2024年8月30日，能源行业电网设备智能巡检标准化技术委员会秘书处组织召开行业标准《变电站智能巡检导则第6部分:图像识别》编制启动会，2024年9月30日，能源行业电网设备智能巡检标准化技术委员会秘书处将征求意见稿在委员单位、有关单位和中国电力企业联合会网站挂网,广泛征求意见。

本文件规定包括图像采集、图像处理、图像识别算法训练、结果检查、安全与隐私等内容。本文件适用于35kV及以上变电站智能巡检作业采集变电设备可见光及红外图像数据的识别处理,换流站可参照执行。

​

图像识别

图像质量要求

1.通用要求

变电站智能巡检图像质量应满足以下通用要求:

a) 待识别的目标宜位于图像中心且轮廓清晰、完整。

b) 待识别的目标在图像中应无前景物体遮挡。

c) 待识别目标分辨率不小于 32x32像素且待识别目标边界框像素面积与图像像素面积之比不小于0.58%，应尽量提高待识别目标在图像中像素占比，降低环境因素对待识别目标的干扰。d)因目标缺陷定级需三相比较判别的，图像应完整展示目标设备三相。

2.可见光图像质量要求

可见光图像质量应满足以下要求:

a) 可见光图像不应出现明显反光、斑点、过曝光、欠曝光、模糊不清等情况。

b) 可见光图像分辨率不低于 1920 像素x1280 像素。

3.红外图像质量要求

红外图像质量应满足以下要求:

a) 红外图像应具备红外光谱图像文件及其对应红外温度矩阵文件,或合成为带有红外温度矩阵的图像文件。

b) 温度矩阵文件应提供红外图像每个像素的温度信息，温度范围应为-20℃~150℃，且温度准确度应符合 DL/T 664 中的要求。

c) 红外图像不应出现视场模糊、失真、颜色异常等情况，且能明显展示设备轮廓。

d) 红外图像分辨率不低于 640 像素x512 像素。

图像格式要求

变电站智能巡检图像格式应满足以下要求:

a)可见光图像应为三通道图像。

b)红外图像应为单通道图像。

c)图像应以 PNG、BMP、JPEG、JPG、TIFF 等格式存储，确保数据在不同开发平台的兼容性。d)图像文件名称采用统一格式命名，包括但不限于标明设备外观特征字段、图像拍摄特征字段缺陷类型字段、拍摄日期字段，并用下划线分隔不同字段。

图像处理

样本清洗要求

在进行算法开发和模型训练之前,必须对采集到的图像样本进行全面的清洗处理,保证数据的质量.一致性和可靠性。样本清洗应遵循以下要求:

1 .数据完整性检查

a) 应对所有采集到的图像文件进行完整性验证，确保文件未受损坏、未被截断或篡改。对于无法正常打开或读取的文件，应记录其文件名和存储路径，并予以删除或重新采集。

b) 所有图像文件应采用统一的文件格式(JPEG、PNG、TIFF 等)，以便于后续的批处理和分析。若存在不同格式的图像，应用图像转换工具进行格式转换，并确保图像质量满足第四章“图像采集”的相关要求。

