趙 鍇，李繼東，黃 佳，鄭靜媛，張淞杰

（1.國(guó)網(wǎng)北京市電力公司，北京 100031；2.浙江大學(xué) 電氣學(xué)院，杭州 310027）

0 引言

隨著我國(guó)城市現(xiàn)代化的發(fā)展，城市的用電量也在不斷增大。為了滿足城市各地區(qū)的生產(chǎn)生活用電需求，配電網(wǎng)需要承擔(dān)極大的電力分配壓力。配電網(wǎng)具有電壓等級(jí)多，網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，設(shè)備類型多樣，作業(yè)點(diǎn)多面廣，安全環(huán)境相對(duì)較差等特點(diǎn)，因此配電網(wǎng)的安全風(fēng)險(xiǎn)因素也相對(duì)較多。據(jù)統(tǒng)計(jì)，電力用戶遭受的停電事故95%以上是由配電網(wǎng)引起的（扣除發(fā)電不足因素）[1]。另外，由于配電網(wǎng)承擔(dān)為各類用戶提供電力能源的責(zé)任，因此降低配電網(wǎng)故障對(duì)提升用戶體驗(yàn)，提高企業(yè)形象具有重要意義。而這就對(duì)配電網(wǎng)的可靠運(yùn)行提出了更高的要求。

配電網(wǎng)主要由架空線路、桿塔、電纜、配電變壓器、斷路器、無(wú)功補(bǔ)償電容等配電設(shè)備及附屬設(shè)施組成，實(shí)際運(yùn)行中的配電線路故障絕大部分是架空線路故障[2]。鳥(niǎo)害一直是導(dǎo)致架空配電網(wǎng)故障高發(fā)的主要原因[3]，鳥(niǎo)類活動(dòng)引起的線路跳閘次數(shù)僅次于雷害與外力破壞[4]。并且由于輸電線路人工巡檢成本巨大，電網(wǎng)公司缺乏有效應(yīng)對(duì)措施。

針對(duì)鳥(niǎo)害的預(yù)防問(wèn)題，國(guó)內(nèi)外都做了不少研究。傳統(tǒng)的研究方向是對(duì)配電網(wǎng)架空線路進(jìn)行防鳥(niǎo)害改裝，主要可以分為三類：加裝驅(qū)鳥(niǎo)型設(shè)備，如風(fēng)輪、超聲波、光波驅(qū)鳥(niǎo)器等；加裝防護(hù)型設(shè)備，如防鳥(niǎo)罩、防鳥(niǎo)刺等；加裝誘導(dǎo)型設(shè)備，如竹籃鳥(niǎo)巢等[5]。這些方法具有很多值得學(xué)習(xí)和借鑒的地方，但也存在成本高昂、維護(hù)困難、影響施工等缺點(diǎn)，因此實(shí)際效果并不理想。隨著機(jī)器視覺(jué)以及無(wú)人機(jī)等技術(shù)的迅猛發(fā)展，配電網(wǎng)的鳥(niǎo)害預(yù)防也出現(xiàn)了一種通過(guò)圖像方法實(shí)現(xiàn)的新思路。文獻(xiàn)[6]研究并實(shí)現(xiàn)了兩種鳥(niǎo)巢特征提取的方法：PCA（主成分分析方法）和Gabor 濾波方法，并分別對(duì)鳥(niǎo)巢圖片數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)。西南交通大學(xué)的團(tuán)隊(duì)通過(guò)對(duì)關(guān)鍵區(qū)域HOG（方向梯度直方圖）特征的提取，實(shí)現(xiàn)了對(duì)鐵路接觸網(wǎng)鳥(niǎo)巢區(qū)域的檢測(cè)[7]。文獻(xiàn)[8]提供了一種基于支持向量機(jī)的鳥(niǎo)巢檢測(cè)框架。文獻(xiàn)[9]通過(guò)搜索符合鳥(niǎo)巢樣本的HSV（色調(diào)-飽和度-明度）顏色特征量的連通區(qū)域，檢測(cè)鐵塔上的鳥(niǎo)巢。這些算法都相對(duì)簡(jiǎn)單，對(duì)于配電網(wǎng)的鳥(niǎo)巢檢測(cè)存在著穩(wěn)定性較差，抗干擾能力不強(qiáng)等問(wèn)題。

近年來(lái)，隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，基于深度學(xué)習(xí)方法的目標(biāo)檢測(cè)與定位識(shí)別技術(shù)已經(jīng)達(dá)到不錯(cuò)的效果，并開(kāi)始大規(guī)模應(yīng)用于產(chǎn)業(yè)。然而，針對(duì)配電網(wǎng)的鳥(niǎo)巢檢測(cè)，相關(guān)深度學(xué)習(xí)方法的研究應(yīng)用卻十分少。因此，本文的探索對(duì)相關(guān)的研究具有一定的借鑒和啟發(fā)意義。

