雷霆，謝榕昌，黃滔，鐘力強，王柯，楊躒，樊韙鋮

(1.廣東電科院能源技術有限責任公司，廣東 廣州 510080；2.廣東電網(wǎng)有限責任公司，廣東 廣州 510060； 3.廣東工業(yè)大學 自動化學院，廣東 廣州 510006；4.長沙理工大學 電氣與信息學院，湖南 長沙 410114)

積水一直是城市電纜隧道難以回避的問題。隧道防水措施存在缺陷，隧道結構因地質沉降而產(chǎn)生滲漏，甚至雨水倒灌進入隧道等都將給電纜隧道的安全運行帶來風險。對于電纜本身，特別是電纜的連接處、T接頭，長時間的積水容易導致其絕緣材料受潮而產(chǎn)生水樹枝，加速絕緣老化，還易形成電樹枝引發(fā)絕緣擊穿，造成電纜故障。同時，隧道內敷設了很多用于電纜安全運行監(jiān)測的輔助設備，比如光電監(jiān)控設備、氣體分析設備、消防泵、軸流風機等，積水會導致隧道內的濕度增大，容易引發(fā)設備短路。因此，隧道積水對電力電纜的安全運行構成極大威脅，對積水進行監(jiān)控和識別具有十分重要的現(xiàn)實意義[1]。

在隧道積水檢測領域，目前國內外主要使用的方法有：人工檢測法、紅外熱像法、可見光檢測等。

人工檢測方法是人為地對電纜隧道的運行環(huán)境以及內部設備進行檢查。電纜隧道一般較長，環(huán)境昏暗且存在高電壓風險，所以不適合人工巡檢。同時，運行維護人員經(jīng)驗、能力存在差異，不能保證巡檢質量[2]。

紅外熱像法測量的是物體的熱輻射強度信息，物體熱輻射主要受到被測表面溫度的影響。因此，當隧道溫度相對穩(wěn)定時，積水區(qū)域與背景地面之間的溫度差別不大，很難有效利用紅外熱像法進行識別[3-4]。

可見光檢測主要是利用對隧道內所采集的可見光圖像進行圖像處理以探測積水[5-6]。由于積水本身沒有固定形狀，積水潭輪廓隨地形改變而改變，所以利用模板進行特征匹配等常規(guī)的形狀特征檢測方法對積水辨識基本無效。其次，水面與環(huán)境對光線反射存在差異的特點對積水進行檢測則易受光照等環(huán)境條件的限制，實際應用時存在誤判率較高的問題。因此，對采集的圖像深入研究，提高對人工智能的圖像分析和識別的能力對于提高隧道積水辨識正確率尤為重要[7-12]。

隨著電纜隧道巡檢機器人的推廣，使用巡檢機器人對電纜隧道的設備進行巡檢也越來越普及[13-14]。本文利用裝有可見光高清攝像頭的電纜隧道巡檢機器人對隧道環(huán)境進行圖像采集。因為機器人巡檢時，只能用機器人自身的燈光進行照明，導致其采集生成的圖像也以黑色(暗色)為主。針對機器人采集圖像的特點，為了提高積水辨識的正確率，采用了單次多框架探測器 (single shot multibox detector,SSD)改進算法對隧道積水進行檢測。該算法通過特征映射圖進行多尺度檢測，在保留對深層特征映射圖檢測的基礎上，增加對較淺特征映射圖的檢測，充分利用了深層特征映射圖的豐富圖像細節(jié)信息來提高積水檢測的正確率。同時，積水異常屬于威脅性較大的異常狀況，需要快速反應，對比其他的人工智能算法，SSD類算法所具有的快速檢測特性與實際情景非常契合。

1 典型卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡(convolution neural network， CNN)具體結構有多種多樣的設計，但都是在卷積層、池化層、全連接層和分類層的基礎上搭配組合而成[15]。

1.1 卷積層

卷積層的主要作用是提取特征，用數(shù)學表達式來描述卷積層函數(shù)，即

(1)

式中：Mj為第j個圖片的圖片集；Kl,ij為第l個卷積核，i為卷積核個數(shù)，j為圖片序號;Bl為第l個卷積偏置分量[16]。

1.2 池化層

池化層以窗口為單位進行池化運算，圖1中池化運算為最大池化，每個窗口大小為2×2，從2×2的元素集合中選擇最大的1個元素，窗口大小可根據(jù)實際情況調整。

圖1 池化層運算原理(最大池化)Fig.1 Pooled layer operation schematic(maximum pooling)

