基于Faster R-CNN的環(huán)網(wǎng)柜電纜相序檢測

李繼東，趙 鍇，黃 佳，鄭靜媛，張淞杰

(1.國家電網(wǎng)北京豐臺供電公司，北京 100073；2.浙江大學(xué)電氣工程學(xué)院，浙江 杭州 310027)

0 引 言

隨著我國城市的發(fā)展，環(huán)形配電網(wǎng)逐漸成為電網(wǎng)建設(shè)的主流方向。環(huán)網(wǎng)柜是環(huán)形配電網(wǎng)中的重要高壓開關(guān)設(shè)備，一旦出現(xiàn)問題，必將造成城市電網(wǎng)供電中斷甚至癱瘓，帶來重大經(jīng)濟(jì)損失[1]，因此針對環(huán)網(wǎng)柜的施工驗(yàn)收是電網(wǎng)施工驗(yàn)收的重要環(huán)節(jié)。在電網(wǎng)施工驗(yàn)收環(huán)節(jié)中，及時(shí)發(fā)現(xiàn)并排除故障隱患成為電網(wǎng)運(yùn)維非常重要的環(huán)節(jié)[2-3]。由于環(huán)網(wǎng)柜數(shù)量眾多，施工人員素質(zhì)良莠不齊，極易出現(xiàn)安裝錯(cuò)誤或違規(guī)的情況，進(jìn)而引發(fā)電力線路故障[4-5]。電纜接線錯(cuò)誤是比較常見的安裝錯(cuò)誤之一。一旦出現(xiàn)，便導(dǎo)致電路相序錯(cuò)誤，進(jìn)而引發(fā)設(shè)備反轉(zhuǎn)、短路等事故。目前，環(huán)網(wǎng)柜的施工驗(yàn)收通常采取人工驗(yàn)收的方式，通過驗(yàn)收人員實(shí)地考察來判斷，導(dǎo)致驗(yàn)收工作無法有效快速的進(jìn)行。

近年來，基于各種深度學(xué)習(xí)方法的目標(biāo)檢測與定位技術(shù)不斷成熟，計(jì)算機(jī)視覺技術(shù)獲得巨大突破。卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network，CNN)是深度學(xué)習(xí)的理論基礎(chǔ)，在檢測識別領(lǐng)域有著廣泛應(yīng)用。在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，逐漸發(fā)展出基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)(Region-based Convolutional Neural Network, R-CNN)[6]、空間金字塔池網(wǎng)絡(luò)(Spatial Pyramid Pooling Network, SPP-net)[7]、快速的基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)(Fast Region-based Convolutional Neural Network, Fast R-CNN)[8]、更快速的基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)(Faster Region-based Convolutional Neural Network, Faster R-CNN)[9]等一系列主流的深度學(xué)習(xí)算法分支。目前，針對環(huán)網(wǎng)柜施工驗(yàn)收進(jìn)行目標(biāo)檢測的相關(guān)研究甚少。本文結(jié)合卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，分析環(huán)網(wǎng)柜特征，提出一種基于Faster R-CNN的環(huán)網(wǎng)柜電纜相序檢測方法，為電網(wǎng)公司提供一種相對更穩(wěn)定、高效的環(huán)網(wǎng)柜施工驗(yàn)收方案。

1 Faster R-CNN神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)的目標(biāo)檢測算法很大程度上依賴于特征的提取和選擇，面對復(fù)雜且變化的圖像背景，不能有效區(qū)分樣本檢測目標(biāo)和背景。因此，人們開始使用卷積神經(jīng)網(wǎng)絡(luò)為代表的數(shù)據(jù)驅(qū)動檢測方法，以此提高對樣本特征的歸納理解能力。

1.1 CNN神經(jīng)網(wǎng)絡(luò)

CNN是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)(Feedforward Neural Networks, FNN)，是深度學(xué)習(xí)(Deep Learning, DL)的代表算法之一[10]。CNN首先將圖像進(jìn)行處理并作為網(wǎng)絡(luò)的輸入數(shù)據(jù)，然后經(jīng)過多個(gè)卷積層卷積和池化層處理，最后輸出對象類別。CNN的結(jié)構(gòu)如圖1所示，由多層內(nèi)部網(wǎng)絡(luò)結(jié)構(gòu)組成，包括數(shù)據(jù)輸入層、卷積計(jì)算層、激勵(lì)層、池化層和全連接層[11-13]。

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

數(shù)據(jù)輸入層主要是對輸入數(shù)據(jù)預(yù)處理，包括去均值、歸一化、PCA/白化等，預(yù)處理后的圖片以統(tǒng)一的格式進(jìn)行后續(xù)的卷積操作。

