基于深度學(xué)習(xí)的變電站機(jī)器人儀表檢測(cè)研究

楊利萍, 蔣 鑫, 馬 躍

(深圳市朗馳欣創(chuàng)科技股份有限公司， 成都 610000)

變電站作為轉(zhuǎn)換電壓的核心樞紐，通過分配電流和電壓變換將電能輸送給各個(gè)用戶，其安全可靠的運(yùn)行直接關(guān)系著整個(gè)電網(wǎng)的穩(wěn)定和人們的正常生活[1]。為保障變電站的穩(wěn)定運(yùn)行，變電站設(shè)置了大量?jī)x表來監(jiān)測(cè)各個(gè)變電設(shè)備的工作狀態(tài)。由于變電站復(fù)雜的電磁環(huán)境，變電站中大多數(shù)儀表為模擬式儀表而非數(shù)字式[2]，因此，儀表讀數(shù)工作大多通過人工的方式來完成。而隨著智能電網(wǎng)建設(shè)的不斷推進(jìn)，變電站儀表種類以及數(shù)量也不斷增長(zhǎng)，傳統(tǒng)的人工讀數(shù)方式由于效率低、受環(huán)境影響大、人力消耗大、易受人的主客觀因素影響等問題，已經(jīng)很難滿足現(xiàn)代電網(wǎng)的發(fā)展需求[3]。近年來，隨著機(jī)器人技術(shù)的迅速發(fā)展，變電站巡檢機(jī)器人開始逐漸取代人工巡檢，并取得了良好的效果[4]。對(duì)于變電站巡檢機(jī)器人而言，有效的電力儀表檢測(cè)及定位是其實(shí)現(xiàn)儀表讀數(shù)的基本前提。目前，大多數(shù)巡檢機(jī)器人儀表檢測(cè)通過指定?？奎c(diǎn)以及云臺(tái)姿態(tài)對(duì)儀表進(jìn)行粗略定位，其次通過標(biāo)定或自動(dòng)識(shí)別方式實(shí)現(xiàn)最終的儀表檢測(cè)[5]。但由于巡檢機(jī)器人自身存在的誤差，如云臺(tái)旋轉(zhuǎn)誤差、定點(diǎn)誤差等，采用標(biāo)定方式穩(wěn)定性較差且泛化能力較低[6]。而傳統(tǒng)的自動(dòng)識(shí)別方法通常采用Shift、HOG等算法對(duì)儀表進(jìn)行匹配識(shí)別，該方式受環(huán)境影響較大，并對(duì)多種類儀表檢測(cè)精度較低。因此，研究一種普適性強(qiáng)、檢測(cè)精度高的儀表檢測(cè)方法對(duì)變電站機(jī)器人的巡檢效率以及智能電網(wǎng)的建設(shè)具有巨大的推動(dòng)作用。

