基于多特征與DCNN的紅外SF6泄漏檢測(cè)方法研究

徐守坤 符心宇 封曉晨 王雨生 石 林

(常州大學(xué)信息科學(xué)與工程學(xué)院 江蘇 常州 213164)

0 引 言

六氟化硫(SF6)是一種被廣泛應(yīng)用于電力、化工行業(yè)的絕緣氣體，且具有無(wú)色無(wú)臭的性質(zhì)，其泄漏會(huì)對(duì)設(shè)備與環(huán)境都造成巨大的損害，尋找一種及時(shí)、有效的SF6泄漏檢測(cè)方法尤為重要。傳統(tǒng)的SF6泄漏檢測(cè)方法很多，但大多利用其物理性質(zhì)，借助設(shè)備進(jìn)行檢測(cè)，這些方法不僅需要大量人力，且無(wú)法自動(dòng)檢測(cè)。相關(guān)工作者利用SF6能夠較好吸收紅外光波的原理，提出了基于紅外成像技術(shù)的SF6泄漏檢測(cè)方法[1]，在紅外技術(shù)支持下，SF6呈現(xiàn)出黑色煙霧狀。過(guò)去幾年中，很多圖像煙霧檢測(cè)算法被提出。文獻(xiàn)[2-3]提出幾種煙霧檢測(cè)方法，如結(jié)合聚合Gabor核和局部二值模式(LBP)的煙霧識(shí)別方法、結(jié)合Gabor網(wǎng)絡(luò)與紋理特征的煙霧識(shí)別方法。Yin等[4]提出一種用于煙霧檢測(cè)的歸一化卷積神經(jīng)網(wǎng)絡(luò)，在提取特征的同時(shí)對(duì)數(shù)據(jù)進(jìn)行歸一化處理，獲得了不錯(cuò)的檢測(cè)精度。衛(wèi)鑫等[5]針對(duì)采樣的每幀煙霧特征具有極大的相似性，提出一種深度卷積長(zhǎng)短期記憶網(wǎng)絡(luò)的火災(zāi)煙霧檢測(cè)模型。

本文針對(duì)傳統(tǒng)SF6泄漏檢測(cè)方法準(zhǔn)確性不高且耗時(shí)耗力等問(wèn)題，將紅外成像技術(shù)與機(jī)器學(xué)習(xí)結(jié)合，提出一種新的SF6泄漏檢測(cè)方法，提取紅外技術(shù)下SF6泄漏的顏色及運(yùn)動(dòng)特征，利用加入膨脹卷積[6]的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)，在增大感受野的同時(shí)，可以避免空間信息的丟失，在實(shí)際對(duì)SF6的檢測(cè)中具有比經(jīng)典CNNs更好的檢測(cè)效果。實(shí)驗(yàn)證明，本文方法不僅能夠?qū)F6氣體進(jìn)行全天候、多角度自動(dòng)檢測(cè)，而且具有較高的檢測(cè)準(zhǔn)確率。

1 算法基礎(chǔ)

1.1 高斯混合模型

高斯模型的原理就是使用高斯正態(tài)分布函數(shù)來(lái)精確地量化事物，將事物分解為K個(gè)高斯分布[7]，并且使用K個(gè)高斯分布的加權(quán)和來(lái)描述事物場(chǎng)景。一般來(lái)說(shuō)，K的值越大，高斯混合模型處理場(chǎng)景變化的能力就越強(qiáng)，K的值一般取3～5。使用混合高斯模型能夠快速準(zhǔn)確地提取疑似泄漏區(qū)域。

1.1.1高斯建模函數(shù)

在混合高斯模型中，設(shè)Xi,t為t時(shí)刻圖像中某像素點(diǎn)的取值，則模型的概率密度函數(shù)如下：

(1)

f(Xi,t,μi,t,Σi,t)=

(2)

式中：n為像素點(diǎn)的維數(shù)；β值是控制背景高斯分布個(gè)數(shù)的閾值。

1.1.2背景的劃分及更新

混合高斯模型之所以能夠準(zhǔn)確劃分背景與運(yùn)動(dòng)區(qū)域，是因?yàn)樗梢圆粩嗟馗鶕?jù)像素的變化進(jìn)行背景的劃分與更新。在模型的概率密度函數(shù)中，ωi,t表示某單個(gè)像素值在第i個(gè)高斯分布產(chǎn)生的概率占P(Xi,t)的比例。一般來(lái)說(shuō)，ωi,t的值越大，則第i個(gè)高斯分布越接近背景，而標(biāo)準(zhǔn)差σi,t(通常取2.5～3.5)越小，高斯分布越穩(wěn)定。所以在混合高斯模型中，K個(gè)高斯分布按照權(quán)值ωi,t與標(biāo)準(zhǔn)差σi,t的比值從大到小進(jìn)行排列，選取前B個(gè)高斯分布作為背景[10]，其中b表示B值所能取得的最小值：

