杨学杰，李思毛，李建业，李宋林，张 旭

(1.国网淄博供电公司，山东 淄博 255000；2.国网智能科技股份有限公司，山东 济南 250101)

0 引 言

目前，变电站巡检机器人已在国内变电站推广应用，利用携带的红外、可见光传感器实现设备温度自动测量、设备状态自动识别，自动代替人工完成变电站设备的巡检任务，可根据设备综合状态综合诊断设备故障[1]。经过多年的机器人巡检技术和巡检模式研究，“机器人巡检+数据后台分析”模式已经成为变电站智能运维的重要趋势。

利用巡检机器人采集图像可实现电力设备状态自动识别(表计读数、刀闸开合状态、断路器开关等)与设备缺陷自动诊断(鸟巢、绝缘子破损等)，以上任务可以利用人工智能领域的目标检测技术完成[2-3]。目前常用的目标检测算法主要包括RCNN系列网络[4-6]、SSD网络[7]、RFCN网络[8]与YOLO系列网络模型[9-11]等。YOLOv3与其他目标检测算法相比，在检测准确率和速度上，均取得了较好的效果，并在电力领域得到了广泛应用[12-13]。

尽管变电站巡检机器人及人工智能技术的应用提升了电力巡检的自动化和智能化水平，但基于图像的设备状态分析算法有效性、可靠性仍需进一步提高，其高存储、实时性差的问题仍然制约着机器人智能巡检的推广应用。随着深度神经网络模型日益深度化、复杂化，以上问题制约着人工智能技术在计算资源有限的机器人应用环境中的推广，如何在保证算法精度的前提下，实现深度模型的小型化和前置化是亟待解决的一个问题。……