改進SSD 的變電站電力設備識別方法?

徐海洋 盧 泉

（廣西大學電氣工程學院 南寧 530004）

1 引言

變電站是電力系統的重要組成部分，為人們的生產生活用電提供基本保障［1］。隨著社會經濟的不斷發展，用電量與日俱增，變電站數量大幅增長，出現巡檢人員短缺的問題。當前，采用機器視覺和人工智能代替人工巡檢已經成為變電站巡檢的重要方式。智能巡檢依托可見光相機和紅外熱像儀等設備采集圖像，對圖像進行處理，進一步對電力設備狀態進行識別［2］。

一張巡檢圖像中經常包含幾種尺寸差異顯著的識別對象。如圖1 所示，本文定義電流互感器等設備是大尺寸對象，表盤和柜門等設備是小尺寸對象，將大尺寸和小尺寸對象統稱為尺寸差異顯著的對象。如何在圖像中同時預測幾種尺寸差異顯著的對象，是電力設備識別面臨的一個難題。此外，電力設備的檢測環境復雜，存在光照變化和遮擋現象，這些干擾因素都不利于電力設備識別。

圖1 巡檢圖像

目前，國內外研究人員針對部分電力系統設備進行識別，取得了一定的研究成果。可以將現有的電力設備識別方法分為兩類：基于傳統圖像處理的方法和基于深度學習的方法。基于傳統圖像處理的方法中，HUANG 等［3］采用形態學運算的多尺度Harr 小波變換和其逆變換的系數特征進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算法進行邊緣檢測和融合分類器和等矩取點配對機制的Hough 實現對覆冰導線的冰厚度檢測。基于深度學習的方法中，QU 等［5］使用Spark 構建多深度神經網絡的電力變壓器故障識別算法，第一部分為多個多神經網絡識別器，第二部分為使用Reduce 模塊的結果融合和決策算法，該算法綜合的診斷較傳統的DNN 算法正確率提高了5%。TANG 等［6］采用U-net 進行絕緣子分割，再使用YOLOv4 獲取絕緣子的位置，最終實現對自爆絕緣子的目標識別。SHEN 等［7］提出了一種基于灰度轉換的特征提取方法和多源Mallat-NIN-CNN網絡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過多和受噪聲干擾的問題。

上述文獻通過傳統的圖像處理和深度學習實現了部分單一種類電力設備（變壓器、輸電線路或絕緣子）的檢測與識別，但對多種電力設備識別的研究較少。此外，以上研究多為背景單一情況下的檢測與識別，未考慮變電站的復雜背景對于識別準確率的影響。同時，以上方法未對尺寸差異顯著的對象提出合理的識別方案。

目前，國內外開展變電站電力設備分析和識別研究的相關工作較少。近些年深度學習技術不斷發展，相較于傳統機器學習，深度學習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，深度學習在特征傳播、目標識別的準確率和檢測時間上均有改善［9］。深度學習的發展為其在小樣本變電站電力設備中的研究開展提供了可能。基于深度學習的方法能應對更復雜的檢測情形，綜合識別性能要強于基于傳統圖像處理的方法。本文提出一種改進SSD［10］算法的多分類檢測器，用于尺寸差異顯著的電力設備進行識別。本文方法主要改進SSD 算法的兩個重要部分：其一，保證多尺度特征提取，加強大尺度特征圖的有效性。其二，優化默認框的生成策略，提出符合尺寸差異顯著對象的多種默認框。本文收集了變電站環境下的電力設備圖片，并將圖片標注作為電力設備數據集。經實驗結果表明：相比于SSD、Faster R-CNN 和YOLOv3 算法，本文算法的識別效果更好，能較好地識別多種類的變電站電力設備。

2 基于改進SSD 的變電站電力設備識別

目前主流的深度學習識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。基于二步法的算法識別精度高，但識別速度慢。在一步法中，YOLO 算法速度較快，但精度不高；SSD 網絡結合了YOLO 的回歸思想和Faster R-CNN 的anchor 機制，既保留了YOLO的識別速度，也具有Faster R-CNN的精確度，具有良好的應用場景，故本文選用SSD作為變電站設備分類的基本方法。SSD 算法是由Wei Liu 等在2016 年提出，其結構是根據CNN 網絡前面特征圖尺寸較大，通過后續的卷積和池化的操作后會逐步變小這一特點設計［15］，采用前后多層的特征圖用來做識別和回歸［16］。

2.1 傳統SSD網絡

SSD網絡結構以改進的VGG16作為主干網絡，其網絡結構如圖2 所示（以SSD300 為例）。SSD 網絡通過改進原有的VGG16 網絡進行特征提取。其中，通過將兩個全連接層置換成兩個卷積層，再添加四個卷積層構成了特征提取部分。最終將六層不同尺度的特征用于目標識別的分類預測與位置回歸。SSD 采用不同尺度的默認框（default box），在特征圖中的每一個像素點均會生成4 個～6 個默認框，默認框的大小可由式（1）計算得出。

圖2 SSD網絡結構（以SSD300為例）

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

SSD 算法的損失函數由分類置信度損失和定位損失得到，如式（2）所示。

SSD 算法在改進的VGG16 中提取六層特征進行目標預測。改進的VGG16 的意圖在于保證適宜識別精度的前提下盡可能提升識別速度。因此，可以對SSD算法的主干網絡進一步優化，使其更好地適用于尺度差異顯著的對象識別。