卷積計(jì)算層是CNN最核心的組成部分，也是區(qū)別于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的地方，卷積層通過卷積運(yùn)算來抽象并提取圖像的高級特征。卷積層提取到的特征連接全連接層，并通過激活函數(shù)得到檢測結(jié)果。在傳統(tǒng)CNN中，激活函數(shù)多為線性修正單元(Rectified Linear Units, ReLU)函數(shù)，它的特點(diǎn)是收斂快，求梯度簡單。ReLU激活函數(shù)的公式如下：

f(x)=max(0,x)

(1)

由于圖片包含的數(shù)據(jù)量過大，實(shí)際檢測并不需要這么高的圖片分辨率，因此需要通過池化層來減小圖片的分辨率。池化層夾在連續(xù)的卷積層中間，通過池化層的池化操作，有效減小圖像數(shù)據(jù)的分辨率，并防止出現(xiàn)過擬合。池化(Pooling)就是將多個(gè)像素點(diǎn)進(jìn)行求均值或最大值等操作，將輸入圖像進(jìn)行縮小，減少像素信息，進(jìn)而減少計(jì)算量。簡而言之，池化層能在不犧牲檢測效果的前提下有效減少計(jì)算量。

全連接層一般在卷積神經(jīng)網(wǎng)絡(luò)的末端，通過前敘輸入層、卷積層、激活函數(shù)、池化等模塊后，將得到結(jié)果連接至全連接層，通過全連接層對結(jié)果進(jìn)行識別分類得到最終結(jié)果。

CNN與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的不同之處在于，CNN通過由卷積層和下采樣層構(gòu)成的特征公式來減少網(wǎng)絡(luò)各層之間的連接：

(2)

式中，i代表隱含層的第i行，j代表隱含層的第j列，s為網(wǎng)絡(luò)的輸出，W為卷積核，X為網(wǎng)絡(luò)的輸入。特別地，如果X是一個(gè)二維輸入的矩陣，那么W也是一個(gè)二維的矩陣；如果X是一個(gè)多維張量，那么W也是一個(gè)多維的張量。

1.2 Faster R-CNN神經(jīng)網(wǎng)絡(luò)

圖2 Faster R-CNN模型框架圖

CNN往往把圖像的每一個(gè)像素點(diǎn)連接到全連接層的每一個(gè)神經(jīng)元中，對圖片直接進(jìn)行處理，運(yùn)算量較大。因此，Girshick等[6]提出了R-CNN，每一個(gè)隱藏節(jié)點(diǎn)只連接有限個(gè)節(jié)點(diǎn)，避免了大量的全局運(yùn)算。例如，一張1 024×720的圖像，使用9×9的感受野，則只需要81個(gè)權(quán)值參數(shù)。雖然R-CNN通過感受野可以減少圖片的卷積運(yùn)算量，但也因其感受野的局限性，需要R-CNN網(wǎng)絡(luò)生成大量候選框進(jìn)行檢測。R-CNN將圖像用大量的建議框進(jìn)行切割，每個(gè)建議框均用CNN單獨(dú)進(jìn)行卷積運(yùn)算。由于建議框數(shù)量巨大，因此建議框之間存在大量重疊，由此造成重復(fù)運(yùn)算。為此，研究人員進(jìn)行改進(jìn)并提出Fast R-CNN算法，先將預(yù)處理后的圖像直接輸入CNN進(jìn)行卷積計(jì)算，再用建議框進(jìn)行切割，將在此之前的CNN運(yùn)算共享。為了進(jìn)一步增加檢測速度，又提出了Faster R-CNN算法，其模型框架如圖2所示。相比較于Fast R-CNN算法，F(xiàn)aster R-CNN算法使用區(qū)域候選網(wǎng)絡(luò)(Region Proposal Network, RPN)代替原來的選擇性搜索方法，從而使建議窗口和目標(biāo)檢測網(wǎng)絡(luò)共享卷積網(wǎng)絡(luò)，建議框由原來的近2 000個(gè)減少為300個(gè)，建議框的減少同時(shí)，質(zhì)量也有本質(zhì)的提高。

2 基于Faster R-CNN的環(huán)網(wǎng)柜電纜相序檢測

2.1 環(huán)網(wǎng)柜圖像特點(diǎn)