(3)

β值的含義是作為背景的高斯分布B在像素的整個(gè)概率分布中所占的權(quán)重，β過(guò)小會(huì)導(dǎo)致背景圖像分布為單峰，反之則會(huì)是多峰，在一般情況下β取值為0.7。將權(quán)值較大的高斯分布作為背景，將權(quán)值較小的高斯分布用作描述運(yùn)動(dòng)目標(biāo)。

視頻中的背景不是一成不變的，混合模型需要一直更新背景。如果像素值Xi,t滿(mǎn)足：

|Xi,t-μi,t-1|≤2.5σi,t-1

(4)

則當(dāng)前像素值與第i個(gè)高斯模型匹配，然后更新高斯模型參數(shù)，其權(quán)值、均值、方差的更新公式為：

(5)

式中：θi,t的值在模型匹配時(shí)取1，如果不匹配則取0；ρ=α×f(Xi,t,μi,t,Σi,t)為均值、方差更新率,α為模型的學(xué)習(xí)率。高斯混合模型就是在不斷更新背景的過(guò)程中，提取出運(yùn)動(dòng)區(qū)域。

1.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(CNN)最早是由Lecun等[8]提出用于手寫(xiě)數(shù)字識(shí)別領(lǐng)域，并迅速在該領(lǐng)域占據(jù)霸主地位。強(qiáng)大的CNN在圖像識(shí)別、運(yùn)動(dòng)分析、人臉識(shí)別、自然語(yǔ)言處理及腦電波分析方面都有極大突破。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，其優(yōu)勢(shì)體現(xiàn)在局部感受野和權(quán)值共享上。圖1為卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)，由輸入層、卷積層、池化層、全連接層、輸出層等部分構(gòu)成。其卷積層能夠特征提取，卷積層中的每個(gè)神經(jīng)元分別連接到上一層的局部感受野提取特征；池化層充當(dāng)特征過(guò)濾器，池化操作一般有最大池化和平均池化兩種，池化操作的目的在于減少參數(shù)矩陣的尺度，加快運(yùn)算速度，一定程度上可防止過(guò)擬合。

圖1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2 算法設(shè)計(jì)

2.1 紅外SF6泄漏視頻檢測(cè)算法流程

紅外成像技術(shù)下的泄漏SF6為運(yùn)動(dòng)目標(biāo)，具有豐富的特征,單單提取一種特征對(duì)其進(jìn)行檢測(cè)，不能滿(mǎn)足SF6檢測(cè)的快速變化要求。本文首先通過(guò)混合高斯模型[9](GMM)將其放入HSV顏色空間[10]進(jìn)行分析，得到其顏色特征；然后在疑似泄漏區(qū)域進(jìn)一步提取其動(dòng)態(tài)特征，即不規(guī)則運(yùn)動(dòng)特征，通過(guò)提取SF6泄漏的顏色特征與運(yùn)動(dòng)特征，能夠適應(yīng)不同場(chǎng)景下的煙霧類(lèi)氣體檢測(cè)；最后使用膨脹卷積代替卷積神經(jīng)網(wǎng)絡(luò)(CNN)中的池化層。實(shí)驗(yàn)證明，膨脹卷積神經(jīng)網(wǎng)絡(luò)(DCNN)與經(jīng)典的CNNs網(wǎng)絡(luò)相比，具有更好的分類(lèi)效果。通過(guò)DCNN對(duì)提取出來(lái)的泄漏區(qū)域進(jìn)行判斷，并準(zhǔn)確地在視頻幀上標(biāo)記出泄漏位置。SF6檢測(cè)算法流程如圖2所示。

圖2 SF6檢測(cè)算法流程

2.2 基于高斯混合模型的SF6泄漏區(qū)域提取

以某紅外SF6泄漏視頻為例，采用混合高斯模型背景建模方法提取其疑似泄漏區(qū)域，通過(guò)EM算法來(lái)進(jìn)行參數(shù)估計(jì)。部分參數(shù)初始值設(shè)定為K=5、β=0.7、α=0.005、n=3。

混合高斯算法能夠較準(zhǔn)確地提取運(yùn)動(dòng)候選區(qū)域。圖3所示為混合高斯模型提取到的候選區(qū)域,其中：圖3(a)為原始SF6泄漏視頻；圖3(b)中白色區(qū)域?yàn)槔没旌细咚鼓Ｐ吞崛〉降倪\(yùn)動(dòng)區(qū)域，但是由于SF6泄漏的位置較為固定，在一段時(shí)間的檢測(cè)之后，模型會(huì)將連續(xù)運(yùn)動(dòng)的區(qū)域自動(dòng)判定為運(yùn)動(dòng)區(qū)域，造成一定程度上的誤檢，所以單單使用混合高斯模型來(lái)檢測(cè)SF6泄漏是不夠精確的。