為提升變電站儀表的檢測(cè)效果，大量研究人員從不同角度分析研究了一系列解決辦法。高旭等[7]采用方向梯度直方圖方法提取儀表特征后通過稀疏表示方法實(shí)現(xiàn)儀表識(shí)別。鄧欣等[8]提出了一種基于相關(guān)濾波的儀表定位算法，采用HOG為特征描述器并結(jié)合相關(guān)濾波器計(jì)算出各區(qū)域與目標(biāo)的相關(guān)性，進(jìn)而實(shí)現(xiàn)儀表檢測(cè)。Belan等[9]通過鏡像投影的方式以及基于Bresenham的直線算法來實(shí)現(xiàn)對(duì)指針式儀表盤的自動(dòng)檢測(cè)與識(shí)別。Zheng等[10]通過在多尺度條件下采用顏色空間的處理方法實(shí)現(xiàn)對(duì)儀表的檢測(cè)和分割。這些方法主要通過人工提取儀表特征實(shí)現(xiàn)檢測(cè)，其檢測(cè)效率較高，但檢測(cè)精度較低，而且在不同環(huán)境適應(yīng)能力較差。而隨著近年來深度學(xué)習(xí)技術(shù)在圖像處理領(lǐng)域的不斷突破，不少研究者將深度學(xué)習(xí)方法應(yīng)用于儀表檢測(cè)問題中，并取得了較好的效果。邢浩強(qiáng)等[5]通過改進(jìn)SSD目標(biāo)檢測(cè)網(wǎng)絡(luò)實(shí)現(xiàn)端到端的儀表檢測(cè)，并根據(jù)檢測(cè)框在圖像中的位置和占比來調(diào)整相機(jī)，進(jìn)而獲取高質(zhì)量圖像。賀嘉琪[11]設(shè)計(jì)了MASKR2CNN卷積網(wǎng)絡(luò)模型來提取自然環(huán)境下儀表的有效信息，實(shí)現(xiàn)對(duì)水平以及傾斜儀表目標(biāo)的檢測(cè)。基于深度學(xué)習(xí)儀表檢測(cè)方法有效避免了人工設(shè)計(jì)特征的局限性，提高了檢測(cè)精度以及其泛化能力，但網(wǎng)絡(luò)對(duì)于不同尺度目標(biāo)的檢測(cè)效果較差。同時(shí)，由于網(wǎng)絡(luò)參數(shù)較多，計(jì)算量大，限制了檢測(cè)效率，難以滿足巡檢機(jī)器人實(shí)時(shí)檢測(cè)的要求。

針對(duì)上述問題，本文在前人工作的基礎(chǔ)上設(shè)計(jì)出了一種針對(duì)變電站儀表檢測(cè)的輕量級(jí)卷積神經(jīng)神經(jīng)網(wǎng)絡(luò)模型。該網(wǎng)絡(luò)采用深度可分離卷積替代傳統(tǒng)卷積的方式有效降低了網(wǎng)絡(luò)參數(shù)，減少了網(wǎng)絡(luò)冗余信息，進(jìn)而提升了網(wǎng)絡(luò)效率。同時(shí)，利用特征融合和空洞卷積對(duì)目標(biāo)多尺度特征信息進(jìn)行深入挖掘，保證了網(wǎng)絡(luò)精度。通過公開標(biāo)準(zhǔn)數(shù)據(jù)集以及實(shí)際變電站環(huán)境中的測(cè)試結(jié)果驗(yàn)證了所提網(wǎng)絡(luò)的有效性以及穩(wěn)定性，并滿足巡檢機(jī)器人實(shí)時(shí)檢測(cè)的需求。

1 儀表檢測(cè)網(wǎng)絡(luò)

1.1 網(wǎng)絡(luò)整體框架

本文所搭建的變電站儀表檢測(cè)網(wǎng)絡(luò)整體架構(gòu)如圖1所示。受機(jī)器人硬件平臺(tái)性能的限制，目前主流的高精度網(wǎng)絡(luò)并不適用于變電站巡檢機(jī)器人。因此，采用深度可分離卷積作為基本卷積單元，同時(shí)結(jié)合其他基本網(wǎng)絡(luò)層搭建特征提取結(jié)構(gòu)和檢測(cè)結(jié)構(gòu)兩部分。特征提取結(jié)構(gòu)通過深度可分離卷積和空洞卷積逐漸降低特征圖尺寸，由淺到深地提取圖像目標(biāo)特征信息，提升了網(wǎng)絡(luò)的計(jì)算效率。深度可分離卷積有效降低網(wǎng)絡(luò)參數(shù)的冗余信息，但不可避免丟失了部分特征信息。為充分利用提取的特征，同時(shí)針對(duì)變電站儀表的多樣性以及多尺度性特點(diǎn)，檢測(cè)結(jié)構(gòu)采用反卷積來融合不同維度的特征以獲取目標(biāo)更多的特征向量，并通過多支路空洞卷積來提取不同尺度的目標(biāo)信息，最后經(jīng)非極大值抑制算法(NMS)處理后輸出最終的分類檢測(cè)結(jié)果。網(wǎng)絡(luò)以巡檢機(jī)器人適用性為出發(fā)點(diǎn)，針對(duì)變電站儀表特點(diǎn)，結(jié)合多種網(wǎng)絡(luò)結(jié)構(gòu)搭建策略，實(shí)現(xiàn)巡檢機(jī)器人對(duì)變電站儀表的高精度、高效率檢測(cè)。