環(huán)網(wǎng)柜是一組輸配電氣設(shè)備(高壓開關(guān)設(shè)備)，通過金屬或非金屬絕緣柜體與外界隔斷，其內(nèi)部核心包括負(fù)荷開關(guān)和熔斷器[14]。環(huán)網(wǎng)柜內(nèi)部線路簡單，環(huán)網(wǎng)柜的施工驗(yàn)收中，最大的難點(diǎn)就是接線相序檢測。由于環(huán)網(wǎng)柜內(nèi)三根線纜結(jié)構(gòu)和功能相似，驗(yàn)收人員除了肉眼觀察，很難通過其他手段對接線情況進(jìn)行快速準(zhǔn)確檢查。在環(huán)網(wǎng)柜中，一般采用顏色標(biāo)簽來區(qū)分不同相序的電纜。由于圖片中色彩類型多，同時(shí)圖像背景干擾多，通過RGB色彩信息進(jìn)行識別效果并不理想，容易出現(xiàn)誤識別和漏識別。Faster R-CNN網(wǎng)絡(luò)具備優(yōu)秀的針對圖像背景干擾的魯棒性，因此，本文構(gòu)建了基于Faster R-CNN神經(jīng)網(wǎng)絡(luò)的環(huán)網(wǎng)柜電纜檢測模型。

2.2 Faster R-CNN環(huán)網(wǎng)柜檢測模型

圖3 基于Faster R-CNN的環(huán)網(wǎng)柜電纜檢測框架

基于Faster R-CNN的環(huán)網(wǎng)柜電纜相序檢測模型如圖3 所示。由環(huán)網(wǎng)柜訓(xùn)練圖片數(shù)據(jù)集對Faster R-CNN檢測模型進(jìn)行參數(shù)優(yōu)化，生成對電纜顏色標(biāo)簽特征敏感的檢測網(wǎng)絡(luò)，最后將環(huán)網(wǎng)柜圖像測試數(shù)據(jù)集作為檢測網(wǎng)絡(luò)的輸入，來檢測模型的魯棒性和優(yōu)越性。

將CNN生成的特征圖輸入RPN進(jìn)行處理，得到一系列提議框及該提議區(qū)域?qū)?yīng)的檢測值[15-16]。由于提議區(qū)域尺寸小于圖片尺寸，為了對整張圖片區(qū)域進(jìn)行檢測，一般通過滑窗法來遍歷檢測區(qū)域，在窗口滑動過程中，窗口每滑動一次，就以窗口中心點(diǎn)為錨點(diǎn)來劃定不同面積的局部圖像，以此作為待提議區(qū)域。

由于相鄰待提議區(qū)域位置接近，多個(gè)相鄰待提議區(qū)域會重復(fù)檢測同一物體。在計(jì)算機(jī)視覺領(lǐng)域，一般采用非極大抑制(Non-Maximum Suppression，NMS)來進(jìn)行處理[17]。NMS對各建議框的表現(xiàn)進(jìn)行排序，并從相鄰的交并比(Intersection-over-Union，IoU)大于一定閾值的建議框中選取表現(xiàn)最好的建議框。

2.3 基于Faster R-CNN的環(huán)網(wǎng)柜施工驗(yàn)收方案

基于Faster R-CNN的環(huán)網(wǎng)柜電纜檢測框架，本文提出了基于Faster R-CNN的環(huán)網(wǎng)柜施工驗(yàn)收方案。首先，施工人員通過終端設(shè)備拍攝并上傳環(huán)網(wǎng)柜圖片，云端服務(wù)器接收并保存環(huán)網(wǎng)柜圖片，同時(shí)記錄施工人員工號、施工項(xiàng)目、環(huán)網(wǎng)柜位置等相關(guān)信息。然后，將環(huán)網(wǎng)柜圖片輸入訓(xùn)練后的Faster R-CNN檢測模型，輸出檢測結(jié)果。輸出結(jié)果依次為黃色標(biāo)簽y，藍(lán)色標(biāo)簽b，紅色標(biāo)簽r的圖片時(shí)，判定正常；其余輸出為異常，發(fā)出警報(bào)提醒，交由云端驗(yàn)收人員處理。云端驗(yàn)收人員調(diào)用云端儲存的環(huán)網(wǎng)柜圖片進(jìn)行人工核驗(yàn)，確認(rèn)后派發(fā)工單交由施工人員重新接線安裝。在本文的驗(yàn)收方案中，驗(yàn)收人員不需到達(dá)現(xiàn)場，只需通過現(xiàn)場終端上傳圖片便可掌握現(xiàn)場環(huán)網(wǎng)柜施工安裝情況，同時(shí)通過圖像檢測技術(shù)可以實(shí)現(xiàn)無人化、智能化的環(huán)網(wǎng)柜施工異常檢測。因此，通過使用本文的驗(yàn)收方案，可以有效減少驗(yàn)收程序中的人工成本和交通成本，并有效減小驗(yàn)收工作人員的工作負(fù)荷。