圖3 混合高斯模型算法效果圖

2.3 紅外SF6泄漏多特征提取

對(duì)于SF6的泄漏檢測(cè)，高斯混合模型具有較好的優(yōu)勢(shì)，但是對(duì)于一些運(yùn)動(dòng)物體的干擾，還是不能較好地分辨，所以本文將采用合適的特征提取算法，提取SF6的顏色及運(yùn)動(dòng)特征，進(jìn)一步提高識(shí)別SF6的泄漏位置的準(zhǔn)確率。

2.3.1 基于HSV顏色空間的SF6特征分析

HSV是根據(jù)顏色直觀特性提取特征的一種顏色空間，其中：H代表色調(diào)；S代表飽和度；V代表明度。圖4所示為HSV顏色圓錐模型。

圖4 HSV顏色圓錐模型

H的范圍為0°到360°，0°的位置為紅色，沿逆時(shí)針?lè)较蛐D(zhuǎn)，綠色在120°的位置，藍(lán)色和品紅分別在240°和300°的位置。

S描述的是顏色與光譜色的對(duì)比程度，顏色越接近光譜色，飽和度就越大，一般飽和度的取值范圍0%到100%。

V表示色彩的明亮程度，這與發(fā)光體的亮度有關(guān)，與物體本身的透光程度也有關(guān)系，其取值范圍也為0%(黑)到100%(白)。

通常，圖像存儲(chǔ)在計(jì)算機(jī)中時(shí)，其存儲(chǔ)與顯示都是以RGB形式來(lái)進(jìn)行的，但是HSV對(duì)于用戶(hù)來(lái)說(shuō)是一種更加直觀的顏色模型，所以本文在HSV顏色空間中處理圖像數(shù)據(jù)。像素從RGB轉(zhuǎn)換到HSV顏色空間的公式如下：

(6)

(7)

V=max(R,G,B)

(8)

本文檢測(cè)的SF6氣體本身無(wú)色無(wú)味，但是在紅外成像儀下，卻呈現(xiàn)出黑灰色。將紅外SF6泄漏圖片所有像素點(diǎn)映射到HSV顏色空間當(dāng)中，為了方便計(jì)算首先將圖片的三分量H、S、V映射到0～255之間：

(9)

由于計(jì)算機(jī)中所有圖像的默認(rèn)值都會(huì)按照RGB的值處理，所以將圖片轉(zhuǎn)換到HSV空間時(shí)，圖像會(huì)發(fā)生較大變化。圖5所示為某SF6泄漏圖像放入HSV顏色空間中的效果圖，其中圖5(a)為原始圖像，圖5(b)為放入HSV顏色空間轉(zhuǎn)換后的圖像。

圖5 轉(zhuǎn)換到HSV顏色空間的效果對(duì)比

圖6是一幅從SF6泄漏視頻中截取的小圖像塊，將其從RGB顏色空間轉(zhuǎn)到HSV顏色空間中，分析其特征。

圖6 SF6泄漏圖像塊

HSV像素分布效果如圖7所示。圖7(a)為將SF6泄漏圖像塊所有像素映射到HSV空間的三維效果圖，x、y、z分別對(duì)應(yīng)了H、S、V三個(gè)分量。由于像素分布較多且雜亂無(wú)章，看不出規(guī)律，所以將三維空間中的像素分布分別映射到三個(gè)平面上，將H、S、V兩兩組合，生成二維圖像。圖7(b)為HSV三維圖像向S-V平面投影得到的二維圖像，可以看出，S值較小的區(qū)域，像素分布很多，而V值的分布比較廣泛，沒(méi)有明顯的特征。圖7(c)為HSV三維圖像向S-H平面投影得到的二維圖像，可以看出，像素都分布在S值較小部分，而H值的分布較廣，也沒(méi)有明顯的特征。圖7(d)為HSV三維圖像向V-H平面投影得到的二維圖像，圖中V值的分布與H的分布都沒(méi)有明顯的特征。

