电力视觉技术的概念、研究现状与展望

Electric Power Science and Engineering Vol. 36, No. 1 Jan., 2020

doi: 10.3969/j.ISSN.1672-0792.2020.01.001

电力视觉技术的概念、研究现状与展望

赵振兵a，张 薇a，翟永杰b，赵文清b，张 珂a，孔英会a，戚银城a

（华北电力大学a. 电气与电子工程学院；b. 控制与计算机工程学院，河北 保定071003）

摘 要：随着我国新一代电力系统建设的快速发展，发输变电设备作为电力系统的重要组成部分，实现其缺陷的智能检测与分析变得愈发重要。紧跟国家新一代人工智能的步伐，与当今较热的计算机视觉相结合，提出电力视觉技术的概念，分析其研究对象和难点问题，在电力系统、计算机视觉和人工智能等领域之间建立了桥梁，并系统地总结了电力视觉技术在发电、输电和变电3大场景中的研究现状。最后从泛在电力物联网、少样本或零样本学习、生成式对抗网络、电力知识图谱和视觉推理等方面来分析电力视觉技术及其应用的未来发展趋势。 关键词：电力视觉；新一代电力系统；机器学习；模式识别；图像处理

中图分类号：TN911.73；TM726 文献标识码：A 文章编号：1672-0792(2020)01-0001-08

Concept, Research Status and Prospect of Electric Power

Vision Technology

ZHAO Zhenbinga, ZHANG Weia, ZHAI Yongjieb, ZHAO Wenqingb, ZHANG Kea,

KONG Yinghuia, QI Yinchenga

(a. School of Electrical and Electronic Engineering; b. School of Control and Computer Engineering,

North China Electric Power University, Baoding 071003, China)

Abstract: With the rapid development of China's new generation power system construction, power generation, transmission and transformer equipments are an important part of the power system, and intelligent detection and analysis of their defects has become increasingly important. Keeping pace with China's new generation of artificial intelligence and combining with today's hot computer vision, this

收稿日期：2019-12-06

基金项目：国家自然科学基金项目（61871182，61773160）；北京市自然科学基金项目（4192055）；河北省自然科学基金项目

（F2017502016）；中央高校基本科研业务费专项资金项目（2018MS095，2018MS094）；模式识别国家重点实验室开放课题基金项目（201900051）；国家留学基金项目（201906735011）

作者简介：赵振兵（1979—），男，博士，副教授，主要研究方向为电力视觉；

张 薇（1995—），女，硕士研究生，主要研究方向为图像检测与深度学习； 翟永杰（1972—），男，博士，教授，主要研究方向为模式识别与电力视觉； 赵文清（1973—），女，博士，教授，主要研究方向为数据挖掘与电力视觉； 张 珂（1980—），男，博士，副教授，主要研究方向为计算机视觉； 孔英会（1965—），女，博士，教授，主要研究方向为计算机视觉；

戚银城（1968—），男，博士，教授，主要研究方向为电力系统通信与信息处理。

2

电 力 科 学 与 工 程 2020年

article proposes the concept of electric power vision technology, analyzes its research objects and difficult problems, and establishes a bridge among power system, computer vision, and artificial intelligence fields. This paper systematically summarizes the research status of electric power vision technology in the three major scenarios of power generation, transmission and transformation. Finally, it analyzes the future development trend of electric power vision technology and its applications from the aspects of Ubiquitous power Internet of Things, few or zero shot learning, generative adversarial networks, power knowledge graph, and visual reasoning.

