang, D. (2021). A Smart Thermography Camera and Application in the Diagnosis of Electrical Equipment. IEEE Transactions on Instrumentation and Measurement, 70, 1-8. DOI: 10.1109/TIM.2021.3094235.

2. Li, Y., Li, Z., and Chen, L. (2019). Dynamic state estimation of generators under cyber attacks. IEEE Access, 7, 125253-125267. DOI: 10.1109/ACCESS.2019.2939055.

3. Li, Y., Zhang, M., and Chen, C. (2022). A deep-learning intelligent system incorporating data augmentation for short-term voltage stability assessment of power systems. Applied Energy, 308, 118347. DOI: 10.1016/j.apenergy.2021.118347.

4. Li, Y., Li, K., Yang, Z., et al. (2022). Stochastic optimal scheduling of demand response-enabled microgrids with renewable generations: An analytical-heuristic approach. Journal of Cleaner Production, 330, 129840. DOI: 10.1016/j.jclepro.2021.129840.

5. Li, Y., Wang, B., Yang, Z., et al. (2022). Hierarchical stochastic scheduling of multi-community integrated energy systems in uncertain environments via Stackelberg game. Applied Energy, 308, 118392. DOI: 10.1016/j.apenergy.2021.118392.

6. Li, Y., Li, J., and Wang, Y. (2022). Privacy-preserving spatiotemporal scenario generation of renewable energies: A federated deep generative learning approach. IEEE Transactions on Industrial Informatics, 18(4), 2310-2320. DOI: 10.1109/TII.2021.3098259.

7. Huang, Q., Jing, S., Li, J., Cai, D., Wu, J., and Zhen, W. (2016). Smart substation: State of the art and future development. IEEE Transactions on Power Delivery, 32(2), 1098-1105. DOI: 10.1109/TPWRD.2016.2598572.

8. He, J., and Gorur, R. S. (2017). Flashover of insulators in a wet environment. IEEE Transactions on Dielectrics and Electrical Insulation, 24(2), 1038-1044. DOI: 10.1109/TDEI.2017.005795.

9. Guan, X., Gao, W., Peng, H., Shu, N., and Gao, D. W. (2021). Image-Based Incipient Fault Classification of Electrical Substation Equipment by Transfer Learning of Deep Convolutional Neural Network. IEEE Canadian Journal of Electrical and Computer Engineering, 45(1), 1-8. DOI: 10.1109/ICJECE.2021.3109293.

10. Wang, H., Zhou, B., and Zhang, X. (2017). Research on the remote maintenance system architecture for the rapid development of smart substation in China. IEEE Transactions on Power Delivery, 33(4), 1845-1852. DOI: 10.1109/TPWRD.2017.2757939.

11. Shi, Z. B., Yu, T., Zhao, Q., et al. (2008). Comparison of algorithms for an electronic nose in identifying liquors. Journal of Bionic Engineering 5(3), 253-257. DOI: 10.1016/S1672-6529(08)60032-3.

12. Shi, Z. B., Li, Y., and Yu, T. (2009). Short-term load forecasting based on LS-SVM optimized by bacterial colony chemotaxis algorithm. In 2009 International Conference on Information and Multimedia Technology, 306-309. DOI: 10.1109/ICIMT.2009.57.

13. Zhai, Y., Chen, R., Yang, Q., Li, X., and Zhao, Z. (2018). Insulator fault detection based on spatial morphological features of aerial images. IEEE Access, 6, 35316-35326. DOI: 10.1109/ACCESS.2018.2846293.

14. Tang, S., Zhou, P., Wang, X., Yu, Y., and Li, H. (2020). Design and experiment of dry-ice cleaning mechanical arm for insulators in substation. Applied Sciences, 10(7), 2461. DOI: 10.3390/app10072461.

15. Zhang, D., and Chen, S. (2020). Intelligent Recognition of Insulator Contamination Grade Based on the Deep Learning of Ultraviolet Discharge Image Information. Energies, 13(19), 5221. DOI: 10.3390/en13195221.

16. Gao, Z., Yang, G., Li, E., and Liang, Z. (2021). Novel Feature Fusion Module-Based Detector for Small Insulator Defect Detection. IEEE Sensors Journal, 21(15), 16807-16814. DOI: 10.1109/JSEN.2021.3073422.