(a) H-S-V像素分布圖3D

(b) S-V平面投影圖像

(c) H-S平面投影圖像

(d) V-H平面投影圖像圖7 HSV像素分布效果圖

將大量圖片放入HSV顏色空間中進(jìn)行對(duì)比，得到如下結(jié)論：存在SF6泄漏區(qū)域的飽和度S一般較低，經(jīng)過(guò)實(shí)驗(yàn)選取S值為70，而SF6泄漏運(yùn)動(dòng)時(shí)亮度V提升，取視頻前50幀的平均亮度作為閾值。所以區(qū)域飽和度S低于70且亮度值V大于視頻前50幀平均亮度值時(shí)，判定該區(qū)域?yàn)橐伤菩孤﹨^(qū)域。

圖8所示為經(jīng)過(guò)HSV顏色空間處理與原始圖像的效果對(duì)比圖，圖8(a)為原始圖像，圖8(b)中被黑色區(qū)域覆蓋的為SF6泄漏區(qū)域。通過(guò)顏色特征分析，可以進(jìn)一步對(duì)候選區(qū)域進(jìn)行篩選。

圖8 HSV顏色空間泄漏區(qū)域確定

2.3.2SF6泄漏運(yùn)動(dòng)特征分析

對(duì)比多個(gè)SF6泄漏視頻，其泄漏呈現(xiàn)出不規(guī)則性。一般來(lái)說(shuō)，SF6的密度比空氣大得多，其開(kāi)始的運(yùn)動(dòng)方向都為朝下，因受拍攝環(huán)境的影響，其泄漏軌跡往往會(huì)向四周擴(kuò)散，整體運(yùn)動(dòng)呈現(xiàn)出不規(guī)則性。而煙霧的局部運(yùn)動(dòng)也是不規(guī)則的，這種運(yùn)動(dòng)特性是別的物體所不具備的，所以根據(jù)SF6泄漏運(yùn)動(dòng)的不規(guī)則性，可以進(jìn)一步判斷SF6泄漏的運(yùn)動(dòng)區(qū)域。

同樣面積的兩個(gè)物體，一個(gè)是光滑規(guī)則的閉環(huán)曲線(xiàn)，一個(gè)是參差不齊、不規(guī)則的閉環(huán)曲線(xiàn)，兩者相比，不規(guī)則的曲線(xiàn)長(zhǎng)度一定要比規(guī)則的曲線(xiàn)長(zhǎng)度長(zhǎng)。圖9為不規(guī)則性原理的示意圖，其中圖9(a)是邊緣規(guī)則曲線(xiàn)，而圖9(b)是面積與圖9(a)相同但形狀不規(guī)則的曲線(xiàn)，可以看出，不規(guī)則曲線(xiàn)長(zhǎng)度明顯要長(zhǎng)。

圖9 不規(guī)則性原理示意圖

SF6在發(fā)生泄漏時(shí)，受氣壓、溫度、氣流等影響，泄漏時(shí)呈現(xiàn)出不規(guī)則的形狀，通過(guò)計(jì)算每一幀的像素變化來(lái)實(shí)現(xiàn)SF6泄漏檢測(cè)是非常困難的，因此引入一個(gè)不規(guī)則度(Irregularity)[11]的概念,其計(jì)算公式如下：

(10)

式中：S1為使用混合高斯模型提取出來(lái)的疑似泄漏區(qū)域面積；S2為提取出來(lái)的疑似泄漏區(qū)域的最小外接矩陣的面積。S1、S2的值用其包含的連通區(qū)域的像素總數(shù)來(lái)描述。

給定一個(gè)閾值?,根據(jù)式(11)來(lái)區(qū)分是否為擴(kuò)散的SF6泄漏區(qū)域。

(11)

式中：Area=1代表該區(qū)域?yàn)閿U(kuò)散的SF6泄漏區(qū)域，反之則不是。

通過(guò)計(jì)算多個(gè)SF6泄漏視頻的不規(guī)則度IRR，最終得到實(shí)驗(yàn)需要的閾值?,如圖10所示，圖10(a)、(b)分別為兩組SF6泄漏視頻，圖10(c)、(d)分別為它們的IRR分布圖?？梢钥闯?，IRR的值大多分布在0.1到0.7之間，而且小于0.6的分布占絕大多數(shù)，通過(guò)多組實(shí)驗(yàn)比對(duì)，IRR的分布同樣滿(mǎn)足這一特點(diǎn)，所以設(shè)定不規(guī)則度的閾值?為0.6。

