ICS35.240

CCSL70

團體標準

T/CESAXXXX—2022T/CESXXX—2022

面向輸電線路的工業AI視覺在線檢測系統

技術規范

TechnicalspecificationforAIindustrialvisiononlineinspectionsystemfor

transmissionline

征求意見稿

在提交反饋意見時，請將您知道的相關專利連同支持性文件一并附上。

已授權的專利證明材料為專利證書復印件或扉頁，已公開但尚未授權的專利申

請證明材料為專利公開通知書復印件或扉頁，未公開的專利申請的證明材料為專利

申請號和申請日期。

202X-XX-XX發布202X-XX-XX實施

中國電子工業標準化技術協會

發布

中國電工技術學會

T/CESAXXXX-2022T/CESXXX—2022

面向輸電線路的工業AI視覺在線檢測系統技術規范

1范圍

本文件規定了面向輸電線路的工業AI視覺在線檢測系統的基本結構、功能要求和性能要求，描述了

對應的測試方法。

本文件適用于在輸電巡檢領域中，具備設備檢測和環境檢測功能的工業AI視覺在線檢測系統的規

劃、設計和實施。

2規范性引用文件

下列文件中的內容通過文中的規范性引用而構成本文件必不可少的條款。其中，注日期的引用文件，

僅該日期對應的版本適用于本文件；不注日期的引用文件，其最新版本（包括所有的修改單）適用于本

文件。

GB/T2900.1電工術語基本術語

GB/T5271.34信息技術詞匯第34部分：人工智能神經網絡

3術語和定義

GB/T2900.1、GB/T5271.34界定的以及下列術語和定義適用于本文件。

3.1

正檢truepositive

對于有異常的檢測樣本，識別為有異常的檢測結果。

3.2

誤檢falsepositive

對于無異常的檢測樣本，識別為無異常的檢測結果。

3.3

漏檢falsenegative

對于有異常的檢測樣本，識別為無異常的檢測結果。

3.4

系統檢測速度systemdetectionspeed

單個樣品從到達系統指定位置做圖像采集開始，到AI圖像處理輸出檢測結果所消耗的時間。

3.5

位置定位精度accuracyofpositioning

1

T/CESAXXXX-2022T/CESXXX—2022

對位置定位的準確性度量，適用于評估設備缺陷檢測和環境隱患檢測等異常檢測應用中的位置定

位精度，包含定位精確率、定位召回率和mAP。

3.6

異常識別精度accuracyofabnormalrecognition

對異常類型識別的準確性度量，適用于評估設備缺陷檢測和環境隱患檢測等異常檢測應用中的類

型識別精度，包含誤檢率、漏檢率、異常識別準確率。

3.7

類型識別精度accuracyofclassification

對類型識別的準確性度量，適用于評估開關閉合狀態識別、天氣狀況識別和等級判定等分類任務的

分類精度，包含分類精確率、分類召回率和分類準確率。

3.8

讀數識別精度accuracyofdigitalrecognition

讀數識別正確的圖像數目與測試圖像總數的比例，適用于評估表計讀數識別的精度。

4縮略語

下列縮略語適用于本文件。

AI：人工智能（ArtificialIntelligence）

FTP：文件傳輸協議（FileTransferProtocol）

GIGE：千兆以太網通信協議（GIGabitEthernet）

IoU：交并比（IntersectionoverUnion）

mAP：平均精度（meanAveragePrecision）

SMTP：簡單郵件傳輸協議（SimpleMailTransferProtocol）

TCP：傳輸控制協議（TransmissionControlProtocol）

UDP：用戶數據報協議（UserDatagramProtocol）

5基本結構

圖1面向輸電線路的工業AI視覺在線檢測系統基本結構