17. Usamentiaga, R., Fernandez, M. A., Villan, A. F., and Carus, J. L. (2018). Temperature monitoring for electrical substations using infrared thermography: architecture for Industrial Internet of Things. IEEE transactions on industrial informatics, 14(12), 5667-5677. DOI: 10.1109/TII.2018.2868452.

18. Jin, L., Tian, Z., Ai, J., Zhang, Y., and Gao, K. (2018). Condition evaluation of the contaminated insulators by visible light images assisted with infrared information. IEEE Transactions on Instrumentation and Measurement, 67(6), 1349-1358. DOI: 10.1109/TIM.2018.2794938.

19. Wang, H., and Meng, F. (2019). Research on power equipment recognition method based on image processing. EURASIP Journal on Image and Video Processing, 2019(1), 1-11. DOI: 10.1186/s13640-019-0452-5.

20. Kou, L., Li, Y., Zhang, F., Gong, X., Hu, Y., Yuan, Q., and Ke, W. (2022). Review on Monitoring, Operation and Maintenance of Smart Offshore Wind Farms. Sensors, 22(8), 2822. DOI: 10.3390/s22082822.

21. Zhao, Z., Zhen, Z., Zhang, L., Qi, Y., Kong, Y., and Zhang, K. (2019). Insulator detection method in inspection image based on improved faster R-CNN. Energies, 12(7), 1204. DOI: 10.3390/en12071204.

22. Chen, J., Xu, X., and Dang, H. (2019). Fault detection of insulators using second-order fully convolutional network model. Mathematical Problems in Engineering, 2019. DOI: 10.1155/2019/6397905.

23. Yuan, Q., Zhang, Z., Pi, Y., Kou, L., and Zhang, F. (2021). Real-Time Closed-Loop Detection Method of vSLAM Based on a Dynamic Siamese Network. Sensors, 21(22), 7612. DOI: 10.3390/s21227612.

24. Lee, Y., and Park, J. (2020). Centermask: Real-time anchor-free instance segmentation. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 13906-13915). DOI: 10.1109/CVPR42600.2020.01392.

25. Tao, X., Zhang, D., Wang, Z., Liu, X., Zhang, H., and Xu, D. (2018). Detection of power line insulator defects using aerial images analyzed with convolutional neural networks. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 50(4), 1486-1498. DOI: 10.1109/TSMC.2018.2871750.

26. Kou, L., Liu, C., Cai, G. W., Zhou, J. N., Yuan, Q. D., & Pang, S. M. (2020). Fault diagnosis for open-circuit faults in NPC inverter based on knowledge-driven and data-driven approaches. IET Power Electron, 13(6), 1236-1245. DOI: 10.1049/iet-pel.2019.0835.

27. Du, Y., Du, L., and Li, L. (2021). An SAR Target Detector Based on Gradient Harmonized Mechanism and Attention Mechanism. IEEE Geoscience and Remote Sensing Letters, 19, 1-5. DOI: 10.1109/LGRS.2021.3103378.

28. Xu, D., and Wu, Y. (2020). Improved YOLO-V3 with DenseNet for multi-scale remote sensing target detection. Sensors, 20(15), 4276. DOI: 10.3390/s20154276.

29. Wang, B., Dong, M., Ren, M., Wu, Z., Guo, C., Zhuang, T., Pischler, O., and Xie, J. (2020). Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis. IEEE Transactions on Instrumentation and Measurement, 69(8), 5345-5355. DOI: 10.1109/TIM.2020.2965635.

30. Wang, S., Liu, Y., Qing, Y., Wang, C., Lan, T., and Yao, R. (2020). Detection of insulator defects with improved resnest and region proposal network. IEEE Access, 8, 184841-184850. DOI: 10.1109/ACCESS.2020.3029857.

31. Wen, Q., Luo, Z., Chen, R., Yang, Y., and Li, G. (2021). Deep learning approaches on defect detection in high resolution aerial images of insulators. Sensors, 21(4), 1033. DOI: 10.3390/s21041033.

32. Zhang, K., Qian, S., Zhou, J., Xie, C., Du, J., and Yin, T. (2022). ARFNet: adaptive receptive field network for detecting insulator self-explosion defects. Signal, Image and Video Processing, 1-9. DOI: 10.1007/s11760-022-02186-3.

← Назад