(a) SF6泄漏視頻1 (b) SF6泄漏視頻2

(c) 視頻1的IRR分布圖

(d) 視頻2的IRR分布圖圖10 SF6泄漏不規(guī)則度分析

(a) 膨脹率r=1 (b) 膨脹率r=2 (c) 膨脹率r=4圖11 膨脹卷積結(jié)構(gòu)單個(gè)神經(jīng)元感受野

2.4 基于DCNN的紅外SF6圖像識(shí)別

雖然CNN的分類(lèi)效果已經(jīng)很不錯(cuò)，但它仍有以下問(wèn)題。首先是卷積層的問(wèn)題，卷積層通過(guò)一組矩陣與前一層網(wǎng)絡(luò)神經(jīng)元的輸出矩陣相乘，即卷積計(jì)算，來(lái)得到某些特征，它具有平移不變性，這意味著，同一目標(biāo)的輕微位置變化，可能不會(huì)激活那些識(shí)別目標(biāo)的神經(jīng)元；其次是池化層的弊端，池化操作會(huì)導(dǎo)致內(nèi)部數(shù)據(jù)結(jié)構(gòu)丟失以及空間層級(jí)化信息丟失。

基于上述情況，引入一種新穎的卷積方法——膨脹卷積。該算法既可以增大感受野，還可以避免池化操作而導(dǎo)致諸多細(xì)節(jié)和空間信息的丟失。膨脹卷積誕生于圖像分割領(lǐng)域，它在原始卷積的基礎(chǔ)上增加了一個(gè)r參數(shù)，能將卷積核擴(kuò)張到膨脹系數(shù)所約束的尺度中，并將原卷積核中未被占用的區(qū)域填充0。圖11為膨脹卷積單個(gè)神經(jīng)元感受野的示意圖，其中r代表卷積核的膨脹系數(shù)，其有效卷積核高計(jì)算公式如(12)所示，有效卷積核寬計(jì)算公式如式(13)所示。

hconv=fh+(fh-1)×(r-1)

(12)

wconv=fw+(fw-1)×(r-1)

(13)

式中:fh為原卷積核的高;fw為原卷積核的寬。

膨脹卷積的計(jì)算方法是通過(guò)卷積核沿著像素點(diǎn)逐步移動(dòng)，移動(dòng)到了某個(gè)像素點(diǎn)之后，特征圖對(duì)應(yīng)的位置數(shù)值再與卷積核模塊做點(diǎn)積運(yùn)算。膨脹卷積的感受野計(jì)算公式為：

k′=r(k-1)+1

(14)

膨脹卷積產(chǎn)生的特征圖分辨率計(jì)算公式為：

(15)

式中：k′為膨脹卷積核尺寸；k為原始卷積核尺寸；r為膨脹率；d為填充的數(shù)據(jù)大?。籹表示步長(zhǎng)。

不難看出，膨脹率r=1的時(shí)候，膨脹卷積與卷積是等價(jià)的，與卷積神經(jīng)網(wǎng)絡(luò)的池化層相比，膨脹卷積具有快速擴(kuò)大感受野、避免空間信息丟失的功能，在圖像數(shù)據(jù)需要全局空間信息進(jìn)行分析時(shí)，能夠得到很好的應(yīng)用。SF6是一種不規(guī)則的氣體，對(duì)其泄漏進(jìn)行檢測(cè)，需要根據(jù)其空間信息進(jìn)行判斷，所以使用膨脹卷積神經(jīng)網(wǎng)絡(luò)來(lái)檢測(cè)SF6氣體泄漏分類(lèi)效果更佳。圖12所示為本文使用的膨脹卷積神經(jīng)網(wǎng)絡(luò)(DCNN)的網(wǎng)絡(luò)結(jié)構(gòu)。

圖12 膨脹卷積神經(jīng)網(wǎng)絡(luò)模型圖

本文中使用的膨脹卷積神經(jīng)網(wǎng)絡(luò)共包含一層輸入層、三層卷積層、兩層膨脹卷積層、一層池化層、兩層全連接神經(jīng)網(wǎng)絡(luò)層和一層輸出層。模型相關(guān)超參數(shù)如表1所示。

表1 網(wǎng)絡(luò)模型超參數(shù)

續(xù)表1

本文使用的膨脹卷積神經(jīng)網(wǎng)絡(luò)(DCNN)在卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)上，將前兩個(gè)池化層替換成膨脹率為2的膨脹卷積，減少了空間信息的丟失，在卷積層與全連接層中使用了修正線(xiàn)性單元(Rectified Linear Unit,ReLU)函數(shù)[12]作為激活函數(shù)，使用方差為0.1的正態(tài)分布來(lái)隨機(jī)生成卷積核的權(quán)值，其中偏置的值為1。ReLU函數(shù)公式如下：

f(x)=max(0,x)

(16)

