電力是我國(guó)經(jīng)濟(jì)發(fā)展、社會(huì)發(fā)展、工業(yè)生產(chǎn)、民生生活、工程建設(shè)等方面不可或缺的重要元素，電力系統(tǒng)的穩(wěn)定運(yùn)行具有極其重要的意義。電力設(shè)備一旦出現(xiàn)故障，會(huì)影響電力系統(tǒng)的安全和穩(wěn)定運(yùn)行，甚至引起電力供應(yīng)中斷，對(duì)國(guó)家和社會(huì)造成重大影響。若不能及時(shí)發(fā)現(xiàn)電力設(shè)備的缺陷并處理，可能會(huì)導(dǎo)致電力設(shè)備故障，所以進(jìn)行電力設(shè)備缺陷管理具有十分重大且必要的意義。

缺陷識(shí)別是電力設(shè)備缺陷管理工作中的重要流程。維護(hù)人員一般通過日?；?qū)ｍ?xiàng)巡檢采集電力設(shè)備工作狀態(tài)，進(jìn)而發(fā)現(xiàn)其中存在的缺陷。若無法及時(shí)、準(zhǔn)確、全面地發(fā)現(xiàn)缺陷，則會(huì)影響后續(xù)的缺陷管理工作。

1 電力設(shè)備缺陷識(shí)別的發(fā)展

1.1 從人工巡檢到圖像采集

電力設(shè)備缺陷通常依靠人工巡檢在視距內(nèi)或借助望遠(yuǎn)鏡等設(shè)備被發(fā)現(xiàn)。對(duì)于輸電線路此類分布廣、規(guī)模大的電力設(shè)備，人工巡檢不僅工作量和難度極大，還面臨著復(fù)雜、多變的戶外環(huán)境，工作具有較高的危險(xiǎn)性。隨著技術(shù)的進(jìn)步與發(fā)展，越來越多的電力維護(hù)單位開始采用無人機(jī)、巡檢機(jī)器人、固定攝像頭、全景采集等圖像采集設(shè)備對(duì)電力設(shè)備進(jìn)行圖像采集。

圖像采集設(shè)備采集到大量的電力設(shè)備圖像后，再由工程師根據(jù)經(jīng)驗(yàn)判斷是否存在缺陷。這種方法的識(shí)別效果受限于工程師的技術(shù)水平和工作經(jīng)驗(yàn)，且識(shí)別效率與工程師數(shù)量和工作時(shí)長(zhǎng)相關(guān)。長(zhǎng)時(shí)間進(jìn)行人工識(shí)別，不僅使工程師精神疲勞，導(dǎo)致識(shí)別精度降低、效率下降，還易對(duì)工程師的身體健康造成傷害。

1.2 傳統(tǒng)圖像識(shí)別模式

隨著采集到的圖像數(shù)量越來越多，將圖像識(shí)別技術(shù)應(yīng)用于電力設(shè)備缺陷識(shí)別中，已經(jīng)成為缺陷識(shí)別的發(fā)展方向之一。在圖像識(shí)別技術(shù)中，特征提取是關(guān)鍵步驟。傳統(tǒng)圖像識(shí)別算法由人工根據(jù)先驗(yàn)知識(shí)和對(duì)任務(wù)的理解提取圖像特征，如根據(jù)電力設(shè)備的特點(diǎn)，提取邊緣、梯度、顏色、紋理等特征，包括尺度不變特征變換（SIFT）特征、方向梯度直方圖（HOG）特征等。

但傳統(tǒng)的電力設(shè)備圖像缺陷識(shí)別算法對(duì)圖像特征提取的能力不足，擴(kuò)展性也較差，無法很好地利用低層特征數(shù)據(jù)，無法提取深層特征，需要人工設(shè)計(jì)特征。人工設(shè)計(jì)的特征往往針對(duì)給定的設(shè)備類型，因而識(shí)別種類少，數(shù)據(jù)規(guī)模小，泛化能力差，難以滿足復(fù)雜場(chǎng)景下的多種類電力設(shè)備缺陷識(shí)別要求。

