改進(jìn)SSD 的變電站電力設(shè)備識(shí)別方法?

徐海洋 盧 泉

（廣西大學(xué)電氣工程學(xué)院 南寧 530004）

1 引言

變電站是電力系統(tǒng)的重要組成部分，為人們的生產(chǎn)生活用電提供基本保障［1］。隨著社會(huì)經(jīng)濟(jì)的不斷發(fā)展，用電量與日俱增，變電站數(shù)量大幅增長，出現(xiàn)巡檢人員短缺的問題。當(dāng)前，采用機(jī)器視覺和人工智能代替人工巡檢已經(jīng)成為變電站巡檢的重要方式。智能巡檢依托可見光相機(jī)和紅外熱像儀等設(shè)備采集圖像，對(duì)圖像進(jìn)行處理，進(jìn)一步對(duì)電力設(shè)備狀態(tài)進(jìn)行識(shí)別［2］。

一張巡檢圖像中經(jīng)常包含幾種尺寸差異顯著的識(shí)別對(duì)象。如圖1 所示，本文定義電流互感器等設(shè)備是大尺寸對(duì)象，表盤和柜門等設(shè)備是小尺寸對(duì)象，將大尺寸和小尺寸對(duì)象統(tǒng)稱為尺寸差異顯著的對(duì)象。如何在圖像中同時(shí)預(yù)測幾種尺寸差異顯著的對(duì)象，是電力設(shè)備識(shí)別面臨的一個(gè)難題。此外，電力設(shè)備的檢測環(huán)境復(fù)雜，存在光照變化和遮擋現(xiàn)象，這些干擾因素都不利于電力設(shè)備識(shí)別。

圖1 巡檢圖像

目前，國內(nèi)外研究人員針對(duì)部分電力系統(tǒng)設(shè)備進(jìn)行識(shí)別，取得了一定的研究成果?？梢詫F(xiàn)有的電力設(shè)備識(shí)別方法分為兩類：基于傳統(tǒng)圖像處理的方法和基于深度學(xué)習(xí)的方法?；趥鹘y(tǒng)圖像處理的方法中，HUANG 等［3］采用形態(tài)學(xué)運(yùn)算的多尺度Harr 小波變換和其逆變換的系數(shù)特征進(jìn)行覆冰絕緣子圖像清晰化的處理，提升了覆冰絕緣子在特殊天氣和背景下的檢測。LI等［4］采用Canny算法進(jìn)行邊緣檢測和融合分類器和等矩取點(diǎn)配對(duì)機(jī)制的Hough 實(shí)現(xiàn)對(duì)覆冰導(dǎo)線的冰厚度檢測?；谏疃葘W(xué)習(xí)的方法中，QU 等［5］使用Spark 構(gòu)建多深度神經(jīng)網(wǎng)絡(luò)的電力變壓器故障識(shí)別算法，第一部分為多個(gè)多神經(jīng)網(wǎng)絡(luò)識(shí)別器，第二部分為使用Reduce 模塊的結(jié)果融合和決策算法，該算法綜合的診斷較傳統(tǒng)的DNN 算法正確率提高了5%。TANG 等［6］采用U-net 進(jìn)行絕緣子分割，再使用YOLOv4 獲取絕緣子的位置，最終實(shí)現(xiàn)對(duì)自爆絕緣子的目標(biāo)識(shí)別。SHEN 等［7］提出了一種基于灰度轉(zhuǎn)換的特征提取方法和多源Mallat-NIN-CNN網(wǎng)絡(luò)的電力變壓器繞組故障診斷模型，解決了變壓器繞組形變檢測中的參數(shù)過多和受噪聲干擾的問題。

上述文獻(xiàn)通過傳統(tǒng)的圖像處理和深度學(xué)習(xí)實(shí)現(xiàn)了部分單一種類電力設(shè)備（變壓器、輸電線路或絕緣子）的檢測與識(shí)別，但對(duì)多種電力設(shè)備識(shí)別的研究較少。此外，以上研究多為背景單一情況下的檢測與識(shí)別，未考慮變電站的復(fù)雜背景對(duì)于識(shí)別準(zhǔn)確率的影響。同時(shí)，以上方法未對(duì)尺寸差異顯著的對(duì)象提出合理的識(shí)別方案。