圖1 網(wǎng)絡(luò)結(jié)構(gòu)框圖

1.2 特征提取結(jié)構(gòu)

目前，主流的目標(biāo)檢測(cè)網(wǎng)絡(luò)針對(duì)不同的應(yīng)用場(chǎng)景可大致分為高精度和高效率網(wǎng)絡(luò)，兩類網(wǎng)絡(luò)的區(qū)別主要在于特征提取結(jié)構(gòu)。高精度目標(biāo)檢測(cè)網(wǎng)絡(luò)通常采用以傳統(tǒng)卷積為基本單元，調(diào)整高精度分類網(wǎng)絡(luò)(如VGG16[12]、ResNet[13])作為特征提取結(jié)構(gòu)，如faster RCNN[14]、YOLO[15]、SSD[16]等目標(biāo)檢測(cè)網(wǎng)絡(luò)；高效率網(wǎng)絡(luò)則大多采用深度可分離卷積網(wǎng)絡(luò)為基本特征提取單元，同時(shí)將高精度分類網(wǎng)絡(luò)思想(如ResNet殘差結(jié)構(gòu))融入特征提取結(jié)構(gòu)的搭建中，如mobilenet[17]、shufflenet[18]。本文所搭建的網(wǎng)絡(luò)主要針對(duì)變電站巡檢機(jī)器人對(duì)于儀表的檢測(cè)，為了滿足機(jī)器人實(shí)時(shí)檢測(cè)的需求，故采用深度可分離卷積為基本卷積來搭建輕量級(jí)、高效率的特征提取網(wǎng)絡(luò)結(jié)構(gòu)。深度可分離卷積如圖2所示，可分為深度卷積和逐點(diǎn)卷積，深度卷積中每個(gè)特征通道對(duì)應(yīng)一個(gè)卷積核，即輸入特征通道數(shù)與輸出特征通道數(shù)一致；逐點(diǎn)卷積采用1×1的卷積核來遍歷特征圖的每個(gè)點(diǎn)，調(diào)整特征圖的通道數(shù)。深度可分離卷積相對(duì)于傳統(tǒng)卷積盡管在特征信息的提取上略微降低，但極大減少了卷積核參數(shù)以及網(wǎng)絡(luò)計(jì)算量。

圖2 深度可分離卷積

本文所提網(wǎng)絡(luò)的特征提取結(jié)構(gòu)主要由init模塊和多個(gè)stage模塊堆疊而成，模塊基本結(jié)構(gòu)如圖3所示。init模塊主要通過2×2的池化操作對(duì)圖像降維并減少噪聲干擾，如圖3(a)所示；同時(shí)，以步長(zhǎng)為2的3×3的卷積操作來提取特征，增加特征圖數(shù)量。init模塊采用兩種操作并列的方式盡可能地保證了有效特征的提取，同時(shí)，降低輸入圖像尺寸也避免了后續(xù)模塊的計(jì)算量過大。stage模塊借鑒shufflenet網(wǎng)絡(luò)結(jié)構(gòu)，每個(gè)stage由多個(gè)包含深度可分離卷積的小模塊組成，如圖3(b)所示。首先通過channel split操作將特征圖均分；其次，對(duì)其中一部分特征圖不做任何處理，另一部分通過可分離卷積提取特征；最后，再將兩部分特征圖拼接后使用channel shuffle操作混合特征之間的信息。該模塊通過使卷積操作的輸入通道和輸出通道一致以及采用concat操作來盡量避免Eltwise操作可降低網(wǎng)絡(luò)的時(shí)間消耗，同時(shí)特征通道混合與增強(qiáng)了特征表達(dá)能力。對(duì)于stage與stage之間由于特征圖維度不同，故采用圖3(c)所示結(jié)構(gòu)進(jìn)行拼接，該結(jié)構(gòu)主要由(a)、(b)兩種結(jié)構(gòu)融合而成，其中，池化操作中保存最大池化索引信息，用于后續(xù)反卷積操作中。特征提取結(jié)構(gòu)見表1，該結(jié)構(gòu)在提升效率的同時(shí)盡可能地保證了特征提取的多樣性。

