基于改進卷積神經網絡的智能物料識別技術研究

楊亞萍，劉 軍，王洪亮

（1.國網隴南供電公司，甘肅武都 746000；2.國網甘肅省電力公司，甘肅蘭州 730070）

隨著新型電力系統建設的推進，配電網建設投資日益增加，這給相關電網工程的審計工作帶來巨大的困難和挑戰。由于配電網項目具有點多面廣、跨度大等特點，傳統審計工作通常由工作人員采用測距儀、滾輪、望遠鏡等常規設備進行現場檢查，不但耗時長而且精度難以保證[1-4]。同時，部分配電網項目分布于復雜的地形環境中，審計人員進入現場核查極不便利，容易遇到緊急情況，存在較大地安全風險。

隨著無人機技術的發展，其越來越多地被應用于電力工程項目的審計工作中[5-8]。但在數據采集過程中，受飛行高度、拍攝角度、光照強度以及背景環境等的影響，對于絕緣子、金具等電力線路物料元件的成像效果差、分辨率低，導致這些小目標物料識別檢測效果不理想，嚴重影響審計的準確性。針對該問題，文中引入了改進的卷積神經網絡算法以提高電力線路小目標物料識別的準確率，進而輔助配電網工程審計工作的開展。

1 SSD算法原理

單次多框檢測算法（Single Shot MultiBox Detector,SSD）[9-12]是目標檢測領域應用最為廣泛的算法之一，具有檢測精度高、計算速度快及支持多目標等諸多優點。原始SSD 的網絡結構如圖1 所示，其由基本網絡和協助網絡兩部分構成。其中，基本網絡采用了去除最后一層分類器的VGG-16 網絡模型，而協助網絡則由5 層卷積層構成。SSD 算法利用VGG-16網絡模型和5 層卷積層進行輸入圖像特征提取，共形成6 個不同尺度的特征圖像，從而實現大目標與小目標的多尺度目標檢測。每個輸出特征圖像上均有預測錨框，并與真實錨框進行對比，計算偏移值和預測分類。最后，采用非極大值抑制算法（Non-Maximum Suppression，NMS）獲得最終預測分類及預測錨框。

圖1 SSD算法結構

假設特征圖像尺寸為a×b×c，每個特征圖像有s個預測錨框，分類結果有k種，則具有k×s個卷積核用于分類。由于預測錨框相對于實際錨框存在偏移值，所以有4×s個卷積核用于回歸。因此經過回歸和分類過程，共獲得(4+k)×s×a×b個預測值。錨框的參數如下：

式中，cs為預測錨框的尺寸；ws、hs為預測錨框的寬度和高度；r為預測錨框的寬高比；cmax及cmin為預測錨框尺寸的最大值與最小值，通常取為0.9、0.2。

通過上述操作，每個特征圖生成具有s個不同尺寸的同心預測錨框，預測錨框的中心坐標為：

式中，|fs|為特征圖的尺寸。

SSD 網絡的訓練過程就是實現預測錨框與真實錨框之間的匹配過程。SSD 算法通過Jaccard 系數[13]計算預測錨框與真實錨框之間的相似度，相似度大于閾值的可標記為正樣本，相似度小于閾值則標記為負樣本。該相似度計算方法如下：

2 物料審計識別算法設計

由于原始SSD 算法采用VGG-16 作為基本網絡，網絡參數較多，訓練計算過程較長，因此難以滿足工程應用實時性的需求。同時，優化SSD 網絡特征提取方法對模型精度的提升效果也較為有限。針對上述SSD 網絡存在的問題，文中提出輕量化的基本網絡以及基于k-means 算法[14]的預測錨框方法，從而提升SSD 算法的性能。

將無人機獲取的電力線路圖像作為輸入，利用圖像去噪和圖像增強等技術進行圖像預處理，然后將其作為改進SSD 網絡的輸入，并利用該網絡實現目標特征提取與物料識別。文中所提算法框架如圖2 所示。

