[深度学习]浙江大学肖俊，国网浙江省电力公司范海兵等：深度学习在电力设备锈蚀检测中的应用

电力设备在长期运转中会产生形态不规则的锈蚀，人工巡检工作存在难度大、效率低、成本高等问题，而采用传统的图像处理方法对锈蚀进行检测的效率和准确率都不高。为此，提出基于深度学习的电力设备锈蚀检测技术。 结果表明2个模型都能检测出较为明显的锈蚀，Faster R-CNN模型在准确度和检测数量方面表现较好，而YOLOv3模型检测速度更快。

深度学习在电力设备锈蚀检测中的应用

基金项目：国家自然科学基金项目

★ 范海兵, 胡锡幸, 刘明一, 等. 深度学习在电力设备锈蚀检测中的应用[J]. 广东电力, 2020, 33(9): 154-165.

FAN Haibing, HU Xixing, LIU Mingyi, et al. Application of deep learning in power equipment corrosion detection[J]. Guangdong Electric Power, 2020, 33(9): 154-165.

随着电网规模的扩大，对电力供应的可靠性的要求也在不断提高。电力设备在长期运转的过程中，不可避免地会出现锈蚀问题。而作为基础设施的电力设备一旦出现严重的锈蚀缺陷问题，极有可能导致设备故障，影响整个相关区域的电力系统正常运行，从而严重影响生产生活并带来难以预计的经济损失。这就需要对相应的电力设备进行定期巡检和及时的维护检修。及时发现锈迹并检修锈蚀问题，能够有效减少电力设备的恶劣性故障，从而保障电网安全稳定运行。

网络通信基础设施的建设，使视频图像采集任务得到保障。常规的图像处理方法泛化能力不足，这些方法通过产生滑动窗口对整幅图像进行遍历，得到候选区域后，提取区域内的边缘、轮廓等特征，然后送入分类器进行目标物体的类别判断。这种基于常规图像处理的目标检测方法存在一些问题：①滑动窗口往往是设定固定的1个或者多个尺寸，没有灵活性，对图片中不同大小的物体检测任务冗余性太大；②边缘、轮廓这种人工预设的特征鲁棒性较差。

本文基于目标检测领域中主流的Faster R-CNN算法和YOLOv3算法，提出基于深度学习的电力设备锈蚀检测技术，并从高精度和高速度2个方面进行实例验证，实现从视频、图片数据流中检测并定位实际作业环境中电力设备上的锈蚀区域。

《广东电力》：CN 44-1420/TM，ISSN 1007-290X，月刊，1988年创刊，由广东电网有限责任公司主管、广东电网有限责任公司电力科学研究院和广东省电机工程学会共同主办。中国科技核心期刊，入选首届《能源电力领域高质量科技期刊分级目录》，2019、2020连续两年学术影响力排名国内电气类期刊第9（影响因子2.387）。。开设电网运行与控制、高电压与绝缘2个固定栏目，以及专家论坛、新能源发电与并网、电力经济与市场、发电技术、储能技术等多个动态栏目。