圖3 特征提取模塊

表1 特征提取結(jié)構(gòu)

1.3 儀表檢測(cè)結(jié)構(gòu)

由于變電站儀表種類多樣，并且儀表在圖像中的尺度也各不相同(其中小尺度目標(biāo)較多)，如何充分利用特征提取結(jié)構(gòu)獲取的儀表局部、全局以及多尺度等特征信息，直接關(guān)系著網(wǎng)絡(luò)最終的檢測(cè)效果。鑒于此，本文搭建的檢測(cè)結(jié)構(gòu)受高精度網(wǎng)絡(luò)(如FPN[19]、DeepLab[20]、Tridentnet[21]等)啟發(fā)，采用融合不同尺度的特征層和改變卷積核增加感受野的方式，結(jié)合多種高精度網(wǎng)絡(luò)搭建策略，從多個(gè)角度來充分利用提取的特征信息[22-23]。

檢測(cè)模塊如圖4所示，主要由反卷積多通道融合和多支路空洞卷積兩部分組成。反卷積多通道融合如圖4(a)所示，受語義分割網(wǎng)絡(luò)結(jié)構(gòu)的啟發(fā)，該結(jié)構(gòu)通過深層特征圖逐層反卷積，可有效擴(kuò)大目標(biāo)特征信息，并抑制其他背景信息。其中反卷積過程利用特征提取結(jié)構(gòu)中的最大池化索引信息，盡可能地保證目標(biāo)位置信息。但由于隨著網(wǎng)絡(luò)層越深，圖像中的小目標(biāo)越容易丟失，因此，將反卷積后的特征圖與對(duì)應(yīng)維度的卷積特征層進(jìn)行信息融合，可有效緩解小目標(biāo)丟失問題。同時(shí)再將部分淺層特征降維與反卷積后的特征圖融合，進(jìn)一步降低對(duì)小目標(biāo)漏檢的情況。多支路空洞卷積如圖4(b)所示，該結(jié)構(gòu)將反卷積多通道融合后的特征圖作為輸入，經(jīng)過3條并列的空洞卷積支路后進(jìn)行最后目標(biāo)分類與檢測(cè)。3條支路除了卷積空洞率外其他結(jié)構(gòu)都一致，其空洞率分別為1、2、3，分別針對(duì)小、中、大3類目標(biāo)。為保證檢測(cè)效率，在實(shí)際訓(xùn)練和測(cè)試中，3條支路并未同時(shí)運(yùn)行，在訓(xùn)練時(shí)，通過標(biāo)注框大小來劃分大中小目標(biāo)，進(jìn)而各自對(duì)每個(gè)分支進(jìn)行優(yōu)化(即小目標(biāo)訓(xùn)練空洞率為1的支路，中目標(biāo)訓(xùn)練空洞率為2的支路，大目標(biāo)訓(xùn)練空洞率為3的支路)，劃分方式如圖4所示。同時(shí)，采用3條支路權(quán)值共享的方式來間接融合各支路信息。測(cè)試時(shí)只選擇中間的支路進(jìn)行預(yù)測(cè)，在效率與精度之間進(jìn)行了折中。最后設(shè)置特征圖每個(gè)位置輸出的6個(gè)預(yù)測(cè)檢測(cè)框(類似SSD)，通過非極大值抑制算法剔除重疊框后輸出檢測(cè)結(jié)果。從檢測(cè)結(jié)構(gòu)可以看出，本文針對(duì)不同尺度的目標(biāo)通過多種方式進(jìn)行提取，同時(shí)，在保證網(wǎng)絡(luò)檢測(cè)精度的前提下，盡可能地對(duì)網(wǎng)絡(luò)效率進(jìn)行提升。

圖4 檢測(cè)模塊

(1)

