盧志鋼,洪乙銘

(國網(wǎng)石獅市供電公司，福建 石獅 362700)

1 引言

硬壓板作為連接外部裝置進(jìn)行投退操作的設(shè)備，是保護(hù)裝置連接外部二次回路的重要節(jié)點(diǎn)，當(dāng)實(shí)際線路運(yùn)行方式發(fā)生改變時(shí)，需要做出對應(yīng)的調(diào)整，避免由誤操作引起的事故。傳統(tǒng)的硬壓板記錄要求運(yùn)維人員采用人工記錄的方式記錄硬壓板投切狀態(tài)，而大量的人工記錄會導(dǎo)致出現(xiàn)誤記的情況，且耗時(shí)高，不符合智能變電站的發(fā)展方向[1]。

隨著圖像識別技術(shù)的發(fā)展，各種基于圖像識別的應(yīng)用場合不斷增加，傳統(tǒng)目標(biāo)檢測方法如：HOG，SIFT等方法通過特征傳入SVM、AdaBoost等分類器中進(jìn)行檢測。文獻(xiàn)[2]和文獻(xiàn)[3]就采用加權(quán)投票機(jī)制的AdaBoost算法對圖像進(jìn)行訓(xùn)練，繼而建構(gòu)分類器，以實(shí)現(xiàn)對硬壓板投退狀態(tài)的識別和統(tǒng)計(jì)。而隨著神經(jīng)網(wǎng)絡(luò)的運(yùn)用以及網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化，更多研究以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)進(jìn)行目標(biāo)檢測中，主流算法主要分為兩個類型：Two-stage方法以及One-stage方法，如R-CNN系列為代表的Two-stage方法，主要思路為通過Selective Search或者CNN網(wǎng)絡(luò)產(chǎn)生一系列的稀疏矩陣的候選框，然后對這些候選框進(jìn)行分類和回歸，two-stage的方法優(yōu)勢在于準(zhǔn)確率度高，而One-stage方法有YOLO，SSD等，其主要思路就是均勻地在圖片上不同位置進(jìn)行密集抽樣，抽樣時(shí)可以采用不同尺度和長寬比，利用CNN提取特征后直接進(jìn)行分類和回歸，整個過程只需要一步，具有速度快的優(yōu)勢。

現(xiàn)如今的已有采用圖像識別應(yīng)用于變電站智能化中[4-5]，文獻(xiàn)通常采用智能檢測方法和圖像識別的方法，前者通常通過傳感器搭建電路，將硬壓板的投切狀態(tài)進(jìn)行檢測，再通過傳輸回路將數(shù)據(jù)返回給控制中心[6]，而后者通常采用先進(jìn)的計(jì)算機(jī)算法，對硬壓板的圖像或是視頻監(jiān)控采集得到的視頻流進(jìn)行截取，對圖片、視頻進(jìn)行分析、處理，從而檢測硬壓板狀態(tài)，但由于圖片的質(zhì)量問題、拍攝角度、光照強(qiáng)度，都會影響檢測的識別準(zhǔn)確率。文獻(xiàn)采用3/4去噪聚類法,有效消除椒鹽噪聲并實(shí)現(xiàn)聚類，最終很好的實(shí)現(xiàn)圖像識別。文獻(xiàn)[7]采用MobileNets結(jié)構(gòu)代替VGG的網(wǎng)絡(luò)結(jié)構(gòu)，對變電站的紅外圖像進(jìn)行檢測，達(dá)到了更快速的檢測結(jié)果。

本文提出了一種改進(jìn)型的SSD網(wǎng)絡(luò)，利用原有的SSD網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)，引入了DenseNet結(jié)構(gòu)替換VGG16的網(wǎng)絡(luò)結(jié)構(gòu)，對硬壓板狀態(tài)圖像進(jìn)行狀態(tài)識別，最后通過實(shí)驗(yàn)測試，驗(yàn)證了該模型的有效性和準(zhǔn)確性。

2 SSD模型

2.1 原SSD網(wǎng)絡(luò)結(jié)構(gòu)模型

SSD(Single Shot MultiBox Detector)目標(biāo)檢測技術(shù)是，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。網(wǎng)絡(luò)結(jié)構(gòu)是基于VGG16作為基礎(chǔ)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)的，通過在VGG16的基礎(chǔ)上進(jìn)行增加卷積層來檢測，將VGG的全連接層fc6和fc7轉(zhuǎn)換成3*3的卷積層和1*1的卷積層，并且把池化層又原來的步長為2的2*2的池化層變成步長為1的3*3的池化層。

圖1 SSD原理圖

對每個單元設(shè)置先驗(yàn)框，輸出一套對應(yīng)的值，在網(wǎng)絡(luò)中大的特征圖檢測小目標(biāo)，具有較小的感受野，而小的特征圖用于檢測大的目標(biāo)。利用IOU計(jì)算樣本為正負(fù)樣本，當(dāng)IOU大于閾值時(shí)為正樣本，反之則為負(fù)樣本。對應(yīng)的計(jì)算公式為：