Key words: electric power vision; new generation power system; machine learning; pattern recognition; image processing

0 引言

目前，我国电力系统中“三型两网”和“透明电网”的建设如火如荼[1]，发电、输电和变电智能化建设是其重要内容。随着大量视觉传感器在发输变电中的广泛应用，高效、准确地获得设备的状态特征信息，进而完成有效运检，必须利用计算机视觉和人工智能技术对图像进行处理。所以深入研究基于计算机视觉与人工智能的电力设备视觉处理技术将有力推动电力系统的安全与可靠发展。

我国电力行业非常重视新一代人工智能的发展和应用。《新一代人工智能发展规划》自2017年发布后，国家电网公司制定了“人工智能专项规划”，中国电科院开始了相关规划的推进工作，并于2017年至2019年间多次召开人工智能技术在电力领域的应用相关会议。由于新一代人工智能技术[2]呈现出以机器学习方法为基础的人机协同、群智开放、大云物移等特征，在感知智能、计算智能和认知智能方面表现出强处理能力，与电力系统相结合将有助于促进电力生产和电能利用方式的重大改变。计算机视觉[3]是研究“赋予机器自然视觉能力”的学科，其核心问题是研究如何对输入的视觉信息进行组织，对物体和场景进行检测与识别，进而对视觉内容给予解释。计算机视觉横跨感知智能与认知智能。由于其广泛的应用基础和巨大的算法潜力，计算机视觉已成为最热的人工智能领域之一。人工智能和计算机视觉的蓬勃发展已为电力领域视觉问题的解决提供了理论和技术基础。

近几年，发输变电环节已有相当数量的视觉

获取及处理系统[4-8]，如，利用视觉传感器检测风

机叶片和太阳能电池组件的故障等；输电线路上视频在线监测系统，及利用空中飞行平台或移动平台装载的可见光摄像机或在线式红外热成像仪等进行巡线的巡视系统等；变电站内，有以可见光摄像机或在线式红外热成像仪为核心设备的在线监测系统，及利用便携式图像检测仪器进行带电检测的巡视系统等。但目前这些系统需要运行人员长期监视或操控，受人为因素影响较大，智能化程度不高；另外，这些系统都获取了大量图像信息，若对这些海量视频数据采用工作人员主观判读而没有自动视觉分析功能的话，易发生严重的检测漏判或误判情况，难以准确发现设备存在的安全隐患，且极大地增加了检修成本，不能满足新一代电力系统建设的需要。随着计算机视觉技术的不断发展，越来越多的学者开始采用计算机视觉对电力领域获取的巡检图片进行图像处理的研究，快速、准确地检测出设备存在的缺陷，从而有效地保障电力系统的安全运行。

1 电力视觉技术的概念

电力人工智能是人工智能的相关理论、技术和方法与电力系统的物理规律、技术与知识融合创新形成的电力“专用人工智能”。在电力人工智能的框架下，提出电力视觉技术概念。电力视觉技术是一种利用机器学习、模式识别、数字图像处理等技术，结合电力专业领域知识，解决电力系统各环节中视觉问题的电力人工智能技术。

电力视觉技术架构如图1所示，主要面向新一代电力系统发展的需求；以输电线路设备的空中飞行平台巡线、发电设备移动平台检测、变电

第1期

赵振兵，等：电力视觉技术的概念、研究现状与展望 3

设备的固定视频监控和巡检机器人、输电线路和变电站的卫星遥感监测等所产生的海量多源图像视频大数据为数据源，基于人工智能技术，有机协调数据驱动和模型驱动，并结合逻辑与推理、先验和知识，研究巡检图像视频的处理、分析及理解的方法，并研究相关实际系统等，实现电力设备视觉缺陷智能检测，保障电网安全运行。

图1 电力视觉技术框架图

电力视觉技术的研究内容是巡检视频图像数据库与知识库的构建和处理，其任务可以按照处理的智能强度从低到高进行区分。其中低级处理包括图像获取和预处理；中级处理包括目标分割与目标检测；高级处理包括故障分析与解释。图2为电力视觉技术的任务层次划分。

图2 电力视觉技术的任务层次划分

2 电力视觉技术的研究对象

电力视觉技术在电力系统中的研究与应用，目前主要围绕着“发输变”3个环节展开，其研究对象主要是发电厂（站）、输电线路、变电站中的相关设备。发电设备主要包括汽轮机、太阳能电