2.2 改進的SSD網絡

本文方法主要從兩個重要方面對SSD 算法進行改進：首先，改進傳統SSD的主干網絡，以保證多尺度特征提取，加強大尺度特征圖的有效性。其次，優化傳統SSD 默認框的生成策略，提出符合尺寸差異顯著對象的多種默認框。

2.2.1 深度殘差網絡

深度殘差網絡［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，內部殘差塊使用跳躍鏈接的方式，可以緩解因網絡深度增加而出現的梯度消失等問題，提高網絡的準確率，圖3為殘差塊的示意圖。

圖3 殘差塊結構

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

深度殘差網絡將常規的深度網絡的層間乘性傳播改善為層間加性傳播。Resnet50 網絡深度可達50層，使用其代替VGG16作為主干網絡，可以提升特征的表征質量。ResNet 網絡使用其Conv4_x及以前的網絡結構，后面的結構和傳統SSD 一樣，添加額外的卷積結構，改進的SSD 網絡結構如圖4所示。

圖4 改進的SSD網絡結構

2.2.2 K-means聚類算法

K-means聚類算法是一種常用的、基于原型的目標函數聚類算法［18］。原SSD 論文中的默認框生成方式不符合變電站電力設備的特點，為了生成符合變電站電力設備特征的默認框，本文通過K-means算法對本文構建的數據集進行聚類分析，得出更符合的默認框。K-means 算法通常使用歐氏距離作為度量，在SSD網絡中，考慮到交并比（Intersection over Union，IOU）對匹配的影響，本文采用式（8）所示的距離度量。

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

3 基于遷移學習的變電站電力設備識別

3.1 變電站電力設備圖像標注

本文選取了變電站內的避雷器表盤、電流互感器、電壓互感器、斷路器、避雷器和柜門等六類設備作為研究對象，六類設備大小不一，為變電站內常見的設備，作為測驗類型生成的網路具有一定普適性。本文采用的數據集共125 張，其中訓練集100張，測試集25 張。使用由Python 和Qt開發的LabelImg工具進行圖像標注，采用PASCAL VOC 為數據集格式，標注效果如圖5所示。

圖5 標注效果圖

3.2 網絡訓練

網絡訓練需要用到兩個訓練技巧，一個為遷移學習，另一個為數據增強。遷移學習（Transfer Learning）是機器學習的一個分支，研究如何將已有的數據或者模型應用到新的領域或者場景，進而解決新領域的問題［19］。通過使用遷移學習，既能解決小樣本不足以訓練神經網絡的問題，還能減少數據標注和訓練帶來的麻煩，符合本文研究對象和數據集的需求，故本文通過遷移學習實現變電站電力設備的識別。

由于受到變電站圖像數據需要保密的限制，且變電站內部場景較為復雜，采集到的圖像質量不一，因此采集到的樣本不適宜直接進行訓練，故本文先在公開數據集VOC 上進行預訓練，得到預訓練模型。

為豐富樣本數量，提高模型性能，在訓練集圖像送入網絡之前，需對圖像進行水平翻轉、隨機裁剪和隨機分割等處理，豐富了現有數據集。然后利用預訓練模型進行參數初始化，將訓練集內的圖像送入網絡進行訓練，并對網絡參數進行微調，最終得到適合本文變電站電力設備的網絡參數。

4 實驗結果及分析

本文實驗使用的實驗環境為Windows10 系統，PyTorch深度學習框架和Python3.7語言。

本文首先對默認框進行K-means 聚類調節尺寸實驗，將電力設備的寬和高聚成6 個類，聚類結果如圖6 所示，真實框的寬高情況如表1 所示。根據結果，本文將默認框的基準大小為［13，19］、［24，103］、［24，51］、［50，218］、［33，158］和［65，58］。

表1 默認框聚類的基準大小

圖6 聚類結果

為了驗證本文方法的有效性，使用本文構建數據集分別在傳統SSD、Faster R-CNN、YOLOv3 和本文所提算法中進行訓練和識別，本實驗采用準確率，召回率及F 值作為評價標準。如式（9）～（11）所示，precision 是準確率，recall是召回率，F 值是準確率和召回率的調和平均值。

式中，tp 為真陽性檢測，fp 為假陽性檢測，fn 假陰性檢測。

表2 為對比試驗結果。從表中可以看出，本文算法在準確率上最優，在召回率上僅比Faster R-CNN算法低2.59%，調和平均值上最優。本文方法與傳統SSD 算法在準確率上相差不大，均高于97%，但本文算法在召回率上比傳統SSD 算法高出42.24%；在調和平均值上，本文算法比傳統SSD 高出36.26%。綜上，本文在尺寸差異顯著的電力設備數據集上取得了最優的性能，說明本文算法能夠很好地識別尺寸差異顯著的對象。

表2 目標識別算法對比試驗結果

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

圖7 不同算法識別結果

綜上所述，本文改進算法在尺度差異明顯的變電站電力設備識別中具有良好的效果。

5 結語

本文圍繞變電站尺寸差異明顯的電力設備進行識別與分類，針對原有SSD 的不足進行了改進，以Resnet 殘差網絡代替VGG 網絡作為主干網絡加深網絡深度，提高特征表征質量；引入K-means 聚類算法，調節默認框尺寸，提高識別精度。經實驗證明，相較于傳統SSD、FasterR-CNN 和YOLOv3，本文算法具有良好的效果。