3 實(shí)驗(yàn)和分析

為了驗(yàn)證本文提出的基于Faster R-CNN的環(huán)網(wǎng)柜電纜相序檢測方案的可行性與有效性，進(jìn)行實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)中，基于Ubuntu-16.04操作系統(tǒng)下的PyTorch平臺，服務(wù)器的計(jì)算機(jī)配置為CPU雙核2.5 GHz，GPU采用單塊Titan X，12 GB(Gigabyte)顯存，32 GB(Gigabyte)內(nèi)存。其中，實(shí)驗(yàn)圖片共有1 360張，由北京市豐臺供電局提供。在實(shí)驗(yàn)圖片中選取1 000張作為訓(xùn)練數(shù)據(jù)集，其中873張為正樣本，127張為負(fù)樣本；選取剩余360張作為測試數(shù)據(jù)集，其中296張為正樣本，64張為負(fù)樣本。對所有實(shí)驗(yàn)圖片進(jìn)行標(biāo)注，黃色標(biāo)簽標(biāo)記為y，藍(lán)色標(biāo)簽標(biāo)記為b，紅色標(biāo)簽標(biāo)記為r。

訓(xùn)練后的模型檢測效果如圖4所示，其中模型檢測到的電纜標(biāo)簽均由彩色方框框出。圖4(a)中標(biāo)簽顏色為藍(lán)色，圖4(b)和圖4(c)中標(biāo)簽顏色從左往右依次為黃色、藍(lán)色、紅色。從圖4可以看出，即使電纜標(biāo)簽的位置及背景線路顏色存在變化，F(xiàn)aster R-CNN算法依舊可以準(zhǔn)確有效地識別環(huán)網(wǎng)柜電纜標(biāo)簽，具有良好的識別效果。

圖4 實(shí)驗(yàn)仿真結(jié)果

為了進(jìn)一步證明本方案算法的優(yōu)勢，將Faster R-CNN算法與多種經(jīng)典的目標(biāo)檢測識別算法進(jìn)行對比，包括經(jīng)典的多類別單階檢測器(Single Shot MultiBox Detector, SSD)[18]算法、Fast R-CNN算法以及統(tǒng)一的實(shí)時(shí)目標(biāo)檢測算法(You Only Look Once v1, YOLO v1)[19]。作為傳統(tǒng)目標(biāo)檢測方法，這些方法均已經(jīng)證明其在目標(biāo)識別與檢測中的有效性和準(zhǔn)確性。為了更全面地比較模型的優(yōu)劣，實(shí)驗(yàn)以幾種算法的平均精確率(Average Precision，AP)作為評價(jià)指標(biāo)。其中AP50為IoU閾值為0.5時(shí)的AP測量值，AP75為IoU閾值為0.75時(shí)的AP測量值，0.50～0.95的區(qū)間上，將每隔0.50計(jì)算得到AP值的平均值作為AP值。通過實(shí)驗(yàn)測試，4種目標(biāo)檢測算法識別效果如表1所示。

表1 4種目標(biāo)檢測算法的識別效果對比

圖5 誤識別示例

由表1可以看出，F(xiàn)aster R-CNN算法的綜合檢測效果最佳，符合實(shí)際應(yīng)用所需條件，可以為電網(wǎng)的環(huán)網(wǎng)柜施工驗(yàn)收工作提供技術(shù)支持。

值得注意的是，在實(shí)驗(yàn)過程中，4種算法的識別錯(cuò)誤基本都是誤識別遠(yuǎn)多于漏識別。通過對誤識別圖片的比對分析發(fā)現(xiàn)，由于紅色電纜端頭護(hù)套形狀顏色與紅色標(biāo)簽相近，檢測器將電纜端頭護(hù)套誤識別為紅色標(biāo)簽，如圖5所示。圖5中,標(biāo)簽顏色從左往右依次為黃、藍(lán)、紅，3個(gè)電纜端頭護(hù)套顏色都為紅色。因此，本文所提出驗(yàn)收方法雖然實(shí)現(xiàn)了不錯(cuò)的檢測效果，但對檢測對象的尺度仍不夠敏感，后續(xù)研究將圍繞檢測對象的尺度空間進(jìn)行改善優(yōu)化。

4 結(jié)束語

本文對環(huán)網(wǎng)柜電纜施工驗(yàn)收工序進(jìn)行深入分析，發(fā)現(xiàn)人工驗(yàn)收的弊端，在此基礎(chǔ)上提出基于Faster R-CNN的環(huán)網(wǎng)柜電纜相序檢測方法。通過區(qū)域生成網(wǎng)絡(luò)，本文提出的Faster R-CNN方法能夠在不損失檢測速度的情況下，提升算法的檢測精度，更好地實(shí)現(xiàn)環(huán)網(wǎng)柜電纜相序檢測功能，為電網(wǎng)公司提供一種相對穩(wěn)定、高效的環(huán)網(wǎng)柜施工驗(yàn)收方案。目前，本文提出方法對檢測對象的尺度仍不夠敏感，后期將對檢測對象的尺度空間識別展開深入研究。