基于多尺度特征融合CNN的破損計(jì)量箱識(shí)別

摘要：低壓計(jì)量箱的運(yùn)行狀態(tài)直接影響計(jì)量準(zhǔn)確性和用電安全，破損的計(jì)量箱可能引發(fā)觸電和火災(zāi)等事故。為進(jìn)一步提高計(jì)量箱巡視效率及破損計(jì)量箱識(shí)別準(zhǔn)確率，提出了一種基于多尺度特征融合卷積神經(jīng)網(wǎng)絡(luò)（MCNN） 的破損計(jì)量箱識(shí)別方法。首先，采用多角度、多尺度的大量現(xiàn)場(chǎng)計(jì)量箱圖像構(gòu)成樣本集；其次，利用不同尺寸池化層及跳躍連接提取多尺度信息；最后，通過特征融合構(gòu)建MCNN破損計(jì)量箱識(shí)別模型。實(shí)驗(yàn)結(jié)果表明，所提方法的識(shí)別準(zhǔn)確性優(yōu)于傳統(tǒng)淺層網(wǎng)絡(luò)及卷積神經(jīng)網(wǎng)絡(luò)。

關(guān)鍵詞：多尺度；特征融合；卷積神經(jīng)網(wǎng)絡(luò)；破損計(jì)量箱識(shí)別；深度學(xué)習(xí)

中圖分類號(hào)：TP18" " "文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2025）17-0032-04

開放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID）

0 引言

計(jì)量箱是計(jì)量裝置、采集終端、開關(guān)和互感器等設(shè)備的第一層保護(hù)，其運(yùn)行狀況直接反映電力公司的形象[1]。計(jì)量箱長(zhǎng)期暴露在室外，風(fēng)吹日曬后計(jì)量箱會(huì)出現(xiàn)老化、褪色、破損等現(xiàn)象。污損的計(jì)量箱易使其內(nèi)部計(jì)量設(shè)備遭受環(huán)境侵襲，如受潮、積塵等，進(jìn)而影響內(nèi)部電氣連接的穩(wěn)定性，出現(xiàn)接觸不良、計(jì)量不準(zhǔn)等問題，對(duì)用戶正常用電產(chǎn)生干擾。此外，計(jì)量箱破損可能導(dǎo)致內(nèi)部電氣設(shè)備暴露，引發(fā)線路短路、漏電放電等危險(xiǎn)情況，對(duì)過往行人及電力運(yùn)維人員構(gòu)成潛在的生命安全威脅，也會(huì)大大增加電氣火災(zāi)發(fā)生的風(fēng)險(xiǎn)。快速識(shí)別低壓破損計(jì)量箱并進(jìn)行整改，是供電企業(yè)履行社會(huì)責(zé)任的必要舉措，也有助于進(jìn)一步提升企業(yè)的社會(huì)形象和公信力。

對(duì)于電力公司而言，為提高供電服務(wù)質(zhì)量，增強(qiáng)用戶滿意度，如何快速、高效、準(zhǔn)確地完成大量計(jì)量箱巡視普查與故障識(shí)別是一個(gè)急需解決的問題。近年來，隨著大數(shù)據(jù)與人工智能技術(shù)的發(fā)展，深度學(xué)習(xí)成了學(xué)術(shù)研究的潮流。深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN） 由于其優(yōu)越的特征提取能力，已在電氣工程領(lǐng)域的多個(gè)方面得到廣泛應(yīng)用。文獻(xiàn)[2]將CNN與循環(huán)神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)建電力負(fù)荷預(yù)測(cè)任務(wù)的深度模型，有效提高了電力負(fù)荷預(yù)測(cè)精度。文獻(xiàn)[3]將空間金字塔池化層融入CNN，提高了暫態(tài)穩(wěn)定的預(yù)測(cè)準(zhǔn)確率。文獻(xiàn)[4]通過改進(jìn)CNN模型，增強(qiáng)了輸電線路異常檢測(cè)的準(zhǔn)確性。文獻(xiàn)[5]利用CNN與長(zhǎng)短時(shí)記憶法混合網(wǎng)絡(luò)，提高了對(duì)真空斷路器機(jī)械狀態(tài)故障識(shí)別的精度。但目前，國(guó)內(nèi)鮮有開展破損計(jì)量箱識(shí)別相關(guān)工作的文獻(xiàn)報(bào)道。此外，在計(jì)量箱巡視過程中，由于計(jì)量箱安裝位置、高度以及周圍環(huán)境影響，拍攝的計(jì)量箱照片存在不同的角度和尺度，這會(huì)增加CNN模型對(duì)破損計(jì)量箱的識(shí)別難度。