全連接層部分采用了DropOut[13]的方法來(lái)防止過(guò)擬合，其原理是減少神經(jīng)元之間復(fù)雜的共通關(guān)系，減少了一些特征相互依存的情況，從而提升整個(gè)神經(jīng)網(wǎng)絡(luò)的效率，一般設(shè)置DropOut為0.3或者0.5，本文選擇0.5。如圖12所示，本文網(wǎng)絡(luò)中使用了兩個(gè)全連接層，最后一個(gè)Softmax層用于分類(lèi)，兩個(gè)全連接層用于從前一層得到的特征圖中提取特征向量，為了研究不同組件的有效性，本文進(jìn)行了實(shí)驗(yàn)對(duì)比，實(shí)驗(yàn)結(jié)果如表2所示，本文具有兩個(gè)全連接層的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)性能最佳，但去掉兩個(gè)全連接層的其中一個(gè)時(shí)，其性能略差，若將兩個(gè)全連接層全部去掉，網(wǎng)絡(luò)失去收斂效果。因?yàn)?，?dāng)沒(méi)有前兩個(gè)全連接層時(shí)，提供給Softmax分類(lèi)器的特征維數(shù)會(huì)非常高，忽略了反向傳播，所以全連接層對(duì)于網(wǎng)絡(luò)是不可缺少的一部分。表2所示為不同全連接層對(duì)檢測(cè)效果的影響結(jié)果分析，表明兩個(gè)全連接層的神經(jīng)網(wǎng)絡(luò)對(duì)于SF6的檢測(cè)效果更佳。

表2 不同全連接層數(shù)量對(duì)比實(shí)驗(yàn)結(jié)果

在輸出層使用了Softmax函數(shù)作為激活函數(shù)，傳統(tǒng)的Lenet-5卷積神經(jīng)網(wǎng)絡(luò)的輸出層有10個(gè)神經(jīng)元，而本文的目的只需要判斷SF6是否泄漏，所以將輸出神經(jīng)元的數(shù)目修改為2，減少了輸出層的運(yùn)算量。

3 實(shí) 驗(yàn)

本文使用Linux搭建實(shí)驗(yàn)開(kāi)發(fā)平臺(tái)，選用Ubuntu16.04作為操作系統(tǒng)，GPU選用NVIDIA GeForce GTX 1080Ti，CUDA8.0，CUDNN6.0，內(nèi)存為12 GB。實(shí)驗(yàn)使用Tensorflow深度學(xué)習(xí)框架進(jìn)行模型的訓(xùn)練和測(cè)試。為了證明本文方法的優(yōu)越性，本文使用Tensorflow框架在同樣的實(shí)驗(yàn)環(huán)境下實(shí)現(xiàn)了其他深度卷積神經(jīng)網(wǎng)絡(luò)，如Lenet-5、Alexnet。在此硬件環(huán)境下，訓(xùn)練一個(gè)周期的DCNN需要90 s，對(duì)紅外SF6視頻的識(shí)別速度大約為15～20幀/s。

3.1 數(shù)據(jù)集制作

3.1.1數(shù)據(jù)來(lái)源及整理

SF6氣體因其肉眼不可見(jiàn)的性質(zhì)，其圖像視頻的獲取大多來(lái)源于紅外熱成像儀的拍攝，雖然其檢測(cè)的重要性較高，但是并沒(méi)有成熟的公共數(shù)據(jù)集，本文主要通過(guò)以下兩種方式采集SF6泄漏視頻數(shù)據(jù)：(1) 通過(guò)Youtube、Youku等視頻網(wǎng)站視頻爬??；(2) 以GF306紅外氣體成像儀現(xiàn)場(chǎng)采集。圖13為部分采集到的紅外SF6泄漏視頻幀。拍攝的場(chǎng)景及測(cè)試部位有法蘭、閥門(mén)、室內(nèi)外GIS設(shè)備、密度繼電器等。視頻大小都為320×240，每秒25幀，在紅外拍攝條件下，整體呈現(xiàn)出黑灰色且亮度較暗，噪聲類(lèi)型主要為高斯噪聲。

圖13 部分SF6泄漏視頻

3.1.2數(shù)據(jù)集預(yù)處理及數(shù)據(jù)增強(qiáng)

1) 數(shù)據(jù)集的去噪處理。為了降低圖像的噪聲，增強(qiáng)圖像的固有特性，本文對(duì)紅外SF6泄漏視頻進(jìn)行圖像預(yù)處理，由于SF6泄漏視頻的采集大多是通過(guò)紅外成像儀拍攝得到，受拍攝環(huán)境、傳輸過(guò)程的影響，會(huì)產(chǎn)生一些圖片噪聲，這決定了圖片質(zhì)量的好壞，對(duì)圖像的識(shí)別準(zhǔn)確率會(huì)有一定的干擾。所以在檢測(cè)之前，需要對(duì)其進(jìn)行濾波去噪，本文采用的是高斯濾波法。高斯濾波是一種線(xiàn)性濾波，在處理高斯噪聲時(shí)效果較佳，可以有效保護(hù)圖像的邊緣信息。本文采用雙線(xiàn)性插值算法對(duì)視頻進(jìn)行歸一化處理，該算法不僅對(duì)圖像縮放效果好，而且其運(yùn)算效率也很高，最終將視頻歸一化為320×240。本文最后輸入到膨脹卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的圖片是32×24像素的小圖片，使用小圖片進(jìn)行訓(xùn)練能夠有效地減少運(yùn)算量，提升檢測(cè)速度。