面向輸電線路的工業AI視覺在線檢測系統基本架構見圖1，包括圖像采集模塊、AI圖像處理平臺、

運維管理模塊和應用服務模塊。

2

T/CESAXXXX-2022T/CESXXX—2022

a)圖像采集模塊包括攝像機與鏡頭，用于采集輸電線路中，電力設備和周邊環境的數字圖像信號。

所采集圖像用于傳輸至AI圖像處理平臺進行檢測，并緩存于運維管理模塊。其中的相機與鏡

頭要接受運維管理模塊的調控，動態調整參數與配置。

b)AI圖像處理平臺包括模型的訓練、驗證、更新和部署，以及數據標注等功能，用于對采集自輸

電線路的圖像進行檢測，并將檢測結果反饋至應用服務模塊。其中，模型和數據的處理要接受

運維管理模塊和應用服務模塊的調控，以根據運維和應用需求動態調整模型和數據。并且，其

檢測結果可緩存至運維管理模塊，以供后續的統計與分析。

c)應用服務模塊用于根據AI圖像處理平臺的檢測結果，面向用戶提供設備檢測和環境檢測功能。

其數據可緩存至運維管理模塊以供統計與分析，并需要接受運維管理模塊的調控以動態調整

應用配置。

d)運維管理模塊用于對圖像采集模塊、AI圖像處理平臺和應用服務模塊進行參數配置和管理，

并提供數據緩存、檢測結果的統計與分析、歷史告警信息查詢等功能。

6功能要求

6.1圖像采集模塊

圖像采集模塊應支持如下基本功能：

a)應支持可見光成像、紅外熱成像等一種或多種圖像成像方式；

b)應支持受控和自動圖像采集模式，采集間隔可設置；

c)應支持強光抑制、背光補償、圖像降噪、電子去霧、居中對準、AI對焦變焦等一種或多種圖像

增強方式；

d)圖像傳輸應支持FTP、TCP、UDP、SMTP、GIGE等一種或多種傳輸協議；

e)圖像傳輸應支持USB、LoRa、ZigBee等一種或多種傳輸接口；

f)可見光成像像素應支持200W、500W、1200W、2500W、2900W等一種或多種分辨率；

g)紅外熱成像像素應支持160×120、240×180、320×240、384×288、640×480等一種或多種分辨

率；

h)圖像成像文件格式應支持PNG、JPEG、TIFF、BMP等一種或多種格式；

i)圖像采集宜支持疊加采集時間、采集地點等信息。

6.2AI圖像處理平臺

AI圖像處理平臺應支持如下基本功能：

a)應支持數據的準備和標注；

b)應支持AI模型的訓練、部署和更新；

c)宜支持圖像質量檢測與篩選，濾除無法正常識別的低質量圖像；

d)宜支持圖像幾何變換、圖像濾波、圖像歸一化、圖像插值等一種或多種圖像預處理方式。

6.3應用服務模塊

應用服務模塊應支持如下基本功能：

6.3.1設備檢測

a)應支持桿塔、導線金具、絕緣子等電力設備中外觀缺陷的位置定位、類型識別和等級判定；

b)應支持溫度表、電壓表等表計的讀數識別；

3

T/CESAXXXX-2022T/CESXXX—2022

c)宜支持輸電線路的熱成像檢測。

6.3.2環境檢測

a)應支持濃霧、積水、覆冰等天氣狀況的類型識別；

b)應支持違規施工、人員動物入侵、煙火等周邊隱患的位置定位、類型識別和等級判定；

c)宜支持鳥巢、藤蔓等外部異物的位置定位、類型識別和等級判定。

6.4運維管理模塊

運維管理模塊應支持如下基本功能：

6.4.1管理與維護

a)應支持遠程查看終端設備的運行狀態；

b)應支持遠程設置終端設備的運行參數；

c)應支持對系統配置信息的增、刪、改、查等操作；

d)應支持系統自檢、系統故障診斷及診斷信息上報等系統維護功能；

e)應支持權限管理、任務管理、日志管理等輔助管理功能。

6.4.2遠程巡視

a)應支持遠程查看現場實時畫面，以及歷史圖片和視頻；

b)宜支持立即巡視、定時巡視和周期巡視等一種或多種巡視方式；

c)宜支持配置巡視點位，規劃巡視路徑等功能。

6.4.3數據統計與分析

a)應支持采集圖像、檢測結果和告警信息的存儲、導出和查詢；

b)宜支持異常的類型統計、時段分析等一種或多種統計分析功能。

7性能要求