2 深度學(xué)習(xí)缺陷識(shí)別的研究進(jìn)展

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)方向，近年來在圖像識(shí)別領(lǐng)域取得突出成果?；谏疃葘W(xué)習(xí)的電力設(shè)備缺陷識(shí)別的主要任務(wù)在于對(duì)電力設(shè)備巡檢圖像進(jìn)行圖像識(shí)別，判斷圖像中存在的缺陷并對(duì)其進(jìn)行分類、定位和語義理解。經(jīng)過多年發(fā)展，較為典型的深度學(xué)習(xí)模型包括深度信任網(wǎng)絡(luò)模型、自編碼網(wǎng)絡(luò)模型及卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型。

基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法于2012年取得突破性進(jìn)展，在基于公共圖像數(shù)據(jù)集的分類任務(wù)中取得良好的效果。近年來，越來越多的研究者將卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于電力設(shè)備缺陷識(shí)別中，相較于傳統(tǒng)的圖像識(shí)別算法取得了更佳的識(shí)別精度、更強(qiáng)的泛化能力和更快的識(shí)別速度。

2.1 卷積神經(jīng)網(wǎng)絡(luò)缺陷識(shí)別模型

卷積神經(jīng)網(wǎng)絡(luò)是一種包含卷積運(yùn)算仿照生物視覺機(jī)制構(gòu)建的深層前饋型神經(jīng)網(wǎng)絡(luò)。經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型主要有兩類，即基于區(qū)域候選的兩階段模型和基于回歸的單階段模型。基于區(qū)域候選的模型主要有區(qū)域神經(jīng)網(wǎng)絡(luò)（R-CNN）、快速區(qū)域神經(jīng)網(wǎng)絡(luò)（Fast R-CNN）、基于區(qū)域的全卷積網(wǎng)絡(luò)（ R-FCN）等；基于回歸的模型主要有YOLO、單點(diǎn)多框檢測(cè)器（SSD）等。

基于區(qū)域候選的模型以較快區(qū)域神經(jīng)網(wǎng)絡(luò)（Faster R-CNN）為代表，是一種兩階段目標(biāo)檢測(cè)模型，其特點(diǎn)是先生成可能包含需要檢測(cè)目標(biāo)的候選框，再進(jìn)一步對(duì)目標(biāo)進(jìn)行檢測(cè)。Faster R-CNN模型是由R-CNN、Fast R-CNN改進(jìn)和優(yōu)化而來。R-CNN模型是將提取候選區(qū)域替代傳統(tǒng)的窗口滑動(dòng)檢測(cè)，使用卷積神經(jīng)網(wǎng)絡(luò)計(jì)算候選區(qū)域的特征，最后使用支持向量機(jī)分類器進(jìn)行分類。

Fast R-CNN模型在R-CNN基礎(chǔ)上進(jìn)行了改進(jìn)，不需要再對(duì)每個(gè)候選區(qū)域單獨(dú)提取特征，而是對(duì)整張圖片提取一次特征，同時(shí)提出感興趣區(qū)域池化對(duì)動(dòng)態(tài)區(qū)域大小進(jìn)行歸一化，并將分類器由支持向量機(jī)更換為softmax函數(shù)，從而提高速度。而Faster R-CNN在此基礎(chǔ)上增加了區(qū)域提取網(wǎng)絡(luò)（RPN），RPN在特征圖中進(jìn)行滑動(dòng)來選擇所需目標(biāo)，既保證了候選框選擇的準(zhǔn)確性，也提高了網(wǎng)絡(luò)訓(xùn)練的效率。

有學(xué)者使用Faster R-CNN模型進(jìn)行高壓電線的缺陷識(shí)別實(shí)驗(yàn)，使用1917張?jiān)紭颖緢D片，經(jīng)過處理擴(kuò)張成13419張樣本。檢測(cè)實(shí)驗(yàn)結(jié)果顯示，對(duì)于高壓電線的斷股、異物缺陷，F(xiàn)aster R-CNN模型實(shí)現(xiàn)了90%以上的AP（average precision），對(duì)于損傷缺陷識(shí)別的AP值也達(dá)到了83%，綜合三類缺陷識(shí)別的mAP（mean average precision）為94%。

基于回歸的單階段檢測(cè)模型以端到端的YOLO、單點(diǎn)多框檢測(cè)器模型為代表。YOLO系列模型的特點(diǎn)在于取消了目標(biāo)區(qū)域建議的機(jī)制，通過卷積神經(jīng)網(wǎng)絡(luò)直接在一張完整的圖像上進(jìn)行目標(biāo)類別和邊界框回歸的檢測(cè)。由于從輸入到輸出只進(jìn)行一次檢測(cè)，與兩階段檢測(cè)模型相比，其檢測(cè)速度更快，但檢測(cè)精度有所降低。