池片和光伏电池组件等。电力视觉技术在输电线路中的研究广泛[7]，输电线路视觉研究可以分为部件级、部位级和元件级3个层次的研究。部件级视觉研究主要针对杆塔部件、导地线、绝缘子和金具等部件的某一类具体对象，如金具的具体对象包括保护金具、接续金具、联接金具、耐张线夹以及悬垂线夹。部位级视觉研究对象则是比部件级对象尺度更小的视觉目标，如数量巨大的螺栓。元件级视觉研究对象是输电线路中尺度最小的一类目标，如输电线路中大量存在的螺母、垫片、锁紧销等紧固元件。变电设备主要包括变压器、开关设备、断路器、互感器和仪表设备等，其中变压器运行状况的正常与否会直接影响所连区域电网的安全可靠运行，而变电站开关设备由于频繁地使用极易发生误操作，针对数量巨大的开关设备，利用电力视觉技术可以自动检测与识别开关设备的状态，对于实现变电站智能化系统具有重要的研究意义与应用价值。

根据电力视觉技术在不同电力场景中的应用，其研究对象可以分成3大类，其中，发电厂（站）中的研究应用相对较少，输电线路和变电站中研究应用相对较多。通过将电力视觉技术应用到不同的电力场景中，可以从多个环节保障电网的正常安全运行。图3所示为电力视觉技术研究内容按3大场景划分实例。

图3 电力视觉技术研究内容按3大场景划分实例

4

电 力 科 学 与 工 程 2020年

3 电力视觉技术的难点问题

电力视觉技术作为新兴且快速发展的科学技术，目前已有众多学者采用相关技术在电力行业的3大场景中进行研究，但很多研究是在实验室环境下进行，具有很大局限性。电力视觉研究中普遍存在以下难点问题：

（1）输电线路、变电站和发电厂（站）中的设备所处复杂的室外和室内环境，获取的图像视频背景具有复杂性，不易分辨视觉研究对象和背景；

（2）无人机等获取的图像视频中存在多个干扰因素，如光照、遮挡、尺度及旋转等；

（3）视觉研究对象多种多样，其中存在较难判别的相似目标，同种目标的缺陷由于其不规则性（形状、颜色、纹理或其他属性等）很难表达；

（4）电力视觉研究没有充分利用电力部件语义、电力部件间关系，另外模型只专注直观感知类问题，其泛化能力弱、解释性差、没有推理能力、易过拟合等；

（5）电力视觉技术研究，对于小样本、小尺度缺陷的检测在理论和应用上还远远不够。

电力视觉技术的应用，目前主要集中在电力巡检和监控影像的目标识别与缺陷检测等，但由于电网设备及其缺陷的种类丰富、数目繁多，尚未达到满足生产需求的精度与效率。因此，必须充分考虑电力设备及其运行环境图像的特点，对电力视觉技术进行更深入的探索和研究，唯其如此，才能提高电力系统运行质量，支撑其安全智能化发展。

4 电力视觉技术在发输变电中的研究现状

4.1 电力视觉技术在发电厂（站）中的研究现状

发电厂（站）作为获取电力能源的主要来源，是电力系统中的重要基础设施，发电设备的运行情况关系到整个电网是否能够正常安全运行。由于发电机组所处环境较差并且经常处于无人值守状态，传统的检测只能判断故障是否发生，具有很大的局限性。随着国家电网“智能电网战略”