2.图像质量评估

a)应对每张图像的清晰度进行评估，确保图像中目标设备和部件的细节清晰可见。

b)应通过分析图像的直方图，检査是否存在过度曝光(过曝)或曝光不足(欠曝)的情况。

c)应检测图像是否存在明显的色偏，如整体偏红、偏蓝等情况。确保图像的色彩真实性。

d)应评估图像中是否存在过多的噪声。对于噪声过大的图像，应采用降噪算法进行处理，在必要时剔除该样本。

3.数据冗余与重复

a)应对数据集进行重复性检查。应删除重复的图像和内容相似但文件不完全相同的图像(如尺寸变化、压缩或轻微编辑后的重复图像)。

b)对于同一场景和视角下的数据,应保留具有代表性和信息量较大的样本。适当删减重复场景图像，以确保数据集的多样性。

4.异常数据处理

a)对于在图像中出现的非预期目标或干扰物(如非相关人员、车辆、动物、0SD 水印等)，应根据实际需求和算法目标，决定是否将这些异常目标进行标注或剔除。

b)应检测并处理图像旋转错误、镜像翻转、颜色通道错乱等情况。应确保图像的方向和内容正常,以满足标注和处理的要求。

5. 数据安全与备份

a) 在数据清洗和处理的过程中，应建立完善的数据备份机制。对原始数据和清洗后的数据进行定期备份，避免数据因意外损坏、丢失或人为误删而无法恢复。

b) 应详细记录数据清洗的过程，包括每个步骤的操作内容、处理方法、删除或修改的文件列表、处理时间等信息。

c) 对数据的访问和操作应设置合理的权限控制，防止未经授权的人员改或泄露数据。

样本库建立要求

1. 样本多样性

a) 样本库应涵盖不同的环境，比如光照环境应考虑白天、夜晚、黎明、黄昏等不同场景。

b) 样本库应包括从不同视角、不同距离拍摄的图像。

c) 应收集在不同光照条件下的图像。

2. 样本均衡性

a) 在样本库中，应保证各类目标(不同设备、不同缺陷类型)的样本数量应尽可能均衡。

b) 对于正常状态和故障状态的样本，应保持适当的比例。故障状态样本较少时可通过数据增强或合成等方法增加故障样本数量。

c) 在不同场景下的样本数量应保持均衡。

3 .数据存储与管理

a) 为每个图像文件建立元数据文件，记录图像的相关信息。

b) 对于样本库的更新和迭代，应采用版本控制策略。每次修改或更新，应记录版本号、修改内容时间、人员等信息。

c) 样本库应进行定期备份，通过多地存储、云备份等策略，防止数据因意外丢失或损坏。应对数据的访问和使用应进行权限控制，防止未经授权的访问和数据泄露。

 图像标注要求

1. 标注规范文档制定

图像标注规范文档的制定应遵循以下要求:

a) 明确标注任务的目标和要求，包括需要标注的对象、特征、属性等。

b) 列出所有需要标注的类别，并对每个类别进行清晰的定义，定义标注类别的时候，要考虑到类别

的可区分性、完整性和准确性。

c) 同一类型不同外观表象的目标应细分，给与不同的标签。

d) 文档需明确标注方式，标注方式包括矩形框、多边形、点、线、圆、文本等。

e) 文档需给出每种类型的标注示例，标注示例具有代表性，涵盖大部分情况。

f) 文档应给出容易混淆、容易标注错误的示例图片。

g) 文档应明确标注工具、标注文件格式、标注文件内容。

h) 标注文档应经过算法人员、业务人员、标注人员共同审议后才能定稿。

i) 及时记录标注过程中出现的问题和解决方案，对标注规范和标准进行调整和完善。

2. 人工标注

a) 对参与标注的人员进行培训，使其熟悉标注任务、规范和工具

b) 可以将图像按照批次或类别分配给不同的标注人员,特别在需要标注的类别较多时宜每个人负责3-5 类标签的标注，以提高标注的质量。

c) 对标注人员的工作进行管理和监督,确保标注的质量和进度。可以定期检査标注人员的标注结果,发现问题及时进行纠正和指导。同时，要建立良好的沟通机制，让标注人员能够及时反馈问题和建议。

3 自动标注

a) 选择适合的预训练模型，利用人工标注的部分样本对模型进行训练。

b) 将清洗后的数据输入训练的模型，获取初步标注结果。

c) 增加人工检查后的样本数据优化迭代模型，提高自动标注的准确率。

4.人工检查

a)对人工初标的数据应采用交叉的方式进行检査，相互审核标注成果，提高标注质量。

b)对自动标注结果进行人工检查，重点关注标注错误、遗漏或不一致的情况。

c)记录检查过程中问题的类型、原因和解决方案，以便进行后续的分析和改进。同时，要及时将处理后的标注结果反馈给标注人员和自动标注工具，以提高标注的质量和效率。

 图像预处理要求

为提高算法的训练效果和稳定性，图像在输入模型前需要进行合理的预处理。预处理应满足以下要求:

1.数据增强

a)  根据任务需求和数据情况，应选择适当方法进行数据增强。

b) 在应用数据增强时,应合理设胃各方法的参数范围,避免过度变换导致图像失真或日标信息丢失。

c) 对于颜色敏感的图像识别算法(如火焰检测、锈蚀识别)，对其样本应谨慎使用颜色相关的增强方法，避免改变目标的关键特征。

d) 应根据数据规模和计算资源，选择合适的数据增强策略。

噪声处理

对于受到噪声干扰的图像，可采用图像去噪算法进行处理。

数据分割与划分:

a) 训练集与测试集划分:应按照一定比例(如80%训练集，20%测试集)将数据集划分为训练集和测试集，确保模型评估的有效性。划分应采用随机或分层抽样的方法，避免数据偏倚。

b) 验证集的设置:在训练过程中，可从训练集中再划分出验证集，用于模型的超参数调整和早停策略，实现更好的模型泛化能力。

c) 数据分布一致性:在划分数据集时，应确保训练集、验证集、测试集的数据分布一致，包括类别比例、场景类型、设备状态等。避免训练集和测试集之间存在明显的分布差异，导致模型评估结果失真。

d) 交叉验证:在数据量较小的情况下，可采用交叉验证的方法，多次划分训练集和验证集，综合评估模型性能，降低偶然性。

图像识别算法训练

 算法设计要求

算法设计要求如下:

a) 应根据变电巡检终端类型、终端性能、使用场景、目标范围等约束开展设计。

b) 应可接收可见光、红外图像或视频等类型数据作为算法输入。

c) 可根据变电巡检业务需求确定图像识别的任务类型，任务类型可包括图像分类、目标检测、实例

分割等。

d) 宜根据算法任务的实时性要求、目标尺寸、场景复杂度等因素采用单阶段架构、双阶段架构、多阶段架构等网络架构。

e) 可根据目标类型、目标尺寸、目标特性等因素选择注意力机制类型，包括软注意力机制、自注意力机制、通道注意力机制、空间注意力机制等。

f)可根据资源占用、处理速度和计算复杂度等确定蒸馏、量化和剪枝等算法优化方式。

g)可结合变电先验知识设计算法的前处理和后处理逻辑。

算法训练要求

1. 训练数据

a) 训练数据应划分为训练集、验证集和测试集。

b) 应根据具体问题的特点、数据规模及评估需求确定训练集、验证集和测试集的划分比例。

c) 应根据数据特征分布和实际应用场景确定训练集、验证集和测试集中的数据分布。

d) 训练数据宜包含一定比例的负样本。

2 .训练环境

a) 应根据训练任务规模和复杂程度配置计算资源。

b) 应根据任务需求、算法设计、硬件环境等选择操作系统、深度学习框架、图像处理库软件库。

3. 训练过程

a) 应根据数据特点、模型性能需求及计算资源情况确定或调整模型种类和训练超参数。

b) 应监控训练过程，及时发现并解决可能出现的过拟合、欠拟合和梯度爆炸等问题。

c) 宜记录训练过程中统计的损失函数值、准确率和召回率等关键信息。

d) 可根据测试指标与目标指标之间的差异进行多次训练或适当调整模型结构。

算法测试要求

1.测试环境

a) 应根据模型大小、处理速度要求配置计算资源。

b) 应保证测试环境与训练环境所选操作系统、深度学习框架、图像处理库软件库等配置一致。

2. 测试指标

a)非功能性测试指标应包含准确率、召回率和平均精度均值。

b)功能性测试指标应包含算法运行时间、推理速度等。

算法运维要求

1.部署要求

a) 应根据算法数量、上线计划，可用资源等分配计算资源。

b) 部署过程宜记录部署内容、部署时间和部署人员等信息。

c) 算法部署后宜开展算法功能性和非功能性的一致性验证。

2 .运维要求

对于算法运维过程中，应监控算法实时运行情况，并且制定应对识别结果异常、系统运行卡顿和设备故障等的算法异常处理预案。

3 .更新与备份要求

对于算法的更新与备份，应制定明确的更新流程，在更新后仍保留往期的算法版本.

