基于深度学习的二次设备开关识别研究王廷凰

基于深度学习的二次设备开关识别研究王廷凰

王廷凰舒丽夏国淼陈婷婷

（深圳供电局有限公司518000）

摘要：二次设备巡检是电力系统的一项重要工作。随着技术发展，智能化巡检流程已成为发展趋势。针对巡检中设备开关状态的识别，传统的图像识别技术已不能有效解决由于二次设备复杂多样性等特征引起的问题。本文提出了基于深度学习的设备开关识别方法，借助AR技术在图像辨识、影像叠加、信息交互，智能纠错判断等方面的优势，运维人员在AR终端辅助设备的引导下，自动完成二次设备的巡检，实现全面化、智能化、规范化，提高了电力系统二次设备巡检工作效率。

关键词：增强现实；电力行业；深度学习；目标检测

引言

随着AR（AugmentedReality）[]技术的发展，配电装置的自动化、智能化已经成为发展趋势，配电装置的优化变革成为迫切需求。对于各个供电企业而言，面对广泛应用的智能配电装备，如何对配电装置进行智能定值调节，如何识别配电装置各个开关运行状态，如何提高定值核对效率，就建设目标而言应该在哪些地方进行升级优化，诸如此类，已成为迫切需要解决的问题。

二次设备巡检是电力系统中的一项重要工作。二次设备巡检具有流程繁琐，重复性强，耗时长，出错率高等特点。设备上存在多个不同种类开关，单个开关存在多个不同的位置状态。传统巡检过程中，巡检人员需要对每个开关状态作检查，判断是否处于正确的位置，并将记录数据二次录入系统中。目前针对二次设备巡检的研究主要集中在图像拼接，图像识别（单个设备开关）等方面。由于二次设备开关数量多，位置状态多样，传统图像识别算法无法达到很好的识别效果。

本文提出一种基于深度学习的电力系统二次设备开关识别方法，结合深度学习和机器学习算法，实现全面化、智能化、规范化，提高了电力系统二次设备巡检工作效率。

1目标检测

目标检测[]，也叫目标提取，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。尤其是在复杂场景中，需要对多个目标进行实时处理时，目标自动提取和识别就显得特别重要。目标检测就是——给定一张图像基于或者视频帧，找出其中所有目标的位置，并给出每个目标的具体类别。

1.1传统目标检测方法

传统目标检测方法一般分为三个阶：多尺度滑动窗口，对每个窗口进行特征提取，分类器分类。如图1所示：

区域选择：采用滑动窗口的策略对整幅图像进行遍历，定位目标位置

特征提取：从原始特征中找出最有效（同类样本的不变性、不同样本的鉴别性、对噪声的鲁棒性）的特征

分类器：对提取的特征进行分类（如常用的SVM，Adaboost等）

图1传统目标检测流程

传统目标检方法主要存在两个问题：一个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[]。

1.2基于候选区域（RegionProposal）深度学习的目标检测算法

候选区域[]是利用图像的纹理、边缘、颜色等信息，预先找出目标可能出现的位置，保证选取较少窗口的情况下保持较高的召回率。基于候选区域的基础上，再对候选区域提取特征和分类，达到降级时间复杂度的目的，解决了传统目标检测算法中滑动窗口存在的问题。

1.2.1FasterR-CNN目标检测框架

继R-CNN和FastR-CNN之后，为了进一步减少检测网络的运行时间，相关人士提出了FasterR-CNN[]，也是目前在目标检测领域非常知名并应用广泛的一种深度学习框架。FasterR-CNN实现了R-CNNs系列中目标检测的端到端检测的过程。他们设计一种候选区域网络（RegionProposalNetwork，RPN）来生成候选区域（RegionProposals）。RPN的出现替代了之前SelectiveSearch和EdgeBoxes等方法，它和检测网络共享全图的卷积特征，使得区域建议检测几乎不花时间。RPN是一个基于全卷积的网络，它能同时预测输入图片的每个位置目标区域框和目标得分（属于真实目标的概率值）。RPN是通过end-to-end的方式进行网络训练，旨在生成高质量的候选区域框，用于Fast-RCNN的分类检测。通过一种简单的交替优化方法，RPN和Fast-RCNN可以在训练时共享卷积特征。由此可见，FasterR-CNN的整体结构可认为是“RPN＋Fast-RCNN”的集成，二者结合，分工明确。RPN网络主要作用于生成高质量候选区域框，FastR-CNN则是起着学习高质量候选区域特征以及分类的作用。