2) 數(shù)據(jù)增強(qiáng)。深度卷積神經(jīng)網(wǎng)絡(luò)通常有數(shù)百萬(wàn)需要學(xué)習(xí)的參數(shù)，想要通過(guò)卷積神經(jīng)實(shí)現(xiàn)高準(zhǔn)確率，一方面需要大量的訓(xùn)練圖像，另一方面需要圖像樣本的均衡性。本文通過(guò)數(shù)據(jù)增強(qiáng)技術(shù)[6]，將SF6圖像樣本和非SF6圖像樣本進(jìn)行水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)，從訓(xùn)練集中產(chǎn)生更多的訓(xùn)練數(shù)據(jù)。將新生成的樣本與原始樣本進(jìn)行混合，在不改變正樣本與負(fù)樣本比例的同時(shí)，生成了更大更平衡的訓(xùn)練集，對(duì)整個(gè)系統(tǒng)的檢測(cè)性能有了不錯(cuò)的提升。如表3所示，Set1為測(cè)試所用數(shù)據(jù)集，測(cè)試集中的正負(fù)樣本圖片都是從紅外SF6泄漏視頻中裁剪出來(lái)的，Set2為沒(méi)有使用數(shù)據(jù)增強(qiáng)技術(shù)的原始數(shù)據(jù)集，Set3為使用數(shù)據(jù)增強(qiáng)技術(shù)對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充。擴(kuò)充后的數(shù)據(jù)集中的圖片統(tǒng)一為32×24的小圖片，其中：黑灰色煙霧圖片一部分來(lái)源于文獻(xiàn)[14]的公開(kāi)數(shù)據(jù)集，一部分是裁剪自SF6視頻中的泄漏圖像塊；非泄漏煙霧圖片一部分來(lái)源于公開(kāi)的煙霧檢測(cè)負(fù)樣本數(shù)據(jù)集[14]，另一部分裁剪自泄漏視頻中對(duì)應(yīng)的非泄漏區(qū)域，如設(shè)備、墻壁等。

表3 數(shù)據(jù)集描述

3.2 檢測(cè)結(jié)果分析

為了檢測(cè)算法的效果，使用本文的方法對(duì)采集到的SF6泄漏視頻進(jìn)行檢測(cè)，圖14所示為本文系統(tǒng)最終輸出的結(jié)果示意圖，系統(tǒng)標(biāo)記出識(shí)別為SF6泄漏的小塊圖像在原視頻幀中的位置。

圖14 部分SF6泄漏視頻檢測(cè)結(jié)果示意圖

通過(guò)觀察與分析，紅外成像儀拍攝的SF6泄漏視頻主要有以下特點(diǎn)：紅外SF6呈黑灰色煙霧狀；泄漏速度較快，泄漏擴(kuò)散的畫(huà)面與畫(huà)面背景類(lèi)似；視頻的每一幀都是泄漏幀。

本文方法會(huì)根據(jù)檢測(cè)結(jié)果生成整個(gè)檢測(cè)環(huán)節(jié)中的報(bào)警幀數(shù)，通過(guò)統(tǒng)計(jì)準(zhǔn)確報(bào)警、錯(cuò)誤報(bào)警、漏檢的幀數(shù)，計(jì)算整個(gè)系統(tǒng)的準(zhǔn)確率、誤檢率及漏檢率，實(shí)現(xiàn)SF6泄漏檢測(cè)的客觀評(píng)價(jià)。

表4為部分紅外SF6泄漏視頻的檢測(cè)分析，其中S表示泄漏幀數(shù)，T表示正確檢測(cè)到泄漏的幀數(shù)，N1表示漏報(bào)幀數(shù)，N2表示誤報(bào)幀數(shù)?？梢钥闯?，設(shè)備穩(wěn)定、正常拍攝條件下的SF6視頻泄漏檢測(cè)效果不錯(cuò)，誤報(bào)數(shù)和漏檢數(shù)比較少，說(shuō)明本文使用方法檢測(cè)的報(bào)警率較高；但如果設(shè)備晃動(dòng)，泄漏量少或泄漏不明顯；有較多干擾因素在的話(huà)，就容易出現(xiàn)誤報(bào)、漏報(bào)的情況。

