盛夏的广东，酷热难耐。
当大多数人在空调房里尽情享受着电力带来的清凉时，有一群人却不得不冒着高温在户外奔波工作，他们就是南方电网广东电网公司的电力巡检人员。
炎炎烈日下，为了保障自身人身安全，电力巡检人员需要穿上棉质的长袖长裤工作服，头戴安全帽进行室外设备的巡视和检查工作。“走一圈下来全身都是汗水，衣服都可以挤出水来”，南方电网广东能源技术公司机器人事业部的杨英仪博士如此描述夏日室外巡检工作的艰辛。
广东电科院能源技术公司利用百度飞桨(PaddlePaddle)深度学习平台为自主研发的变电站智能巡检机器人提供视觉赋能，实现对变电设备的准确检测与分析，让原有单次6小时的人工现场巡视由机器人替代，极大地降低了运维成本，提高了巡视工作的智能化水平。
费时费力的人工巡检
电能从生产到消费要经过发、输、变、配、用五大环节，任何一个环节出问题，都会影响到电能的正常供应。其中，输变电是电能通过电网传输的重要部分。电力巡检的核心工作内容，就是对输变电设备进行运维，以确保其正常工作，保障电力系统的安全运行和电能的稳定供应。
一直以来，电力巡检都是由人工完成的。哪里有变电站，哪里有输电线路，电力巡检人员就要到哪里去。无论是一望无际的平原，还是丛林密布的山区。
就变电站巡检而言，对设备的巡视是其中的重要部分。这部分又分为常规巡视和特殊巡视。常规巡视根据设备运维策略表开展，对设备的巡视周期每月1次或每季度1次不等;而特殊巡视则根据特定需求而设定更为频繁的周期，如在特殊时期的保供电巡视要求每天一次。如今已经成为高级工程师的杨英仪博士也在电力设备现场巡维的生产一线上待过，他回忆起当时所在班组的老班长开玩笑说过的话：“我们每天不是在巡检就是在去巡检的路上”。
电力设备巡检工作是枯燥而繁琐的，一次典型的变电站巡视工作涉及的巡视点多达1000多个，这通常需要两位工作人员花费6-7个工时去完成，不止耗费人力，更耗费时间。随着经济的迅猛发展，电网的规模越来越大，输变电设备的数量也越来越多。在现有的人员规模情况下，如何提供智能化的巡检装备，使人力投入更少、运维效率更高，是摆在所有电力人面前的一道亟待解决的难题。
实时智能的AI巡检
多年来，广东电网也一直在进行各种方法的尝试。目前，机器人已经被引入电力巡检领域，并可以取代人工完成大部分自动化巡视工作。但是，针对表计识别的传统图像识别方法由于受到复杂背景、光线条件等因素的影响，检测与识读的整体准确率仍然较低。
广东电网通过与百度公司的合作，利用AI算法实现装备赋能升级。
基于飞桨的AI算法帮助变电站智能巡检机器人改善了设备图像识别的准确率，提升了装备的智能化水平，进一步解放了劳动力。
现在，利用智能巡检机器人开展室外巡视，只需预先设定机器人的巡检点，规划好巡检路线，机器人就会自动进行所有相关表计的检测与读取。工作人员无需花费6个小时在现场巡视，而只需要在远方的主控室一键下达巡检任务。
“所以现在我们变电站可以利用智能巡检机器人替代人工开展现场巡视了”，杨英仪说道，智能巡检机器人的好处在于，受环境、气候及作业时长等因素的影响较小，可以降低人工巡检的劳动强度，降低运维成本，提高巡检作业和管理的自动化和智能化水平。从更长远的意义上讲，智能巡检机器人的推广应用与赋能提升，可有效推动变电站巡检无人化的进一步发展。
百度飞桨的赋能
新技术的应用并不是一帆风顺的，中间也走了不少弯路。
2016年，广东电网围绕智能巡检机器人研发成立了重点攻关团队，团队中有做高压绝缘的，做传感检测的，但是没有一个人是机器人专业科班出身的。用他们的话说，他们对机器人技术“一抹黑”，完全不了解。经过2年多的实践和摸索，光机器人本体和后台，更迭了至少六个版本。
以变电设备巡视中的指针类表计检测和识读为例，在最开始的时候，他们使用传统的图像处理技术，用人工设计特征方法进行特征提取。这样的方法只能获取图像中目标对象的浅层特征，这使得识别过程极易受到光照等环境因素的影响，在各类干扰因素影响下，整体识别准确率并不高。
