基于改进SSD的电力设备红外图像异常自动检测方法
为实现各类巡检机器人、无人机等智能电力巡检设备所携红外热像仪采集的红外图像自动检测，长沙理工大学电气与信息工程学院的研究人员王旭红、李浩、樊绍胜、蒋志鹏，在2020年《电工技术学报》增刊1上撰文，提出基于改进SSD的电力设备红外图像异常自动检测方法。实验表明，该方法泛化性强，准确率较高，能达到实时自动检测红外图像下多类典型电力设备并定位异常发热区域的效果，将使现有电力巡检设备实现“智能+”。
红外热像仪检测具有非接触不停电检测电力设备等优点，在各电力单位广泛使用。随着我国电网规模不断扩大，电力设备的红外巡检压力也越来越大，利用巡检机器人、定点监测轨道机器人等设备采集的红外热像数据越来越多。海量巡检数据仅靠现有红外热像仪设置最高温度阈值或人工比对分析这些红外图像，效率低，增加了巡检成本，不能实时自动监测电力设备并准确识别定位故障设备类别与异常区域。
传统图像特征分析法较难提取识别电力设备特征与异常发热区域特征。在红外图像上用传统图像处理方法，如梯度法进行边缘检测定位高温区域，无人机搭载红外成像仪并用图像处理法分析输电线路像素温度分布。康龙等用图像分割法诊断红外图像下变电站设备故障。魏刚等用软件导入电力设备红外图像扫描分析温差判别故障。
以上传统方法识别电力设备红外检测故障，均难做到实时检测识别定位故障设备及异常。针对电力设备红外图像异常检测的新方法也相继提出：对红外图像超像素分割，再用递归卷积网络结合图像处理法对电流互感器进行红外故障诊断，但只能进行单一设备检测；贾鑫等对电力设备红外图像先图像处理分割再利用卷积网络分类；李云昊等利用卷积神经网络对变压器红外图像做分类识别。上述新方法也均未实现红外图像下电力设备异常区域与识别故障设备的实时定位分类检测。
基于深度学习的计算机视觉算法在2012年取得突破性进展。采用深度学习与计算机视觉算法对红外数据进行设备与发热异常自动分析检测将极大提高红外图像检测效率。在携带红外热像仪的巡检机器人、定点监测轨道机器人等上位机控制系统中嵌入此类基于深度学习的检测算法，实时检测红外图像将进一步提高这些设备的智能化程度，做到真正智能巡检。
为实现这一目标，长沙理工大学电气与信息工程学院的研究人员，提出基于改进SSD（single shot multibox detection）算法的实时电力设备红外图像异常自动检测方法，实现现有智能巡检设备进一步“智能+”。
图1 机器人巡检湘潭九华220kV变电站
研究人员建立了863张典型故障电力设备红外图像数据集，存储为TFRecord格式数据，并搭建改进SSD检测网络，经20万步训练，得到最终模型，最终在测试集上实现了71.54%的准确率，并实现了20 FPS以上的检测速度，证明了深度学习对多类复杂目标的特征提取定位能力。
图2 原基于VGG的SSD框架
图3 改进的SSD框架
图4 设备与异常检测效果
图5 单独的异常检测效果
与其他检测模型进行对比，本方法在检测速度上有明显优势，但在检测精度上有待提高，需进一步优化。同时希望以后在检测输变电异常及设备的基础上，对红外图像温度数据进一步集成判断预测与数据挖掘，做进一步的软件系统集成，在课题组现有变电站巡检机器人上位机上集成算法，做进一步调试改进，实现现有智能巡检设备的巡检过程“智能+”。