基于深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)端子批量識(shí)別研究

王廷凰 舒麗 王來(lái)華 戴坤

摘 要：隨著科技進(jìn)步和電力行業(yè)改革，智能化巡檢已經(jīng)成為潮流。但傳統(tǒng)目標(biāo)檢測(cè)技術(shù)處理端子應(yīng)用場(chǎng)景苛刻，且效果不佳。該文提出將深度卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于端子批量檢測(cè)中，利用深度卷積神經(jīng)網(wǎng)絡(luò)完成端子特征提取、目標(biāo)定位和狀態(tài)識(shí)別，完成端子端到端識(shí)別。并與電力系統(tǒng)對(duì)接，與后臺(tái)數(shù)據(jù)實(shí)時(shí)比對(duì)，實(shí)現(xiàn)端子巡檢智能化，提高工作效率，有效防止誤檢、漏檢、粗心等因素造成安全事故。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò) 電力行業(yè) 目標(biāo)檢測(cè)

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2019）01（a）-00-02

Abstract：With the progress of science and technology and the reform of power industry， intelligent inspection has become a trend. However， the traditional target detection technology is harsh and ineffective in dealing with terminal application scenarios. In this paper， the deep convolution neural network is applied to batch terminal detection. The deep convolution neural network is used to complete terminal feature extraction， target location and state recognition， and end-to-end terminal identification. Connecting with power system， real-time comparison with background data， intellectualize terminal inspection， improve work efficiency， and effectively prevent safety accidents caused by false detection， missed detection， carelessness and other factors.

Key words：Convolutional Neural Network； Electric-Power Industry； Object Detection

二次設(shè)備端子巡檢是電力系統(tǒng)中的一項(xiàng)重要工作。端子巡檢具有流程繁瑣、耗時(shí)長(zhǎng)、數(shù)量多、出錯(cuò)率高等特點(diǎn)。傳統(tǒng)的電力巡檢系統(tǒng)中存在基于圖像識(shí)別技術(shù)解決端子批量識(shí)別問(wèn)題，但是由于端子數(shù)量眾多、特征點(diǎn)[1]少使得識(shí)別應(yīng)用場(chǎng)景苛刻，如角度、光線等環(huán)境要求極為苛刻，使得軟件使用困難，難以推廣應(yīng)用。

該文提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)[2]，實(shí)現(xiàn)在電力系統(tǒng)二次設(shè)備端子巡檢中批量識(shí)別端子狀態(tài)并完成比對(duì)。實(shí)現(xiàn)端子巡檢更加智能化，有效提高了端子巡檢的工作效率。

1 背景介紹

在傳統(tǒng)二次設(shè)備端子巡檢中一直是人為比對(duì)。端子的操作一般流程是先操作部分端子，如完成斷電操作，以完成其他一系列電力操作，完成其他操作后，需要對(duì)端子進(jìn)行復(fù)位操作，整個(gè)過(guò)程中的端子數(shù)量、位置不確定，操作人員難以準(zhǔn)確操作及復(fù)位。

較為先進(jìn)的利用傳統(tǒng)圖像識(shí)別技術(shù)[3]對(duì)子狀態(tài)進(jìn)行定位識(shí)別。但是傳統(tǒng)基于OpenCV實(shí)現(xiàn)的圖像識(shí)別算法應(yīng)用場(chǎng)景苛刻，如識(shí)別時(shí)必須正視、光線也具有特殊要求，稍微變化就無(wú)法識(shí)別；其次也難以保證定位識(shí)別視野中的所有端子，導(dǎo)致應(yīng)用使用極為復(fù)雜且容易出錯(cuò)，難以管控，甚至不及人工比對(duì)。

2006年之后，深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）得到蓬勃發(fā)展，并在目標(biāo)檢測(cè)領(lǐng)域有著深度應(yīng)用。因CNN在圖像特征提取上具有較好的效果，可以有效對(duì)特征點(diǎn)較少的端子進(jìn)行特征提取，所以該文提出基于深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)端子批量識(shí)別。

2 實(shí)現(xiàn)過(guò)程

傳統(tǒng)目標(biāo)檢測(cè)[4]方法存在兩個(gè)問(wèn)題：一是基于滑動(dòng)窗口的區(qū)域選擇策略沒(méi)有針對(duì)性，時(shí)間復(fù)雜度高，冗余窗口多；二是手工設(shè)計(jì)的特征對(duì)于物體多樣性沒(méi)有很好的魯棒性[5]。該文提出利用卷積神經(jīng)網(wǎng)絡(luò)方法解決端子批量定位識(shí)別，有效地解決了傳統(tǒng)目標(biāo)檢測(cè)存在的問(wèn)題。

2.1 整體過(guò)程

卷積神經(jīng)網(wǎng)絡(luò)是一種多層神經(jīng)網(wǎng)絡(luò)，擅長(zhǎng)處理圖像相關(guān)機(jī)器學(xué)習(xí)問(wèn)題。最典型的卷積網(wǎng)絡(luò)，由卷積層、池化層、全連接層組成。卷積運(yùn)算的目的是提取輸入的不同特征池化層的作用是降低圖像分辨率，減少計(jì)算量；全連接層的每一個(gè)結(jié)點(diǎn)都與上一層的所有結(jié)點(diǎn)相連，用來(lái)把前邊提取到的特征綜合起來(lái)。通過(guò)對(duì)卷積層、池化層不斷的累積，對(duì)端子的特征進(jìn)行特征提取，并在最后使用全連接層拼接，并利用分類算法處理拼接后的特征即可對(duì)端子完成定位識(shí)別。