2017年，广东电网与百度建立了战略合作关系，赋能前端巡检设备也是合作的重要内容之一。智能巡检机器人攻关团队引入百度飞桨(PaddlePaddle)平台，利用其所提供的YOLO v3、U-Net，使机器人面向表计的深层次特征提取能力大大提高，突破了环境因素的制约，方法的准确率和鲁棒性显著提升，在表计目标检测、示数读取等方面的效果尤为显著。现在，对于用原有传统方法处理起来极为困难的表计目标，用深度学习方法已经可以获得处理效果的有效提升。
模型技术详解：YOLOv3与U-Net
YOLOv3是一个速度和精度均衡的目标检测网络，飞桨物体检测统一框架PaddleDetection通过增加mixup、label_smooth等处理，对YOLO v3进行了优化实现。YOLOv3也是一个单阶段的目标检测器。传统目标检测方法通过两阶段检测，第一阶段生成预选框，第二阶段对预选框进行分类得到类别，而YOLO将目标检测看作是对预测框位置的一个单阶段回归问题。因此，推理速度能够达到具有同样精度的两阶段目标检测方法的几乎2倍。此外，YOLOv3在最初版YOLO的基础上引入了多尺度预测，因而对小物体的检测精度大幅提高。
U-Net是飞桨语义分割库PaddleSeg中支持的四个主流分割网络之一，整个网络是标准的encoder-decoder网络，具有参数少、计算快、应用性强等特点，对场景有较高的适应度。U-Net使用跳跃连接，以拼接的方式将解码器和编码器中相同分辨率的feature map进行特征融合，帮助解码器更好地恢复目标的细节。
在变电站表计示数识读这一案例中，机器人对表计的读取需要经过表计整体目标检测及二次对准、表盘目标检测及示数读取两个阶段。原来的机器人主要是采用基于传统人工设计特征的图像处理方法实现表计的目标匹配和轮廓检测。由于这些方法只能实现浅层特征的提取，在应用的过程中容易受到图像背景、环境光照、拍摄角度等因素的影响，分类错误率较高。此外，样本量的增加对此类方法的作用也不大，大量深层特征无法被挖掘并用于提升算法的性能。
背景特征难区分
类似区域易误检
环境光线影响检测准确性
现场干扰(如水珠)
针对这些问题，对机器人的赋能升级采用了基于深度学习的方法，对涉及目标检测与图像分割的两个关键阶段进行了改善。出于降低图像处理的传输时延和资源需求、提高前端处理效率和智能化程度的目的，上述两个阶段均是在机器人本体上完成。因此，改进方案选择了更适用于前端推理实现的YOLOv3和U-Net模型。
在面向表计目标检测的具体实现中，攻关团队所采用的训练集包含了946张图像样本，标注了2838个表计目标，而测试集则包含了236张图像样本。在基于飞桨YOLOv3的检测实现中，对表盘检测的最高mAP达到了0.9857，有效地提升了目标检测的查全率和查准率。
检测结果示例
mAP指标随迭代次数的变化图示
在面向表计示数识读的具体实现中，利用翻转、旋转、随机裁剪等方式进行图像预处理，为U-Net模型提供更多不同的训练样本;在表盘分割中，则利用U-Net实现表计指针、表盘刻度线、表盘示数等关键要素的有效提取，继而利用圆心定位、数字分类、角度估算等后处理方式实现表计示数的有效估计。在101张测试样本中，指针示数识别结果的偏差与召回率的分布如下表所示。
未来与展望
目前，广东电网和百度飞桨的合作主要集中在变电设备巡检领域，未来将在输电线路巡检、现场风险管控等方向上开展合作，逐步推动电力巡检行业向智能化方向发展。
作为中国全面开源开放、功能完备的产业级深度学习平台，百度飞桨已经成为全面推动国内产业智能化升级的重要基石。正如飞桨获得第六届世界互联网颁发的“世界互联网领先科技成果”这份荣誉所彰显的，飞桨技术领先、功能完备、生态丰富等特点向世界展示着中国科技的力量。与此同时，借助百度大脑与百度智能云的“云+AI”领先技术实力，更多企业正上演着智能化转型升级的故事。