在圖像識(shí)別與目標(biāo)檢測(cè)領(lǐng)域中，針對(duì)不同尺度目標(biāo)識(shí)別的問題，已有了諸多解決方案，多通過增加視覺感受野、特征融合、級(jí)聯(lián)卷積等方法增強(qiáng)CNN模型識(shí)別精度[6]。文獻(xiàn)[7]利用不同尺寸池化層提取輸入數(shù)據(jù)不同尺度、不同層級(jí)特征并進(jìn)行融合，有效提高了CNN模型的預(yù)測(cè)準(zhǔn)確度。

綜上所述，為提高破損計(jì)量箱識(shí)別準(zhǔn)確度，本文提出了一種采用多尺度特征融合CNN（Multi-scale feature fusion based CNN， MCNN） 的破損計(jì)量箱識(shí)別方法。借助Matlab軟件，通過與傳統(tǒng)CNN及淺層機(jī)器學(xué)習(xí)模型的對(duì)比，驗(yàn)證了本文方法的有效性。

1 基于多尺度特征融合CNN破損計(jì)量箱識(shí)別模型

1.1 構(gòu)建樣本集

本文樣本拍攝于中國(guó)華北某地區(qū)在運(yùn)計(jì)量箱，選取樓房、平房、山區(qū)等不同安裝位置以及不同天氣、時(shí)段等各種場(chǎng)景下的低壓計(jì)量箱圖像。

對(duì)拍攝的圖像進(jìn)行翻轉(zhuǎn)和旋轉(zhuǎn)以進(jìn)行數(shù)據(jù)增強(qiáng)。采用雙線性插值法，通過周圍四個(gè)像素的加權(quán)平均值作為目標(biāo)像素，使圖像尺寸統(tǒng)一為400×400×3。并通過標(biāo)準(zhǔn)化將圖像數(shù)據(jù)轉(zhuǎn)換為均值為0、方差為1的正態(tài)分布，以加速模型的收斂過程。經(jīng)預(yù)處理后，共得到樣本圖像400張，其中無(wú)破損計(jì)量箱圖像樣本220張，破損計(jì)量箱樣本180張，破損計(jì)量箱樣本包括視窗、箱蓋、箱體等破損。樣本中，計(jì)量箱所在圖像位置、所占圖像尺寸、拍攝角度各不相同。無(wú)破損計(jì)量箱設(shè)置標(biāo)簽為0，破損計(jì)量箱標(biāo)簽設(shè)置為1。隨機(jī)抽取280張樣本作為訓(xùn)練集，剩余120張樣本作為測(cè)試集。

1.2 CNN基本原理

CNN是一種層級(jí)結(jié)構(gòu)深度學(xué)習(xí)模型，主要由卷積層、池化層、批量歸一化（Batch Normalization， BN） 層、激活函數(shù)、全連接層以及輸出層構(gòu)成。由于其顯著的特征提取及泛化能力，被廣泛用于圖像識(shí)別、目標(biāo)檢測(cè)等領(lǐng)域。CNN基本結(jié)構(gòu)如圖1所示。

