基于改进Faster RCNN的变电站红外图像多目标识别*

王 妤，陈秀新，袁和金*

(1.保定职业技术学院计算机信息工程系，河北 保定071051；2.华北电力大学控制与计算机工程学院，河北 保定071003)

高压电气设备在长期运行中由于表面老化、化学腐蚀、自然灾害以及人为损伤等多种因素会出现各种各样故障。这些设备在故障前期通常伴随有局部放电、整体或局部异常发热等现象。红外检测可以及时发现电气设备故障，通常利用各种红外检测设备获取到高压电气设备的温度值和温度空间分布特征，从而分析高压电气设备中可能存在的隐患以到达故障检测的目的[1]。

目前国家电网积极探索智能化变电站的建设，许多变电站已经安装红外检测系统，通过固定红外摄像头和人工手持红外热像仪等巡检方式将采集到的红外图像通过网络通信技术传输到监控系统中，由监控中心的技术人员进行故障排查。现有的红外检测系统在进行故障诊断时对技术人员的专业知识和经验要求很高，不具有智能分析与决策的能力。而且故障数据海量、高频、分散，依靠人工排查需要耗费大量人力物力且准确性难以保障。通过智能算法对故障数据进行智能分析和处理，将它们转化为有价值的知识，已经成为坚强智能电网建设过程中需要迫切解决的关键性问题[2]。

深度学习在智能电网中应用较为广泛。2017年，甘伟焜[3]等利用卷积神经网络识别变压器红外图像，减少了传统机器学习算法中人为计算特征的步骤，但是该方法只针对变压器进行研究，识别种类比较单一，无法解决变电站多设备检测问题；……