楊 光，周鵬舉，張宋彬，徐 鵬

（國網(wǎng)河南省電力公司鄭州供電公司，河南 鄭州 450000）

基于卷積神經(jīng)網(wǎng)絡(luò)的變電站巡檢機(jī)器人圖像識別

楊 光，周鵬舉，張宋彬，徐 鵬

（國網(wǎng)河南省電力公司鄭州供電公司，河南 鄭州 450000）

：隨著科學(xué)技術(shù)的發(fā)展，人工智能在工作生活中應(yīng)用的范疇也越來越廣泛。在我們所熟知的變電站中，已經(jīng)逐步出現(xiàn)了智能巡檢機(jī)器人來代替人工巡視。那么機(jī)器人在巡視過程中又是如何識別表記等相關(guān)信息的呢？本文將就這一問題展開討論。文中首先討論了卷積神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)，以及一些相關(guān)的運(yùn)算，給出了基于卷積神經(jīng)網(wǎng)絡(luò)的變電站巡檢機(jī)器人圖像識別模型。

卷積神經(jīng)網(wǎng)絡(luò)，圖像識別，變電站巡檢，智能機(jī)器人

0 引言

變電站作為電能傳輸中重要的一環(huán)，其安全管理尤其重要。傳統(tǒng)的變電站巡視需要人工全天候監(jiān)視，極容易因巡視人員的疲憊導(dǎo)致無法有效的識別變電站的危險(xiǎn)情況。隨著自動化程度的不斷提高，需要引入無人監(jiān)視設(shè)備，如智能巡檢機(jī)器人[1-3]，對視頻圖像進(jìn)行實(shí)時(shí)處理分析來提高變電站運(yùn)行的安全性和可靠性[4-5]。因此對圖像識別技術(shù)提出了更高的要求，今年來深度學(xué)習(xí)在語音、圖像識別中取得了豐碩的成果[6-7]，卷積神經(jīng)網(wǎng)絡(luò)屬于深度學(xué)習(xí)的一種模型，它具有二維網(wǎng)絡(luò)形狀[8-12]，它在結(jié)構(gòu)上形成一個(gè)深度前饋神經(jīng)網(wǎng)絡(luò)。在變電站檢測過程中，在變電站運(yùn)行圖形檢測當(dāng)中，由于環(huán)境因素、檢測手段的原因，采集到的圖像有可能分辨率較低，而且變形嚴(yán)重，甚至還有缺塊。因此在變電站的巡檢過程中，復(fù)雜多變的背景對故障分類判斷帶來了很大的挑戰(zhàn)。因此，為了能更好的將機(jī)器人應(yīng)用到變電站的巡檢中，需要有一個(gè)精確、強(qiáng)大、具有深度學(xué)習(xí)能力的圖像分類識別模型 ，卷積神經(jīng)網(wǎng)絡(luò)模型因其具有二維數(shù)據(jù)處理方式，非常適合應(yīng)用于圖像處理領(lǐng)域。

綜上，卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)檢測和圖像識別領(lǐng)域具有較大的優(yōu)越性。為了更好的進(jìn)行變電站巡檢，本文對卷積神經(jīng)網(wǎng)絡(luò)做了系統(tǒng)研究，并提出了將其應(yīng)用到變電站巡檢的建模過程。該模型使用卷積神經(jīng)網(wǎng)絡(luò)對變電站的監(jiān)控圖像進(jìn)行分析和識別，能夠快速準(zhǔn)確的識別出變電站的異常情況，并發(fā)出警報(bào)，對提高變電站的可靠性，建設(shè)更加智能化的現(xiàn)代電網(wǎng)具有重要的意義。

1 卷積神經(jīng)網(wǎng)絡(luò)在圖像處理中的應(yīng)用

1.1 卷積神經(jīng)網(wǎng)絡(luò)

