盛夏的廣東，酷熱難耐。

　　當大多數人在空調房里盡情享受著電力帶來的清涼時，有一群人卻不得不冒著高溫在戶外奔波工作，他們就是南方電網廣東電網公司的電力巡檢人員。

　　炎炎烈日下，為了保障自身人身安全，電力巡檢人員需要穿上棉質的長袖長褲工作服，頭戴安全帽進行室外設備的巡視和檢查工作。“走一圈下來全身都是汗水，衣服都可以擠出水來”，南方電網廣東能源技術公司機器人事業部的楊英儀博士如此描述夏日室外巡檢工作的艱辛。

　　廣東電科院能源技術公司利用百度飛槳(PaddlePaddle)深度學習平臺為自主研發的變電站智能巡檢機器人提供視覺賦能，實現對變電設備的準確檢測與分析，讓原有單次6小時的人工現場巡視由機器人替代，極大地降低了運維成本，提高了巡視工作的智能化水平。

　　費時費力的人工巡檢

　　電能從生產到消費要經過發、輸、變、配、用五大環節，任何一個環節出問題，都會影響到電能的正常供應。其中，輸變電是電能通過電網傳輸的重要部分。電力巡檢的核心工作內容，就是對輸變電設備進行運維，以確保其正常工作，保障電力系統的安全運行和電能的穩定供應。

　　一直以來，電力巡檢都是由人工完成的。哪里有變電站，哪里有輸電線路，電力巡檢人員就要到哪里去。無論是一望無際的平原，還是叢林密布的山區。

　　就變電站巡檢而言，對設備的巡視是其中的重要部分。這部分又分為常規巡視和特殊巡視。常規巡視根據設備運維策略表開展，對設備的巡視周期每月1次或每季度1次不等;而特殊巡視則根據特定需求而設定更為頻繁的周期，如在特殊時期的保供電巡視要求每天一次。如今已經成為高級工程師的楊英儀博士也在電力設備現場巡維的生產一線上待過，他回憶起當時所在班組的老班長開玩笑說過的話：“我們每天不是在巡檢就是在去巡檢的路上”。

　　電力設備巡檢工作是枯燥而繁瑣的，一次典型的變電站巡視工作涉及的巡視點多達1000多個，這通常需要兩位工作人員花費6-7個工時去完成，不止耗費人力，更耗費時間。隨著經濟的迅猛發展，電網的規模越來越大，輸變電設備的數量也越來越多。在現有的人員規模情況下，如何提供智能化的巡檢裝備，使人力投入更少、運維效率更高，是擺在所有電力人面前的一道亟待解決的難題。

　　實時智能的AI巡檢

　　多年來，廣東電網也一直在進行各種方法的嘗試。目前，機器人已經被引入電力巡檢領域，并可以取代人工完成大部分自動化巡視工作。但是，針對表計識別的傳統圖像識別方法由于受到復雜背景、光線條件等因素的影響，檢測與識讀的整體準確率仍然較低。

　　廣東電網通過與百度公司的合作，利用AI算法實現裝備賦能升級。

　　基于飛槳的AI算法幫助變電站智能巡檢機器人改善了設備圖像識別的準確率，提升了裝備的智能化水平，進一步解放了勞動力。

　　現在，利用智能巡檢機器人開展室外巡視，只需預先設定機器人的巡檢點，規劃好巡檢路線，機器人就會自動進行所有相關表計的檢測與讀取。工作人員無需花費6個小時在現場巡視，而只需要在遠方的主控室一鍵下達巡檢任務。

　　“所以現在我們變電站可以利用智能巡檢機器人替代人工開展現場巡視了”，楊英儀說道，智能巡檢機器人的好處在于，受環境、氣候及作業時長等因素的影響較小，可以降低人工巡檢的勞動強度，降低運維成本，提高巡檢作業和管理的自動化和智能化水平。從更長遠的意義上講，智能巡檢機器人的推廣應用與賦能提升，可有效推動變電站巡檢無人化的進一步發展。

　　百度飛槳的賦能

　　新技術的應用并不是一帆風順的，中間也走了不少彎路。

　　2016年，廣東電網圍繞智能巡檢機器人研發成立了重點攻關團隊，團隊中有做高壓絕緣的，做傳感檢測的，但是沒有一個人是機器人專業科班出身的。用他們的話說，他們對機器人技術“一抹黑”，完全不了解。經過2年多的實踐和摸索，光機器人本體和后臺，更迭了至少六個版本。

　　以變電設備巡視中的指針類表計檢測和識讀為例，在最開始的時候，他們使用傳統的圖像處理技術，用人工設計特征方法進行特征提取。這樣的方法只能獲取圖像中目標對象的淺層特征，這使得識別過程極易受到光照等環境因素的影響，在各類干擾因素影響下，整體識別準確率并不高。