式中：w、h分別標(biāo)注框的寬和高(以像素為單位)；li、ui表示小目標(biāo)和大目標(biāo)界限。

2 實(shí)驗(yàn)與結(jié)果分析

為驗(yàn)證所提網(wǎng)絡(luò)的有效性，采用COCO和KITTI公開標(biāo)準(zhǔn)數(shù)據(jù)集以及實(shí)際變電站儀表數(shù)據(jù)集，分別在搭載NVIDIA Tian Xp的臺(tái)式機(jī)以及NVIDIA Jetson TX2嵌入式平臺(tái)進(jìn)行訓(xùn)練測(cè)試。實(shí)驗(yàn)主要是在Linux操作系統(tǒng)上，以Caffe深度學(xué)習(xí)框架為基礎(chǔ)搭建本文所提網(wǎng)絡(luò)。為了更好地與同類型網(wǎng)絡(luò)進(jìn)行對(duì)比，將網(wǎng)絡(luò)訓(xùn)練時(shí)超參數(shù)主要借鑒文獻(xiàn)[18]的參數(shù)設(shè)置。網(wǎng)絡(luò)訓(xùn)練時(shí)以Adam優(yōu)化方法更新網(wǎng)絡(luò)參數(shù)；學(xué)習(xí)率的設(shè)置采用step模式，可加快網(wǎng)絡(luò)收斂，設(shè)置初始學(xué)習(xí)率為0.01，迭代30 000次之后每迭代10 000次學(xué)習(xí)率下降一次；優(yōu)化方案采用動(dòng)量法，參數(shù)設(shè)為0.9；同時(shí)權(quán)值衰減系數(shù)設(shè)為0.000 5。對(duì)于網(wǎng)絡(luò)性能的評(píng)價(jià)主要均值平均精度(mean average precision，mAP)。均值平均精度表示數(shù)據(jù)集中各個(gè)類的平均精度的平均值，通常為目標(biāo)檢測(cè)中最有力的度量指標(biāo)[24]。

(2)

(3)

(4)

式中：C表示類別；N(TruePositives)1表示一張圖像中C類目標(biāo)正確預(yù)測(cè)的數(shù)量；N(TotalObject)C表示該圖像中C類目標(biāo)總數(shù)； PrecisionC表示該圖像中C類目標(biāo)檢測(cè)精度；N(TotalImage)C表示包含C類目標(biāo)的圖像數(shù)量；APC表示所有圖像中C類目標(biāo)的平均精度；N(Classes)表示樣本中類別數(shù)。

