- 头条特邀学术微文：高压引线接头红外图像特征分析的在线故障诊断方法导语本文提出了一种基于改进区域全卷积网络(Region-based Fully Convolutional Networks, R-FCN)的高压引线接头红外图像特征分析的在线故障诊断方法。首先，通过对残差块进行了优化，使每个残差块融合低层特征和高层特征，并训练特征提取网络自动提取高压引线接头样本故障的特征图，然后使用R-FCN网络以实现对高压引线接头的故障定位和运行状态的识别，最后将R-FCN的检测结果送入OpenCV中进行二次诊断，进一步降低误报率，实现故障诊断。
团队介绍
徐奇伟，副教授，博士生导师。现为电力电子与电力传动系副主任、重庆大学“输变电装备及系统安全与新技术”国家重点实验室固定研究人员。在科研工作方面，近年来一直从事特种电机设计、电驱动控制和电动车等领域的研究工作，作为项目负责人主持国家自然科学基金1项、重庆市自然科学基金项目2项、企业课题10余项。在国内外重要学术刊物以及国际会议上发表科研论文30余篇，申请发明专利20余项。
黄宏，硕士研究生，研究方向为图像处理与模式识别。
本文提出了一种基于改进区域全卷积网络(Region-based Fully Convolutional Networks, R-FCN)的高压引线接头红外图像特征分析的在线故障诊断方法。
首先，通过对残差块进行了优化，使每个残差块融合低层特征和高层特征，并训练特征提取网络自动提取高压引线接头样本故障的特征图，然后使用R-FCN网络以实现对高压引线接头的故障定位和运行状态的识别，最后将R-FCN的检测结果送入OpenCV中进行二次诊断，进一步降低误报率，实现故障诊断。
研究背景
电气设备的安全运行将直接影响到整个电力系统的稳定，红外诊断技术多数情况下仍需要依靠检测人员的经验与技术水平对红外图像进行分析，且巡检过程存在危险，特殊情况下难以保障故障分析、判断的实时性与准确性。
工业区的高压电线。High-voltage power lines in an industrial
论文方法及创新点
本文结合R-FCN和OpenCV的高压引线接头故障检测算法模型如图1所示，该模型分为三个部分：
- 第一部分为图像的预处理，包括图像去噪和图像增强；
- 第二部分为改进的自动提取特征的深度卷积神经网络，目的是自动提取特征，并将网络最后一层的卷积特征谱图（高×宽为35pixel×63pixel，约为原图的1/16）提供给R-FCN，R-FCN直接用在特征谱图上检测故障，并检测故障在原图中的位置；
- 第三部分为基于OpenCV的二次诊断，根据R-FCN给出的故障位置，将原图中的目标截取下来并调整成224pixel×224pixel的图片，再对该目标进行二次诊断，以进一步降低误报率。
图1 故障诊断模型
经过前期测试发现，R-FCN虽然在位置回归上有很好的表现，但是对于小目标的检测效果并不理想，出现漏检和错检等情况。通过对网络结构的分析，R-FCN虽然将特征提取的主干网络由原来的VGG网络替换为ResNet网络，在一定程度上通过增加卷积层的深度来增强对于目标特征提取的能力，但是对于小目标的检测效果仍未提高。
鉴于本次设计的实际运用场景，需要对高压引线接头进行故障检测，在红外特征图中面积较小，属于小目标的范畴，为了增加特征提取的丰富性，因此本文对残差模块进行了优化，每个残差块融合了低层特征和高层特征，在整个R-FCN特征提取主干网络中也对提取到的高低特征图进行融合。优化后的残差模块结构如图2所示。
图2 优化后的残差块结构
通过加深了原残差模块的深度，使得在一个模块中具有高低差距的特征图。在每个模块中先由两个卷积层进行特征的提取，之后使用最大池化层减小特征图继续对深层特征进行提取，最后经由反卷积层将特征图的大小恢复成池化之前的尺寸，并与底层特征图进行融合。
同时对于整个主干网络也采用这种结构布局，高低特征图的融合再卷积，使得提取到的特征粒度更加细小与丰富，提升了网络对于小目标的检测能力。
在线监控系统结构如图3所示，集可见光、红外热成像和嵌入式处理技术于一体，可实现对故障的实时在线监测。
图3 在线监控系统结构
系统通过对采集到的红外图像进行分析处理以实现高压引线接头的故障诊断。在线监控系统处理流程如图4所示，首先为了提高故障诊断的准确率，对红外图像进行预处理，其工作包括图像去噪和图像增强，然后训练特征提取网络自动提取样本故障的特征图，在特征图上使用改进的R-FCN检测出故障区域和故障等级，再将检测结果送入OpenCV中进行二次诊断以进一步降低误报率。
在系统巡航过程中，如发现目标设备温度异常自动报警，报警信息有文字信息和声音信息，提示运行人员具体的报警位置状况信息，以便跟踪故障点，确认告警情况并排除故障。
图4 系统处理流程
总结
研究了如何用卷积神经网络确定设备状态，通过改进的R-FCN网络结合OpenCV二次诊断的方法，首先对残差模块进行了优化，每个残差块融合了低层特征和高层特征，以实现对高压引线接头小目标的识别。然后训练特征提取网络自动提取样本故障的特征图，并在特征图上使用R-FCN检测出故障区域和故障等级。最后将检测结果送入OpenCV中对缺陷的等级划分进行二次诊断，以进一步降低误报率。
实现了特征提取和故障检测识别端到端的过程，避免了由于人工提取故障特征而造成特征单一，及在特定情况和场景下无法有效检测并识别故障的问题，确保算法模型的稳定性、实时性和可靠性。
结果证明经过改进后的R-FCN网络对高压引线接头红外图像故障诊断的平均精度达到了80.76%，比原R-FCN网络提升了8.43%。
引用本文
徐奇伟， 黄宏， 张雪锋， 周传， 吴绍朋. 基于改进区域全卷积网络的高压引线接头红外图像特征分析的在线故障诊断方法[J]. 电工技术学报， 2021, 36(7): 1380-1388. Xu Qiwei, Huang Hong, Zhang Xuefeng, Zhou Chuan, Wu Shaopeng. Online Fault Diagnosis Method for Infrared Image Feature Analysis of High-Voltage Lead Connectors Based on Improved R-FCN. Transactions of China Electrotechnical Society, 2021, 36(7): 1380-1388.