7.1系統檢測速度

面向輸電線路的工業AI視覺在線檢測系統的單張圖像平均檢測耗時宜不超過10s。

7.2位置定位精度

在IoU閾值為0.5時，面向輸電線路的工業AI視覺在線檢測系統的定位精確率宜不低于85%，定位召

回率宜不低于85%，mAP宜不低于80%。

7.3異常識別精度

面向輸電線路的工業AI視覺在線檢測系統的誤檢率宜不高于15%，漏檢率宜不高于15%，異常識別準

確率宜不低于80%。

7.4類型識別精度

面向輸電線路的工業AI視覺在線檢測系統的分類精確率宜不低于85%，分類召回率宜不低于85%，分

類準確率宜不低于80%。

4

T/CESAXXXX-2022T/CESXXX—2022

7.5讀數識別精度

在相對誤差閾值為5%時，面向輸電線路的工業AI視覺在線檢測系統的讀數識別準確率宜不低于85%。

8測試方法

8.1功能測試

8.1.1圖像采集模塊

圖像采集模塊測試方法如下：

a)在面向輸電線路的工業AI視覺在線檢測系統中運行圖像采集模塊；

b)檢查圖像采集模塊能夠支持可見光成像、紅外熱成像等一種或多種圖像成像方式；

c)檢查圖像采集模塊能夠支持受控和自動圖像采集模式，采集間隔可設置；

d)檢查圖像采集模塊能夠支持強光抑制、背光補償、圖像降噪、電子去霧、居中對準、AI對焦變

焦等一種或多種圖像增強方式；

e)檢查圖像傳輸能夠支持FTP、TCP、UDP、SMTP、GIGE等一種或多種傳輸協議；

f)檢查圖像傳輸能夠支持USB、LoRa、ZigBee等一種或多種傳輸接口；

g)檢查可見光成像像素能夠支持200W、500W、1200W、2500W、2900W等一種或多種分辨率；

h)檢查紅外熱成像像素能夠支持160×120、240×180、320×240、384×288、640×480等一種或多

種分辨率；

i)檢查圖像成像文件格式能夠支持PNG、JPEG、TIFF、BMP等一種或多種格式。

8.1.2AI圖像處理平臺

AI圖像處理平臺測試方法如下：

a)在面向輸電線路的工業AI視覺在線檢測系統中運行AI圖像處理平臺；

b)檢查AI圖像處理平臺能夠支持數據的準備和標注；

c)檢查AI圖像處理平臺能夠支持AI模型的訓練、部署和更新。

8.1.3應用服務模塊

應用服務模塊測試方法如下：

a)在面向輸電線路的工業AI視覺在線檢測系統中運行應用服務模塊；

b)檢查應用服務模塊能夠支持桿塔、導線金具、絕緣子等電力設備中外觀缺陷的位置定位、類型

識別和等級判定；

c)檢查應用服務模塊能夠支持溫度表、電壓表等表計的讀數識別；

d)檢查應用服務模塊能夠支持濃霧、積水、覆冰等天氣狀況的類型識別；

e)檢查應用服務模塊能夠支持違規施工、人員動物入侵、煙火等周邊隱患的位置定位、類型識別

和等級判定。

8.1.4運維管理模塊

運維管理模塊測試方法如下：

a)在面向輸電線路的工業AI視覺在線檢測系統中運行運維管理模塊；

b)檢查運維管理模塊能夠支持遠程查看終端設備的運行狀態；

c)檢查運維管理模塊能夠支持遠程設置終端設備的運行參數；

5

T/CESAXXXX-2022T/CESXXX—2022

d)檢查運維管理模塊能夠支持對系統配置信息的增、刪、改、查等操作；

e)檢查運維管理模塊能夠支持系統自檢、系統故障診斷及診斷信息上報等系統維護功能；

f)檢查運維管理模塊能夠支持權限管理、任務管理、日志管理等輔助管理功能；

g)檢查運維管理模塊能夠支持遠程查看現場實時畫面，以及歷史圖片和視頻；

h)檢查運維管理模塊能夠支持采集圖像、檢測結果和告警信息的存儲、導出和查詢。

8.2性能測試

8.2.1系統檢測速度

系統檢測速度的測試方法如下：

a)將數量為?的測試圖像輸入面向輸電線路的工業AI視覺在線檢測系統，對檢測結果返回的時

間進行統計；

b)通過公式（1）計算單張圖像的平均檢測耗時?，其中第?張圖像輸入檢測系統的起始時間記為

??1，檢測結果的輸出時間記為??2。

∑?(???)