的提出，利用搭载的摄像设备等获取发电设备的图像视频并结合计算机视觉技术，可以快速、高效地判断故障情况并提供帮助。

在发电环节中，针对光伏电池组件被局部遮荫而引起的热斑故障现象，车曦[9]使用YCbCr颜色空间模型对红外热图的亮度进行分离操作，利用光伏电池单元运行状态编码实现热斑故障检测功能。通过结合深度卷积神经网络和传统机器学习，显著提高了对电力设备的平均识别准确率。王宪保等[10]提出一种基于深度学习的太阳能电池片表面缺陷检测方法，该方法建立深度信念网络，取得训练样本到无缺陷模板之间的映射关系，实现测试样本的缺陷检测。谢军[11]针对热电厂中汽轮机滚动轴承存在的复杂故障，提出了多传感器信息融合的卷积神经网络故障诊断模型，通过挖掘多传感器数据内隐含的关联性信息和隐含的潜在故障特征，实现对滚动轴承故障的有效检测。针对轴承信号具有时序属性，又提出了联合卷积神经网络和长短时间记忆网络的故障诊断模型，最终验证了该网络可以挖掘到更多数据内的时序特征，并提高噪声干扰下的故障识别率。

电力视觉技术在发电厂（站）中的研究应用相对较少，主要原因在于发电行业的视觉检测场景较少，更多的检测通过丰富的非视觉传感器来完成，包括温度、压力、振动、声音等，大量布置于发电设备本体上的传感器基本能够完成生产环节的安全监测。此外，发电环节设备相对集中，视觉观测主要集中于就地表计数据的读取等，设备外观缺陷较少，因此，电力视觉技术在发电环节的应用较少。随着巡检机器人的推广，以及各类检修机器人的研发，电力视觉技术将更多地应用于机器人的视觉定位和目标检测。 4.2 电力视觉技术在输电线路中的研究现状

输电线路是电力系统重要的生命线路，如图4所示，由于其通常直接暴露在户外自然环境中，易受到风雨雪雷等外界因素的影响而发生故障，因此定期巡检输电线路的可靠性及运行情况，对维护电力系统安全起着至关重要的作用。传统的人工巡检方式已不能满足智能电网建设的需求，如图5所示，通过搭载的无人机对输电线路进行巡检获取图片，利用人工智能与计算机视觉技术对巡检图片进行视觉处理和分析的巡检模式已经

第1期

赵振兵，等：电力视觉技术的概念、研究现状与展望 5

逐渐成为主流。在输电环节中，电力视觉技术的主要研究对象包括绝缘子、导线、金具、杆塔、拉线和基础接地装置等部件，其产生的缺陷多种多样，表1为输电线路典型部件缺陷表。