YOLO系列模型經(jīng)過多年發(fā)展和迭代，目前已發(fā)展至第4代，且第5代也正處于構(gòu)建當(dāng)中。SSD模型將YOLO的回歸思想和Faster R-CNN的候選區(qū)域anchor機(jī)制相結(jié)合，其檢測(cè)速度較Faster R-CNN更快，檢測(cè)精度較YOLO更高。回歸思想可以對(duì)神經(jīng)網(wǎng)絡(luò)的計(jì)算復(fù)雜度進(jìn)行簡(jiǎn)化，從而提高檢測(cè)速度；采用anchor機(jī)制可以提取不同尺寸的特征，且可提取局部特征以提高檢測(cè)精度。SSD模型采用多尺度的特征提取方法，可提升不同尺度目標(biāo)檢測(cè)的魯棒性。

有學(xué)者提出基于改進(jìn)YOLOv3的高壓輸電線路關(guān)鍵部件目標(biāo)檢測(cè)算法，在對(duì)高壓輸電線路防震錘、鳥巢、金具、絕緣子、塔身、塔牌的六類缺陷識(shí)別中，具有較好的效果。實(shí)驗(yàn)結(jié)果表明，YOLOv3針對(duì)防震錘、鳥巢、金具的檢測(cè)精度AP均在80%以上，針對(duì)絕緣子、塔身、塔牌的檢測(cè)精度AP在90%以上，六類的平均精度mAP為89.1%。

為了更好地說明深度學(xué)習(xí)缺陷識(shí)別模型的特點(diǎn)及其與傳統(tǒng)圖像識(shí)別算法的區(qū)別，表1從模型機(jī)制、優(yōu)勢(shì)、缺點(diǎn)、適用場(chǎng)景四方面進(jìn)行對(duì)比。

表1 卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)圖像算法對(duì)比

2.2 模型的改進(jìn)和優(yōu)化

單階段、兩階段的卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)檢測(cè)中具有較好的效果，但面對(duì)電力設(shè)備缺陷識(shí)別任務(wù)還存在一定不足。為了進(jìn)一步提高深度學(xué)習(xí)的電力設(shè)備缺陷識(shí)別效果，研究者還將級(jí)聯(lián)網(wǎng)絡(luò)、遷移學(xué)習(xí)、生成對(duì)抗網(wǎng)絡(luò)（GANs）、注意力機(jī)制、網(wǎng)絡(luò)剪枝等技術(shù)與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合使用，取得了較好的效果。

采用級(jí)聯(lián)形式的識(shí)別模型，可以先對(duì)目標(biāo)部位進(jìn)行檢測(cè)，將檢測(cè)結(jié)果裁剪放大作為下一階段缺陷識(shí)別模型的輸入，從而提高對(duì)小目標(biāo)缺陷的檢測(cè)效果。有學(xué)者級(jí)聯(lián)YOLOv3和多個(gè)單分類（OCC）分類器對(duì)輸電線路缺陷進(jìn)行識(shí)別。無人機(jī)采集到的缺陷圖像先傳入YOLOv3網(wǎng)絡(luò)，獲得部件的位置與邊界框，再對(duì)部件進(jìn)行圖像裁剪，將裁剪后的部件圖像送入OCC分類器進(jìn)行缺陷的判斷。

樣本的數(shù)量對(duì)于深度學(xué)習(xí)模型訓(xùn)練的效果非常重要，樣本數(shù)量少不利于模型的訓(xùn)練。遷移學(xué)習(xí)和GANs是深度學(xué)習(xí)中有效解決樣本數(shù)量少的重要方法。遷移學(xué)習(xí)的思想是從源區(qū)域?qū)⒅R(shí)遷移到目標(biāo)區(qū)域，從而提升目標(biāo)區(qū)域模型的性能。