图2Faster-RCNN流程示意图

在电力系统二次设备开关巡检过程中，需要在复杂环境下对视线内所有开关的状态同时检测。FasterR-CNN对候选区域的改进，针对多个开关多个状态同时检测，提升了检测效率，提供了FasterR-CNN应用于电力系统中二次设备中各种开关状态检测的可行性。

2电力系统二次设备开关状态检测

2.1制作数据集

从1.2.1中可知，基于FasterR-CNN的深度学习目标检测需要数据集做目标检测训练。电力系统中各类二次设备开关种类繁多，状态复杂，数据收集难且耗时长。目前，并没有存在针对的二次设备开关的数据集。因此，本文通过研究常用二次设备开关的状态和使用情况，制作了针对二次设备开关状态检测的训练数据集。

数据集共标记了5000张640*480分辨率大小图片，其中包含3类开关共计10种状态，如图3所示。

第一类开关：四种状态，分为上下左右四个位置

第二类开关：三种状态，分为左中右三个位置

第三类开关：三种状态，分类左中右三个位置

图3三种不同类型开关示意图

2.2实验方法与结果分析

由于Faster-RCNN直接用于训练模型会存在耗时长，初始化程度低等问题，因此，在本文实验中目标检测采用ImageNet[]分类预训练的模型用于训练网络的初始化，并将ImageNet分类预训练所得到的卷积神经网络模型用于Faster-RCNN中共享卷积层的初始化。经过初始化后的模型在实验中，用于训练2.1中制作的数据集得出所需模型。

目前深度学习方法对于数据集的处理多数采取将数据集以一定比例分配生成训练集、验证集和测试集。在二次设备开关识别过程中，仅需要满足对开关的检测识别，因此本实验中将制作的开关数据集按8：2的比例随机生成了训练集和验证集，不设测试集。

图4开关检测结果示意图

实验过程中，通过摄像头实时采集二次设备开关面板图片并进行检测，如图4所示为检测结果，目标检测算法同时检测识别到开关面板上存在三类开关，以及单个开关的位置状态信息，检测速度约在每秒20帧左右，达到了速度快，准确率高的目的。

通过实验得出基于深度学习的目标检测算法在二次设备开关识别上的应用能达到快速识别检测、正确率高的效果。

3结论

本文介绍了Faster-RCNN模型与卷积神经网络相结合的方案，并制作了对应数据集用于训练开关状态的检测模型。验证了深度学习算法在二次设备智能巡检中的可行性和有效性，实时检测，对单幅图像检测耗时少，准确率高，对电力系统中二次设备的检修工作有重大意义。

参考文献：

[1]刘建明，施明泰，庄玉琳，林青山.增强现实、虚拟现实和混合现实技术在电力系统的应用研究[J].电力信息与通信技术，2017，15（04）：4-11.

[2]万维.基于深度学习的目标检测算法研究及应用[D].电子科技大学，2015.

[3]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.

[4]张顺，龚怡宏，王进军.深度卷积神经网络的发展及其在计算机视觉领域的应用[J/OL].计算机学报，2017，：1-29（2017-09-18）.

[5]Yeong-HyeonByeon，Sung-BumPan，Sang-ManMoh，Keun-ChangKwak.ASurveillanceSystemUsingCNNforFaceRecognitionwithObject，HumanandFaceDetection[M].SpringerSingapore：2016.

[6]EvgenyA.Smirnov.ComparisonofRegularizationMethodsforImageNetClassificationwithDeepConvolutionalNeuralNetworks[A].InformationEngineeringResearchInstitute，USA.Proceedingsof20132ndAASRIConferenceonComputationalIntelligenceandBioinformatics（CIB2013V6）[C].InformationEngineeringResearchInstitute，USA：，2013：6.