CNN（卷積神經(jīng)網(wǎng)絡(luò)）是深度學(xué)習(xí)網(wǎng)絡(luò)的基礎(chǔ)，在圖像檢測(cè)識(shí)別領(lǐng)域發(fā)揮著舉足輕重的作用。在此基礎(chǔ)上，逐漸發(fā)展出了R-CNN[10]，SPP-net[11]，F(xiàn)ast R-CNN[12]，F(xiàn)aster R-CNN[13]等一系列深度學(xué)習(xí)的算法模型。在綜合考慮檢測(cè)速率和準(zhǔn)確率的情況下，本文提出了一種基于Cascade R-CNN 的配電網(wǎng)鳥(niǎo)巢檢測(cè)方法。該方法通過(guò)在R-CNN 中加入一個(gè)multi-stage 的結(jié)構(gòu)，使每個(gè)stage 都有一個(gè)不同的IoU（聯(lián)合正負(fù)）閾值，可為配電網(wǎng)提供更穩(wěn)定、高效的鳥(niǎo)巢檢測(cè)結(jié)果。

1 Cascade R-CNN 神經(jīng)網(wǎng)絡(luò)

1.1 CNN 神經(jīng)網(wǎng)絡(luò)

在圖像的目標(biāo)檢測(cè)中，特征的選擇通常比分類更重要。在CNN 發(fā)展之前，各種視覺(jué)識(shí)別技術(shù)的進(jìn)展都很大程度上基于SIFT（尺度不變特征變換）[14]和HOG[15]的使用，其中參考文獻(xiàn)[7]正是使用了HOG 特征。但是SIFT，HOG 等經(jīng)驗(yàn)驅(qū)動(dòng)的人造特征通常并不能完全代表樣本的特征，因此開(kāi)始轉(zhuǎn)而使用CNN 等為代表的數(shù)據(jù)驅(qū)動(dòng)的檢測(cè)方法，以此提高特征對(duì)樣本的表示能力。

CNN 的工作機(jī)制是將圖像作為網(wǎng)絡(luò)輸入，然后通過(guò)多個(gè)卷積層和池化層進(jìn)行處理，最后輸出對(duì)象類別，如圖1 所示。對(duì)于每個(gè)輸入圖像，都會(huì)得到一個(gè)相應(yīng)的對(duì)象類別。當(dāng)要實(shí)現(xiàn)圖像檢測(cè)時(shí)，需要同時(shí)定位圖像中的多個(gè)物體。CNN 一般是通過(guò)滑動(dòng)窗口探測(cè)器來(lái)實(shí)現(xiàn)檢測(cè)定位，為了獲得較高的空間分辨率，這些CNN 都采用了兩個(gè)卷積層和兩個(gè)池化層。但是由于R-CNN 網(wǎng)絡(luò)層次更深，輸入圖片有非常大的尺寸（195×195）和步長(zhǎng)（32×32），這使得采用滑動(dòng)窗口的方法并不可行。

圖1 CNN 網(wǎng)絡(luò)結(jié)構(gòu)

CNN 與普通神經(jīng)網(wǎng)絡(luò)的區(qū)別在于，CNN 包含了一個(gè)由卷積層和下采樣層構(gòu)成的特征，公式如下：

式中：i，j 分別代表輸入圖像的長(zhǎng)和寬；m，n 分別為卷積核的長(zhǎng)和寬；s 為輸出；W 為卷積核；X為網(wǎng)絡(luò)的輸入。特別的，如果X 是一個(gè)二維輸入的矩陣，那么W 也是一個(gè)二維的矩陣；如果X是一個(gè)多維張量，那么W 也是一個(gè)多維的張量。

CNN 一般包括輸入層、卷積層、激活函數(shù)、池化層以及全連接層。輸入層主要對(duì)圖片數(shù)據(jù)進(jìn)行預(yù)處理，包括去均值與歸一化，預(yù)處理后的圖片才能以統(tǒng)一的格式進(jìn)行后續(xù)的卷積操作。卷積層通過(guò)卷積運(yùn)算，提取圖像的高級(jí)特征。提取到的特征連接全連接層，并通過(guò)激活函數(shù)得到檢測(cè)結(jié)果。在CNN 中，使用的激活函數(shù)多為ReLU（線性修正單元）函數(shù)。ReLU 激活函數(shù)的公式如下：