1.3 全連接層

全連接層每個元素都和下一層所有元素聯(lián)系。數(shù)學描述為：

(2)

1.4 分類層

分類層是實現(xiàn)CNN分類(或識別)功能的直接環(huán)節(jié)，其歸一化指數(shù)函數(shù)

(3)

式中：t為輸入數(shù)據(jù)個數(shù)；G為擬分類總數(shù)；g為擬分類數(shù);zt和zg為分類層模型參數(shù)。

以上為CNN的基礎結構，CNN模型就是由這些層組合形成的。

2 SSD算法與SSD改進算法

2.1 SSD算法

SSD是一種使用深度神經(jīng)網(wǎng)絡來檢測圖像中對象的方法，其基于前饋卷積網(wǎng)絡，核心是使用應用于特征映射的小卷積核來預測固定的一組默認邊界框的類別分數(shù)和框偏移量，然后進行非極大值抑制,得到最終檢測結果。該方法兼顧了對象檢測的準確率和實時性的要求，成為目前最優(yōu)且應用最廣泛的目標檢測模型之一。

SSD算法的前5層結構仿照了視覺集合群-16(visual geometry group，VGG-16)算法的設計結構，之后以Astrous Algorithm為基礎在第5層卷積層后又連接了2個卷積層。

2.2 SSD改進算法

由于現(xiàn)有SSD算法對小目標物體檢測的魯棒性較差，本文選取6個不同層次的特征映射圖進行多尺度檢測，如圖2所示。

圖2 默認邊界Fig.2 Default boundary

SSD改進算法包括如下步驟：

a)多尺度檢測。如圖3所示，選取cov4層、

cov7—cov11層的特征映射。其中，將cov4層的特征映射劃分成38×38的網(wǎng)格，同理將cov7—cov11層的特征映射依次劃分為19×19、10×10、5×5、3×3和1×1的網(wǎng)格。不同的特征映射尺寸能檢測不同尺度的圖像特征，豐富了圖像的檢測結果，最后得到6組結果，通過非極大值抑制處理，可獲得標注區(qū)域的邊界。

b)默認邊界。每個默認邊界(圖3虛線框)都有對應的特征映射，反映在圖3中，既為特征映射的位置固定。反之，每個特征對應的邊界，都是默認邊界經(jīng)過形變、偏移得到的，并有概率描述其置信度。

映射邊界的相對位置固定，但尺寸會隨著特征圖的尺寸變化而變化。由圖2可知，共使用6個不同尺度的特征映射進行預測，每層對應的默認邊界框函數(shù)

(4)

式中：k,m∈[1,6]，均為特征映射的尺度數(shù)；smin、smax分別為默認邊界框的最小和最大值，且smin=0.2，smax=0.95。

在6個100mL容量瓶中分別加入Li、Na、Mg、Ca混合標準工作溶液，使用0.5% HNO3(體積分數(shù))定容，搖勻。此標準溶液系列I中Li、Na、Mg、Ca的質量濃度分別為0、0.10、0.25、0.50、1.0、2.0mg/L。

(5)

(6)

式中war,k、har,k分別為迭代的先驗框的寬度與高度。

另外，當ar=1，默認邊界框的額外增加

(7)

c)邊框匹配。標注信息的真實目標(ground truth， GT)邊界是SSD網(wǎng)絡訓練的第1步。標記完成后，形成GT邊框和默認邊界框的映射。除了映射之外，正負樣本和損失函數(shù)也是必不可少的。其次，由前文闡述的多尺度改進中，6個特征映射可以進行6個3×3卷積，其中4個輸出默認邊界的位置信息，1個輸出GT框在默認邊界檢測到物體的概率，最后一個卷積輸出默認邊界檢測到不同類別物體的概率。統(tǒng)計所有默認邊界的位置，將所有默認邊界的卷積整合在一起，所形成的新框圖綜合了所有預測默認邊界，最后計算框圖匹配環(huán)節(jié)產(chǎn)生的損失。

圖3 SSD改進算法結構Fig.3 Improved SSD algorithm structure

d)正負樣本。在GT邊界與默認邊界進行匹配后，大多數(shù)的默認邊界匹配度低于閾值，將作為反示教例子也就是負樣本。訓練時正負樣本差距過大會影響SSD網(wǎng)絡的準確率。因此，訓練過程中，正負樣本數(shù)量是需要保持一定比例的，這里選取1:3的比例比較合適。

e)目標損失函數(shù)。xp,ij為邊界是否匹配的二值量，若第i個默認邊界與第p類的第j個GT邊界相匹配，xp,ij=1；若不匹配，則xp,ij=0。由定位損失Lloc和置信度損失Lconf加權求和計算，得總目標損失