目前，國內(nèi)外開展變電站電力設(shè)備分析和識(shí)別研究的相關(guān)工作較少。近些年深度學(xué)習(xí)技術(shù)不斷發(fā)展，相較于傳統(tǒng)機(jī)器學(xué)習(xí)，深度學(xué)習(xí)在特征提取方法方面具有較好的表征能力，克服了梯度爆炸等情況帶來的不利影響［8］。同時(shí)，深度學(xué)習(xí)在特征傳播、目標(biāo)識(shí)別的準(zhǔn)確率和檢測時(shí)間上均有改善［9］。深度學(xué)習(xí)的發(fā)展為其在小樣本變電站電力設(shè)備中的研究開展提供了可能?；谏疃葘W(xué)習(xí)的方法能應(yīng)對(duì)更復(fù)雜的檢測情形，綜合識(shí)別性能要強(qiáng)于基于傳統(tǒng)圖像處理的方法。本文提出一種改進(jìn)SSD［10］算法的多分類檢測器，用于尺寸差異顯著的電力設(shè)備進(jìn)行識(shí)別。本文方法主要改進(jìn)SSD 算法的兩個(gè)重要部分：其一，保證多尺度特征提取，加強(qiáng)大尺度特征圖的有效性。其二，優(yōu)化默認(rèn)框的生成策略，提出符合尺寸差異顯著對(duì)象的多種默認(rèn)框。本文收集了變電站環(huán)境下的電力設(shè)備圖片，并將圖片標(biāo)注作為電力設(shè)備數(shù)據(jù)集。經(jīng)實(shí)驗(yàn)結(jié)果表明：相比于SSD、Faster R-CNN 和YOLOv3 算法，本文算法的識(shí)別效果更好，能較好地識(shí)別多種類的變電站電力設(shè)備。

2 基于改進(jìn)SSD 的變電站電力設(shè)備識(shí)別

目前主流的深度學(xué)習(xí)識(shí)別算法分為一步法和兩步法。一步法包括了YOLO［11］和SSD 等方法，二步 法 包 含 了R-CNN［12］、Fast R-CNN［13］和Faster R-CNN［14］等算法?；诙椒ǖ乃惴ㄗR(shí)別精度高，但識(shí)別速度慢。在一步法中，YOLO 算法速度較快，但精度不高；SSD 網(wǎng)絡(luò)結(jié)合了YOLO 的回歸思想和Faster R-CNN 的anchor 機(jī)制，既保留了YOLO的識(shí)別速度，也具有Faster R-CNN的精確度，具有良好的應(yīng)用場景，故本文選用SSD作為變電站設(shè)備分類的基本方法。SSD 算法是由Wei Liu 等在2016 年提出，其結(jié)構(gòu)是根據(jù)CNN 網(wǎng)絡(luò)前面特征圖尺寸較大，通過后續(xù)的卷積和池化的操作后會(huì)逐步變小這一特點(diǎn)設(shè)計(jì)［15］，采用前后多層的特征圖用來做識(shí)別和回歸［16］。

2.1 傳統(tǒng)SSD網(wǎng)絡(luò)

SSD網(wǎng)絡(luò)結(jié)構(gòu)以改進(jìn)的VGG16作為主干網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示（以SSD300 為例）。SSD 網(wǎng)絡(luò)通過改進(jìn)原有的VGG16 網(wǎng)絡(luò)進(jìn)行特征提取。其中，通過將兩個(gè)全連接層置換成兩個(gè)卷積層，再添加四個(gè)卷積層構(gòu)成了特征提取部分。最終將六層不同尺度的特征用于目標(biāo)識(shí)別的分類預(yù)測與位置回歸。SSD 采用不同尺度的默認(rèn)框（default box），在特征圖中的每一個(gè)像素點(diǎn)均會(huì)生成4 個(gè)～6 個(gè)默認(rèn)框，默認(rèn)框的大小可由式（1）計(jì)算得出。

圖2 SSD網(wǎng)絡(luò)結(jié)構(gòu)（以SSD300為例）

式中，Sk為默認(rèn)框大小相對(duì)圖片的比例，m為特征圖的數(shù)量，k為不同的特征層，Smax和Smin分別表示設(shè)定比例的最大值和最小值，通常設(shè)置為0.9 和0.2。通過式（1）得出對(duì)于淺層特征圖來說，默認(rèn)框的尺寸較大，但感受野較小，可以用于識(shí)別圖像中較小的目標(biāo)，反之深層的特征圖可以用于較大的目標(biāo)。

SSD 算法的損失函數(shù)由分類置信度損失和定位損失得到，如式（2）所示。

SSD 算法在改進(jìn)的VGG16 中提取六層特征進(jìn)行目標(biāo)預(yù)測。改進(jìn)的VGG16 的意圖在于保證適宜識(shí)別精度的前提下盡可能提升識(shí)別速度。因此，可以對(duì)SSD算法的主干網(wǎng)絡(luò)進(jìn)一步優(yōu)化，使其更好地適用于尺度差異顯著的對(duì)象識(shí)別。

2.2 改進(jìn)的SSD網(wǎng)絡(luò)