在對圖像進(jìn)行處理識別過程中，通過多層反向的網(wǎng)絡(luò)訓(xùn)練，可以通過特征抽取器來得到特征變量，進(jìn)而根據(jù)這些特征變量通過一個(gè)分類器來進(jìn)行分類識別。針對圖像處理，圖像數(shù)據(jù)較大，包含多大幾百個(gè)變量，對于標(biāo)準(zhǔn)的全連接神經(jīng)網(wǎng)絡(luò)來說，樣本數(shù)量不足，會導(dǎo)致網(wǎng)絡(luò)過度擬合；同時(shí)其沒有考慮不同輸入數(shù)據(jù)的特點(diǎn)，特別是一些存在微小位移但結(jié)構(gòu)截然不同的圖像數(shù)據(jù)；全連接網(wǎng)絡(luò)忽略了訓(xùn)練數(shù)據(jù)中的局部性，而圖像數(shù)據(jù)中含有大量的局部特性。

卷積神經(jīng)網(wǎng)絡(luò)通過結(jié)合局部感知區(qū)域、共享權(quán)重、空間或者時(shí)間上的降采樣來充分利用數(shù)據(jù)本身包含的局部性等特征，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，并且保證一定程度上的位移和變形的不變性。

1.1.1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)的獨(dú)特之處在于，在網(wǎng)絡(luò)的輸入層前先接入了卷積層，通過卷積層先對圖像數(shù)據(jù)進(jìn)行了過濾操作，以對某些特定的結(jié)構(gòu)有較高的激活，以此來達(dá)到圖像分類識別的目的。

圖1 卷積神經(jīng)網(wǎng)絡(luò)的基本構(gòu)架Fig.1 Basic framework of convolutional neural networks

如圖1所示，卷積神經(jīng)網(wǎng)絡(luò)的基本網(wǎng)絡(luò)結(jié)構(gòu)可以分為四個(gè)部分。具體的每層的作用介紹如下。

輸入層：輸入層用于接收輸入數(shù)據(jù)，對于圖像來說，輸入數(shù)據(jù)為二維像素值。

卷積層： 該層也叫特征提取層。包含了兩個(gè)部分：第一部分是真正的卷積層，主要對輸入數(shù)據(jù)進(jìn)行特征提取，該部分卷積核數(shù)量越多，提取的特征量越多。第二部分是下采樣層，對保留特征量信息的基礎(chǔ)上減少數(shù)據(jù)的處理量，從而加快處理速度。

全連接層：可以有多層結(jié)構(gòu)，就是多層感知機(jī)的隱含層部分。后層網(wǎng)絡(luò)節(jié)點(diǎn)和前層網(wǎng)絡(luò)節(jié)點(diǎn)相連，同層網(wǎng)絡(luò)節(jié)點(diǎn)無連接。

輸出層：具體任務(wù)的不同需要，輸出層神經(jīng)節(jié)點(diǎn)所需的數(shù)目也是不同的，當(dāng)執(zhí)行的是分類任務(wù)時(shí)，卷積神經(jīng)網(wǎng)絡(luò)輸出層即相當(dāng)于一個(gè)分類器。

2.1 兩組PDCD4表達(dá)率比較 良性對照組44例患者中，40例呈PDCD4陽性表達(dá)，陽性表達(dá)率為90.91%，EOC組92例患者中，42例呈PDCD4陽性表達(dá)，陽性表達(dá)率為45.65%。兩組的PDCD4表達(dá)水平比較差異有統(tǒng)計(jì)學(xué)意義(χ2=25.465，P<0.05)。見圖1。

1.2 卷積神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型

卷積運(yùn)算包含了連續(xù)型和離散型兩種卷積運(yùn)行，其計(jì)算公式如下。

連續(xù)卷積運(yùn)算公式：

離散卷積運(yùn)算公式：

卷積神經(jīng)網(wǎng)絡(luò)的卷積操作屬于離散卷積，其卷積操作為一個(gè)線性運(yùn)算，相應(yīng)的卷積核也可以稱為濾波器。卷積核可以確定圖像中參與運(yùn)算的區(qū)域大小，以及卷積結(jié)果的識別能力。具體的卷積過程如圖2所示，其中f(x)表示線性化過程，bx表示激活函數(shù)。