结果检查

1.检查基本要求

a) 应统计图像识别算法的准确率和召回率，且达到制定的目标值。

b) 应定期对图像识别结果进行人工复核。

c) 应定期下载算法在运行过程中产生误识别和漏识别的图像。

2.结果分析要求

a) 应对人工复核结果进行记录和上报。

b) 图像质量应满足图像质量要求，对于不满足图像质量要求的图像应进行分析，并对原因进行整改。

c) 应对错识别和漏识别的图像进行多角度分析，包括但不限于目标大小、拍摄角度、特征点匹配、采集环境、后处理逻辑等。

3.算法优化要求

a) 应根据算法分析结果，对算法进行优化，包括但不限于修订标注方案、补充样本数据、优化模型结构、调整模型参数、修改算法业务逻辑等。

b) 应根据统计的测试结果，针对易漏、易错目标调整标注方案或补充样本数据。

c) 应详细列出算法模型的可选结构或训练的超参数选项，并针对每组选项进行模型训练。通过对比不同模型结构和超参数组合的测试结果，选择最优的模型结构和超参数配置。

d) 应详细列出算法配置的参数选项，如置信度。对比不同参数配置的测试结果，筛选最优参数组合。

e) 应详细列出算法逻辑的分支选项，并针对每个选项进行独立测试。通过对比各分支选项的测试结果，综合评估其性能表现，选择最优的逻辑路径。

安全与隐私

1.安全要求

a) 使用生物识别系统需获授权，遵守相关法规。

b) 数据应加密传输和存储，严格访问控制，具备安全监控功能。

c) 定期进行安全审计，建立健全的安全管理制度。

d) 工作实施需遵循GB 26859。

e) 电力信息安全水平评价指标遵循 GB/T 32351 标准

f) 数据中心设计应遵循 NB/T 11400 标准。

g) 应健全应急响应机制和预案，提高应对突发安全事件的能力。

h) 应建立健全第三方组件的管理制度。

2.隐私保护措施

a) 数据加密，采用符合国家标准的算法。

b) 实现良好的访问控制，确保通信安全。

c) 获得用户明确同意，用户有权随时撤回。

d) 宜将隐私保护嵌入系统各环节，建立健全数据保留政策。

e) 应确保第三方数据共享和传输的安全。

f) 应遵循 GB/T 37138 电力信息系统安全保护标准。

3.数据安全与备份

a) 对敏感数据进行加密，制定数据备份与恢复管理制度。

b) 定期验证备份的有效性，确保数据可恢复。

c) 制定详细的灾难恢复计划，明确恢复目标。

d) 数据安全标准应符合 GB/T 44297 标准。

e) 应遵循GB/T 37988 标准进行数据安全能力评估。

4.算法的知识产权保护

a) 申请专利和著作权，保护核心技术和原创内容。

b) 明确版权声明，告知用户版权归属和使用限制。

c) 授权他人使用时签订许可协议，遵循开源许可证要求。

d) 参考相关技术标准，确保系统兼容性，保护开发者的知识产权。

e) 数据平台知识产权保护管理规范应遵循 GB/T 42293 标准。

超维变电站室外轮式巡检机器人

1. 多传感器融合技术

超维变电站智能巡检机器人配备了多种传感器，如红外热成像仪、高清摄像头、激光测距仪、温湿度传感器等。这些传感器能够实时采集变电站内设备的温度、电流、电压、湿度等关键参数，结合人工智能算法进行数据处理和异常分析，确保巡检的全面性和精准性。

2. 自主导航与路径规划

通过集成高精度定位系统和自主导航技术，智能巡检机器人可以在复杂的变电站环境中自主规划巡检路径，避开障碍物并抵达指定检查点。其路径规划能力不仅提高了巡检的效率，还确保了机器人的安全性和稳定性。

 3. 实时监控与远程操作

智能巡检机器人具备实时数据传输和远程监控功能，能够将巡检过程中采集到的数据和图像实时上传至超维智能工业联合巡检平台。操作人员可以通过远程终端对机器人进行控制，查看实时巡检状况，并根据需要调整巡检策略或执行应急操作。这一功能大幅提升了巡检的灵活性和响应速度。

 4. 智能分析与故障预警

基于大数据和人工智能技术，智能巡检机器人可以对采集到的大量巡检数据进行智能分析，识别设备的运行状态和潜在故障。当机器人检测到设备的异常参数或可疑情况时，会立即发出预警，通知运维人员进行检查和处理，防止事故的发生。