在缺陷識(shí)別中，遷移學(xué)習(xí)可以關(guān)聯(lián)不同數(shù)據(jù)集之間的特征，在具備大量樣本的源識(shí)別任務(wù)中進(jìn)行模型訓(xùn)練，把訓(xùn)練出的模型參數(shù)遷移至小樣本識(shí)別任務(wù)模型中，這樣可以減少小樣本識(shí)別所需要的訓(xùn)練樣本。有學(xué)者在電力設(shè)備紅外圖像的識(shí)別模型中使用遷移學(xué)習(xí)的方法，在電磁單元發(fā)熱、動(dòng)靜觸頭接觸位置發(fā)熱、接線板發(fā)熱及金屬連接部分發(fā)熱四大類的熱成像圖像樣本中進(jìn)行遷移學(xué)習(xí)，最終模型的識(shí)別率分別為96%和94%，達(dá)到了較好的效果。

通過遷移學(xué)習(xí)可以減少模型訓(xùn)練對(duì)樣本的需求量，而通過GANs可以對(duì)小樣本進(jìn)行擴(kuò)充，緩解樣本數(shù)量不足的困境。傳統(tǒng)的樣本擴(kuò)充技術(shù)主要利用幾何和光學(xué)維度的變換對(duì)圖像進(jìn)行處理，未增加額外的特征，對(duì)樣本進(jìn)行的修改較淺，得到的樣本在深度模型訓(xùn)練中容易出現(xiàn)過擬合。

GANs主要包括兩個(gè)網(wǎng)絡(luò)模型，即生成模型和判別模型，其思想是通過兩個(gè)模型對(duì)抗的方式進(jìn)行學(xué)習(xí)。生成模型生成圖像，判別模型對(duì)生成圖像和真實(shí)圖像的真?zhèn)芜M(jìn)行判別，再根據(jù)判別器的輸出對(duì)生成器的參數(shù)進(jìn)行修正，同時(shí)調(diào)整判別器自身參數(shù)，在反復(fù)的訓(xùn)練過程中提高生成圖像的逼真度。

有學(xué)者基于GANs構(gòu)建了電力設(shè)備缺陷樣本擴(kuò)充模型，并針對(duì)X光耐張線夾圖像進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，基于GANs的樣本擴(kuò)充模型生成的樣本數(shù)據(jù)集可以應(yīng)用于缺陷識(shí)別模型的訓(xùn)練，且提高了識(shí)別精度。

復(fù)雜背景的干擾一直是提高電力設(shè)備缺陷識(shí)別精度的難點(diǎn)。在深度學(xué)習(xí)視覺圖像領(lǐng)域的發(fā)展過程中，研究者們引入了注意力機(jī)制。注意力機(jī)制模擬人腦在處理視覺信息時(shí)可以快速掃描圖像，獲取關(guān)鍵信息，形成注意力焦點(diǎn)，并在焦點(diǎn)區(qū)域內(nèi)進(jìn)行更加仔細(xì)地特征提取。注意力機(jī)制的核心目標(biāo)是在輸入的大量信息中提高對(duì)當(dāng)前任務(wù)更重要信息的關(guān)注度，降低或過濾其他無用信息，從而提高模型的效率和準(zhǔn)確率。

有學(xué)者對(duì)SSD模型進(jìn)行改進(jìn)，引入注意力機(jī)制后，目標(biāo)和背景的差異明顯被放大，網(wǎng)絡(luò)捕獲了更多的目標(biāo)信息，減少了背景的影響。

網(wǎng)絡(luò)剪枝是實(shí)現(xiàn)深度學(xué)習(xí)網(wǎng)絡(luò)模型壓縮的一種有效方法。通過對(duì)權(quán)重低的冗余參數(shù)進(jìn)行修剪，可以減少模型內(nèi)的參數(shù)數(shù)量，降低網(wǎng)絡(luò)的復(fù)雜度，提高模型的運(yùn)行速度，降低模型對(duì)計(jì)算資源的開銷，還能防止過擬合。因而可降低模型對(duì)計(jì)算設(shè)備的門檻要求，使可選的計(jì)算設(shè)備更加廣泛。除了高性能的中心化計(jì)算設(shè)備以外，移動(dòng)計(jì)算設(shè)備亦可承擔(dān)計(jì)算工作，為邊緣計(jì)算提供條件。