池化層的存在能夠有效地減少計(jì)算量。池化就是將多個(gè)像素點(diǎn)進(jìn)行求均值或最大值等操作，將輸入圖像進(jìn)行縮小，減少像素信息，進(jìn)而減少計(jì)算量。全連接層在整個(gè)CNN 中起到“分類器”的作用，即通過(guò)前敘輸入層、卷積層、激活函數(shù)、池化等模塊后，將得到的結(jié)果連接至全連接層，通過(guò)全連接層對(duì)結(jié)果進(jìn)行識(shí)別分類。

1.2 Cascade R-CNN

在CNN 的基礎(chǔ)上，Ross Girshick 等人將候選區(qū)域和CNN 結(jié)合起來(lái)，得到一種新的神經(jīng)網(wǎng)絡(luò)R-CNN。受滑動(dòng)窗口方法的啟發(fā)，R-CNN 采用區(qū)域識(shí)別的方案來(lái)進(jìn)行分區(qū)檢測(cè)。在R-CNN 中，對(duì)每張圖片產(chǎn)生接近2 000 個(gè)與類別無(wú)關(guān)的候選區(qū)域，對(duì)每個(gè)CNN 抽取了一個(gè)固定長(zhǎng)度的特征向量，最后通過(guò)專門(mén)針對(duì)特定類別數(shù)據(jù)的線性SVM（支持向量機(jī)）或softmax 分類器對(duì)每個(gè)區(qū)域進(jìn)行分類。在不考慮候選區(qū)域大小的情況下，使用放射圖像變形的方法來(lái)對(duì)每個(gè)不同形狀的候選區(qū)域產(chǎn)生一個(gè)固定長(zhǎng)度作為CNN 輸入的特征向量。實(shí)驗(yàn)證明該方法能夠有效提高檢測(cè)效果，但是相應(yīng)的也存在一些缺點(diǎn)。首先在對(duì)象檢測(cè)中，需要定義IoU 閾值。隨著IoU 閾值的增大，網(wǎng)絡(luò)的檢測(cè)性能下降。造成這種情況的主要原因有兩個(gè)：在訓(xùn)練期間由于正樣本呈指數(shù)消失而過(guò)度擬合；最佳檢測(cè)器的IoU 與輸入假設(shè)的IoU 之間的推理時(shí)間不匹配。

為了解決這個(gè)問(wèn)題，2018 年研究人員提出了Cascade R-CNN?；谠摼W(wǎng)絡(luò)提出了一種多階段目標(biāo)檢測(cè)架構(gòu)，它由一系列經(jīng)過(guò)不斷提高的IoU閾值訓(xùn)練檢測(cè)器組成，可以依次對(duì)接近的假陽(yáng)性更具選擇性。具體的，是設(shè)計(jì)cascade R-CNN 的bbox cls/reg 機(jī)制，公式如下：

其中總共有3 個(gè)雙向子網(wǎng)相級(jí)聯(lián)，每個(gè)雙向子網(wǎng)采用不同的IoU 閾值。

2 基于Cascade R-CNN 的配電網(wǎng)鳥(niǎo)巢檢測(cè)

2.1 實(shí)驗(yàn)數(shù)據(jù)

為了驗(yàn)證提出的基于Cascade R-CNN 的配電網(wǎng)鳥(niǎo)巢檢測(cè)方法的可行性與有效性，本文進(jìn)行了一系列的實(shí)驗(yàn)驗(yàn)證。整個(gè)實(shí)驗(yàn)過(guò)程基于Ubuntu-16.04 操作系統(tǒng)下的TensorFlow 2.0 平臺(tái)，實(shí)驗(yàn)圖片共計(jì)有2 076 張。

在本文針對(duì)架空線的鳥(niǎo)巢檢測(cè)中，由于背景繁雜，對(duì)圖片的檢測(cè)工作帶來(lái)許多困難。如圖2所示，現(xiàn)場(chǎng)圖片中通常包含絕緣子、架空線之類的設(shè)備影響檢測(cè)，且鳥(niǎo)巢位置通常比較隱蔽，使用傳統(tǒng)的檢測(cè)算法極易產(chǎn)生誤檢，如將架空線路或鐵塔識(shí)別為鳥(niǎo)巢，或是將鳥(niǎo)巢當(dāng)做架空線的一部分。為了應(yīng)對(duì)這個(gè)問(wèn)題，本文擬采用基于Cascade R-CNN 的檢測(cè)方法，通過(guò)熱力圖的方式尋找鳥(niǎo)巢所在區(qū)域的特征，實(shí)現(xiàn)對(duì)架空線鳥(niǎo)巢的準(zhǔn)確識(shí)別。