2.1 標(biāo)準(zhǔn)數(shù)據(jù)集

COCO數(shù)據(jù)集(Microsoft Common Objects in Context)來源于微軟公司2014年出資標(biāo)注的一個(gè)大規(guī)模數(shù)據(jù)庫，涵蓋了圖像分類、目標(biāo)檢測(cè)、圖像語義分割、實(shí)例分割等計(jì)算機(jī)視覺任務(wù)相關(guān)數(shù)據(jù)集。同時(shí)，基于COCO數(shù)據(jù)集的競(jìng)賽也是目前圖像識(shí)別、檢測(cè)、分割等領(lǐng)域最權(quán)威比賽之一。COCO數(shù)據(jù)集中包含了20多萬張已標(biāo)注圖像，90多個(gè)類別，其中與目標(biāo)檢測(cè)相關(guān)的圖像約45 000張。因此，本文采用該數(shù)據(jù)集對(duì)所提網(wǎng)絡(luò)進(jìn)行驗(yàn)證。但該數(shù)據(jù)集相對(duì)較大，并且實(shí)驗(yàn)條件有限，故為了快速驗(yàn)證網(wǎng)絡(luò)性能，從COCO目標(biāo)檢測(cè)圖像中挑選出包含person、car、clock、bird以及stop sign這5類目標(biāo)的圖像，并人工去除掉其中分類不清晰、目標(biāo)占比少的圖像，最終篩選出約2萬張圖像，歸一化圖像尺寸為448×448。實(shí)驗(yàn)隨機(jī)挑選16 000張圖像作為訓(xùn)練集，剩余4 000張作為測(cè)試集，通過在搭載Titan X顯卡的PC機(jī)上使用GPU加速計(jì)算來訓(xùn)練及測(cè)試網(wǎng)絡(luò)，訓(xùn)練時(shí)采用遷移學(xué)習(xí)的方式對(duì)網(wǎng)絡(luò)權(quán)重進(jìn)行微調(diào)。實(shí)驗(yàn)首先測(cè)試圖4所提出的兩種結(jié)構(gòu)對(duì)網(wǎng)絡(luò)精度影響。在通過統(tǒng)計(jì)標(biāo)注框尺寸分布，分別設(shè)置li、ui為32和96，并將batchsize設(shè)置為4，經(jīng)過約15萬次迭代優(yōu)化后，網(wǎng)絡(luò)測(cè)試結(jié)果見表2。其次，分別測(cè)試了3個(gè)分支多尺度目標(biāo)的檢測(cè)效果，實(shí)驗(yàn)結(jié)果見表3。最后，為進(jìn)一步驗(yàn)證網(wǎng)絡(luò)的有效性，將本文所提網(wǎng)絡(luò)與當(dāng)前主流的目標(biāo)檢測(cè)網(wǎng)絡(luò)進(jìn)行對(duì)比來，不同網(wǎng)絡(luò)對(duì)比結(jié)果見表4。其中所有的AP默認(rèn)都為mAP，APs、APm、APl分別表示網(wǎng)絡(luò)對(duì)小中大目標(biāo)的檢測(cè)精度。

表2 檢測(cè)結(jié)構(gòu)測(cè)試結(jié)果

表3 不同空洞率測(cè)試結(jié)果

表4 網(wǎng)絡(luò)測(cè)試結(jié)果對(duì)比

根據(jù)表2測(cè)試結(jié)果可以看出，反卷積融合以及多支路空洞卷積對(duì)網(wǎng)絡(luò)的檢測(cè)精度都有一定的提升，而兩者的結(jié)合提升效果最佳，有效驗(yàn)證了本文所提結(jié)構(gòu)可行性，同時(shí)也可看出不同的結(jié)構(gòu)獲取的特征信息各不相同，并可以相互融合。由表3實(shí)驗(yàn)結(jié)果可以看出，不同空洞率的空洞卷積對(duì)不同尺度的目標(biāo)檢測(cè)效果不同，空洞率越大對(duì)大目標(biāo)的檢測(cè)效果越好，反之則對(duì)小目標(biāo)檢測(cè)效果更好，其中中等空洞率(即dilation=2)的支路與融合3條支路的精度最為接近，為保證檢測(cè)效率，因此在實(shí)際使用中只利用了空洞率為2的支路進(jìn)行檢測(cè)。根據(jù)表4結(jié)果可以充分表明本文所提網(wǎng)絡(luò)的有效性，通過深度可分離卷積和不同檢測(cè)結(jié)構(gòu)相結(jié)合，使網(wǎng)絡(luò)在精度與效率都有較大的提升，同時(shí)與高精度和高效率網(wǎng)絡(luò)相比，本文網(wǎng)絡(luò)對(duì)精度與效率進(jìn)行了有效平的衡。

2.2 變電站數(shù)據(jù)集

標(biāo)準(zhǔn)數(shù)據(jù)集對(duì)本文網(wǎng)絡(luò)性能進(jìn)行了有效驗(yàn)證，為了進(jìn)一步驗(yàn)證網(wǎng)絡(luò)在實(shí)際變電站場(chǎng)景中的適應(yīng)能力，通過實(shí)際變電站巡檢機(jī)器人采集的儀表圖像對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練測(cè)試。實(shí)際變電站場(chǎng)景中的儀表主要分為指針式、液位式以及少量的數(shù)字儀表。實(shí)驗(yàn)首先對(duì)重復(fù)率高的儀表圖像進(jìn)行篩選，挑選出約10 000張圖像，并歸一化圖像尺寸為512×512；然后采用LabelImg標(biāo)注軟件手動(dòng)標(biāo)注圖像的不同儀表，并根據(jù)儀表形式將其分為了六類；最后構(gòu)建數(shù)據(jù)集，隨機(jī)挑選8 000張作為訓(xùn)練集，剩余2 000張作為測(cè)試集。由于變電站圖像中各類別儀表圖像數(shù)量不均，為避免類別不平衡對(duì)網(wǎng)絡(luò)精度的影響，采用中值平衡的方式對(duì)各類別進(jìn)行相應(yīng)的加權(quán)。