有學(xué)者利用基于YOLOv3的改進(jìn)模型進(jìn)行五類電力設(shè)備缺陷樣本的識(shí)別，使用網(wǎng)絡(luò)剪枝方法對(duì)網(wǎng)絡(luò)模型進(jìn)行壓縮，并成功部署在輕量級(jí)Jetson AGX Xavier平臺(tái)上。

表2對(duì)缺陷識(shí)別模型的改進(jìn)和優(yōu)化方法進(jìn)行了梳理和總結(jié)，可以更清晰地說明不同方法的機(jī)制和應(yīng)用效果。

表2 深度學(xué)習(xí)缺陷識(shí)別模型優(yōu)化方法

2.3 市場(chǎng)應(yīng)用情況

輸電線路缺陷識(shí)別是目前深度學(xué)習(xí)在我國(guó)電力設(shè)備缺陷管理中常見的應(yīng)用場(chǎng)景。我國(guó)的高壓輸電線路長(zhǎng)期處于惡劣的自然環(huán)境之中，容易產(chǎn)生各種缺陷，同時(shí)巡檢的成本較高、效率較低，對(duì)于提高巡檢和缺陷識(shí)別效率有迫切的需求。目前的缺陷識(shí)別需求方主要以負(fù)責(zé)輸電線路實(shí)際管理工作的各省市級(jí)電網(wǎng)公司為主；技術(shù)研發(fā)方以電網(wǎng)系統(tǒng)內(nèi)各相關(guān)研究院、軟件院和主營(yíng)無人機(jī)巡檢、人工智能的高新技術(shù)公司為主。

在國(guó)家“新基建”大力發(fā)展人工智能的背景下，電網(wǎng)公司已從戰(zhàn)略層面加強(qiáng)人工智能在電力系統(tǒng)中的投入和研究，暢通科技成果轉(zhuǎn)化渠道，推動(dòng)成果落地?；谏疃葘W(xué)習(xí)的電力設(shè)備缺陷識(shí)別是電力人工智能領(lǐng)域具有代表性的科技成果之一。

一方面，電網(wǎng)公司建立“人工智能聯(lián)合實(shí)驗(yàn)室”，提出“兩庫一平臺(tái)”（即樣本庫、模型庫和訓(xùn)練平臺(tái)）總部級(jí)訓(xùn)練平臺(tái)的建設(shè)任務(wù)，推動(dòng)在各個(gè)省市級(jí)公司的應(yīng)用，并聯(lián)合各大互聯(lián)網(wǎng)公司共同探索和開發(fā)電力人工智能，發(fā)揮互聯(lián)網(wǎng)公司的算法技術(shù)優(yōu)勢(shì)和電網(wǎng)公司的數(shù)據(jù)優(yōu)勢(shì)；另一方面，各地市電網(wǎng)公司為了提高管理效率，通過招標(biāo)的方式采購基于深度學(xué)習(xí)的輸電線路缺陷識(shí)別技術(shù)服務(wù)和產(chǎn)品，靈活滿足當(dāng)前的缺陷數(shù)字化智能管理需求。

3 深度學(xué)習(xí)缺陷識(shí)別挑戰(zhàn)及展望

3.1 深度學(xué)習(xí)缺陷識(shí)別面臨的挑戰(zhàn)

盡管深度學(xué)習(xí)在圖像識(shí)別研究中具有良好的識(shí)別效果，技術(shù)發(fā)展也較為迅速和全面，但面對(duì)復(fù)雜多變的電力設(shè)備缺陷識(shí)別任務(wù)，現(xiàn)有的研究多在實(shí)驗(yàn)室條件下進(jìn)行，若要在實(shí)際缺陷管理中獲得良好的應(yīng)用效果，仍然存在一些挑戰(zhàn)。

電力設(shè)備缺陷種類眾多，其跨度也較大，有數(shù)厘米大小的螺栓、銷釘缺陷，也有數(shù)米大小的塔桿缺陷。圖像采集設(shè)備的拍攝分辨率有限，小尺度的缺陷在圖像中占比較小，有效信息不足。而用于深度學(xué)習(xí)模型識(shí)別的圖像往往會(huì)被壓縮處理，進(jìn)一步提高了小目標(biāo)缺陷識(shí)別的難度。盡管模型的不斷改進(jìn)、樣本質(zhì)量的提高對(duì)小目標(biāo)缺陷識(shí)別效果有較大提升，但在實(shí)際應(yīng)用中，小目標(biāo)缺陷識(shí)別精度的提高，依然是當(dāng)前電力設(shè)備缺陷識(shí)別的挑戰(zhàn)之一。