图4 复杂地势环境下的输电线路图

图5 无人机进行输电线路巡检图 表1 输电线路典型部件缺陷表

输电线路部件 缺陷

导线、地线 掉线、断线、断股、散股、腐蚀和有异物等

避雷器

解体、部件脱落、损伤和锈蚀等 线夹 移位、脱落、松动和锈蚀等 挂板或挂环

脱开、磨损和电弧灼伤等

螺栓

松动、锈蚀、螺母丢失、垫片丢失和脱销等

金具（典型防震锤 滑移、脱落、锈蚀和扭转等 部件）

间隔棒 松动、滑移、缺失和损坏等

重锤 缺损、锈蚀等 均压环 锈蚀、变形等 屏蔽环 锈蚀、变形等 绝缘子 掉串、脏污和破损等 杆塔 倾覆、倾斜、挠曲、倒杆和断杆等

拉线 锈蚀、损伤等

本体移位、破损；部件松动、缺失；基面浸

基础

水、下沉；失稳等

文献[12]研究了一种基于鲁棒主分量分析的绝缘子缺陷检测方法。该方法能够同时实现对多张不同表面故障的绝缘子伞盘图像的分类。文献[13]基于输电线路的无人机巡检图像，利用滑动窗口的思想，通过对每个窗口提取方向梯度直方图特征训练支持向量机分类器，从而实现杆塔的判别。文献[14]基于航拍输电线路图像对断塔进行检测，利用灰度直方图构建的杆塔不良状态判别模型完成断塔检测，但是该方法泛化能力差。文献[15]提出了一种基于结构约束的线夹故障识别算法，采用改进的基于存在概率图的圆/椭圆检测方法和分层决策机制，实现对线夹的故障识别。文献[16]利用图像匹配提取出间隔棒，校正透视畸变后进行骨架提取，最后用加权的不变矩值进行形状度量完成间隔棒故障的识别。文献[17]针对绝缘子表面存在破损、裂纹及污秽等多种故障，提出了利用多区块深度卷积特征的绝缘子表面缺陷检测方法，提高了绝缘子缺陷的识别准确率。文献[18]通过构建深度卷积神经网络，获取多个层次的导线特征，将非导线目标背景完整地切除，实现输电线的有效分割。文献[19]针对输电线路中金具间存在遮挡、背景复杂等情况，提出一种基于改进SSD（single shot multibox detector）模型的输电线

路航拍巡检图像金具检测方法，该方法有效地提高了对金具的检测准确率，且检测框更贴合目标。文献[20]构建输电线路智能监控系统，通过服务器对现场监控图像中进行鸟类的入侵检测，对于结构简单、背景单一的低压输电线路获得了较为理想的效果。文献[21]首先提取颜色特征对航拍图像进行预处理，然后通过训练Faster R-CNN得到自动锈蚀检测深度模型。该方法对分辨率较低或近距离的拍摄图像有一定的实用性。文献[22]针对大量的螺栓缺陷数据难以获得问题，提出一种基于改进深度卷积生成对抗网络的螺栓图像生成方法，实验结果表明该方法可以提高螺栓样本的质量和螺栓缺陷样本的多样性。文献[23]为了使带电作业机器人能够高效、高质量地完成输电线路螺栓紧固工作，提出了一种用于输电线路螺栓紧固作业机器人的螺栓搜索识别算法，提高了螺栓紧固带电作业机器人的智能化水平。

通过利用电力视觉技术在输电线路中对绝缘子、杆塔、金具、导线和螺栓等重要部件进行故

6

电 力 科 学 与 工 程 2020年

障检测，比如，图6（a）和（b）分别为利用电力视觉技术进行金具和螺栓的检测结果图，根据检测结果对存在的故障进行相应的评估，从而对输电线路中存在的潜在隐患进行处理，以便最大程度地保证输电线路的安全运行。

（a）金具检测结果

（b）螺栓检测结果

图6 基于电力视觉技术的金具和螺栓检测结果

4.3 电力视觉技术在变电站中的研究现状

随着变电站“无人值守”的进一步落实，巡检机器人[24]在其智能巡视中逐渐被广泛应用，电力监控系统[25]也逐渐网络化、平台化，对智能视频分析技术的要求也越来越高。由于变电站环境复杂、设备种类多样且存在多种干扰，现有的视频图像处理算法准确率低，漏报、误报现象严重，造成视频监控、图像识别需要人工干预的事件多，且主观性较强，自动智能处理的事件较少。利用电力视觉技术对变电站巡检图像识别和监控视频分析，可以提高设备故障的识别准确率，对于实现变电站智能化巡检是必不可少的环节。图7为机器人在变电站中的巡检工作图。

文献[26]通过分析变电站中常用的指针式仪表设备特点，研究了一种基于尺度不变特征转换与霍夫变换特征的指针式仪表设备的自动读数方法，实验结果表明本方法能够准确地识别表盘读数，同时具有很强的抗干扰性。基于此，设计并

