基于卷積神經網絡的變電站巡檢機器人圖像識別

楊 光，周鵬舉，張宋彬，徐 鵬

（國網河南省電力公司鄭州供電公司，河南 鄭州 450000）

基于卷積神經網絡的變電站巡檢機器人圖像識別

楊 光，周鵬舉，張宋彬，徐 鵬

（國網河南省電力公司鄭州供電公司，河南 鄭州 450000）

：隨著科學技術的發展，人工智能在工作生活中應用的范疇也越來越廣泛。在我們所熟知的變電站中，已經逐步出現了智能巡檢機器人來代替人工巡視。那么機器人在巡視過程中又是如何識別表記等相關信息的呢？本文將就這一問題展開討論。文中首先討論了卷積神經網絡的理論基礎，以及一些相關的運算，給出了基于卷積神經網絡的變電站巡檢機器人圖像識別模型。

卷積神經網絡，圖像識別，變電站巡檢，智能機器人

0 引言

變電站作為電能傳輸中重要的一環，其安全管理尤其重要。傳統的變電站巡視需要人工全天候監視，極容易因巡視人員的疲憊導致無法有效的識別變電站的危險情況。隨著自動化程度的不斷提高，需要引入無人監視設備，如智能巡檢機器人[1-3]，對視頻圖像進行實時處理分析來提高變電站運行的安全性和可靠性[4-5]。因此對圖像識別技術提出了更高的要求，今年來深度學習在語音、圖像識別中取得了豐碩的成果[6-7]，卷積神經網絡屬于深度學習的一種模型，它具有二維網絡形狀[8-12]，它在結構上形成一個深度前饋神經網絡。在變電站檢測過程中，在變電站運行圖形檢測當中，由于環境因素、檢測手段的原因，采集到的圖像有可能分辨率較低，而且變形嚴重，甚至還有缺塊。因此在變電站的巡檢過程中，復雜多變的背景對故障分類判斷帶來了很大的挑戰。因此，為了能更好的將機器人應用到變電站的巡檢中，需要有一個精確、強大、具有深度學習能力的圖像分類識別模型 ，卷積神經網絡模型因其具有二維數據處理方式，非常適合應用于圖像處理領域。

綜上，卷積神經網絡在目標檢測和圖像識別領域具有較大的優越性。為了更好的進行變電站巡檢，本文對卷積神經網絡做了系統研究，并提出了將其應用到變電站巡檢的建模過程。該模型使用卷積神經網絡對變電站的監控圖像進行分析和識別，能夠快速準確的識別出變電站的異常情況，并發出警報，對提高變電站的可靠性，建設更加智能化的現代電網具有重要的意義。

1 卷積神經網絡在圖像處理中的應用

1.1 卷積神經網絡

在對圖像進行處理識別過程中，通過多層反向的網絡訓練，可以通過特征抽取器來得到特征變量，進而根據這些特征變量通過一個分類器來進行分類識別。針對圖像處理，圖像數據較大，包含多大幾百個變量，對于標準的全連接神經網絡來說，樣本數量不足，會導致網絡過度擬合；同時其沒有考慮不同輸入數據的特點，特別是一些存在微小位移但結構截然不同的圖像數據；全連接網絡忽略了訓練數據中的局部性，而圖像數據中含有大量的局部特性。

卷積神經網絡通過結合局部感知區域、共享權重、空間或者時間上的降采樣來充分利用數據本身包含的局部性等特征，優化網絡結構，并且保證一定程度上的位移和變形的不變性。

1.1.1 卷積神經網絡的結構

卷積神經網絡的獨特之處在于，在網絡的輸入層前先接入了卷積層，通過卷積層先對圖像數據進行了過濾操作，以對某些特定的結構有較高的激活，以此來達到圖像分類識別的目的。

圖1 卷積神經網絡的基本構架Fig.1 Basic framework of convolutional neural networks

如圖1所示，卷積神經網絡的基本網絡結構可以分為四個部分。具體的每層的作用介紹如下。

輸入層：輸入層用于接收輸入數據，對于圖像來說，輸入數據為二維像素值。

卷積層： 該層也叫特征提取層。包含了兩個部分：第一部分是真正的卷積層，主要對輸入數據進行特征提取，該部分卷積核數量越多，提取的特征量越多。第二部分是下采樣層，對保留特征量信息的基礎上減少數據的處理量，從而加快處理速度。

全連接層：可以有多層結構，就是多層感知機的隱含層部分。后層網絡節點和前層網絡節點相連，同層網絡節點無連接。

輸出層：具體任務的不同需要，輸出層神經節點所需的數目也是不同的，當執行的是分類任務時，卷積神經網絡輸出層即相當于一個分類器。

2.1 兩組PDCD4表達率比較 良性對照組44例患者中，40例呈PDCD4陽性表達，陽性表達率為90.91%，EOC組92例患者中，42例呈PDCD4陽性表達，陽性表達率為45.65%。兩組的PDCD4表達水平比較差異有統計學意義(χ2=25.465，P<0.05)。見圖1。

1.2 卷積神經網絡數學模型

卷積運算包含了連續型和離散型兩種卷積運行，其計算公式如下。

連續卷積運算公式：

離散卷積運算公式：

卷積神經網絡的卷積操作屬于離散卷積，其卷積操作為一個線性運算，相應的卷積核也可以稱為濾波器。卷積核可以確定圖像中參與運算的區域大小，以及卷積結果的識別能力。具體的卷積過程如圖2所示，其中f(x)表示線性化過程，bx表示激活函數。

圖2 卷積神經網絡的卷積過程Fig.2 Convolution process of convolutional neural networks

卷積層中，通過將輸入的圖像和一個模型訓練的卷積核 f ( x)進行卷積操作，之后加入一個偏置項然后輸入到神經元的激活函數進行處理，最后得到了卷積輸出層結果為 cx