卷積層的主要作用是特征提取，同時(shí)保留原始圖像中數(shù)據(jù)之間的空間關(guān)系。卷積層中，卷積核沿著輸入數(shù)據(jù)的長(zhǎng)和寬對(duì)輸入數(shù)據(jù)與卷積核之間進(jìn)行卷積計(jì)算，使輸入與輸出數(shù)據(jù)構(gòu)建一個(gè)非線性映射。通過堆疊卷積可提高CNN的學(xué)習(xí)能力和泛化能力。BN層對(duì)每個(gè)小批量數(shù)據(jù)進(jìn)行歸一化，將卷積后的特征數(shù)據(jù)強(qiáng)制限制為標(biāo)準(zhǔn)正態(tài)分布，使數(shù)據(jù)落入激活函數(shù)的敏感區(qū)域內(nèi)，避免梯度消失問題。BN層降低了CNN對(duì)參數(shù)初始化的敏感程度，提高了模型收斂速度。常用激活函數(shù)為ReLU，其表達(dá)式為f（x）=max（0， x），使輸入為負(fù)值的數(shù)據(jù)輸出為0。ReLU的不飽和與非線性特性解決了梯度爆炸與梯度消失問題，同樣加快了模型收斂過程。池化層通過下采樣的方式降低輸入特征圖的分辨率和尺寸，并獲得空間不變性的特性。池化層與卷積層相似，仍起到特征提取的效果，減少了模型參數(shù)的數(shù)量，防止模型過擬合，從而提高整體卷積神經(jīng)網(wǎng)絡(luò)的泛化能力，并使其能夠抵抗輸入圖像輕微的變換、縮放和扭曲。全連接層通過整合卷積層或池化層中的特征信息，構(gòu)建從特征到輸出結(jié)果的映射關(guān)系。

1.3 跳躍連接

一個(gè)CNN模型通常有多層卷積層，每一層會(huì)有對(duì)應(yīng)的特征輸出。因此，不同層級(jí)的卷積層所提取的特征信息也不同，較低的卷積層主要提取圖像的結(jié)構(gòu)細(xì)節(jié)和位置信息，而較高層級(jí)的特征信息包含更多的語(yǔ)義信息和較少的位置信息[8]。跳躍連接是將CNN中不相鄰層的特征輸出連接起來。通過跳躍連接，CNN某一階段學(xué)習(xí)到的特征可以直接傳遞到另一階段。跳躍連接對(duì)于將這些不同的特征信息用于圖像識(shí)別至關(guān)重要。而破損計(jì)量箱識(shí)別既需要特征性的故障信息，也需要確定計(jì)量箱位置的邊界信息。因此，本文利用不同尺寸池化層及跳躍連接構(gòu)建一種多尺度特征融合MCNN網(wǎng)絡(luò)模型，以提高破損計(jì)量箱識(shí)別準(zhǔn)確率。MCNN網(wǎng)絡(luò)模型及跳躍連接結(jié)構(gòu)如圖2所示。此外，深度卷積神經(jīng)網(wǎng)絡(luò)存在梯度消失問題，在反向傳播過程中跳躍連接能使梯度直接從后面的層傳遞到前面的層，有助于優(yōu)化梯度流，從而緩解這一問題。

1.4 MCNN模型構(gòu)建

基于上述理論，構(gòu)建MCNN破損計(jì)量箱識(shí)別模型。MCNN主干網(wǎng)絡(luò)采用級(jí)聯(lián)傳統(tǒng)卷積層構(gòu)建，利用不同尺寸池化層通過跳躍連接獲取不同尺度、不同層次卷積層的特征信息。在最后一個(gè)卷積層后，采用兩個(gè)不同尺寸池化層進(jìn)一步提取高層次特征的不同尺度信息，以同時(shí)捕捉小尺度細(xì)節(jié)信息和大尺度整體結(jié)構(gòu)信息。