圖2 智能物料審計識別算法框架

2.1 圖像預處理

1）圖像去噪。采用改進導向濾波算法[15]進行輸電線路的圖像去噪，從而實現在復雜環境下最大程度地保留檢測目標的邊緣信息，且抑制背景噪聲。去噪函數如下：

式中，αm和βm分別為導向窗口的一次項因子和常數項因子，K為導向窗口圖像，o為輸出圖像，ωm為導向窗口內像素點數量。αm與βm的計算公式為：

式中，I為輸入圖像，為輸入圖像均值；ξ為懲罰因子；μm和為導向窗口圖像的均值和方差。

根據式（5）、式（6），在取平均值的情況下，輸出圖像為：

2）圖像增強。文中采用直方圖均衡化方法[16]來增強圖像的對比度，該方法的表達式如下：

式中，u和v分別為增強處理前后輸入圖像的灰度值，u的取值范圍為[0,L-1]；T(·)為直方圖均衡化的轉換函數。

進一步采用概率函數描述圖像的灰度值分布，則輸出圖像灰度分布的概率密度為：

式中，pv(v)和pu(u)分別為輸出圖像與原始圖像的概率密度。

假設轉換函數為：

聯立式（9）和式（10），可以得到：

2.2 改進SSD算法

1）輕量化卷積網絡結構。假設輸入特征圖像尺寸為DI×DI×P，輸出圖像尺寸為DO×DO×Q，P、Q分別為圖像的通道數。改進的輕量化卷積網絡首先使用P個DZ×DZ×1 的卷積核實現各通道特征提取，然后堆疊成尺寸為DO×DO×P的特征圖，再利用Q個1×1×P的卷積核映射成Q維。因此，改進的輕量化卷積網絡參數的總數為DZ×DZ×P+P×Q，計算量為DZ×DZ×P×DI×DI+P×Q×DI×DI，與原始VGG-16 的計算量之比為：

由上式可見，文中所提輕量化卷積網絡能夠在保障計算精度的基礎上，大幅減少計算量，并提升模型的訓練速度。

2）基于k-means 的預測錨框設置。SSD 網絡的預測錨框需要提前設置，原始SSD 網絡部分特征提取層的預測錨框的寬高比適用于具有不同形狀尺寸的目標識別場景。而文中待識別的電力線路物料外觀尺寸均具有固定的標準，因此可以選用更加適合的預測錨框寬高比，以提高目標識別效果。基于此，文中提出以k-means 算法為基礎的預測錨框寬高比設置方法，算法流程如圖3 所示。其中，k-means 算法采用誤差平方和作為聚類效果的評估指標，該指標計算方式如下：

圖3 預測錨框寬高比設置

式中，S為誤差平方和指標；Yi為第i個聚類中心，且共有Y個聚類中心；μi為屬于第i個聚類中心的所有樣本平均值。

2.3 SSD網絡訓練損失函數設置

SSD 網絡訓練需要完成分類和回歸兩個任務，輸出結果則包括目標預測分類及預測錨框位置兩部分。因此，SSD 網絡訓練的損失函數為：

式中，l和g分別為預測框與真實框；λ為分類置信度；Lfl和Lhg分別為分類損失及回歸損失；T為正樣本預測框數量；α為權重因子。

分類損失Lfl的計算方式如下：

式中，xij,p為數據樣本i第j個預測框預測為p類別的標簽，當預測為正樣本時，其值為1，否則為0；λi,p為數據樣本i預測為類別p的置信概率。

回歸損失Lhg的計算方式如下：

式中，gj,m為默認錨框與真實框之間的偏差量；li,m為正樣本預測錨框；SL(·)為函數，其表達式如下：

3 算例分析

為了驗證所提識別算法的準確性和有效性，采用某電網公司采集的真實電力線路物料圖像集作為訓練數據，共包括橫擔2 875 張、絕緣子3 264 張和金具3 028 張，部分圖像集的標準框如圖4 所示。

圖4 部分圖像集的標準框

3.1 算法性能分析

測試結果表明，原始SSD 算法的訓練時間為6 238 s，而文中所提算法僅需4 287 s，訓練時間縮短了約30%。這是因為文中所提算法采用輕量化卷積網絡替換原始SSD 網絡中基本的VGG-16網絡模型，從而大幅提升了計算速度，縮短了訓練時間。

由表1 可知，對于不同的檢測目標，原始SSD算法的準確率和召回率均低于80%，而文中所提算法的準確率及召回率則均高于82.5%。由此可見，所提算法能夠減少電力線路物料識別的漏檢、誤檢。

表1 不同算法目標識別結果對比

3.2 實際物料審計效果分析

進一步將文中所提算法應用于實際電力線路物料的審計統計工作，結果如圖5 所示。其中，橫擔、絕緣子和金具數量分別為449 張、374 張和177 張，整體識別準確率約為90%。由此可見，所提算法在實際應用中具有良好的效果，能夠提升電力線路物料審計的智能化水平。

圖5 電力線路物料審計統計結果

4 結束語

文中針對配電網審計工作耗費時間長、準確度有限的問題，利用無人機采集圖像數據，并結合改進卷積神經網絡技術，實現電力線路小目標物料的智能識別審計。通過仿真算例表明，文中所提方法的訓練速度相比于原始SSD 算法提升約30%，且算法的精確率和召回率均顯著提高。在實際電力線路物料審計中，能夠實現橫擔、絕緣子和金具等不同類型物料的準確統計。但文中所提算法未能實現電力線路物料缺陷的診斷，這將在下一步研究中開展。