图7 变电站中的巡检机器人工作图

实现了基于Python和Opencv开发的变电设备实

时仪表指针识别系统。该系统具有较高的实用性和应用价值。文献[27]通过分析变电站内断路器、电流互感器、电容式电压互感器和隔离开关几类关键设备的结构、故障类型和红外热像图特征，提出具有适用性的红外图像标准处理流程，利用BP神经网络方法实现设备故障的识别。文献[28]结合已有的Mask R-CNN方法，构建Mask LSTM-CNN模型，大大改善了部件识别的精度，有效解决了干扰信息较多的变电设备部件识别问题。文献[29]提出了一种结合深度学习和随机森林的电力系统关键电力设备图像识别方法，完成了对变压器、断路器等变电站设备的有效识别。文献[30]为全面提升主变压器外观缺陷的检测效率，提出了一种基于卷积神经网络算法的主变压器外观缺陷机器视觉识别检测方法，结果表明该方法能准确地识别出变压器外观缺陷，具有较高的有效性和可行性。文献[31]提出了一种基于深度学习的变电站开关状态识别方法，能自动检测与识别开关设备的状态，设计并实现了变电站开关状态识别系统，为变电站工作人员提供了远程监控变电站开关设备的服务，进一步推进了变电站智能化进程。

目前，变电站与电力视觉技术结合进行自动化巡检已初见成效，主要体现在巡检机器人和在线监测系统的应用，但仍存在一些关键问题需要考虑，如变电站设备和部件的缺陷产生的原因和表象更加复杂，缺陷图像数量更少，缺陷分析需要更全面的电力行业领域知识，大大增加了电力视觉技术的应用难度。因此，为了早日实现强智能的“无人值守”变电站系统，需要开发更多结合电力行业知识特点的计算机视觉算法，以便电

第1期

赵振兵，等：电力视觉技术的概念、研究现状与展望 7

力视觉技术更好地应用于变电站。

5 电力视觉技术的展望

随着智能电网和智能电厂建设步伐的加快，电力信息化面临很多新的需求和急需解决的问题，比如：缺陷样本少及样本不平衡、深度学习可解释性差、行业专家的知识未能有效地与视觉检测算法相结合、领域知识和规则未能充分利用等。因此，从泛在电力物联网、少样本或零样本学习、生成式对抗网络、电力知识图谱和视觉推理等方面来分析电力视觉技术及其应用的未来发展趋势。

泛在电力物联网作为国家电网公司“三型两网”战略的重要内容，其感知层和平台层的建设必然是面向应用场景的，如输变电运检[32]等，随着生产现场布设大量的视频、图像传感器，以及无人机、直升机、移动终端等智能装备的应用，产生了海量的图像数据，应用电力视觉技术完成输变电设备异常检测是必然，所以说随着泛在电力物联网的建设展开必将产生许多适合电力视觉应用的场景。

从数据预处理层面来看，针对电力视觉检测中缺陷样本不足或出现新的缺陷等问题，少样本或零样本学习方法[33]是一个值得尝试的解决途径；面对训练样本不平衡[34]问题，生成式对抗网络[35]方法作为一种新的样本扩增方式，可以有效解决该问题，且具有强大的图像生成潜力和研究价值。此外，解决缺陷样本不足和样本不平衡的问题，也可以采用平行视觉及平行图像方法

[36]

。

从视觉检测算法层面来看，只用基于学习的视觉技术不能很好解决电力部件缺陷检测问题。为了应对未来电网中的难点视觉问题，必须结合电力行业的领域知识，比如，把电力领域知识经验形成知识图谱

[37,38]

，并引入机器学习算法，利

用知识、数据和模型同时驱动解决电力视觉检测中的难点问题。为了更好地进行故障检测与理解，往往还需要高层常识知识的推理。所以，通过深入研究电力部件与其缺陷的属性、结构、关联、规则、关系和因果等[39,40]，完成视觉推理可能是视觉检测技术能满足电力生产需求的精度与效率的一种有益尝试。

6 结论

电力视觉技术是研究如何应用计算机视觉手段解决电力系统视觉问题的技术，以此技术可以构建电力行业专用视觉智能系统，实现电力系统设备缺陷故障的智能检测与分析，是新一代电力系统建设的重要基础，已引起越来越多学者的关注。该技术致力于解决电力系统中传统的人工巡检模式带来的巡检效率低、设备故障漏检和误检等问题，具有广阔的发展前景。