通過融合層，多尺度和多層次特征信息被合成，增強(qiáng)了CNN模型的特征表達(dá)能力，提高了其對(duì)輸入圖像旋轉(zhuǎn)、縮放和位移等變換的魯棒性。

不同尺寸池化層經(jīng)扁平化，以及融合層特征融合的計(jì)算過程如式（1） 、（2） 所示。

[Oi=p（hi）] （1）

[OMLF=flatten（[O1，O2，...Oi]）] （2）

式中：hi為第i層的特征圖，p為池化操作，Oi為池化輸出，OMLF為融合層特征。

融合層后與全連接層相連。全連接層輸出信息如式（3）所示。

[Ofc=wfcOMLF+bfc] （3）

式中：wfc和bfc分別為全連接層的權(quán)重和偏置， Ofc為全連接層輸出，OMLF為融合層特征。

本文MCNN模型池化層均采用平均池化，激活函數(shù)為ReLU，輸出層為Softmax。破損計(jì)量箱識(shí)別是二分類任務(wù)，故采用交叉熵?fù)p失函數(shù)。交叉熵?fù)p失函數(shù)如式（4） 所示：

[L=-1Nn=1N[T0nlog（Y0n）+T1nlog（Y1n）]] （4）

式中：N為樣本數(shù)量，[T0n]、[T1n]分別為樣本的真實(shí)標(biāo)簽， [Y0n]、[Y1n]分別為MCNN模型評(píng)估的正常、破損概率。

1.5 評(píng)價(jià)指標(biāo)

本文通過建立混淆矩陣來展示MCNN模型對(duì)樣本進(jìn)行分類的結(jié)果，并通過準(zhǔn)確率Acc、誤報(bào)率FA及漏報(bào)率MA來評(píng)估模型對(duì)破損計(jì)量箱的識(shí)別能力。混淆矩陣信息如表1所示。

準(zhǔn)確率Acc、誤報(bào)率FA及漏報(bào)率MA的計(jì)算公式如下所示：

[Acc=Ts+TusTs+Tus+Fs+Fus] （5）

[FA=FusFus+Ts] （6）

[MA=FsFus+Ts] （7）

此外，考慮誤報(bào)率和漏報(bào)率在內(nèi)的安全性與可靠性，定義Gmean指標(biāo)：

[Gmean=（1-FA）（1-MA）] （8）

Gmean的取值范圍是[0，1]，越接近1表示模型的性能越好。

1.6 MCNN破損計(jì)量箱識(shí)別流程

所提基于MCNN模型的破損計(jì)量箱識(shí)別流程分為離線訓(xùn)練和在線評(píng)估兩部分。離線訓(xùn)練過程：通過采集大量現(xiàn)場(chǎng)計(jì)量箱圖像，將圖像進(jìn)行預(yù)處理構(gòu)成輸入數(shù)據(jù)樣本，并標(biāo)記正常、破損標(biāo)簽。將樣本數(shù)據(jù)隨機(jī)分為訓(xùn)練集和測(cè)試集，訓(xùn)練集用于訓(xùn)練MCNN模型，測(cè)試集用于檢測(cè)MCNN模型的評(píng)估效果。綜合考慮訓(xùn)練結(jié)果與測(cè)試結(jié)果，調(diào)整網(wǎng)絡(luò)參數(shù)，使模型性能達(dá)到最優(yōu)。

在線評(píng)估過程如圖3所示，拍攝現(xiàn)場(chǎng)計(jì)量箱圖像，調(diào)整圖像大小并標(biāo)準(zhǔn)化。將圖像輸入到已完成訓(xùn)練的MCNN模型中進(jìn)行破損計(jì)量箱識(shí)別。如果結(jié)果為正常，則進(jìn)行日常巡視及維護(hù)；如果結(jié)果為破損，則到現(xiàn)場(chǎng)進(jìn)行檢修或者更換新的計(jì)量箱。

