基于改進的R-FCN刀閘檢測算法研究

陶征勇，宗起振，曾清旋

(南京國電南自軌道交通工程有限公司，江蘇 南京 210032)

0 引 言

準確快速地檢測出牽引變電站刀閘的狀態，可以很大程度地降低人工成本，有效提高電網的安全運行，這對于整個變電站具有至關重要的意義[1]。然而刀閘的工作環境位于室外，受拍攝視角問題以及外部環境遮擋問題的影響，同時刀閘又與其他設備顏色趨近一致，這些都大大增加了刀閘狀態識別的難度。

目前，國內外對刀閘檢測提出了眾多的檢測方案，其中采用圖像處理的電力設備檢測技術成為主流技術[2-3]。REDDY，MURTHY V S，張驥等[4-6]均提出了圖像視覺處理技術及絕緣子狀態相關的算法，實驗數據表明該種算法具有較高的識別準確率；張金鋒[7]提出了一種改進亮度序描述子的刀閘檢測方法，實驗結果顯示該方法可以準確定位絕緣子快速識別出刀閘狀態，但對變電站實際場景下刀閘可能出現部分被遮擋的情況，識別的準確率會下降；吳寬[8]為精確識別出垂直伸縮式刀閘狀態，定義了一種新的絕緣子邊緣特征，通過提取邊緣特征獲取刀閘識別狀態，該種方法能夠準確定位到刀閘區域進而準確識別出刀閘狀態；臺德群[9]提出了一種基于改進的Meanshift刀閘跟蹤識別的算法，實現了刀閘狀態的實時監測，識別精度較高；邵劍雄[10]針對變電站開關設備狀態監測，提出了一種基于霍夫森林的開關狀態識別方法，實驗表明該方法對開關設備狀態的設備具有較高的準確率，且魯棒性好。

上述方法均針對變電站刀閘的局部特征進行識別檢測，而對于變電站實際現場環境存在的、受外界環境因素導致的拍攝角度發生偏移、拍攝到的刀閘被部分遮擋等問題，僅依據局部特征進行刀閘狀態的識別，將無法獲得理想的準確率。本文提出了一種基于改進的R-FCN網絡刀閘檢測算法，通過對R-FCN輸出預測網絡并聯融入全局特征預測模塊，補充原始網絡只通過局部特征預測刀閘產生的感受野不足缺陷，通過對局部特征預測結果和全局特征預測結果正則化后進行預測結果累加，實現全局特征預測結果對局部特征預測結果的補充。

1 改進的R-FCN刀閘檢測算法

1.1 算法整體概括

針對變電站輔助監控系統在刀閘檢測識別過程中，因天氣環境的頻繁變化，相機位置在預先建立的模板圖像角度基礎上會發生偏移，進而無法準確識別出刀閘的狀態，出現較高的誤檢與漏檢現象。本文對R-FCN網絡模型進行了改進，構建了一種聯合局部特征和全局特征的R-FCN的聯合檢測算法，對R-FCN網絡模型嵌入全局特征預測，聯合局部特征和全局特征預測的優點提升刀閘檢測的準確率，提升現有刀閘檢測方法的準確率。改進的R-FCN刀閘檢測算法整體流程如圖1所示。

圖1 改進的R-FCN刀閘檢測算法整體流程

1.2 算法具體實現

1.2.1 變電站圖像采集

變電站輔助監控系統為變電站中的所有網絡監控攝像機和相關控制設備的集成，通過調整相機的角度，實現采集不同時刻、天氣、背景的包含刀閘和未包含刀閘的圖像數據集，且包含刀閘的圖像數據集數量應均勻包含刀閘的開關兩種狀態。變電站現場采集的刀閘如圖2所示。

圖2 變電站現場刀閘

1.2.2 劃分、清洗并標注圖像數據集

將上述采集到的數據集進行清洗，去除損壞的圖像數據，并分成兩種：只包含刀閘的圖像數據集和未包含刀閘但與刀閘類似的數據集。變電站現場采集到的數據集包含刀閘的圖像總數為800張，未包含刀閘但與刀閘類似的800張，分別對兩種進行劃分，其中訓練集和測試集之比為8∶2，并將只包含刀閘圖像的數據集進行標注刀閘位置和狀態，第一次訓練，采用樣本的數量如表1所示，第二次訓練，采用樣本的數量如表2所示。

表1 第一次訓練集樣本數量的統計結果

表2 第二次訓練集樣本數量的統計結果

1.2.3 構建聯合局部特征和全局特征的R-FCN網絡

采用分類網絡ResNet101作為主干特征提取網絡，在ResNet101第4組卷積層后使用RPN操作產生感興趣區域(用于后期刀閘的檢測)，拋棄使用ResNet101第5組卷積層后面的池化層和全連接層，最終輸出的通道數為2 048個?？紤]在不改變特征圖大小的情況下降低特征數據維度，通過添加卷積核大小為1×1的卷積層將通道數降低為1 024個。聯合局部特征和全局特征的R-FCN網絡結構如圖3所示。