本文方法主要從兩個(gè)重要方面對(duì)SSD 算法進(jìn)行改進(jìn)：首先，改進(jìn)傳統(tǒng)SSD的主干網(wǎng)絡(luò)，以保證多尺度特征提取，加強(qiáng)大尺度特征圖的有效性。其次，優(yōu)化傳統(tǒng)SSD 默認(rèn)框的生成策略，提出符合尺寸差異顯著對(duì)象的多種默認(rèn)框。

2.2.1 深度殘差網(wǎng)絡(luò)

深度殘差網(wǎng)絡(luò)［17］是由何凱明等在2015 年的ILSVRC 大賽上提出的，是一種采用殘差塊堆疊而成的深度卷積模型，內(nèi)部殘差塊使用跳躍鏈接的方式，可以緩解因網(wǎng)絡(luò)深度增加而出現(xiàn)的梯度消失等問題，提高網(wǎng)絡(luò)的準(zhǔn)確率，圖3為殘差塊的示意圖。

圖3 殘差塊結(jié)構(gòu)

殘差塊分為兩個(gè)部分，一部分為直接映射部分，另一部分為殘差部分。一個(gè)殘差塊可以表示為

深度殘差網(wǎng)絡(luò)將常規(guī)的深度網(wǎng)絡(luò)的層間乘性傳播改善為層間加性傳播。Resnet50 網(wǎng)絡(luò)深度可達(dá)50層，使用其代替VGG16作為主干網(wǎng)絡(luò)，可以提升特征的表征質(zhì)量。ResNet 網(wǎng)絡(luò)使用其Conv4_x及以前的網(wǎng)絡(luò)結(jié)構(gòu)，后面的結(jié)構(gòu)和傳統(tǒng)SSD 一樣，添加額外的卷積結(jié)構(gòu)，改進(jìn)的SSD 網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 改進(jìn)的SSD網(wǎng)絡(luò)結(jié)構(gòu)

2.2.2 K-means聚類算法

K-means聚類算法是一種常用的、基于原型的目標(biāo)函數(shù)聚類算法［18］。原SSD 論文中的默認(rèn)框生成方式不符合變電站電力設(shè)備的特點(diǎn)，為了生成符合變電站電力設(shè)備特征的默認(rèn)框，本文通過K-means算法對(duì)本文構(gòu)建的數(shù)據(jù)集進(jìn)行聚類分析，得出更符合的默認(rèn)框。K-means 算法通常使用歐氏距離作為度量，在SSD網(wǎng)絡(luò)中，考慮到交并比（Intersection over Union，IOU）對(duì)匹配的影響，本文采用式（8）所示的距離度量。

式中，gtbox 為物體真實(shí)框（ground truth box），centro為聚類中心，areagtbox為真實(shí)框的面積，areacentro為聚類中心的面積。K-means 聚類算法偽代碼如下所示。

3 基于遷移學(xué)習(xí)的變電站電力設(shè)備識(shí)別

3.1 變電站電力設(shè)備圖像標(biāo)注

本文選取了變電站內(nèi)的避雷器表盤、電流互感器、電壓互感器、斷路器、避雷器和柜門等六類設(shè)備作為研究對(duì)象，六類設(shè)備大小不一，為變電站內(nèi)常見的設(shè)備，作為測驗(yàn)類型生成的網(wǎng)路具有一定普適性。本文采用的數(shù)據(jù)集共125 張，其中訓(xùn)練集100張，測試集25 張。使用由Python 和Qt開發(fā)的LabelImg工具進(jìn)行圖像標(biāo)注，采用PASCAL VOC 為數(shù)據(jù)集格式，標(biāo)注效果如圖5所示。

圖5 標(biāo)注效果圖

3.2 網(wǎng)絡(luò)訓(xùn)練

網(wǎng)絡(luò)訓(xùn)練需要用到兩個(gè)訓(xùn)練技巧，一個(gè)為遷移學(xué)習(xí)，另一個(gè)為數(shù)據(jù)增強(qiáng)。遷移學(xué)習(xí)（Transfer Learning）是機(jī)器學(xué)習(xí)的一個(gè)分支，研究如何將已有的數(shù)據(jù)或者模型應(yīng)用到新的領(lǐng)域或者場景，進(jìn)而解決新領(lǐng)域的問題［19］。通過使用遷移學(xué)習(xí)，既能解決小樣本不足以訓(xùn)練神經(jīng)網(wǎng)絡(luò)的問題，還能減少數(shù)據(jù)標(biāo)注和訓(xùn)練帶來的麻煩，符合本文研究對(duì)象和數(shù)據(jù)集的需求，故本文通過遷移學(xué)習(xí)實(shí)現(xiàn)變電站電力設(shè)備的識(shí)別。

由于受到變電站圖像數(shù)據(jù)需要保密的限制，且變電站內(nèi)部場景較為復(fù)雜，采集到的圖像質(zhì)量不一，因此采集到的樣本不適宜直接進(jìn)行訓(xùn)練，故本文先在公開數(shù)據(jù)集VOC 上進(jìn)行預(yù)訓(xùn)練，得到預(yù)訓(xùn)練模型。