一般視野中會(huì)同時(shí)存在電流端子和電壓端子，但是電壓端子和電流端子特征是一致的，深度卷積神經(jīng)網(wǎng)絡(luò)無(wú)法區(qū)別其是電壓端子還是電流端子，該文在獲得所有端子的情況下，同時(shí)利用開(kāi)源的文字識(shí)別算法對(duì)標(biāo)記端子屬性的場(chǎng)景文字進(jìn)行定位識(shí)別。

端子定位算法和文本定位算法返回值經(jīng)處理后的都轉(zhuǎn)化為以圖像右上角為原點(diǎn)，圖像橫向?yàn)閄軸，向右為正方向，圖像縱向?yàn)閅軸，向下為正方向的坐標(biāo)值（x，y）；其次端子上方是一定存在文本信息用以說(shuō)明下方端子的場(chǎng)景所在；故可以對(duì)端子和文字框的中心坐標(biāo)（x1，y1）和（x2，y2）中的y值進(jìn)行排序比對(duì)，端子所在場(chǎng)景即為坐標(biāo)值y2小于y1且最近鄰的文本框值。

2.2 YOLO v3網(wǎng)絡(luò)架構(gòu)

該文采用YOLO v3深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)端子進(jìn)行訓(xùn)練，網(wǎng)絡(luò)結(jié)構(gòu)具體如圖1所示。YOLO v3的模型比之前的模型變得更加復(fù)雜，且可以通過(guò)改變模型結(jié)構(gòu)的大小來(lái)權(quán)衡速度與精度。相對(duì)之前的v2版本進(jìn)行一定的優(yōu)化，如增加了多尺度預(yù)測(cè)已經(jīng)使用了更好的基礎(chǔ)分類網(wǎng)絡(luò)和分類器。提供了YOLO v3應(yīng)用于電力系統(tǒng)中二次設(shè)備中端子狀態(tài)檢測(cè)的可行性。

2.3 實(shí)驗(yàn)方法與結(jié)果分析

該文通過(guò)研究常用二次設(shè)備端子的狀態(tài)和使用情況，在現(xiàn)場(chǎng)不同條件下采集了大量端子不同狀態(tài)的圖片。數(shù)據(jù)集共標(biāo)記了6000張640×480分辨率大小圖片，并按照8∶2的比例隨機(jī)生成了訓(xùn)練集和驗(yàn)證集，不設(shè)測(cè)試集。

通過(guò)上述識(shí)別過(guò)程，實(shí)現(xiàn)對(duì)端子定位識(shí)別。識(shí)別結(jié)果如圖2所示。

經(jīng)現(xiàn)場(chǎng)測(cè)試后，深度卷積神經(jīng)網(wǎng)絡(luò)能夠定位識(shí)別待檢圖像的所有端子，幾乎能實(shí)現(xiàn)99%的檢測(cè)率和準(zhǔn)確率。結(jié)合開(kāi)源的文字識(shí)別算法及2.1章節(jié)方法獲取端子所在場(chǎng)景后即可與后臺(tái)數(shù)據(jù)庫(kù)標(biāo)準(zhǔn)狀態(tài)進(jìn)行一一比對(duì)，標(biāo)出待操作或異常的端子，并疊加富文本和語(yǔ)音提示，防止工人漏檢，提高對(duì)比效率。

3 結(jié)語(yǔ)

該文提供了一種二次設(shè)備端子識(shí)別方法，效果良好，在操作端子和恢復(fù)端子過(guò)程中批量識(shí)別和比對(duì)，且正確率和準(zhǔn)確率高達(dá)98%。與人工比對(duì)及傳統(tǒng)算法比較，優(yōu)勢(shì)明顯，使端子巡檢更加的智能化、易使用。

該文提出的深度卷積神經(jīng)網(wǎng)絡(luò)不但對(duì)端子定位識(shí)別有一個(gè)較好的效果，而且對(duì)于其他的電力設(shè)備巡檢也能起到一個(gè)很好的輔助作用，在未來(lái)，深度卷積神經(jīng)網(wǎng)絡(luò)在電力應(yīng)用場(chǎng)景不斷擴(kuò)大，對(duì)電力的無(wú)紙化、智能化、知識(shí)沉淀、數(shù)據(jù)挖掘具有重大且深遠(yuǎn)的發(fā)展意義。

參考文獻(xiàn)

[1] 黃鶯.基于ORB和SIFT的特征提取算法[J].哈爾濱師范大學(xué)自然科學(xué)學(xué)報(bào)，2017，33（2）：25-29.

[2] Tara N.Sainath，Brian Kingsbury，George Saon，et al. Deep Convolutional Neural Networks for Large-scale Speech Tasks[J]. Neural Networks，2015（64）：39-48.

[3] 鄒香玲.計(jì)算機(jī)圖像識(shí)別技術(shù)及應(yīng)用問(wèn)題之研究[J].電子測(cè)試，2017（23）：46-47.

[4] 周自強(qiáng)，陳強(qiáng)，馬必?zé)ǎ?一種改進(jìn)的YOLO目標(biāo)檢測(cè)方法在電纜設(shè)備異常狀態(tài)識(shí)別中的應(yīng)用[J].電測(cè)與儀表，2018（23）：1-7.

[5] 姜明新.智能視頻監(jiān)控中的目標(biāo)跟蹤技術(shù)研究[D].大連理工大學(xué)，2013.