(5)

(6)

式中：frequency(class)表示class類別的在訓(xùn)練集中的目標(biāo)個(gè)數(shù)；image_count(class)表示在訓(xùn)練集中含有該類別圖像中目標(biāo)數(shù)量；median_of_f(class)為計(jì)算出的各類別f(class)的中位數(shù)。

為方便驗(yàn)證網(wǎng)絡(luò)在變電站數(shù)據(jù)集上的精度及效率，網(wǎng)絡(luò)訓(xùn)練采用Titan X顯卡加速計(jì)算，而測(cè)試選擇Jetson TX2平臺(tái)來更直觀地展現(xiàn)網(wǎng)絡(luò)在實(shí)際應(yīng)用中的效率，設(shè)置batchsize為4，訓(xùn)練約10萬次收斂的測(cè)試結(jié)果如表5和圖5所示。

圖5 變電站儀表檢測(cè)效果

由表5實(shí)驗(yàn)結(jié)果可以看出，本文所提網(wǎng)絡(luò)可以較好的應(yīng)用于變電站巡檢機(jī)器人對(duì)儀表的檢測(cè)中，實(shí)現(xiàn)高效檢測(cè)。同時(shí)，與同類型網(wǎng)絡(luò)相比，本文所提網(wǎng)絡(luò)在保證檢測(cè)的前提下，通過融合多種檢測(cè)策略來提升網(wǎng)絡(luò)精度，使網(wǎng)絡(luò)能有效適用于變電站巡檢機(jī)器人，實(shí)現(xiàn)高效檢測(cè)。

3 結(jié)語

針對(duì)變電站儀表檢測(cè)搭建了一種適用于變電站巡檢機(jī)器人儀表檢測(cè)的輕量級(jí)目標(biāo)檢測(cè)網(wǎng)絡(luò)。該網(wǎng)絡(luò)以深度可分離卷積為基本卷積單元提取圖像特征，有效降低了網(wǎng)絡(luò)計(jì)算量，保證了網(wǎng)絡(luò)的檢測(cè)效率。同時(shí)，通過將高層特征反卷融合低層特征以及多支路訓(xùn)練空洞卷積的方式來使網(wǎng)絡(luò)獲取更多有效的多尺度目標(biāo)特征信息，提升網(wǎng)絡(luò)對(duì)不同大小目標(biāo)的檢測(cè)精度。通過在COCO標(biāo)準(zhǔn)公開數(shù)據(jù)集以及實(shí)際變電站儀表數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，本文所提結(jié)構(gòu)在提升網(wǎng)絡(luò)的精度以及效率時(shí)進(jìn)行有效的平衡，并能較好的應(yīng)用于實(shí)際變電站儀表檢測(cè)，實(shí)現(xiàn)高效檢測(cè)。

本文所提網(wǎng)絡(luò)盡管在目前基本滿足變電站巡檢機(jī)器人對(duì)儀表檢測(cè)的需求，但仍存在較多需要改進(jìn)的地方。在后續(xù)的研究工作中，將針對(duì)網(wǎng)絡(luò)的檢測(cè)精度以及效率進(jìn)一步優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)；同時(shí)，對(duì)于檢測(cè)任務(wù)，本文僅將該網(wǎng)絡(luò)用于檢測(cè)變電站儀表，任務(wù)相對(duì)單一，后續(xù)將結(jié)合更多變電站其他設(shè)備進(jìn)行檢測(cè)，加快變電站巡檢機(jī)器人智能化。