在卷積層，前序層的特征量參數經過卷積操作，并作為激活函數的輸入，最后得到輸出圖。每個輸出圖可能包含多個輸入圖的卷積。一般來說：

假設每一個卷積層l后面的跟隨層為l+1。通過誤差反向傳播算法可以知道，層 l中的誤差信號，是由下一層的神經元信號求和并乘上 l+1層對應的權值，并乘上激活函數相對于輸入的偏導得到。為了得到更好的訓練效果，需要得到更有效的訓練誤差，因此可以通過將下一層的誤差信號進行升采樣操作，然后對升采樣后的誤差信號圖和l層“激活函數偏導圖”進行基于元素的乘法。通過公式（4），可以將卷積層中的每一個圖j和相對應的降采樣層對應起來。

其中, ()up x表示升采樣操作，β表示降采樣層的權重。降采樣操作因子的作用，即將輸入圖像的像素從水平和垂直方向重復復制。實現的方法可以采用Kronecker積：

根據得到的誤差信號圖像，通過對所有項目進行求和以得到偏差的梯度，計算如下：

最后，核函數的權重的梯度可以采用反向傳播算法進行計算。將該權重涉及到的所有梯度求和：

2 基于卷積神經網絡的變電站巡檢機器人圖像識別

隨著變電站自動化程度的提高，采用智能巡檢機器人對變電站設備進行全面檢查，可以更好的維護變電站的正常運行。檢查包括設備全面外表檢查、缺陷的發展預測情況、設備運行薄弱環節，通過對視頻圖像進行深入分析，能發現人工無法發現的隱患風險。

根據以上理論分析，提出基于卷積神經網絡的變電站巡檢機器人的圖像識別模型，更精確地對變電站中出現的故障情況進行分析判別。具體步驟如下：

（1）通過對采集的圖像進行預處理，通過與數據庫采集設備進行差圖像分析、相關分析，先行識別出圖像中的設備信息；

（2）將識別設備歷史圖像從數據庫中提取，并通過卷積神經網絡模型進行訓練。

（3）將本次得到的圖像輸入到訓練完成的模型，進行分析判斷設備運行情況。

具體模型訓練以及識別分類如圖3所示。

3 結論

本文以變電站智能巡檢機器人對巡視中表記的識別為例，首先介紹了卷積神經網絡的相關理論以及經典的結構，討論了CNN當中的梯度運算，是典型的將數學方法運用到圖像處理中有效的解決了圖像處理中的分類識別問題。以著名的卷積神經網絡結構為基礎，構建了一些簡單的卷積神經網絡模型。之后給出了基于卷積神經網絡的變電站巡檢機器人圖像識別模型，有著很好地研究和推廣價值。

圖3 基于卷積神經網絡的變電站巡檢機器人圖像識別模型Fig.3 Image recognition model of substation inspection robot based on convolutional neural network

[1] 張燕東, 田磊, 李茂清, 等. 智能巡檢機器人系統在火力發電行業的應用研發及示范[J]. 中國電力, 50(10): 1-7.

[2] 李梁. 變電站巡檢機器人視頻監控系統設計與實現[D].上海交通大學, 2013.

[3] 趙小魚, 徐正飛, 付淵. 一種適用于智能變電站巡檢機器人的異物檢測算法研究[J]. 現代電子技術, 2015, 38(10): 124-127.

[4] 曾朱文, 鄭連清. 無人值守變電站智能遙視系統的研究[D]. 重慶: 重慶大學, 2005.

[5] 景美麗. 無人值守變電站中智能視頻監控的技術研究[D].保定: 華北電力大學, 2012.

[6] Shin H C, Roth H R, Gao M, et al. Deep Convolutional Neural Networks for Computer-Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning[J]. IEEE Transactions on Medical Imaging, 2016, 35(5):1285-1298.

[7] Tang Y. Deep Learning using Linear Support Vector Machines[J].Computer Science, 2015.

[8] 許可. 卷積神經網絡在圖像識別上的應用的研究[D]. 浙江大學, 2012.

[9] 徐姍姍. 卷積神經網絡的研究與應用[D]. 南京林業大學,2013.

[10] 常亮, 鄧小明, 周明全, 等. 圖像理解中的卷積神經網絡[J]. 自動化學報, 2016, 42(9): 1300-1312.

[11] 吳正文. 卷積神經網絡在圖像分類中的應用研究[D]. 電子科技大學, 2015.

[12] 施榮. 基于深度卷積神經網絡的毫米波圖像目標檢測方法研究[D]. 哈爾濱工業大學, 2015.

Image Recognition of Substation Inspection Robot Based on Convolutional Neural Network

YANG Guang, ZHOU Peng-ju, ZHANG Song-bing, XU Peng
(State Grid Henan Electric Power Company Zhengzhou Power Supply Company, Zhengzhou 450000, China)

With the development of science and technology, the application of artificial intelligence in work and life is also more and more extensive. In substation, intelligent inspection robots have gradually emerged instead of manual inspection. The robot in the inspection process is how to identify the token and other related information?This paper will discuss this problem. Firstly, the theoretical basis of convolutional neural network and some related operations are discussed, and the image recognition model of substation inspection robot based on convolutional neural network is given.

Convolutional neural network; Image recognition; Substation inspection; Intelligent robot

TP391.41

A

10.3969/j.issn.1003-6970.2017.12.036

本文著錄格式：楊光，周鵬舉，張宋彬，等. 基于卷積神經網絡的變電站巡檢機器人圖像識別[J]. 軟件，2017，38（12）：190-192

楊光(1986-)，男，變電運維管理，本科，工程師/技師，主要研究方向：變電運行。