圖3 聯合局部特征和全局特征的R-FCN網絡結構

同時，構建局部特征預測分支，通過采用原始具有局部特征預測的網絡模型R-FCN輸出局部預測結果，且局部特征預測采用RPN建議區域劃分為7×7個局部區域進行預測；構建全局特征預測分支，通過對提取的語義特征進行池化操作，統一提取語義特征大小，然后，串聯卷積核大小為7×7和1×1的卷積層輸出全局預測結果。局部特征預測模塊如圖4所示，全局特征預測模塊如圖5所示。

圖4 局部特征預測模塊

圖5 全局特征預測模塊

1.2.4 訓練保存模型

訓練時，模型主干特征提取網絡ResNet101的初始化參數使用在ImageNet數據集上訓練好的模型權重，模型訓練使用的損失函數選擇與R-FCN網絡相同的損失函數，進行兩次訓練：第一次使用只包含有刀閘圖像的數據訓練，至損失函數收斂，保存網絡模型；第二次基于第一次訓練的模型參數基礎之上，使用包含刀閘和未包含刀閘類似刀閘的數據進行訓練，進一步提升網絡模型的刀閘辨別能力，最終得到模型的測試結果，以mAP-50作為準確率評價指標，統計的準確率如表3所示。其中，訓練使用的損失函數數學表達式為：L(s,t)=Lcls(sc*)+λ[c*>0]Lreg(t,t*)。式中，L(s,t)表示分類損失和回歸損失的總損失；s為類別預測概率；sc*表示類別c*的預測概率；t表示模型預測的回歸框；Lcls(s)為分類損失，數學表達式為：Lcls(sc*)=-log(sc*)；λ多任務平衡因子；c*為類別真實標簽，當c*=0表示背景類別，c*≠0表示對應的對別；[c*>0]組成指導因子，其值取為1，表示回歸框只對非背景類別對象進行調整；Lreg(t,t*)為回歸損失；t表示模型預測的目標框；t*表示人工標注的真實框。

表3 刀閘訓練準確率對比結果

2 現場應用實驗分析

本文改進的R-FCN網絡刀閘檢測算法在工程現場與R-FCN算法、Faster R-CNN算法、FPN進行刀閘檢測對比實驗，通過自有的牽引變電所輔助監控系統軟件進行不同預置位下刀閘圖片的識別。實驗設置牽引變電所輔助監控系統軟件每隔5分鐘巡檢一次，巡檢采集了500張刀閘狀態圖片，實驗用的4種刀閘檢測算法對應的服務器識別這些狀態圖片獲得識別結果圖片。分析所獲得的識別結果圖片，以AP50，AP75，AP作為評價指標進行評測[11]，AP50和AP75分別表示(IOU)預測目標與實際目標的重疊比大于0.5和0.75，AP表示IOU[0.5∶0.05∶0.9]，從50%取到90%，步長為5%，共9個不同閾值下的檢測目標概率的平均值。對比4種刀閘檢測算法，準確率統計結果如表4所示，隨機選取部分改進的R-FCN刀閘檢測算法識別圖片與對比實驗的其它刀閘檢測算法識別圖片，分別如圖6、圖7所示，圖中方框左上角“dzclose”表示識別到刀閘狀態為關閉，“dzopen”表示識別到刀閘狀態為打開。

圖6 改進的R-FCN刀閘檢測算法識別圖片

圖7 對比實驗的其他刀閘檢測算法識別圖片

表4 四種刀閘檢測算法準確率對比結果

分析實驗相關數據，采用改進的R-FCN刀閘檢測算法在評價指標AP50，AP75，AP評測下，準確率均優于對比實驗的其他刀閘檢測算法。分析多數識別有誤的圖片發現，對比實驗的其他刀閘檢測算法對于有遮擋的刀閘識別準確率較低，如圖7(b)中從左往右第二個刀閘因外物遮擋導致對打開狀態的刀閘識別為關閉狀態(dzclose)，而對于同一張照片識別，采用改進的R-FCN刀閘檢測算法識別準確率較高，如圖6(b)中從左往右第二個刀閘識別狀態正確。實驗結果顯示，本文改進的R-FCN刀閘檢測算法具有很高的識別準確率，有效降低了變電站復雜場景中刀閘檢測的誤檢率和漏檢率，符合牽引變電站對刀閘狀態檢測準確性的應用需求。

3 結 語

針對牽引變電站刀閘狀態檢測的問題，本文通過構建局部特征預測R-FCN網絡，融入全局特征預測，實現了一種改進的R-FCN刀閘檢測算法。通過對比實驗，本文改進的R-FCN刀閘檢測算法相比于對比實驗的其他刀閘檢測算法，具有更高的識別準確率，對變電站復雜的外部環境具有很好的適應性，能有效降低刀閘檢測的漏檢率和誤檢率，符合牽引變電站對刀閘狀態檢測準確性的應用需求，為達到牽引變電站無人值守模式的目標邁出了重要一步。