2 案例分析

本研究在配備AMD Ryzen 5 5600 6-Core CPU和16GB RAM的計(jì)算機(jī)上，通過Matlab R2024a軟件測(cè)試了所提模型的性能。模型訓(xùn)練參數(shù)設(shè)置：初始學(xué)習(xí)率為0.001，Epochs為90次，每20次學(xué)習(xí)率乘以0.5，MiniBatchSize為50。優(yōu)化算法采用Adam。MCNN模型結(jié)構(gòu)參數(shù)如表2所示。

2.1 與機(jī)器學(xué)習(xí)模型比較

為驗(yàn)證MCNN模型的有效性，特別將其與傳統(tǒng)機(jī)器學(xué)習(xí)模型（如支持向量機(jī)SVM和決策樹DT） 進(jìn)行比較。

從表3的實(shí)驗(yàn)結(jié)果可以看出，本文所提MCNN模型準(zhǔn)確率最高，為97.5%，比SVM模型的85%高12.5%，比DT模型的82.5%高15%。在Gmean方面，MCNN模型同樣優(yōu)于DT與SVM兩種機(jī)器學(xué)習(xí)模型，比DT模型的82%高出15.6%，比SVM模型的85%高出12.6%。在誤報(bào)率FA及漏報(bào)率MA方面，所提MCNN模型遠(yuǎn)低于所比較的兩種機(jī)器學(xué)習(xí)模型。MCNN的FA為3%，約為DT模型13.6%的1/4、約為SVM模型15.2%的1/5。MCNN的MA為1.9%，僅為DT模型22.2%的1/11、SVM模型14.8%的1/7。DT與SVM屬于淺層機(jī)器學(xué)習(xí)模型，特征提取能力弱于深度學(xué)習(xí)的MCNN，上述實(shí)驗(yàn)結(jié)果驗(yàn)證了本文提出的模型可以有效識(shí)別計(jì)量箱是否破損。

2.2 與傳統(tǒng)CNN模型比較

為驗(yàn)證MCNN模型的性能優(yōu)勢(shì)，還與傳統(tǒng)CNN模型進(jìn)行了比較，結(jié)果如表4所示。MCNN模型準(zhǔn)確率為97.5%，比CNN模型的94.2%高出3.3%。誤報(bào)率和漏報(bào)率均低于傳統(tǒng)CNN模型，MCNN模型誤報(bào)率為3%，比CNN模型的4.6%低1.6%。MCNN模型漏報(bào)率為1.9%，約為CNN模型7.4%的1/4。從可靠性和安全性方面，所提MCNN模型Gmean為97.6%，高于傳統(tǒng)CNN模型3.6%。根據(jù)實(shí)驗(yàn)結(jié)果，跳躍連接結(jié)構(gòu)有效增強(qiáng)了CNN模型的特征提取與泛化能力，驗(yàn)證了所提出MCNN破損計(jì)量箱識(shí)別模型的有效性與優(yōu)越性。

為體現(xiàn)MCNN模型對(duì)小角度、小尺度破損計(jì)量箱圖像的識(shí)別能力，采集新樣本圖像40張，其中正常計(jì)量箱和破損計(jì)量箱各20張，進(jìn)行識(shí)別測(cè)試。這些計(jì)量箱均位于圖像的邊緣或角落，且尺寸均小于圖像的1/2。本文MCNN模型與傳統(tǒng)CNN模型的測(cè)試結(jié)果如圖4所示。

在準(zhǔn)確率方面，MCNN模型為95%，比CNN模型的87.5%高出7.5%。在Gmean方面，MCNN模型為97.47%，比CNN的87.46%高出10.01%。在準(zhǔn)確率及可靠性方面，所提MCNN模型均優(yōu)于傳統(tǒng)CNN模型。實(shí)驗(yàn)結(jié)果表明，所構(gòu)建的MCNN模型可以通過多尺度、多層次特征融合獲取更多細(xì)節(jié)信息，有效提高了對(duì)小角度、小尺度目標(biāo)的識(shí)別能力。

