Page 48 - 电力与能源2024年第一期

42 颜楠楠，等：高压电缆隧道内广域极差异常故障检测方法

值统一为最小的标记值。这样就得到了图像中所
有连通区域的唯一标记。
（4）对于每个连通区域，遍历其所有像素，找
出其最小和最大的行坐标和列坐标，即可得到该
连 通 区 域 的 外 接 矩 形 框 。 用 ( x min ，y min ) 和

( x max ，y max ) 表示外接矩形框的左上角和右下角坐
标，则有：
}
ì x min = min{i| l i，j = k
ï ï
ï
ï
ï
ï x max = max{i| l i，j = k
ï ï
í } （14）
}
ï ï y min = min{ j| l i，j = k
ï
ï
ï }
ï
ï ï y max = max{ j| l i，j = k
î
式中 k——该连通区域的标记值。
3 算例分析
为验证上述基于广域极差跟踪成像的隧道内
异常积水故障检测方法的效果，本文使用 Python
语言编写了该框架的代码，并在 TensorFlow 平台
上进行了训练和测试。训练环境为一台配置有
Intel Core i7-8700K 处理器、32GB 内存、NVIDIA
GeForce RTX 2080 Ti显卡和 Windows 10 操作系

统的个人计算机。
为了构建本文提出方法所需的数据集，收集
了 5 000 张不同时间、不同环境下、不同积水情况
的样本，并将这些样本按照 8∶2 的比例随机划分
为训练集和测试集，其中训练集用于训练深度学
图 3 改进模型下积水识别结果
习框架的参数，测试集用于评估深度学习框架的
Mask RCNN 算法的故障检测方法的优越性，本文
性能。同时，为每张图像标注了目标状态类型和
利用测试数据集进行了对比试验。其中传统方法
故障位置，作为深度学习框架的监督信号。为了
也是基于深度学习的图像处理框架，但是只使用
提高本文方法的泛化能力，还建立一个目标样本
了一个 Mask RCNN 模型，将积水状态识别和检
库，可根据图像中的积水特征，自动匹配出对应的
边界区域信息，从而为深度学习框架提供更多的 测切割定位作为一个联合任务进行处理。该方法
先验知识。 既没有利用设备样本库中的先验知识，也没有考
采用依据深度学习环境和数据集训练的改进 虑故障温升条件下基于设备温差的广域极差特

模型对电缆隧道内实际复杂环境下的积水异常区 性 。 本 文 使 用 准 确 率（Accuracy）、召 回 率（Re⁃
域进行故障识别，结果如图 3 所示。由图 3 可以看 call）、精确率（Precision）和 F 1 值（F 1-Score）作为评
出，所训练的模型能够在实际工况下有效地完成 价指标，分别衡量两种方法在状态识别和故障定
异常积水区域识别检测。 位两个子任务上的性能。两种方法在测试集上的
为检验本文所提改进模型相比传统的基于 （下转第 59 页）