　　2017年，廣東電網與百度建立了戰略合作關系，賦能前端巡檢設備也是合作的重要內容之一。智能巡檢機器人攻關團隊引入百度飛槳(PaddlePaddle)平臺，利用其所提供的YOLO v3、U-Net，使機器人面向表計的深層次特征提取能力大大提高，突破了環境因素的制約，方法的準確率和魯棒性顯著提升，在表計目標檢測、示數讀取等方面的效果尤為顯著?，F在，對于用原有傳統方法處理起來極為困難的表計目標，用深度學習方法已經可以獲得處理效果的有效提升。

　　模型技術詳解：YOLOv3與U-Net

　　YOLOv3是一個速度和精度均衡的目標檢測網絡，飛槳物體檢測統一框架PaddleDetection通過增加mixup、label_smooth等處理，對YOLO v3進行了優化實現。YOLOv3也是一個單階段的目標檢測器。傳統目標檢測方法通過兩階段檢測，第一階段生成預選框，第二階段對預選框進行分類得到類別，而YOLO將目標檢測看作是對預測框位置的一個單階段回歸問題。因此，推理速度能夠達到具有同樣精度的兩階段目標檢測方法的幾乎2倍。此外，YOLOv3在最初版YOLO的基礎上引入了多尺度預測，因而對小物體的檢測精度大幅提高。

　　U-Net是飛槳語義分割庫PaddleSeg中支持的四個主流分割網絡之一，整個網絡是標準的encoder-decoder網絡，具有參數少、計算快、應用性強等特點，對場景有較高的適應度。U-Net使用跳躍連接，以拼接的方式將解碼器和編碼器中相同分辨率的feature map進行特征融合，幫助解碼器更好地恢復目標的細節。

　　在變電站表計示數識讀這一案例中，機器人對表計的讀取需要經過表計整體目標檢測及二次對準、表盤目標檢測及示數讀取兩個階段。原來的機器人主要是采用基于傳統人工設計特征的圖像處理方法實現表計的目標匹配和輪廓檢測。由于這些方法只能實現淺層特征的提取，在應用的過程中容易受到圖像背景、環境光照、拍攝角度等因素的影響，分類錯誤率較高。此外，樣本量的增加對此類方法的作用也不大，大量深層特征無法被挖掘并用于提升算法的性能。

背景特征難區分

類似區域易誤檢

環境光線影響檢測準確性

現場干擾(如水珠)

　　針對這些問題，對機器人的賦能升級采用了基于深度學習的方法，對涉及目標檢測與圖像分割的兩個關鍵階段進行了改善。出于降低圖像處理的傳輸時延和資源需求、提高前端處理效率和智能化程度的目的，上述兩個階段均是在機器人本體上完成。因此，改進方案選擇了更適用于前端推理實現的YOLOv3和U-Net模型。

　　在面向表計目標檢測的具體實現中，攻關團隊所采用的訓練集包含了946張圖像樣本，標注了2838個表計目標，而測試集則包含了236張圖像樣本。在基于飛槳YOLOv3的檢測實現中，對表盤檢測的最高mAP達到了0.9857，有效地提升了目標檢測的查全率和查準率。

檢測結果示例

mAP指標隨迭代次數的變化圖示

　　在面向表計示數識讀的具體實現中，利用翻轉、旋轉、隨機裁剪等方式進行圖像預處理，為U-Net模型提供更多不同的訓練樣本;在表盤分割中，則利用U-Net實現表計指針、表盤刻度線、表盤示數等關鍵要素的有效提取，繼而利用圓心定位、數字分類、角度估算等后處理方式實現表計示數的有效估計。在101張測試樣本中，指針示數識別結果的偏差與召回率的分布如下表所示。

　　未來與展望

　　目前，廣東電網和百度飛槳的合作主要集中在變電設備巡檢領域，未來將在輸電線路巡檢、現場風險管控等方向上開展合作，逐步推動電力巡檢行業向智能化方向發展。

　　作為中國全面開源開放、功能完備的產業級深度學習平臺，百度飛槳已經成為全面推動國內產業智能化升級的重要基石。正如飛槳獲得第六屆世界互聯網頒發的“世界互聯網領先科技成果”這份榮譽所彰顯的，飛槳技術領先、功能完備、生態豐富等特點向世界展示著中國科技的力量。與此同時，借助百度大腦與百度智能云的“云+AI”領先技術實力，更多企業正上演著智能化轉型升級的故事。

特別提醒：本網內容轉載自其他媒體，目的在于傳遞更多信息，并不代表本網贊同其觀點。其原創性以及文中陳述文字和內容未經本站證實，對本文以及其中全部或者部分內容、文字的真實性、完整性、及時性本站不作任何保證或承諾，并請自行核實相關內容。本站不承擔此類作品侵權行為的直接責任及連帶責任。如若本網有任何內容侵犯您的權益，請及時聯系我們，本站將會在24小時內處理完畢。