百度飞桨联手南方电网，电力巡检迈向“无人时代”

 

盛夏的广东，酷热难耐。

 

当大多数人在空调房里尽情享受着电力带来的清凉时，有一群人却不得不冒着高温在户外奔波工做，他们就是南方电网广东电网公司的电力巡检人员。

 

炎炎烈日下，为了保障自身人身安全，电力巡检人员须要穿上棉质的长袖长裤工做服，头戴安全帽进行室外设备的巡视和检查工做。“走一圈下来全身都是汗水，衣服均可以挤出水来”，南方电网广东能源技术公司机器人事业部的杨英仪博士如此描述夏日室外巡检工做的艰辛。

 

广东电科院能源技术公司利用百度飞桨（PaddlePaddle）深度学习平台为自主研发的变电站智能巡检机器人提供视觉赋能，实现对变电设备的准确检测与分析，让原有单次6小时的人工现场巡视由机器人替代，极大地下降了运维成本，提升了巡视工做的智能化水平。

 

 

01

费时费力的人工巡检

 

电能从生产到消费要通过发、输、变、配、用五大环节，任何一个环节出问题，都会影响到电能的正常供应。其中，输变电是电能经过电网传输的重要部分。电力巡检的核心工做内容，就是对输变电设备进行运维，以确保其正常工做，保障电力系统的安全运行和电能的稳定供应。

 

一直以来，电力巡检都是由人工完成的。哪里有变电站，哪里有输电线路，电力巡检人员就要到哪里去。不管是无边无际的平原，仍是丛林密布的山区。

 

就变电站巡检而言，对设备的巡视是其中的重要部分。现在已经成为高级工程师的杨英仪博士也在电力设备现场巡维的生产一线上待过，他回忆起当时所在班组的老班长开玩笑说过的话：“咱们天天不是在巡检就是在去巡检的路上”。

 

 

电力设备巡检工做是枯燥而繁琐的，一次典型的变电站巡视工做涉及的巡视点多达1000多个，这一般须要两位工做人员花费6-7个工时去完成，不止耗费人力，更耗费时间。随着经济的迅猛发展，电网的规模愈来愈大，输变电设备的数量也愈来愈多。在现有的人员规模状况下，如何提供智能化的巡检装备，令人力投入更少、运维效率更高，是摆在全部电力人面前的一道亟待解决的难题。

 

02

实时智能的AI巡检

 

多年来，广东电网也一直在进行各类方法的尝试。目前，机器人已经被引入电力巡检领域，并能够取代人工完成大部分自动化巡视工做。可是，针对表计识别的传统图像识别方法因为受到复杂背景、光线条件等因素的影响，检测与识读的总体准确率仍然较低。

 

广东电网经过与百度公司的合做，利用AI算法实现装备赋能升级。

 

基于飞桨的AI算法帮助变电站智能巡检机器人提升了设备图像识别的准确率，提高了装备的智能化水平，进一步解放了劳动力。

 

如今，利用智能巡检机器人开展室外巡视，只需预先设定机器人的巡检点，规划好巡检路线，机器人就会自动进行全部相关表计的检测与读取。工做人员无需花费6个小时在现场巡视，而只须要在远方的主控室一键下达巡检任务。

 

 

“因此如今咱们变电站能够利用智能巡检机器人替代人工开展示场巡视了”，杨英仪说道，智能巡检机器人的好处在于，受环境、气候及做业时长等因素的影响较小，能够下降人工巡检的劳动强度，下降运维成本，提升巡检做业和管理的自动化和智能化水平。从更长远的意义上讲，智能巡检机器人的推广应用与赋能提高，可有效推进变电站巡检无人化的进一步发展。

 

 

03

百度飞桨的赋能及模型揭秘

  

新技术的应用并非一路顺风的，中间也走了很多弯路。

 

2016年，广东电网围绕智能巡检机器人研发成立了重点攻关团队，团队中有作高压绝缘的，作传感检测的，可是没有一我的是机器人专业科班出身的。用他们的话说，他们对机器人技术“一抹黑”，彻底不了解。通过2年多的实践和摸索，光机器人本体和后台，更迭了至少六个版本。

 

以变电设备巡视中的指针类表计检测和识读为例，在最开始的时候，他们使用传统的图像处理技术，用人工设计特征方法进行特征提取。这样的方法只能获取图像中目标对象的浅层特征，这使得识别过程极易受到光照等环境因素的影响，在各种干扰因素影响下，总体识别准确率并不高。

 

 

2017年，广东电网与百度创建了战略合做关系，赋能前端巡检设备也是合做的重要内容之一。智能巡检机器人攻关团队引入百度飞桨（PaddlePaddle）平台，利用其所提供的YOLOv三、U-Net，使机器人面向表计的深层次特征提取能力大大提升，突破了环境因素的制约，方法的准确率和鲁棒性显著提高，在表计目标检测、示数读取等方面的效果尤其显著。如今，对于用原有传统方法处理起来极为困难的表计目标，用深度学习方法已经能够得到处理效果的有效提高。