表4 部分紅外SF6泄漏視頻檢測(cè)分析

續(xù)表4

為了更加客觀地評(píng)估本文的方法，將多個(gè)測(cè)試視頻的檢測(cè)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，計(jì)算平均準(zhǔn)確率、漏檢率和誤檢率[15]。記平均準(zhǔn)確率為AR,漏檢率為L(zhǎng)R，誤檢率為FR,泄漏幀數(shù)為S，漏報(bào)幀數(shù)為N1,誤報(bào)幀數(shù)為N2,測(cè)試的視頻數(shù)為n，i表示測(cè)試視頻，計(jì)算公式如下：

(17)

經(jīng)過(guò)多次實(shí)驗(yàn)，本文方法的準(zhǔn)確率保持在82%左右，檢測(cè)的效果比較好，具有一定的抗干擾能力，魯棒性高，缺點(diǎn)是還有一定程度的漏檢。

3.3 對(duì)比實(shí)驗(yàn)

為了驗(yàn)證本文使用的膨脹卷積神經(jīng)網(wǎng)絡(luò)具有較好的效果，本文將其與幾個(gè)經(jīng)典的CNN進(jìn)行了對(duì)比實(shí)驗(yàn)，如Lenet-5[16]、Alexnet[17]、ZF-net[18]。使用這幾種網(wǎng)絡(luò)分別對(duì)進(jìn)行數(shù)據(jù)增強(qiáng)以后的Set2進(jìn)行訓(xùn)練，訓(xùn)練采用隨機(jī)組合的方法，每次隨機(jī)抽取100幅圖片進(jìn)行分類(lèi)訓(xùn)練，一共抽取1 000組數(shù)據(jù)。隨機(jī)組合的好處在于對(duì)小數(shù)據(jù)集能夠達(dá)到大數(shù)據(jù)集的訓(xùn)練效果。表5所示為幾種網(wǎng)絡(luò)訓(xùn)練的精度對(duì)比。

表5 本文網(wǎng)絡(luò)與經(jīng)典CNN的精度值比較

可以看出幾種CNN網(wǎng)絡(luò)都能得到不錯(cuò)的訓(xùn)練精度，但是在實(shí)際的SF6泄漏檢測(cè)過(guò)程中，膨脹卷積神經(jīng)網(wǎng)絡(luò)結(jié)合本文提取SF6泄漏特征的幾種方法，其檢測(cè)的效果明顯更佳。采用4種網(wǎng)絡(luò)分別對(duì)Set1和Set2進(jìn)行訓(xùn)練，然后對(duì)紅外SF6泄漏視頻的檢測(cè)進(jìn)行評(píng)估，結(jié)果如表6所示。可以看出，本文使用的DCNN取得了最高的AR值和最低的LR值。在Set1上，Alexnet取得了較低的FR值，但是DCNN在AR值和LR值上明顯高于Alexnet；ZF-net在Set2上擁有較好的AR和FR，但是其擁有過(guò)多的可學(xué)習(xí)參數(shù)，在速度上明顯不及DCNN。總之，本文使用的DCNN在SF6這類(lèi)煙霧類(lèi)氣體檢測(cè)當(dāng)中，擁有比Lenet-5、Alexnet和ZF-net更好的檢測(cè)性能。

表6 與不同CNN的對(duì)比實(shí)驗(yàn)

4 結(jié) 語(yǔ)

針對(duì)傳統(tǒng)SF6泄漏大多依靠人力檢測(cè)的問(wèn)題，本文提出一種基于多特征融合及膨脹卷積神經(jīng)網(wǎng)絡(luò)的紅外SF6泄漏檢測(cè)方法，采用圖像處理算法結(jié)合深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)紅外技術(shù)下SF6泄漏進(jìn)行檢測(cè)。實(shí)驗(yàn)證明，本文方法具有較好的檢測(cè)效果，為實(shí)現(xiàn)遠(yuǎn)距離實(shí)時(shí)檢測(cè)SF6泄漏提供了理論依據(jù)。該方法可以應(yīng)用在人員不易接觸、距離較遠(yuǎn)的高壓電氣設(shè)備中，不僅對(duì)SF6實(shí)現(xiàn)了檢測(cè)，而且節(jié)約了人力，保障了相關(guān)工作人員的安全。

未來(lái)可以將本文方法與SF6泄漏的濃度檢測(cè)相結(jié)合，工作人員可以根據(jù)泄漏的程度大小采取不同的處理方法，進(jìn)一步提高SF6電氣設(shè)備的監(jiān)管力度，保障電力生產(chǎn)作業(yè)安全運(yùn)行。