為豐富樣本數(shù)量，提高模型性能，在訓(xùn)練集圖像送入網(wǎng)絡(luò)之前，需對(duì)圖像進(jìn)行水平翻轉(zhuǎn)、隨機(jī)裁剪和隨機(jī)分割等處理，豐富了現(xiàn)有數(shù)據(jù)集。然后利用預(yù)訓(xùn)練模型進(jìn)行參數(shù)初始化，將訓(xùn)練集內(nèi)的圖像送入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)，最終得到適合本文變電站電力設(shè)備的網(wǎng)絡(luò)參數(shù)。

4 實(shí)驗(yàn)結(jié)果及分析

本文實(shí)驗(yàn)使用的實(shí)驗(yàn)環(huán)境為Windows10 系統(tǒng)，PyTorch深度學(xué)習(xí)框架和Python3.7語言。

本文首先對(duì)默認(rèn)框進(jìn)行K-means 聚類調(diào)節(jié)尺寸實(shí)驗(yàn)，將電力設(shè)備的寬和高聚成6 個(gè)類，聚類結(jié)果如圖6 所示，真實(shí)框的寬高情況如表1 所示。根據(jù)結(jié)果，本文將默認(rèn)框的基準(zhǔn)大小為［13，19］、［24，103］、［24，51］、［50，218］、［33，158］和［65，58］。

表1 默認(rèn)框聚類的基準(zhǔn)大小

圖6 聚類結(jié)果

為了驗(yàn)證本文方法的有效性，使用本文構(gòu)建數(shù)據(jù)集分別在傳統(tǒng)SSD、Faster R-CNN、YOLOv3 和本文所提算法中進(jìn)行訓(xùn)練和識(shí)別，本實(shí)驗(yàn)采用準(zhǔn)確率，召回率及F 值作為評(píng)價(jià)標(biāo)準(zhǔn)。如式（9）～（11）所示，precision 是準(zhǔn)確率，recall是召回率，F(xiàn) 值是準(zhǔn)確率和召回率的調(diào)和平均值。

式中，tp 為真陽性檢測，fp 為假陽性檢測，fn 假陰性檢測。

表2 為對(duì)比試驗(yàn)結(jié)果。從表中可以看出，本文算法在準(zhǔn)確率上最優(yōu)，在召回率上僅比Faster R-CNN算法低2.59%，調(diào)和平均值上最優(yōu)。本文方法與傳統(tǒng)SSD 算法在準(zhǔn)確率上相差不大，均高于97%，但本文算法在召回率上比傳統(tǒng)SSD 算法高出42.24%；在調(diào)和平均值上，本文算法比傳統(tǒng)SSD 高出36.26%。綜上，本文在尺寸差異顯著的電力設(shè)備數(shù)據(jù)集上取得了最優(yōu)的性能，說明本文算法能夠很好地識(shí)別尺寸差異顯著的對(duì)象。

表2 目標(biāo)識(shí)別算法對(duì)比試驗(yàn)結(jié)果

圖7 為不同識(shí)別算法的展示圖。由圖可知，對(duì)于大尺寸對(duì)象，如電流互感器和避雷器等，傳統(tǒng)SSD 出現(xiàn)了嚴(yán)重的漏檢；Faster R-CNN 和YOLOv3出現(xiàn)了部分漏檢，主要體現(xiàn)在避雷器上，同時(shí)對(duì)于遮擋面積大的電流互感器也未能識(shí)別出來。對(duì)于小尺寸目標(biāo)如表盤和柜門，傳統(tǒng)SSD算法幾乎無法識(shí)別；Faster R-CNN 算法存在少量漏檢；YOLOv3算法幾乎全部識(shí)別出來。本文算法幾乎將圖中目標(biāo)識(shí)別出來，效果較好。

圖7 不同算法識(shí)別結(jié)果

綜上所述，本文改進(jìn)算法在尺度差異明顯的變電站電力設(shè)備識(shí)別中具有良好的效果。

5 結(jié)語

本文圍繞變電站尺寸差異明顯的電力設(shè)備進(jìn)行識(shí)別與分類，針對(duì)原有SSD 的不足進(jìn)行了改進(jìn)，以Resnet 殘差網(wǎng)絡(luò)代替VGG 網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)加深網(wǎng)絡(luò)深度，提高特征表征質(zhì)量；引入K-means 聚類算法，調(diào)節(jié)默認(rèn)框尺寸，提高識(shí)別精度。經(jīng)實(shí)驗(yàn)證明，相較于傳統(tǒng)SSD、FasterR-CNN 和YOLOv3，本文算法具有良好的效果。