 

YOLOv3是一个速度和精度均衡的目标检测网络，飞桨物体检测统一框架PaddleDetection经过增长mixup、label_smooth等处理，对YOLOv3进行了优化实现。YOLOv3也是一个单阶段的目标检测器。传统目标检测方法经过两阶段检测，第一阶段生成预选框，第二阶段对预选框进行分类获得类别，而YOLO将目标检测看做是对预测框位置的一个单阶段回归问题。所以，推理速度可以达到具备一样精度的两阶段目标检测方法的几乎2倍。此外，YOLOv3在最第一版YOLO的基础上引入了多尺度预测，于是对小物体的检测精度大幅提升。

 

U-Net是飞桨语义分割库PaddleSeg中支持的四个主流分割网络之一，整个网络是标准的encoder-decoder网络，具备参数少、计算快、应用性强等特色，对场景有较高的适应度。U-Net使用跳跃链接，以拼接的方式将解码器和编码器中相同分辨率的feature map进行特征融合，帮助解码器更好地恢复目标的细节。

 

在变电站表计示数识读这一案例中，机器人对表计的读取须要通过表计总体目标检测及二次对准、表盘目标检测及示数读取两个阶段。原来的机器人主要是采用基于传统人工设计特征的图像处理方法实现表计的目标匹配和轮廓检测。因为这些方法只能实现浅层特征的提取，在应用的过程当中容易受到图像背景、环境光照、拍摄角度等因素的影响，分类错误率较高。此外，样本量的增长对此类方法的做用也不大，大量深层特征没法被挖掘并用于提高算法的性能。

 

背景特征难区分

 

相似区域易误检

 

环境光线影响检测准确性
 

 

现场干扰（如水珠）

 

针对这些问题，对机器人的赋能升级采用了基于深度学习的方法，对涉及目标检测与图像分割的两个关键阶段进行了改善。出于下降图像处理的传输时延和资源需求、提升前端处理效率和智能化程度的目的，上述两个阶段均是在机器人本体上完成。所以，改进方案选择了更适用于前端推理实现的YOLOv3和U-Net模型。

 

在面向表计目标检测的具体实现中，攻关团队所采用的训练集包含了946张图像样本，标注了2838个表计目标，而测试集则包含了236张图像样本。在基于飞桨YOLOv3的检测实现中，对表盘检测的最高mAP达到了0.9857，有效地提高了目标检测的查全率和查准率。

 

检测结果示例

 

mAP指标随迭代次数的变化图示

 

在面向表计示数识读的具体实现中，利用翻转、旋转、随机裁剪等方式进行图像预处理，为U-Net模型提供更多不一样的训练样本；在表盘分割中，则利用U-Net实现表计指针、表盘刻度线、表盘示数等关键要素的有效提取，继而利用圆心定位、数字分类、角度估算等后处理方式实现表计示数的有效估计。在101张测试样本中，指针示数识别结果的误差与召回率的分布以下表所示。

 

 

目前，广东电网和百度飞桨的合做主要集中在变电设备巡检领域，将来将在输电线路巡检、现场风险管控等方向上开展合做，逐步推进电力巡检行业向智能化方向发展。

 

做为中国全面开源开放、功能完备的产业级深度学习平台，百度飞桨已经成为全面推进国内产业智能化升级的重要基石。正如飞桨得到第六届世界互联网颁发的“世界互联网领先科技成果”这份荣誉所彰显的，飞桨技术领先、功能完备、生态丰富等特色向世界展现着中国科技的力量。

 

04

参考文档

 

• 基于PaddleDetection的YOLOv3模型训练过程可参考：

https://github.com/PaddlePaddle/PaddleDetection/blob/master/docs/YOLOv3_ENHANCEMENT.md

 

• 基于PaddleSeg的U-Net模型训练过程可参考：

https://github.com/PaddlePaddle/PaddleSeg/blob/release/v0.2.0/turtorial/finetune_unet.md

 

• 表盘分割教程可参考：

https://github.com/PaddlePaddle/PaddleSeg/blob/release/v0.3.0/contrib/README.md#%E5%B7%A5%E4%B8%9A%E7%94%A8%E8%A1%A8%E5%88%86%E5%89%B2

 

想与更多的深度学习开发者交流，请加入飞桨官方QQ群：796771754。
 

若是您想详细了解更多飞桨PaddlePaddle的相关内容，请参阅如下文档。
官网地址：https://www.paddlepaddle.org.cn/

>> 访问 PaddlePaddle 官网，了解更多相关内容。