2.2 級(jí)聯(lián)結(jié)構(gòu)

如圖3 所示，本文使用的Cascade 級(jí)聯(lián)結(jié)構(gòu)共分為4 個(gè)階段，在訓(xùn)練初期，RPN（區(qū)域生成網(wǎng)絡(luò)）提出的候選框大部分質(zhì)量都不高，導(dǎo)致沒(méi)辦法直接使用高閾值的檢測(cè)器，Cascade R-CNN 使用級(jí)聯(lián)回歸作為一種重采樣的機(jī)制，逐階段提高候選框的IoU 值，從而使得前一個(gè)階段重新采樣過(guò)的候選框能夠適應(yīng)下一個(gè)有更高閾值的階段，本文中使用的IoU 閾值分別設(shè)定為遞進(jìn)的0.5，0.6，0.7。同時(shí)，將大于該閾值的定義為正樣本，其余均為負(fù)樣本。

圖2 架空線的鳥(niǎo)巢

圖3 Cascade 級(jí)聯(lián)結(jié)構(gòu)

在本文基于Cascade R-CNN 的配電網(wǎng)鳥(niǎo)巢檢測(cè)實(shí)驗(yàn)中，通過(guò)該multi-stage 的結(jié)構(gòu)，對(duì)檢測(cè)器的候選框基于不同的IoU 閾值進(jìn)行訓(xùn)練。在訓(xùn)練階段，神經(jīng)網(wǎng)絡(luò)提出多個(gè)候選框，這些候選框被送入到Cascade R-CNN 網(wǎng)絡(luò)結(jié)構(gòu)中，通過(guò)三段不同的IoU 閾值挑選對(duì)應(yīng)質(zhì)量的樣本用于訓(xùn)練與檢測(cè)。通過(guò)逐級(jí)提高候選框的IoU 值，從而使得前一級(jí)重新采樣過(guò)的候選框能夠適應(yīng)下一個(gè)有更高IoU 閾值的階段，實(shí)現(xiàn)提高檢測(cè)效果的目的。訓(xùn)練后的檢測(cè)器可以快速對(duì)檢測(cè)圖片的候選框進(jìn)行匹配計(jì)算，實(shí)現(xiàn)對(duì)架空線鳥(niǎo)巢的有效檢測(cè)。

2.3 網(wǎng)絡(luò)參數(shù)

作為對(duì)比，損失函數(shù)與Faster R-CNN 保持一致。分類器采用softmax，回歸采用smooth L1 loss，并且為了防止由于邊界框大小以及位置帶來(lái)的回歸尺度的影響，對(duì)邊界框的坐標(biāo)進(jìn)行歸一化處理。Cascade R-CNN 的參數(shù)數(shù)量隨級(jí)聯(lián)級(jí)數(shù)的增加而增加，其中基線檢測(cè)器的參數(shù)數(shù)量呈線性增加。另外，由于與RPN 相比基線檢測(cè)器的計(jì)算成本通常較小，因此在訓(xùn)練和測(cè)試方面，Cascade R-CNN 的計(jì)算成本相對(duì)Faster R-CNN 更小。

2.4 實(shí)驗(yàn)設(shè)計(jì)

在本文的實(shí)驗(yàn)中，實(shí)驗(yàn)圖片共計(jì)有1 836 張。所有實(shí)驗(yàn)圖片均已人工標(biāo)記鳥(niǎo)巢區(qū)域并記錄圖片標(biāo)簽屬性。選取部分實(shí)驗(yàn)圖片樣本作為訓(xùn)練樣本，剩余圖片樣本作為測(cè)試樣本。將訓(xùn)練樣本分別對(duì)不同檢測(cè)算法進(jìn)行訓(xùn)練，并用訓(xùn)練后的算法模型對(duì)測(cè)試樣本進(jìn)行檢測(cè)。通過(guò)對(duì)Cascade RCNN 和其余幾種主流算法的識(shí)別準(zhǔn)確率進(jìn)行對(duì)比分析，可以得知基于Cascade R-CNN 的配電網(wǎng)鳥(niǎo)巢檢測(cè)是否具有可行性和先進(jìn)性。

本文的實(shí)驗(yàn)流程如圖4 所示。在訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)中，將測(cè)試圖片輸入骨干網(wǎng)絡(luò)，通過(guò)RPN得到一系列候選框，之后進(jìn)行池化得到第一級(jí)的分類器結(jié)果和回歸結(jié)果，通過(guò)三級(jí)Cascade 級(jí)聯(lián)結(jié)構(gòu)的IoU 閾值可以快速獲得最終的分類和回歸結(jié)果，判斷測(cè)試圖片中是否存在鳥(niǎo)巢，并框出鳥(niǎo)巢所在位置。