本文首先阐述了电力视觉技术的概念、研究对象与难点问题，然后对电力视觉技术在发电、输电、变电3个电力系统主要场景中的研究现状进行了总结，最后从少样本或零样本识别、生成式对抗网络、知识图谱和视觉推理等方面展望电力视觉技术的未来发展方向。

随着计算机视觉技术的发展，一些新的算法和技术也会逐步应用到电力工业领域，从而扩展电力视觉技术的内容，提高电力信息化、智能化水平。

参考文献：

[1] 潘尔生. 支撑“三型两网”建设，推动能源转型发展[N].

国家电网报, 2019-12-05(003).

[2] 董旭住, 陈皓勇, 王波. “新一代人工智能在电力系统

中的应用”专刊特约主编寄语[J]. 广东电力, 2019, 32(9): 1-2.

[3] JAMES F. PETERS. 计算机视觉基础[M]. 章毓晋，译.

北京: 清华大学出版社, 2019.

[4] 刘思言, 王博, 高昆仑, 等. 基于R-FCN的航拍巡检

图像目标检测方法[J]. 电力系统自动化, 2019, 43(13): 162-168.

[5] 翟永杰, 王迪, 赵振兵, 等. 基于空域形态一致性特

征的绝缘子串定位方法[J]. 中国电机工程学报, 2017, 37(5): 1568-1577.

[6] ZHAO Z, XU G, QI Y, et al. An intelligent on-line

inspection and warning system based on infrared image for transformer bushings[J]. Recent Advances in Electrical & Electronic Engineering, 2016, 9(1): 53-62. [7] 赵振兵, 齐鸿雨, 聂礼强. 基于深度学习的输电线路

视觉检测方法研究综述[J]. 广东电力, 2019, 32(9): 11-23.

[8] 赵振兵, 崔雅萍. 基于深度学习的输电线路关键部件

视觉检测方法的研究进展[J]. 电力科学与工程, 2018, 34(3): 1-6.

[9] 车曦. 基于红外图像识别的光伏组件热斑故障检测方

8

电 力 科 学 与 工 程 2020年

法研究[D]. 重庆: 重庆大学, 2015.

[10] 王宪保, 李洁, 姚明海, 等. 基于深度学习的太阳能

电池片表面缺陷检测方法[J]. 模式识别与人工智能, 2014, 27(6): 517-523.

[11] 谢军. 基于深度学习的热电厂汽轮机轴承故障诊断方

法研究[D]. 青岛: 青岛科技大学, 2019.

[12] 许磊磊. 基于RPCA优化的航拍绝缘子检测与识别研

究[D]. 保定: 华北电力大学, 2017.

[13] 王孝余, 李丹丹, 张立颖. 一种基于监督学习的输电

线监测中杆塔的检测方法[J]. 东北电力技术, 2017, 38(11): 12-14.

[14] 赵君, 赵书涛, 胡滨. 基于图像技术的输电线路杆塔

状态识别[C]. 中国高等学校电力系统及其自动化专业学术年会, 2009: 49-54.

[15] 张运楚, 梁自泽, 傅思遥, 等. 基于结构约束的架空

输电线路巡线机器人障碍识别[J]. 机器人, 2007, 29(1): 1-6.

[16] 金立军, 胡娟, 闫书佳. 基于图像的高压输电线间隔

棒故障诊断方法[J]. 高电压技术, 2013, 39(5): 1040-1045.

[17] ZHAO Z, XU G, QI Y, et al. Multi-patch deep features

for power line insulator status classification from aerial images[C]. 2016 International Joint Conference on Neural Networks, IEEE, 2016: 3187-3194.

[18] ZHANG H, YANG W, YU H, et al. Detecting power

lines in UAV images with convolutional features and structured constraints[J]. Remote Sensing, 2019, 11(11): 1342.

