ICS 29.240 CCSF23 DL 中华人民共和国电力行业标准 DL/T2691-2023 电网设备缺陷智能识别技术导则 Technical guidelinesforintelligent defectidentification of powergridequipment 2023-12-28发布 2024-06-28实施 国家能源局 发布
DL/T2691-2023 扫码免费兑换电子书 目次 前言 Ⅱ 1范围 2规范性引用文件 3术语和定义. 4图像采集. -2 4.1可见光图像采集 4.2红外图像采集. 5图像标注. -3 5.1标注要求 -3 5.2标注结果文件.. ..3 6样本库建设 6.1样本库类型 -3 6.2输配电场景样本库. 4 6.3输配电设备部件样本库. 4 6.4输配电缺陷样本库. 7算法设计. 7.1算法设计内容 7.2逻辑关系梳理. -5 7.3算法模块制定 7.4算法模型训练 5 7.5算法工程构建 5 7.6算法接口封装 8生产环境算法测试 8.1算法测试内容. 8.2生产测试集构建 8.3算法测试结果核查 8.4评价指标计算... 6 9算法上线 9.1算法上线前测试 9.2算法优化 附录A（资料性） 典型标注工作流程 附录B（资料性） 图像标注示例 8 附录C（资料性）输配电设备与部件缺陷类别 6. 附录D（资料性）标注结果文件格式要求 16 附录E（规范性）常见通道隐患类别 17
DL/T2691-2023 前言 本文件按照GB/T1.1-2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定 起草.
请注意本文件的某些内容可能涉及专利.
本文件的发布机构不承担识别专利的责任.
本文件由中国电力企业联合会提出.
本文件由能源行业电网设备智能巡检标准化技术委员会（NEA/TC41）归口.
本文件起草单位：广东电网有限责任公司、南方电网电力科技股份有限公司、中国电力科学研究院 有限公司、国网山东省电力公司电力科学研究院、国网江苏省电力有限公司、国网江西省电力有限公司、 广东电网电力科学研究院、广东电网佛山供电局、广东电网江门供电局、北京数字绿土科技有限公司、 成都纵横大鹏无人机科技有限公司、北京煜邦电力技术股份有限公司.
本文件主要起草人：李端姣、饶成成、陈义龙、刘高、朱凌、姚楠、樊灵孟、周强辅、彭炽刚、 李雄刚、周华敏、李国强、罗劲斌、王年孝、郭启迪、王丛、郭锦超、廖如超、宋禹飞、翟瑞聪、衡星辰、 黄文琦、陈佳捷、吴洋、董召杰、杨利平、冯炎炯、许国伟、黄平、易淑智、李杨、蓝誉鑫、洗世平、 麦俊佳、陈泽鸿、黄和燕、郑武略.
本文件为首次发布.
本文件在执行过程中的意见或建议至中国电力企业联合会标准化管理中心（北京市白广路二条 一号，100761).
II
DL/T2691-2023 电网设备缺陷智能识别技术导则 1范围 本文件规定了电网设备缺陷智能识别图像采集、图像标注、样本库建设、算法设计、生产环境算法 测试、算法上线等要求.
本文件适用于输配电线路无人机或直升机采集的可见光和红外图像缺陷检测.
2规范性引用文件 下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款.
其中，注日期的引用文件， 仅该日期对应的版本适用于本文件：不注日期的引用文件，其最新版本（包括的修改单）适用于本 文件.
GB/T2900.51电工术语架空线路 DL/T664带电设备红外诊断技术应用导则 DL/T741架空输电线路运行规程 3术语和定义 GB/T2900.51界定的以及下列术语和定义适用于本文件.
3.1 图像标注image annotation 依靠人工和机器自动标注的方式，对图像数据进行标注.
3.2 部件样本库ponent library 根据电网设备和部件的类型，梳理出输电与配电线路的典型部件库.
3.3 缺陷样本库defect library 根据电网设备和部件的类型，梳理出输电与配电线路的典型缺陷库.
3.4 场景样本库sample library of subdivision scenes 根据输配电线路巡检图片的拍摄意图，梳理出输电与配电线路场景样本库，场景图片可包含通道、 全景杆塔、全景水泥柱、基础、精细设备部件等场景子集.
3.5 超参数hyper-parameters 训练模型需要调整的参数，常见的超参数包括学习率、批次大小、优化器、选代次数等.
3.6 训练集train set 用于训练算法模型参数的数据集.
3.7 验证集validation set 用于在训练过程中评估模型效果和调整模型超参数的数据集.
DL/T2691-2023 3.8 测试集testset 用于评估最终模型泛化能力的数据集.
3.9 模型训练model training 为提高部件识别的准确率和泛化能力，通过样本库训练集、验证集、测试集学习算法模型，寻找最 优配置参数的过程.
3.10 生产测试集productiontest set 通过无人机或者直升机采集的非样本库中的生产环境图像数据.
3.11 算法优化algorithmoptimization 根据使用情况对算法和训练数据不断选代的过程.
3.12 准确率precision（P） 准确率即正确检测出的正样本个数与被检测为正样本个数之比，计算公式为： P=TP/ (TPFP) 式中： TP-算法预测为正样本且人工审核确认为正样本的样本数量： FP一一算法预测为正样本但人工审核确认为负样本的样本数量.
3.13 召回率recall（RCL） 召回率即正确检测出的正样本个数与测试集内正样本个数之比.
计算公式为： RCL=TP/(TPFN) 式中： TP-算法预测为正样本且人工审核确认为正样本的样本数量； FN一算法预测为负样本但人工审核确认为正样本的样本数量.
3.14 F2分数F2score F2分数综合考虑准确率和召回率两个指标，F2分数值越大，算法效果越好.
F2分数的计算公式为： F2 score=（5×P×RCL)/(4×PRCL) 3.15 平均检测耗时averagedetection time 平均检测耗时是在指定硬件配置下，从图像输入缺陷检测模型，到输出缺陷检测结果的过程，平均 每张图片所耗费的计算时间.
3.16 置信度confidence 置信度表示算法输出的矩形框中含有目标的可能性大小，数值为0~1.
4图像采集 4.1可见光图像采集 应用于缺陷检测的可见光图像质量应满足如下要求： 2
