- 頭條福州大學科研團隊提出識別玻璃絕緣子自爆缺陷的新方法2021-12-10 作者：周宸 高偉 等 | 來源：《電氣技術》 | 點擊率：導語絕緣子是輸電線路的重要元件，絕緣子缺陷會增大輸電線路的故障停運風險，因此，對絕緣子缺陷狀況的早期判別十分重要。福州大學電氣工程與自動化學院的研究人員周宸、高偉、郭謀發，在2021年第5期《電氣技術》上撰文，提出一種基于YOLOv4模型的玻璃絕緣子自爆缺陷辨識方法。模型通過在訓練過程中采用多階段遷移學習及檢測過程優化輸入圖像能有效提高網絡檢測準確率。實驗結果表明，所提的方法可準確、有效地實現對絕緣子缺陷的辨識。
隨著智能電網的發展，電力系統自動化水平日漸提高，人們對電力系統日常運行的安全及穩定性提出了更高的要求。絕緣子作為電力系統的重要元件，應用廣泛且數量龐大。絕緣子的工作環境通常位于層巒疊嶂的山路之間，工作環境惡劣，導致絕緣子故障頻發，嚴重影響電力系統的安全及穩定。
絕緣子缺陷辨識一直是國內外研究的熱點，傳統的檢測方式為人工觀測法。該方法雖然精確度高，但在觀測上存在工作量大、效率低等缺陷。此外，還有借助外加設備測量的方法，如紅外圖譜和巡檢機器人等。
借助外界設備可以有效減小檢測過程中的安全隱患，但外加設備一般較為昂貴。由于無人機成本低、易操控，且具備數據采集簡單、運行風險較低等特點，已在電力巡檢工作中逐漸普及。盡管無人機巡檢可獲得大量現場的圖像信息，但采集到的圖像仍是由人工進行處理，海量的圖像數據帶來了巨大的工作量；同時，由于工作人員自身專業水平不同、視覺疲勞等原因，檢測過程中容易導致缺陷遺漏。
通過計算機自動辨識圖像成為研究熱門，常用的方法主要可以分為基于機器視覺與基于機器學習的方法。基于機器視覺的缺陷檢測方法首先在原圖中將待測目標與背景進行分割，分割后再根據人為設定的特征判斷絕緣子是否存在缺陷。
基于機器視覺的缺陷檢測方法實現較為簡單，不需要復雜的訓練過程，在特定的場景有較高的辨識準確率，但在使用過程中存在諸多局限性，如算法的準確率依賴分割算法的分割結果。由于絕緣子的工作環境復雜、現場條件惡劣，這會嚴重影響分割結果的準確性，且人工選定的缺陷判別特征缺乏魯棒性，當拍攝條件發生改變，都有可能導致算法發生誤判。
在圖像辨識領域，機器學習算法的應用十分廣泛，通過機器學習訓練的模型對無人機航拍的絕緣子圖像進行檢測及缺陷辨識已逐漸成為電力系統絕緣子缺陷辨識方法研究的熱門方向。機器學習算法訓練出的模型能自適應地從海量的航拍圖像中挖掘絕緣子的表層特征，對噪聲干擾有很強的魯棒性。模型的目標是既能準確地辨識出缺陷又能滿足實時檢測的要求，但事實上，檢測速度與準確率很難同時提升。
針對這個問題，福州大學電氣工程與自動化學院的研究人員提出基于改進YOLOv4的絕緣子缺陷檢測模型。
圖1 YOLOv4檢測流程
圖2 檢測結果對比
圖3 不同類型和結構的絕緣子檢測結果
相比于現有方法，YOLOv4模型具有速度更快、精度更高的特點。針對檢測圖像中出現圖像修改尺寸后失真的問題，提出了對圖像加灰條處理的方法，同時在訓練過程中采用了多階段遷移學習策略顯著提高了模型整體的性能。實驗結果表明，所提方法的缺陷檢測mAP值達到89.54%，所提方法在實際應用中可以滿足絕緣子缺陷檢測的準確性要求。
本文編自2021年第5期《電氣技術》，論文標題為“基于YOLOv4模型的玻璃絕緣子自爆缺陷識別方法”，作者為周宸、高偉、郭謀發。