?=?=1?2?1···················································（1）

?

式中：

?--單張圖像的平均檢測耗時；

?--測試圖像的總數；

??2--第?張圖像檢測結果的輸出時間；

??1--第?張圖像輸入檢測系統的起始時間。

8.2.2位置定位精度

位置定位精度的測試方法如下：

a)將一定數量的測試圖像輸入面向輸電線路的工業AI視覺在線檢測系統，對返回的檢測框進行

統計；

b)通過公式（2）計算檢測檢測框和標注框之間的???，其中模型返回的檢測框的坐標記為????，

人工標注框的坐標記為????；

???∩???

???=??··················································（2）

????∪????

式中：

????--檢測框的坐標；

????--標注框的坐標。

c)???>0.5且類型識別正確的檢測框視為定位正確。

d)計算定位精確率、定位召回率和mAP。

定位精確率

對于某一類目標，通過公式（3）計算位置定位的精確率??。模型預測結果中，該類檢測框的

數目記為??，其中定位正確的數目記為??。

??

??=×100%···················································（3）

??

式中：

??--定位精確率；

6

T/CESAXXXX-2022T/CESXXX—2022

??--模型預測結果中，該類檢測框的總數；

??--該類檢測框中，定位正確的數目。

定位召回率

對于某一類目標，通過公式（4）計算位置定位的召回率??。樣本標注中，該類標注框的數目

記為??，其中被模型正確定位出的數目記為??。

??

??=×100%···················································（4）

??

式中：

??--定位召回率；

??--樣本標注中，該類標注框的數目；

??--該類標注框中，被模型正確定位的數目。

mAP

對于所有類別的目標，可通過以下兩個步驟計算???評估模型的整體定位性能：

a)首先，對于某一類目標，如圖2所示，可通過?????曲線下面積計算當前類別的平均精度??。

計算公式如（5）所示。

1

??=∫??(??)???···············································（5）

??=0

式中：

??--平均精度；

??--定位召回率；

??(??)--??處的定位精確率。

b)然后，對于所有類別，通過公式（6）計算所有類別??的均值???，其中類別數目記為K。

∑???

???=?=1?···················································（6）

?

式中：

???--平均??；

???--類別?的??；

?--類別數目。

圖2?????曲線示意圖

8.2.3異常識別精度

7

T/CESAXXXX-2022T/CESXXX—2022

異常識別精度的測試方法如下：

將一定數量的測試圖像輸入面向輸電線路的工業AI視覺在線檢測系統，計算漏檢率、誤檢率和異

常識別準確率。

漏檢率

對于某一類異常，通過公式（7）計算異常識別的漏檢率???，其中正檢數記為??，漏檢數記為??。

??

???=×100%··············································（7）

??+??

式中：

???--漏檢率；

??--漏檢數；

??--正檢數。

誤檢率

對于某一類異常，通過公式（8）計算異常識別的誤檢率???,其中正檢數記為??，誤檢數記為?。

?

???=×100%···············································（8）

??+?

式中：

???--誤檢率；

?--誤檢數；

??--正檢數。

異常識別準確率

通過公式（9）計算異常識別準確率??,其中正確識別的樣本數目記為??，測試樣本總數記為?。

?

?=?×100%··················································（9）

??

式中：

??--異常識別準確率；

??--正確識別的樣本數目；

?--測試樣本總數。

8.2.4類型識別精度

類型識別精度的測試方法如下：

將一定數量的測試圖像輸入面向輸電線路的工業AI視覺在線檢測系統，計算分類精確率、分類召

回率和分類準確率。

分類精確率

對于某一類別，通過公式（10）計算分類精確率??，其中分類正確的該類圖像數目記為??，模

型預測的該類圖像數目記為??。

??

??=×100%·················································（10）

??

式中：

??--分類精確率；

8

T/CESAXXXX-2022T/CESXXX—2022

??--分類正確的該類圖像數目；

??--模型預測的該類圖像數目。

分類召回率

對于某一類別，通過公式（11）計算分類召回率??，其中分類正確的該類圖像數目記為??，實

際標注的該類圖像數目記為??。

??

??=×100%·················································（11）