圖2 卷積神經(jīng)網(wǎng)絡(luò)的卷積過程Fig.2 Convolution process of convolutional neural networks

卷積層中，通過將輸入的圖像和一個(gè)模型訓(xùn)練的卷積核 f ( x)進(jìn)行卷積操作，之后加入一個(gè)偏置項(xiàng)然后輸入到神經(jīng)元的激活函數(shù)進(jìn)行處理，最后得到了卷積輸出層結(jié)果為 cx

在卷積層，前序?qū)拥奶卣髁繀?shù)經(jīng)過卷積操作，并作為激活函數(shù)的輸入，最后得到輸出圖。每個(gè)輸出圖可能包含多個(gè)輸入圖的卷積。一般來說：

假設(shè)每一個(gè)卷積層l后面的跟隨層為l+1。通過誤差反向傳播算法可以知道，層 l中的誤差信號，是由下一層的神經(jīng)元信號求和并乘上 l+1層對應(yīng)的權(quán)值，并乘上激活函數(shù)相對于輸入的偏導(dǎo)得到。為了得到更好的訓(xùn)練效果，需要得到更有效的訓(xùn)練誤差，因此可以通過將下一層的誤差信號進(jìn)行升采樣操作，然后對升采樣后的誤差信號圖和l層“激活函數(shù)偏導(dǎo)圖”進(jìn)行基于元素的乘法。通過公式（4），可以將卷積層中的每一個(gè)圖j和相對應(yīng)的降采樣層對應(yīng)起來。

其中, ()up x表示升采樣操作，β表示降采樣層的權(quán)重。降采樣操作因子的作用，即將輸入圖像的像素從水平和垂直方向重復(fù)復(fù)制。實(shí)現(xiàn)的方法可以采用Kronecker積：

根據(jù)得到的誤差信號圖像，通過對所有項(xiàng)目進(jìn)行求和以得到偏差的梯度，計(jì)算如下：

最后，核函數(shù)的權(quán)重的梯度可以采用反向傳播算法進(jìn)行計(jì)算。將該權(quán)重涉及到的所有梯度求和：

2 基于卷積神經(jīng)網(wǎng)絡(luò)的變電站巡檢機(jī)器人圖像識別

隨著變電站自動化程度的提高，采用智能巡檢機(jī)器人對變電站設(shè)備進(jìn)行全面檢查，可以更好的維護(hù)變電站的正常運(yùn)行。檢查包括設(shè)備全面外表檢查、缺陷的發(fā)展預(yù)測情況、設(shè)備運(yùn)行薄弱環(huán)節(jié)，通過對視頻圖像進(jìn)行深入分析，能發(fā)現(xiàn)人工無法發(fā)現(xiàn)的隱患風(fēng)險(xiǎn)。

根據(jù)以上理論分析，提出基于卷積神經(jīng)網(wǎng)絡(luò)的變電站巡檢機(jī)器人的圖像識別模型，更精確地對變電站中出現(xiàn)的故障情況進(jìn)行分析判別。具體步驟如下：

（1）通過對采集的圖像進(jìn)行預(yù)處理，通過與數(shù)據(jù)庫采集設(shè)備進(jìn)行差圖像分析、相關(guān)分析，先行識別出圖像中的設(shè)備信息；

（2）將識別設(shè)備歷史圖像從數(shù)據(jù)庫中提取，并通過卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