其中，Gt(Ground Truth)為目標(biāo)位置，Dr(Detection Result)為檢測結(jié)果。由于IOU算法判斷后會產(chǎn)生大量重疊檢測，因此需要采用非極大值抑制，選擇具有最大得分的檢測框M，將其從列表中集合中移除并加入到最終的檢測結(jié)果中。達(dá)到對冗余結(jié)果進(jìn)行篩選。

2.2 損失函數(shù)選擇

通過改進(jìn)型SSD目標(biāo)檢測網(wǎng)絡(luò)，對輸入目標(biāo)進(jìn)行分類以及位置的定位，運(yùn)用損失函數(shù)進(jìn)行分類以及位置的計(jì)算，損失函數(shù)表達(dá)式如下：

Lloc表示類別損失函數(shù)，公式如下：

lconf為損失函數(shù)，表示預(yù)測框與真實(shí)框的差值，l表示預(yù)測框，g為真實(shí)框，公式如下；

3 改進(jìn)型SSD模型

本文選擇DenseNet作為SSD的前置網(wǎng)絡(luò)代替原有的VGG16的網(wǎng)絡(luò)結(jié)構(gòu)，DenseNet具有網(wǎng)絡(luò)窄參數(shù)少的優(yōu)點(diǎn)，減輕了VGG16網(wǎng)絡(luò)結(jié)構(gòu)的梯度消失問題，因此選用此網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行設(shè)計(jì)[8]，DenseNet-121 網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。

表1 DenseNet-121 網(wǎng)絡(luò)結(jié)構(gòu)

Stride默認(rèn)為2，使用Dropout可以有效的減少參數(shù)量，其中，在Dense_Block的特征圖由于DenseNet拼接的原因需要保持相同的尺寸，經(jīng)過了1*1的卷積核來減少特征圖的數(shù)量，之后輸入至3*3卷積核中，大大減少了計(jì)算量。

4 實(shí)驗(yàn)

4.1 數(shù)據(jù)集準(zhǔn)備

為了讓訓(xùn)練后的SSD目標(biāo)識別網(wǎng)絡(luò)能夠更好的識別硬壓板的狀態(tài)，需要提供足夠數(shù)量的硬壓板照片作為訓(xùn)練集，通過對所收集來的硬壓板圖片進(jìn)行亮度，鏡像，對比度，角度上進(jìn)行變換來完成數(shù)據(jù)集擴(kuò)充[9]，如圖2所示。最終建立起1000張硬壓板照片作為數(shù)據(jù)集，并保持壓板的樣本數(shù)與背景的樣本數(shù)目為1∶3的比例。

圖2 硬壓板圖像處理圖

4.2 實(shí)驗(yàn)平臺配置

本文所進(jìn)行訓(xùn)練以及測試的平臺為win10系統(tǒng)，具體的配置如表2所示。

表2 實(shí)驗(yàn)平臺參數(shù)

4.2 實(shí)驗(yàn)效果

混合狀對所收集的硬壓板圖像進(jìn)行訓(xùn)練，模型測試結(jié)果如圖3所示，所提出的改進(jìn)型SSD算法能夠正確的識別出硬壓板的狀態(tài)。

圖3 硬壓板SSD算法識別結(jié)果

對于網(wǎng)絡(luò)樣本，本文設(shè)計(jì)500張的驗(yàn)證集樣本數(shù)，500張測試集樣本數(shù)，以及1000混合集樣本數(shù)對算法進(jìn)行驗(yàn)證，結(jié)果如表3所示。

表3 模型測試數(shù)據(jù)

為了進(jìn)一步驗(yàn)證本文所提出的改進(jìn)型SSD算法，將其與傳統(tǒng)的SSD算法得到的結(jié)果進(jìn)行性能對比，對比結(jié)果如表4所示。

表4 不同的算法性能對比

由表中數(shù)據(jù)可見，由于DenseNet網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)量少，網(wǎng)絡(luò)結(jié)構(gòu)窄，使得特征能更好的傳遞到深層網(wǎng)絡(luò)，使得訓(xùn)練速度更快，且具有更好的識別率，在硬壓板狀態(tài)識別的表現(xiàn)上優(yōu)于傳統(tǒng)的SSD算法。

5 結(jié)語

本文為了實(shí)現(xiàn)變電站硬壓板開關(guān)狀態(tài)的識別，提出了采用改進(jìn)型的SSD算法進(jìn)行變電站硬壓板狀態(tài)的圖像識別，該算法緩解了原SSD網(wǎng)絡(luò)的梯度下降問題，使得訓(xùn)練過程大大簡化，并且有效減少了參數(shù)量，使得特征向深度傳播，通過對變電站硬壓板照片進(jìn)行采集、擴(kuò)充，建立了500張硬壓板數(shù)據(jù)集，最終在硬壓板驗(yàn)證集上驗(yàn)證了所訓(xùn)練的改進(jìn)型SSD模型的正確性，準(zhǔn)確率達(dá)到了97%，比起傳統(tǒng)SSD，在準(zhǔn)確率上和識別速度上都有著更好的表現(xiàn)。