為實現各類巡檢機器人、無人機等智能電力巡檢設備所攜紅外熱像儀採集的紅外圖像自動檢測，長沙理工大學電氣與信息工程學院的研究人員王旭紅、李浩、樊紹勝、蔣志鵬，在2020年《電工技術學報》增刊1上撰文，提出基於改進SSD的電力設備紅外圖像異常自動檢測方法。實驗表明，該方法泛化性強，準確率較高，能達到實時自動檢測紅外圖像下多類典型電力設備並定位異常發熱區域的效果，將使現有電力巡檢設備實現“智能+”。
紅外熱像儀檢測具有非接觸不停電檢測電力設備等優點，在各電力單位廣泛使用。隨著我國電網規模不斷擴大，電力設備的紅外巡檢壓力也越來越大，利用巡檢機器人、定點監測軌道機器人等設備採集的紅外熱像數據越來越多。海量巡檢數據僅靠現有紅外熱像儀設置最高溫度閾值或人工比對分析這些紅外圖像，效率低，增加了巡檢成本，不能實時自動監測電力設備並準確識別定位故障設備類別與異常區域。
傳統圖像特徵分析法較難提取識別電力設備特徵與異常發熱區域特徵。在紅外圖像上用傳統圖像處理方法，如梯度法進行邊緣檢測定位高溫區域，無人機搭載紅外成像儀並用圖像處理法分析輸電線路像素溫度分佈。康龍等用圖像分割法診斷紅外圖像下變電站設備故障。魏剛等用軟件導入電力設備紅外圖像掃描分析溫差判別故障。
以上傳統方法識別電力設備紅外檢測故障，均難做到實時檢測識別定位故障設備及異常。針對電力設備紅外圖像異常檢測的新方法也相繼提出：對紅外圖像超像素分割，再用遞歸卷積網絡結合圖像處理法對電流互感器進行紅外故障診斷，但只能進行單一設備檢測；賈鑫等對電力設備紅外圖像先圖像處理分割再利用卷積網絡分類；李雲昊等利用卷積神經網絡對變壓器紅外圖像做分類識別。上述新方法也均未實現紅外圖像下電力設備異常區域與識別故障設備的實時定位分類檢測。
基於深度學習的計算機視覺算法在2012年取得突破性進展。採用深度學習與計算機視覺算法對紅外數據進行設備與發熱異常自動分析檢測將極大提高紅外圖像檢測效率。在攜帶紅外熱像儀的巡檢機器人、定點監測軌道機器人等上位機控制系統中嵌入此類基於深度學習的檢測算法，實時檢測紅外圖像將進一步提高這些設備的智能化程度，做到真正智能巡檢。
為實現這一目標，長沙理工大學電氣與信息工程學院的研究人員，提出基於改進SSD（single shot multibox detection）算法的實時電力設備紅外圖像異常自動檢測方法，實現現有智能巡檢設備進一步“智能+”。
圖1 機器人巡檢湘潭九華220kV變電站
研究人員建立了863張典型故障電力設備紅外圖像數據集，存儲為TFRecord格式數據，並搭建改進SSD檢測網絡，經20萬步訓練，得到最終模型，最終在測試集上實現了71.54%的準確率，並實現了20 FPS以上的檢測速度，證明了深度學習對多類複雜目標的特徵提取定位能力。
圖2 原基於VGG的SSD框架
圖3 改進的SSD框架
圖4 設備與異常檢測效果
圖5 單獨的異常檢測效果
與其他檢測模型進行對比，本方法在檢測速度上有明顯優勢，但在檢測精度上有待提高，需進一步優化。同時希望以後在檢測輸變電異常及設備的基礎上，對紅外圖像溫度數據進一步集成判斷預測與數據挖掘，做進一步的軟件系統集成，在課題組現有變電站巡檢機器人上位機上集成算法，做進一步調試改進，實現現有智能巡檢設備的巡檢過程“智能+”。
以上研究成果發表在2020年《電工技術學報》增刊1，論文標題為“基於改進SSD的電力設備紅外圖像異常自動檢測方法”，作者為王旭紅、李浩、樊紹勝、蔣志鵬。