（3）將本次得到的圖像輸入到訓(xùn)練完成的模型，進(jìn)行分析判斷設(shè)備運(yùn)行情況。

具體模型訓(xùn)練以及識別分類如圖3所示。

3 結(jié)論

本文以變電站智能巡檢機(jī)器人對巡視中表記的識別為例，首先介紹了卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)理論以及經(jīng)典的結(jié)構(gòu)，討論了CNN當(dāng)中的梯度運(yùn)算，是典型的將數(shù)學(xué)方法運(yùn)用到圖像處理中有效的解決了圖像處理中的分類識別問題。以著名的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)，構(gòu)建了一些簡單的卷積神經(jīng)網(wǎng)絡(luò)模型。之后給出了基于卷積神經(jīng)網(wǎng)絡(luò)的變電站巡檢機(jī)器人圖像識別模型，有著很好地研究和推廣價(jià)值。

圖3 基于卷積神經(jīng)網(wǎng)絡(luò)的變電站巡檢機(jī)器人圖像識別模型Fig.3 Image recognition model of substation inspection robot based on convolutional neural network

[1] 張燕東, 田磊, 李茂清, 等. 智能巡檢機(jī)器人系統(tǒng)在火力發(fā)電行業(yè)的應(yīng)用研發(fā)及示范[J]. 中國電力, 50(10): 1-7.

[2] 李梁. 變電站巡檢機(jī)器人視頻監(jiān)控系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].上海交通大學(xué), 2013.

[3] 趙小魚, 徐正飛, 付淵. 一種適用于智能變電站巡檢機(jī)器人的異物檢測算法研究[J]. 現(xiàn)代電子技術(shù), 2015, 38(10): 124-127.

[4] 曾朱文, 鄭連清. 無人值守變電站智能遙視系統(tǒng)的研究[D]. 重慶: 重慶大學(xué), 2005.

[5] 景美麗. 無人值守變電站中智能視頻監(jiān)控的技術(shù)研究[D].保定: 華北電力大學(xué), 2012.

[6] Shin H C, Roth H R, Gao M, et al. Deep Convolutional Neural Networks for Computer-Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning[J]. IEEE Transactions on Medical Imaging, 2016, 35(5):1285-1298.

[7] Tang Y. Deep Learning using Linear Support Vector Machines[J].Computer Science, 2015.

[8] 許可. 卷積神經(jīng)網(wǎng)絡(luò)在圖像識別上的應(yīng)用的研究[D]. 浙江大學(xué), 2012.

[9] 徐姍姍. 卷積神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用[D]. 南京林業(yè)大學(xué),2013.

[10] 常亮, 鄧小明, 周明全, 等. 圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 自動化學(xué)報(bào), 2016, 42(9): 1300-1312.

[11] 吳正文. 卷積神經(jīng)網(wǎng)絡(luò)在圖像分類中的應(yīng)用研究[D]. 電子科技大學(xué), 2015.

[12] 施榮. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的毫米波圖像目標(biāo)檢測方法研究[D]. 哈爾濱工業(yè)大學(xué), 2015.

Image Recognition of Substation Inspection Robot Based on Convolutional Neural Network

YANG Guang, ZHOU Peng-ju, ZHANG Song-bing, XU Peng
(State Grid Henan Electric Power Company Zhengzhou Power Supply Company, Zhengzhou 450000, China)

With the development of science and technology, the application of artificial intelligence in work and life is also more and more extensive. In substation, intelligent inspection robots have gradually emerged instead of manual inspection. The robot in the inspection process is how to identify the token and other related information?This paper will discuss this problem. Firstly, the theoretical basis of convolutional neural network and some related operations are discussed, and the image recognition model of substation inspection robot based on convolutional neural network is given.

Convolutional neural network; Image recognition; Substation inspection; Intelligent robot

TP391.41

A

10.3969/j.issn.1003-6970.2017.12.036

本文著錄格式：楊光，周鵬舉，張宋彬，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的變電站巡檢機(jī)器人圖像識別[J]. 軟件，2017，38（12）：190-192

楊光(1986-)，男，變電運(yùn)維管理，本科，工程師/技師，主要研究方向：變電運(yùn)行。