由于樣本采集設(shè)備在不同季節(jié)、角度、光照、背景等條件下進(jìn)行樣本采集，采集到的樣本具有復(fù)雜的視覺呈現(xiàn)，導(dǎo)致缺陷識(shí)別受到復(fù)雜背景和前景遮擋的嚴(yán)重干擾。即便是同一部件，在實(shí)際的樣本采集中，也會(huì)呈現(xiàn)出較大差異。缺陷識(shí)別模型必須能夠在高復(fù)雜背景下進(jìn)行準(zhǔn)確而高效的識(shí)別，同時(shí)還應(yīng)該具備較好的泛化性能。

缺陷樣本數(shù)量缺失和樣本種類分布不平衡同樣是缺陷識(shí)別中的挑戰(zhàn)之一。深度學(xué)習(xí)進(jìn)行模型訓(xùn)練與測(cè)試時(shí)對(duì)樣本的數(shù)量要求較高，需要大量的經(jīng)過標(biāo)注的樣本。

一方面，由于缺陷種類眾多，設(shè)備材質(zhì)、顏色、連接方式多樣，覆蓋所有缺陷需要的樣本數(shù)量極大；另一方面，采集的大量電力設(shè)備巡檢圖像需要有經(jīng)驗(yàn)的工程師進(jìn)行缺陷標(biāo)注和分類，效率較低，產(chǎn)生的有效樣本較少。

此外，不同電力設(shè)備部件數(shù)量不同，發(fā)生缺陷的概率也存在很大差異，導(dǎo)致缺陷樣本種類分布不平衡。數(shù)量少的缺陷樣本和發(fā)生頻次低的缺陷樣本占總?cè)毕輼颖镜谋壤^低，導(dǎo)致模型不能完整、準(zhǔn)確地學(xué)習(xí)其特征，降低了識(shí)別效果。缺陷樣本數(shù)量分布不均給缺陷識(shí)別帶來了一定的局限。

盡管卷積神經(jīng)網(wǎng)絡(luò)在圖像目標(biāo)檢測(cè)中可以發(fā)揮較好的作用，在缺陷圖像檢測(cè)中亦有良好表現(xiàn)，但從電力設(shè)備缺陷管理的角度出發(fā)，對(duì)于缺陷的識(shí)別不能僅滿足于圖像層面的目標(biāo)識(shí)別，更應(yīng)該實(shí)現(xiàn)對(duì)圖像內(nèi)容的理解和知識(shí)推理。如何結(jié)合電力行業(yè)相關(guān)的專業(yè)知識(shí)，利用好行業(yè)專家的知識(shí)和經(jīng)驗(yàn)，進(jìn)一步提高缺陷識(shí)別的專業(yè)性和智能化，亦是當(dāng)前提高缺陷識(shí)別效果、完善缺陷數(shù)據(jù)善后管理、增強(qiáng)其實(shí)用性的一大挑戰(zhàn)。

表3梳理了上述挑戰(zhàn)內(nèi)容及對(duì)深度學(xué)習(xí)缺陷識(shí)別模型的要求。

表3 深度學(xué)習(xí)缺陷識(shí)別面臨的挑戰(zhàn)

3.2 技術(shù)展望

隨著我國(guó)電力系統(tǒng)建設(shè)力量不斷加大，對(duì)電力設(shè)備維護(hù)的要求也越來越高，利用人工智能等先進(jìn)技術(shù)提高缺陷管理效率已成為行業(yè)內(nèi)的共識(shí)。前沿的人工智能技術(shù)發(fā)展迅速，新的思路、算法和技術(shù)也會(huì)逐漸應(yīng)用于電力系統(tǒng)維護(hù)之中，從而進(jìn)一步提高缺陷識(shí)別的精確度、效率和智能化水平。