2.3 魯棒性測(cè)試

為驗(yàn)證MCNN模型的魯棒性，在測(cè)試集樣本中分別加入方差為0.01、0.02的高斯白噪聲，用訓(xùn)練好的MCNN模型進(jìn)行測(cè)試，并與傳統(tǒng)CNN模型進(jìn)行比較，實(shí)驗(yàn)結(jié)果如表5所示。

當(dāng)加入較小噪聲時(shí)，MCNN和CNN模型的準(zhǔn)確率相較于無(wú)噪聲時(shí)均有所下降：MCNN模型準(zhǔn)確率下降了0.8%，而CNN模型下降了3.5%。在可靠性方面，MCNN模型的Gmean在較小噪聲條件下比CNN模型高5.1%。當(dāng)噪聲方差增加到0.02時(shí)，MCNN模型準(zhǔn)確率僅小幅下降至94.2%，而CNN模型準(zhǔn)確率下降幅度較大，僅為85.8%，較無(wú)噪聲時(shí)下降了8.4%。在誤報(bào)率（FA） 和漏報(bào)率（MA） 方面，CNN模型FA為13.6%，MA為14.8%，出現(xiàn)了較多錯(cuò)判樣本。MCNN模型Gmean為94.2%，比CNN高8.4%。實(shí)驗(yàn)結(jié)果表明，所提MCNN模型在噪聲干擾下仍能保持更高的識(shí)別準(zhǔn)確率和可靠性，具備更強(qiáng)的魯棒性。

3 結(jié)論

本文提出了一種基于多尺度特征融合CNN的破損計(jì)量箱識(shí)別方法，并通過實(shí)驗(yàn)證明了該方法在識(shí)別準(zhǔn)確性和魯棒性方面的優(yōu)越性。后續(xù)研究將進(jìn)一步關(guān)注破損計(jì)量箱的目標(biāo)檢測(cè)，使模型輸出結(jié)果可以明確標(biāo)注破損位置和識(shí)別具體破損部件。

參考文獻(xiàn)：

[1] 張旭，韓冬軍，李玉宏.低壓計(jì)量箱故障分類及影響因素相關(guān)分析研究[J].西華大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，42（3）：37-46.

[2] 母先應(yīng)，羅彬，陸志華，等.深度學(xué)習(xí)驅(qū)動(dòng)的電力負(fù)荷預(yù)測(cè)方法研究[J].電腦知識(shí)與技術(shù)，2023，19（23）：23-25.

[3] 陳慶超，韓松，毛鈞毅.采用多層次特征融合SPP-net的暫態(tài)穩(wěn)定多任務(wù)預(yù)測(cè)[J].控制與決策，2022，37（5）：1279-1288.

[4] 金波，陳鈰，趙青堯，等.基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的輸電線路異常檢測(cè)研究[J].高電壓技術(shù)，2023，49（S1）：68-71.

[5] 曹宇鵬，羅林，王喬，等.基于卷積深度網(wǎng)絡(luò)的高壓真空斷路器機(jī)械故障診斷方法[J].電力系統(tǒng)保護(hù)與控制，2021，49（3）：39-47.

[6] 趙永強(qiáng)，饒?jiān)砾i，等.深度學(xué)習(xí)目標(biāo)檢測(cè)方法綜述[J].中國(guó)圖象圖形學(xué)報(bào)，2020，25（4）：629-654.

[7] REN Y P，HUANG J S，HONG Z Y，et al.Image-based concrete crack detection in tunnels using deep fully convolutional networks[J].Construction and Building Materials，2020，234：117367.

[8] 陳慶超.基于特征融合CNN的電力系統(tǒng)穩(wěn)定性預(yù)測(cè)研究[D].貴陽(yáng)：貴州大學(xué)，2022.

【通聯(lián)編輯：唐一東】