圖4 實(shí)驗(yàn)流程

3 實(shí)驗(yàn)結(jié)果

如前文所述，具體的實(shí)驗(yàn)結(jié)果如圖5 所示，其中檢測(cè)到的配電網(wǎng)鳥(niǎo)巢區(qū)域均由方框框出。基于此實(shí)驗(yàn)結(jié)果，可以有效地證明Cascade R-CNN算法在配電網(wǎng)鳥(niǎo)巢檢測(cè)中具有良好的識(shí)別效果。

圖5 實(shí)驗(yàn)仿真結(jié)果

為了體現(xiàn)本檢測(cè)方案在速度和識(shí)別精確度上的優(yōu)勢(shì)，本文將以Cascade R-CNN 算法與多種經(jīng)典的目標(biāo)檢測(cè)識(shí)別算法進(jìn)行對(duì)比，即CNN 算法，SVM 算法[16]以及ELM（極限學(xué)習(xí)機(jī)）算法[17]。作為傳統(tǒng)目標(biāo)檢測(cè)方法，這些算法均已經(jīng)驗(yàn)證了其在目標(biāo)識(shí)別與檢測(cè)中的有效性和準(zhǔn)確性。

在目標(biāo)檢測(cè)中，通常對(duì)樣本圖像分為正例與負(fù)例，正例代表與目標(biāo)相關(guān)的樣本，在本實(shí)驗(yàn)中即為包含鳥(niǎo)巢的圖片；負(fù)例代表與目標(biāo)無(wú)關(guān)的樣本，在本實(shí)驗(yàn)中即為不包含鳥(niǎo)巢的圖片。其中TP（真正）表示被正確劃分為正例的個(gè)數(shù)，F(xiàn)P（假正）表示被錯(cuò)誤劃分為正例的個(gè)數(shù)，TN（真負(fù)）表示被正確劃分為負(fù)例的個(gè)數(shù)，F(xiàn)N（假負(fù)）表示被錯(cuò)誤劃分為負(fù)例的個(gè)數(shù)。假正圖片和假負(fù)圖片分別如圖6 所示，其中圖6（a）為假正，圖6（b）為假負(fù)。通過(guò)對(duì)圖6（a）假正圖片的觀察分析，可以推斷檢測(cè)器誤識(shí)別的原因?yàn)樵撘暯窍录芸站€在小塊區(qū)域出現(xiàn)密集重疊，從而使得檢測(cè)器誤將該區(qū)域識(shí)別為鳥(niǎo)巢。通過(guò)對(duì)圖6（b）假負(fù)圖片的觀察分析，可以看出鳥(niǎo)巢形狀較小且存在部分遮擋，同時(shí)圖片背景為相對(duì)復(fù)雜的樹(shù)叢，從而使得檢測(cè)器未成功識(shí)別該鳥(niǎo)巢。

為了評(píng)價(jià)目標(biāo)檢測(cè)的識(shí)別效果，將對(duì)4 種算法的檢測(cè)準(zhǔn)確率進(jìn)行對(duì)比，其中準(zhǔn)確率由以下公式得出：

其中，4 種算法的檢測(cè)準(zhǔn)確率結(jié)果見(jiàn)表1。

如表1 所示，本文所使用Cascade R-CNN 算法的檢測(cè)效果最佳，CNN 算法僅次之，由此可見(jiàn)即使使用傳統(tǒng)的深度學(xué)習(xí)算法，效果也好于傳統(tǒng)算法。值得注意的是，相較于其他幾種算法，ELM算法雖然識(shí)別效果最差，但是在訓(xùn)練速度上具有明顯優(yōu)勢(shì)。

圖6 實(shí)驗(yàn)負(fù)例結(jié)果

表1 4 種算法的識(shí)別準(zhǔn)確率對(duì)比

4 結(jié)語(yǔ)

鳥(niǎo)害一直是造成配電網(wǎng)架空線故障的主要原因之一。隨著無(wú)人機(jī)技術(shù)和深度學(xué)習(xí)理論的研究和發(fā)展，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)已經(jīng)能夠?qū)崿F(xiàn)一定的檢測(cè)效果。本文在此基礎(chǔ)上，提出了一種基于Cascade R-CNN 的配電網(wǎng)鳥(niǎo)巢檢測(cè)的新方法，實(shí)驗(yàn)證明該方法具有一定的可行性。特別是，基于相關(guān)算法的目標(biāo)檢測(cè)方法，將會(huì)因其成本低廉，成為今后配電網(wǎng)智能巡檢的主要研究方向之一。