(8)

式中：N為與GT框相匹配的默認邊界框的個數(shù)；u為加權系數(shù)。

3 圖像智能識別算法性能對比

SSD神經(jīng)網(wǎng)絡屬于基于CNN的一級圖像識別算法。相比二級算法，一級算法沒有設定候選區(qū)域，因此運算速度高于二級圖像識別算法，具有很高的實效性。改進SSD算法是在原有SSD算法的基礎上，增加對淺層特征映射圖的檢測，加強了對圖像中較小面積的物體識別能力。

用同一訓練數(shù)據(jù)Pascal VOC 2012訓練以上2種CNN，并以Pascal VOC 2012的測試圖片集檢驗2種CNN的性能：準確率和實時性，測試結果如圖4及見表1。

圖4 算法損失曲線Fig.4 Loss curve of the algorithm

圖4中的損失曲線為基于訓練數(shù)據(jù)Pascal VOC 2012的4種算法的總體損失與訓練次數(shù)的函數(shù)?？傮w損失來自于CNN的邊框預測(定位損失)和分類環(huán)節(jié)(置信度損失)，損失值為預測2環(huán)節(jié)和分類環(huán)節(jié)的損失加權求和。

由圖4可知，由于算法的性能有所差異，相應的訓練損失的下降速度不同，但總體上都能快速下降，不過SSD改進算法的收斂速度較快且最終損失值也較低，證明改進型的算法優(yōu)于原SSD算法。

表1 算法性能對比表Tab.1 Comparison of algorithm performance

從表1可知，改進SSD算法與SSD算法相比，從MAP到FPS都有小幅度的改進。

4 實驗驗證

實驗驗證包括以下幾個方面：

a)卷積網(wǎng)絡設定。巡檢機器人所采集的積水圖像中，積水一般為暗色，池化層中的池化規(guī)則選擇最小值規(guī)則，即排除采樣區(qū)域內最具亮度表現(xiàn)力的點，以減少高亮像素特征對積水區(qū)域圖像特征的污染。

b)識別環(huán)境設定。計算機CPU雙核為2.8 GHz，GPU模塊為12 GB顯存的TitanX，32 GB內存，Ubuntu 16.04操作系統(tǒng)。積水識別模型的網(wǎng)絡訓練框架采用的是Caffe深度學習框架。

c)隧道積水識別檢測。測試集為一段機器人巡檢途中遇到的積水段視頻，視頻大小30 MB，時長35 s,初始學習率為10-4，動量項為0.9，權值衰減系數(shù)為0.000 5，batch大小為32。

隧道積水識別的總體流程如圖5所示。

圖5 隧道積水識別流程Fig.5 Tunnel water recognition process

隧道積水識別模型的訓練損失結果如圖6所示。由圖6(a)可知：經(jīng)過600次訓練后，模型的總體損失趨于穩(wěn)定，說明在滿足一定訓練次數(shù)后，CNN模型的效果良好。由圖6(b)可知：經(jīng)過600次訓練后的模型的定位損失趨于穩(wěn)定，且能夠比較準確地辨識出積水部分并使用輪廓框出。由圖6(c)可知：隨著訓練次數(shù)的增加，模型的分類損失越來越小，也就是識別的準確率越來越高。綜上所述，隧道積水模型的損失率會隨著訓練次數(shù)的增加而降低，同時，在保證良好的準確率情況下，考慮到模型的訓練效率，在實際使用時模型的訓練次數(shù)應大于600次。

由圖7檢測結果可以看出，本論文采用基于SSD改進算法的電纜隧道積水識別方法可以實現(xiàn)積水的定位和識別。采用bootstrap測試方法對數(shù)據(jù)集為221張積水或正常隧道情景圖進行測試，統(tǒng)計結果顯示識別MAP為69.6%以上，算法對情景圖平均識別時間縮小了20 ms。

圖6 模型訓練損失 Fig.6 Training loss of the model

5 結束語

本文將圖像處理技術與深度學習應用于電力隧道圖像的識別與分析中，提出了一種基于SSD改進算法的電纜隧道設備識別方法，并進行了圖像分析驗證，檢測了隧道積水的異常狀況識別功能。這可應用于在高壓環(huán)境中使用巡檢機器人代替人工檢測進行隧道巡視，提高機器人的智能化水平。本文提出的算法適用性廣，具有良好的識別質量與較高的識別率，為檢測設備智能化提供了重要的技術支持。

圖7 檢測結果Fig.7 Test results