杨明权，方 睿，黄仕鹏，何 敏，陈田济帆

（南方电网超高压输电公司贵阳局，贵州贵阳 550009）

0 引言

在高压直流输电系统之内，换流站一般是为实现交流电与直流电之间的有效转化，同时保证电力系统自身运行稳定性，促进电能传输质量提升而设置的站点。高压直流换电站能够提供整流站及逆变站等多种功能的重要系统设施，属于直流输电的关键所在。换流站主要由换流阀、变压器、交流开关模块、无功补偿设备、直接开关模块和远程通信系统等构成，其中最关键的是由换流变压器与换流阀共同构成的环换流设备。

在实际运行状态下换流阀必然会形成较大热量，所以应依靠阀冷系统、借助于水循环有效排出阀体运行过程中形成的热量。阀冷系统长时间处在高负荷的运行状态，很容易发生接头松动、部件老化的现象，具有一定的漏水风险，如果发生渗漏现象会在很大程度上降低换流阀运行效率，严重时还会烧毁阀体，影响高压直流输电系统的安全运行。采取科学措施对漏水问题实施精准检测，能够进一步延长阀体各个部件运行寿命，降低其故障概率。本文研究是基于可见光与红外融合技术对阀厅冷却水泄漏的特征、阀组件工作状态进行监测与判别，在不影响输变电设备正常运行情况下，实现远距离、非接触方式监测。

1 运用红外热像仪的优势

首先，阀门泄漏问题通常难以被实时监测且存在较大的危害性。借助于红外热像仪技术能够更加准确快速地掌握阀门出现泄漏的位置，降低维护保养工作成本。

其次，如果阀门调节属于腐蚀性抑或是危险性较高的介质，检修人员直接检测可能会增加事故发生概率，所以依靠红外热像仪技术可以非常便捷地对可能出现泄漏的区域实施检测，确保其安全性。

再次，配备可见光的红外热像仪可以拍摄更加清晰的现场照片，利用图像融合技术帮助工作人员更加准确地进行故障定位。

最后，红外热像仪相关软件系统能够存储收集到的数据信息并自动生成专业报告，有效促进日常监测工作安全性与便捷性的提升[1]。

2 冷却水泄漏红外热像仪检测原理

红外线是一种电磁波（肉眼不可），存在波动性和粒子性等性质，波长0.75～1000 m。自然界中的所有物体，其自身温度超过绝对零度（-273.16 ℃）之后必然出现电磁波，在其表面产生温度特征信息。由于物体组成材料、自身温度及表面光度存在差异，其红外辐射的实际强度也必然会有所不同。借助于红外热像仪能够探测此类物体表面辐射中的红外线[2]。它可以帮助工作人员更加直观形象地掌握物体表面辐射分布状态，即温度场。本文基于水与地面的红外辐射强度不同，从而在红外热成像上能检测到地面的水迹，通过将红外16 位灰度数据变为8 位灰度数据的结果（图1）。

图1 冷却水泄漏红外热成像

3 采用FASTER R-CNN 深度神经网络检测地面水迹

3.1 基本框架

Faster R-CNN 的整体结构包括如下4 层：

首先，Conv layers 属于针对cnn 网络目标进行有效检测的手段，faster_rcnn 最开始选择基础conv+relu+pooling 层获得image 的feture map。将获取到的feature map 进行共享，能够在RPN 层以及全连接层发挥重要作用。

其次，Region Proposal Networks.RPN 网络能够直接生成region proposcals。这一基础层依靠softmax 可准确评估anchors为foreground 以及background 的类型，随后通过box regression对anchors 进行调整，最终得到更加准确的propocals。

再次，Roi Pooling 层中将feature map 与proposcal 进行采集，根据所得到的信息对proposal feature map 进行收集，最终将其传输到全连接层可准确得出其类别。

最后，Classification 依靠proposal feature map 评估proposcal 具体类别，随后依靠bounding box regression 计算得出检验框实际位置。

3.2 Con layer

在input-data 层时，把原图都reshape 成M×N 大小的图片。

conv layer 内涉及到conv、relu、pooling 三个不同类型的层，对于VGG16 来说其包含了13 个conv 层、13 个relu 层、4 个pooling 层。对于conv layer 而言：

第一，所有conv 层属于：kernel_size=3，pad=1

第二，所有pooling 层属于：kernel_size=2，stride=2

Con layer 内包含pooling 层kernel_size=2，stride=2，这样可以让通过pooling 层内的M×N 矩阵，集体变更为（M/2）×（N/2）大小。由此可知对于Conv layers，conv 及relu 层不会对输入输出大小产生变化，唯有pooling 层会导致输出长宽变更为输入时的1/2。

如此，M×N 的矩阵依靠Conv layers 能够最终变成（M/16）×（N/16），Conv layers 内的featuure map 能够与原图准确匹配。

3.3 RPN（Region Propocal Networks，卷积神经网络）

过去的检测手段在生成检测框的过程中会消耗较多时间成本，如OpenCV adaboost 通过“滑动窗口+图像金字塔”生成检测框或利用RCNN 选择SS（Selective Search）途径获取。这样借助于Faster RCNN 在很大程度上创新了一直所采用的滑动窗口和SS，能够依靠RPN 更加快速准确获取检测框，属于Faster RCNN 的独有特点与突出优势，能够在很大程度上保障检测框获取效率[3]。

RPN 通常涉及到2 条线，上方通过softmax 分类anchors 产生foreground 和background（检测对象是foreground），下方通常会计算anchors 的bounding box regression 偏移量，进而确保proposal 值的准确性有效提升。而Proposal 层可以将foreground anchors 和bounding box regression 的实际偏移量进行有机融合，产生proposals，在这一过程中能够直接去掉过小及大于边界的proposals。当网络处于Proposal Layer 的状态下，已经实现了对目标的准确定位。

3.4 RI pooling

RoI Pooling 层主要对proposal 进行采集，同时能够得到proposal feature maps，将其传输到后续网络。在实践中可以了解到Rol pooling 层拥有如下2 个输入：

RoI Pooling layer forward 基本流程：知道它对应M×N 尺度，所以需要借助spatial_scale 参数，直接映射到（M/16）×（N/16）大小的feature maps 尺度；随后将全部proposal 水平以及竖直合理分成pooled_w 和pooled_h 份，并将所有份进行max pooling 处理。这样全部大小具有差异的proposal 输出结果皆为大小，进而达到fixed-length output（固定长度输出）。

3.5 Classification

Classification 利用获取到的proposal feature maps，借助于full connect 层以及softmax 能够准确判定不同proposal 的具体类型（如人、车、电视等），输出cls_prob 概率向量；随后借助于bounding box regression 得到全部proposal 的实际位置偏移量bbox_pred，将这一结果应用到更为准确的目标检测框。

基于PoI Pooling 计算得到7×7=49 大小的proposal feature maps 时，将结果传输于后续网络，在这一过程中存在以下两个操作：依靠全连接以及softmax 对proposals 实施分类，从本质上来说这一操作属于识别；随后选择proposals 实施bounding box regression，得到准确度更高的rect box。计算公式为：

公式中的W、bias B 是提前进行训练，可以说其大小已经固定，在这一过程中输入x 和输出y 仍然保持固定大小。因此，该结果证明了Roi Pooling 的重要性。

4 识别结果

基于上述实验数据能够了解，运用红外热像仪对阀厅冷却水泄漏与阀组件状态监测过程中能够发挥非常好的作用。从图2 能直观地看到识别结果，检测效果提升显著，这说明红外热像仪可以在很大程度上促进全过程管理效率的提升，确保状态监测准确性[4]。

图2 实际监测画面