基于Faster R-CNN算法的继电保护压板状态识别方法

2021-12-26袁拓来李新海罗海鑫曾令诚孟晨旭尹雁和

电气技术与经济 2021年6期

袁拓来李新海罗海鑫曾令诚孟晨旭尹雁和

（广东电网有限责任公司中山供电局）

0 引言

电网规模的快速发展，继电保护设备的数量急剧增大，相对应的压板校验工作量也随之急剧增加。目前，继电保护压板的投退主要由变电运行人员进行人工核对。由于继电保护压板数量庞大，核对工作繁重，且核对工作机械重复，导致人工核对受个人精神状态等因素影响较大，存在工作效率低下和准确性没有保障的问题。

为了解决上述人工核对存在的问题，提高继电保护压板核对工作的效率和质量，本文提出一种基于Faster R-CNN算法的继电保护压板状态识别方法。该方法通过使用手持终端拍摄压板保护屏柜图像，并采用灰度化、二值化和高斯滤波技术对图像进行预处理。然后搭建Faster R-CNN网络，利用预处理后的压板图像对网络进行训练，得到压板投退状态识别网络模型。最后，采用训练得到的识别网络模型对某110kV变电站主控室46面继电保护压板屏柜的图像识别测试。结果表明，压板识别正确率能够高达98%以上，能有效地解决人工核对压板现存问题，减轻工作人员任务，提高核对工作效率和准确率。

1 压板图像预处理

为了提高Faster R-CNN算法识别压投退状态的效率和准确率，需对原始图片进行预处理，本文采取灰度化、二值化以及滤波等方法对原始图像进行预处理。

1.1 灰度化处理

本文采用加权平均法对压板图像进行灰度化处理，该方法灵活度和精度较高。人眼对绿色的敏感最高，对蓝色敏感最低，因此对彩色图像的三个分量设置一个较为合理的权重，采用加权计算的方法得到结果，并将其作为图像的灰度值。对RGB三分量进行加权平均能得到较合理的灰度图像，如式（1）所示：

式中，R、G、B分别为红色、绿色和蓝色的像素值大小；Y为灰度图片的像素值大小，（i，j）为像素坐标。压板图像进行灰度化处理后效果图，如图1所示。

图1 继电保护压板图像灰度化前后效果图

1.2 二值化处理

为分离图像前景和背景，本文对压板图像进行二值化处理。二值化处理，也可以称之为图像的阈值处理，是通过设置像素的最大和最小阈值，剔除图像内像素高于或低于阈值的像素点，将一副灰度图像处理为一副二值图像，如图2所示。

图2 继电保护压板图像二值化前后效果图

1.3 高斯滤波处理

为滤除图片噪声，增强图像特征，本文采用高斯滤波对压板图像进行滤波处理。通过高斯滤波，可以强调一些特征或者去除图像中一些不需要的部分，例如强化图片压板轮廓像素，除去图片反光下的噪声像素点。本文采用高斯滤波算法对压板图像进行滤波处理，效果图如图3所示。

图3 继电保护压板图像高斯滤波前后效果图

2 Faster R-CNN算法

2.1 卷积神经网络

卷积神经网络（Convolutional Neural Networks，CNN）是一种包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络结构包括：输入层、卷积层、池化层、连接层、全输出层。

卷积层（Convolutional Layer）完成输入数据的特征提取，通过不同的卷积核提取输入图像的特征，从而形成多神经元特征图，保留更丰富的图像特征。

池化层（Pooling Layer）对卷积层的输出数据进行降采样操作，一方面可以降低图像的分辨率，减少参数量，另一方面可以获得平移和形变的鲁棒性。卷积层和池化层的交替分布，使得特征图的数目逐步增多，而且分辨率逐渐降低，形成双金字塔结构。

2.2 Faster R-CNN算法

本文所用的Faster R-CNN算法是在卷积神经网络的基础上提出的，是通过联合Fast R-CNN算法和RPN算法实现的。不同于经典的检测框生成方法，Faster R-CNN直接采用RPN算法获取检测框，极大提升了检测框的生成速度。

Faster R-CNN算法首先通过RPN算法划定出粗略搜索范围，即识别出图片中保护压板所在区域。然后，采集大量处于投入状态和退出状态的压板图片对Fast R-CNN模型进行训练，从而提高Fast R-CNN算法对压板投退特征的识别能力。最后，采用已训练完成的Fast R-CNN算法对RPN算法划定的搜索范围进行特征检索，识别搜索框中的压板的投退状态。Faster R-CNN算法的原理图如图4所示。

图4 Faster R-CNN算法原理图

RPN层通过计算修正候选框的锚点，从而获得精确的推荐域，并和全连接层共享特征图。

池化层通过收集输入的特征图和推荐域，综合这些信息提取特征推荐域，送入后续的全连接层判定目标类别。proposal＝［x1，y1，x2，y2］是对应M×N尺度的，所以首先使用spatial＿scale参数将其映射回（M／16）×（N／16）大小的特征图尺度；之后将每个推荐域水平方向和竖直方向都分成7份，对每一份都进行池化处理，这样处理后，即使大小不同的推荐域，输出的结果都是7×7大小的，实现了固定长度输出。

分类层首先通过特征推荐算法对推荐框中特征进行分类。然后，通过回归算法计算每个推荐框的位置偏移量，从而获得检测框精确的位置。该层利用特征图推荐域计算推荐域类别，同时再次进行边框回归，获得检验框的最终精确的位置。通过全连接层与分类器计算每个推荐域具体属于哪个类别（如车，人等），输出cls＿prob概率向量；同时再次利用边框回归获得每个推荐域的位置偏移量bbox＿pred，用于回归更加精确的目标检测框。

3 实验与分析

为验证本方法的正确性，采用Faster R-CNN算法对中山供电局某110kV变电站内46面继电保护屏柜进行压板投退状态识别。首先采集大量压板样本照片对Faster R-CNN算法模型进行训练，然后对待测图像进行预处理，最后采用已训练的Faster RCNN算法模型进行压板状态识别，实际识别效果如图5所示。

图5 压板状态图像识别效果图

为验证压板识别正确率，采用本方法对3组压板进行识别，并人工核对压板状态进行检验图像识别的准确度，统计成表格如下表所示。

表压板核对表

实验结果表明，采用Faster R-CNN算法识别压板投退状态的准确率达到94%以上，且随着样本数量的增加，识别的正确率也逐步提升。此外，对识别错误的压板图片进行分析后发现，识别错误的压板主要由于拍摄角度不正以及光线影响。此类问题可在现场巡检人员拍摄时解决，比如在设备上添加照片清晰度判定功能，如若拍摄不合格，提醒现场人员进行重新拍摄。