自動(dòng)機(jī)器學(xué)習(xí)（ Auto ML）是深度學(xué)習(xí)未來發(fā)展的方向之一。深度學(xué)習(xí)在缺陷識(shí)別中的應(yīng)用需要工程師選擇合適的網(wǎng)絡(luò)架構(gòu)、對(duì)模型進(jìn)行訓(xùn)練、調(diào)整各項(xiàng)參數(shù)等其他工作，整個(gè)過程非常耗時(shí)。而Auto ML的目標(biāo)是使用自動(dòng)化的數(shù)據(jù)驅(qū)動(dòng)方式完成任務(wù)，只需要用戶提供缺陷樣本數(shù)據(jù)，Auto ML就可以實(shí)現(xiàn)大部分步驟自動(dòng)化，自動(dòng)化地分析網(wǎng)絡(luò)架構(gòu)、訓(xùn)練過程、正則化方法、超參數(shù)等對(duì)算法性能的影響，從而生成一個(gè)最優(yōu)的網(wǎng)絡(luò)架構(gòu)。

深度學(xué)習(xí)的模型訓(xùn)練和測(cè)試對(duì)樣本數(shù)量的依賴程度較高，盡管多種方法可以緩解此問題，但依然無法從源頭解決。電力設(shè)備種類眾多，型號(hào)繁雜，適用場(chǎng)景各不相同，缺陷標(biāo)注代價(jià)較高，所以構(gòu)建電力行業(yè)缺陷數(shù)據(jù)庫較難實(shí)現(xiàn)。

未來的發(fā)展方向?yàn)椋孩倏梢詷?gòu)建電力設(shè)備缺陷樣本數(shù)據(jù)庫標(biāo)準(zhǔn)，規(guī)范缺陷分類、缺陷描述等結(jié)構(gòu)化信息；②搭建高效的缺陷樣本管理信息系統(tǒng)，開發(fā)半自動(dòng)缺陷標(biāo)注算法和工具，提高人工標(biāo)注的效率；③打通行業(yè)內(nèi)不同管理單位的數(shù)據(jù)壁壘，建立行業(yè)樣本數(shù)據(jù)庫，實(shí)現(xiàn)數(shù)據(jù)共享。

當(dāng)前深度學(xué)習(xí)算法對(duì)圖像中的缺陷特征提取和缺陷識(shí)別效果較好，但僅有圖像層級(jí)的缺陷識(shí)別缺少專業(yè)知識(shí)做支撐。電力設(shè)備各部件之間相互耦合，缺陷的呈現(xiàn)不僅體現(xiàn)在單一部件上，更體現(xiàn)在各個(gè)部件之間的耦合關(guān)系上，需要更加豐富和專業(yè)的行業(yè)知識(shí)才能更精準(zhǔn)地識(shí)別缺陷。未來可以構(gòu)建缺陷知識(shí)圖譜，利用先驗(yàn)專業(yè)知識(shí)作為指導(dǎo)，再結(jié)合深度學(xué)習(xí)目標(biāo)檢測(cè)算法實(shí)現(xiàn)對(duì)電力設(shè)備缺陷更加全面和精準(zhǔn)的識(shí)別。

4 結(jié)論

電力設(shè)備缺陷管理對(duì)于國(guó)家電力系統(tǒng)的安全和穩(wěn)定具有重要意義。本文對(duì)電力設(shè)備缺陷管理中缺陷識(shí)別的發(fā)展進(jìn)行了回顧，并從卷積神經(jīng)網(wǎng)絡(luò)模型、模型優(yōu)化和改進(jìn)、市場(chǎng)應(yīng)用情況三方面總結(jié)了深度學(xué)習(xí)在缺陷識(shí)別中的應(yīng)用進(jìn)展。

盡管當(dāng)前深度學(xué)習(xí)技術(shù)發(fā)展迅速，但在應(yīng)對(duì)復(fù)雜的缺陷識(shí)別任務(wù)、實(shí)現(xiàn)技術(shù)成果的轉(zhuǎn)化和突破方面還面臨眾多挑戰(zhàn)。未來可以通過自動(dòng)機(jī)器學(xué)習(xí)、構(gòu)建電力行業(yè)樣本數(shù)據(jù)庫和電力知識(shí)圖譜等技術(shù)進(jìn)一步推動(dòng)人工智能在電力行業(yè)的融合應(yīng)用。

本文編自2022年第6期《電氣技術(shù)》，論文標(biāo)題為“深度學(xué)習(xí)在電力設(shè)備缺陷識(shí)別中的應(yīng)用進(jìn)展”，作者為臧國(guó)強(qiáng)、劉曉莉 等。