孙小磊，陈 昊，孙子昌，张海华

（国网江苏省电力有限公司检修分公司，江苏 南京211102）

0 引言

随着社会经济的不断发展，电网安全稳定运行的重要性日益凸显，这对变电站的精益化运维管理提出了更高的要求。变电站二次设备作为对一次侧进行测控和继保操作的重要设备，目前对其硬压板的核对检查工作主要由人工巡视完成，存在耗时长、任务重和容易出错等问题。在电网公司推行变电站少人化、无人化值守的趋势下，亟需对二次设备硬压板核对检查的智能化解决方案，以推进电网公司智能化运检体系的建设［1，2］。

现有变电站硬压板状态识别方法主要分为传感器监测［3-7］和图像识别［8-12］两大类。其中，传感器监测一般是在原有压板基础上新增监测装置，增加了变电运维人员操作难度和运维风险；图像识别方面，目前主要采用OpenCV进行图像处理，辅以智能算法，但这类算法准确率较低，且对压板图像的光照、视角要求较高。目前已有研究人员将深度学习算法应用到变电站压板识别中［13-18］，但存在推理速度慢，泛化能力弱等问题。为此，本文提出一种基于SSD_Inception 目标检测模型，并经OpenVINO 工具套件优化加速的变电站压板识别方法。

1 SSD_Inception目标检测模型

1.1 SSD模型介绍

文献［13］提出的SSD（SingleShotMultiBoxDetector）网络是一种端到端的单次多框实时检测的深度神经网络模型［19］，强调在多尺度特征图上通过滑动窗口的形式产生多个不同尺度和宽高比的候选框然后进行分类回归的方法进行目标检测，因其兼顾良好的时效性与准确性的优势，被广泛应用到多个目标检测应用领域中，如视频中的行人检测、车辆检测等。……