[19] 戚银城, 江爱雪, 赵振兵, 等. 基于改进SSD模型的

输电线路巡检图像金具检测方法[J/OL]. 电测与仪表: 1-7[2019-12-02].

[20] 李程启, 林颖, 秦佳峰, 等. 基于深度学习的输电线

路危险源智能监控系统[J]. 南通大学学报(自然科学版), 2018, 17(1): 10-14,49.

[21] 李辉, 钟平, 戴玉静, 等. 基于深度学习的输电线路

锈蚀检测方法的研究[J]. 电子测量技术, 2018, 41(22): 60-65.

[22] 戚银城, 郎静宜, 赵振兵, 等. 结合注意力机制的相

对GAN螺栓图像生成[J]. 电测与仪表, 2019, 56(19): 64-69.

[23] 杨迪. 输电线路带电作业机器人的螺栓视觉搜索识别

方法研究[D]. 长沙: 长沙理工大学, 2017.

[24] 冯正伟, 孟宪华, 黄浩林, 等. 变电站智能巡检机器

人应用提升研究[J]. 浙江电力, 2019, 38(8): 23-29. [25] 杜明亮. 变电站辅助设备智能监控系统的研究[J]. 通

信电源技术, 2019, 36(6): 70-71.

[26] 陈旭. 基于深度学习的变电设备图像特征提取[D].

南京: 南京邮电大学, 2018.

[27] 臧晓春. 一种基于图像处理和神经网络的变电站关键

设备红外检测方法[D]. 广州: 华南理工大学, 2018. [28] 欧家祥, 史文彬, 张俊玮, 等. 基于深度学习的高效

电力部件识别[J]. 电力大数据, 2018, 21(9): 6-13. [29] 李军锋, 王钦若, 李敏. 结合深度学习和随机森林的

电力设备图像识别[J]. 高电压技术, 2017, 43(11): 3705-3711.

[30] 位一鸣, 童力, 罗麟，等.基于卷积神经网络的主变压器

外观缺陷检测方法[J]. 浙江电力, 2019, 38(4): 61-68. [31] 高露. 基于深度学习的变电站开关状态识别系统的设

计与实现[D]. 中国科学院大学(中国科学院沈阳计算技术研究所), 2019.

[32] 江秀臣, 刘亚东, 傅晓飞, 等. 输配电设备泛在电力

物联网建设思路与发展趋势[J]. 高电压技术, 2019, 45(5): 1345-1351.

[33] YU Y L, JI ZH, GUO J, et al. Zero-shot learning via

latent space encoding[J]. IEEE Transactions on Cybernetic, 2019, 49(10): 3755-3766.

[34] 马浩良, 谢林柏. 基于SSD的不平衡样本车辆检测与

识别[J/OL]. 计算机技术与发展, 2019(11): 1-8. [35] GURUMURTHY S, KIRAN SARVADEVABHATLA

R, R.VENKATESH BABU. DELiGAN: generative adversarial networks for diverse and limited data[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2017: 166-174.

[36] 王坤峰, 鲁越, 王雨桐, 等. 平行图像:图像生成的一

个新型理论框架[J]. 模式识别与人工智能, 2017, 30(7): 577-587.

[37] 王昊奋, 漆桂林, 陈华钧. 知识图谱: 方法、实践与应

用[M]. 北京: 电子工业出版社, 2019.

[38] 高泽璞, 赵云, 余伊兰, 等. 基于知识图谱的低压配

电网拓扑结构辨识方法[J/OL]. 电力系统保护与控制: 1-10[2019-12-04].

[39] CHEN T SH, LIN L, CHEN R, et al. Knowledge-embedded

representation learning for fine-grained image recognition[C]. The Twenty-Seventh International Joint Conference on Artificial Intelligence, 2018: 627-634. [40] LIU Y, WANG R P, SHAN SHI, et al. Structure

inference net: object detection using scene-level context and instance-level relationships[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2018: 6985-6994.