鞏宇，陸傳德，符彥青，易婷婷，周俊煌

(1.南方電網(wǎng)調(diào)峰調(diào)頻發(fā)電有限公司，廣東 廣州 510630；2.廣州奔流電力科技有限公司，廣東 廣州 510670；3.華南理工大學(xué) 電力學(xué)院，廣東 廣州 510641)

電廠作為電力系統(tǒng)的源頭，承擔(dān)電力生產(chǎn)的重要責(zé)任，其對(duì)生產(chǎn)區(qū)域的安全等級(jí)要求極高。根據(jù)一次能源的不同，電廠可劃分為火力發(fā)電廠、水力發(fā)電廠、核能發(fā)電廠、風(fēng)力發(fā)電廠等[1]。雖然所用能源有所不同，但水、火、核電廠生產(chǎn)區(qū)域中具有相同的發(fā)電設(shè)備，如發(fā)電機(jī)組、變壓器、互感器、濾波器、氣體絕緣金屬封閉開關(guān)設(shè)備(gas insulated metal switchgear，GIS)等含油、氣、水的設(shè)備，以及各類油液管道在生產(chǎn)區(qū)域中均很常見[2]。這些發(fā)電設(shè)備一旦發(fā)生漏水、漏油等異常情況，都會(huì)對(duì)生產(chǎn)作業(yè)造成威脅。例如變壓器在長(zhǎng)期運(yùn)行過程中，諧波振動(dòng)使得套管松動(dòng)以及密封部件劣化，從而導(dǎo)致滲漏油缺陷發(fā)生[3]；水輪機(jī)組在運(yùn)轉(zhuǎn)過程中，經(jīng)常出現(xiàn)主軸密封漏水頻繁且量大的現(xiàn)象，嚴(yán)重影響機(jī)組的穩(wěn)定運(yùn)行[3]；受油器竄油導(dǎo)致調(diào)速器油壓裝置泄壓、設(shè)備絕緣擊穿或短路等[4]。除了因具備相同的發(fā)電設(shè)備，以及上述各種漏水、漏油異常情況引起的危害外，各類型電廠油液目標(biāo)監(jiān)測(cè)還具有所需監(jiān)測(cè)的發(fā)電設(shè)備數(shù)量多、監(jiān)測(cè)對(duì)象范圍分布廣、實(shí)時(shí)性要求高[5]等共性。可見，采取有效手段對(duì)電廠生產(chǎn)區(qū)域進(jìn)行漏水、漏油檢測(cè)十分必要，快速、準(zhǔn)確檢測(cè)出油液泄漏具有一定的預(yù)警作用，可以保障電力生產(chǎn)安全。

目前在電力行業(yè)中，各種油液滲漏一般采用基于光學(xué)、聲學(xué)、紅外、負(fù)壓力波等技術(shù)的探測(cè)器[6-10]進(jìn)行檢測(cè)。光學(xué)、聲學(xué)檢測(cè)效果受環(huán)境因素影響較大，電廠生產(chǎn)區(qū)域處于封閉的廠房?jī)?nèi)，僅依靠照明設(shè)備提供光亮，而且大型機(jī)組運(yùn)作聲音嘈雜，容易削弱此類探測(cè)器的靈敏性，造成誤判斷。紅外熱成像檢測(cè)設(shè)備價(jià)格昂貴，大范圍使用會(huì)耗費(fèi)大量成本，經(jīng)濟(jì)性較差。負(fù)壓力波法同樣易受外界干擾，不適用于小范圍輸油管道檢漏。另有采用壓力、流量等數(shù)據(jù)，經(jīng)由神經(jīng)網(wǎng)絡(luò)計(jì)算后進(jìn)行結(jié)果判斷的檢測(cè)方法[11]，但需要采集大量傳感數(shù)據(jù)，且成本高昂。

當(dāng)前計(jì)算機(jī)視覺技術(shù)、機(jī)器視覺技術(shù)、機(jī)器學(xué)習(xí)技術(shù)等取得突破性研究進(jìn)展，逐漸被應(yīng)用于漏水、漏油檢測(cè)中。然而，基于圖像處理的傳統(tǒng)機(jī)器學(xué)習(xí)技術(shù)存在圖像紋理等細(xì)節(jié)識(shí)別不足、復(fù)雜圖像識(shí)別精度和效率低、泛化能力弱等問題[12]。而深度學(xué)習(xí)技術(shù)能有效解決傳統(tǒng)機(jī)器學(xué)習(xí)存在的這些問題，其中區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(region-based convolutional neural network，R-CNN)、快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Fast R-CNN及Faster R-CNN)、單個(gè)深度神經(jīng)網(wǎng)絡(luò)檢測(cè)算法SSD和YOLO[13-14]等深度模型在各領(lǐng)域的目標(biāo)檢測(cè)中取得了較好識(shí)別效果；但在電力領(lǐng)域中，目前還停留在設(shè)備及元件本體識(shí)別上，對(duì)漏水、漏油檢測(cè)還有待進(jìn)一步研究[15]。已有的漏水、漏油檢測(cè)中，多采用輕量型網(wǎng)絡(luò)模型，如SSD、YOLO，雖然在一定程度減少了計(jì)算量，但識(shí)別準(zhǔn)確率難達(dá)到90%[16-17]，不滿足實(shí)際工程應(yīng)用需求。另有學(xué)者提出改進(jìn)YOLOv3中的檢測(cè)網(wǎng)絡(luò)，加入部分殘差網(wǎng)絡(luò)[18]雖然能將識(shí)別精確度提升至98.2%，但其檢測(cè)速度緩慢，僅能達(dá)到8 幀/s。除此之外，文獻(xiàn)[19]研究的基于Faster R-CNN與超分辨率重構(gòu)技術(shù)的充油設(shè)備檢測(cè)效果也僅有81%的平均精度(average precision，AP)值。

深度學(xué)習(xí)[20]網(wǎng)絡(luò)中的YOLOv3模型是一種基于回歸的端到端網(wǎng)絡(luò)模型，由YOLO模型改進(jìn)而來，在檢測(cè)速度和精度上具有極大優(yōu)勢(shì)，被廣泛應(yīng)用于目標(biāo)識(shí)別中；但是，隨著檢測(cè)圖像背景復(fù)雜度提升、目標(biāo)在圖像中占比變小等情況出現(xiàn)，模型精確度和速度會(huì)不斷下降。為了提高電廠生產(chǎn)區(qū)域漏水、漏油的檢測(cè)效果，實(shí)現(xiàn)安全監(jiān)測(cè)中的高實(shí)時(shí)性要求，本文采用YOLOv3模型，并在原始網(wǎng)絡(luò)上提出多尺度特征融合方法的改進(jìn)，增加淺層網(wǎng)絡(luò)特征提取，提高識(shí)別準(zhǔn)確率，尤其對(duì)于小目標(biāo)的檢測(cè)效果優(yōu)于其他網(wǎng)絡(luò)。同時(shí)，為了降低網(wǎng)絡(luò)計(jì)算參數(shù)量，在檢測(cè)網(wǎng)絡(luò)中加入Inception結(jié)構(gòu)，增加網(wǎng)絡(luò)的深度和寬度，從而取得更好的檢測(cè)效果。實(shí)驗(yàn)證明，改進(jìn)的YOLOv3模型在電廠生產(chǎn)區(qū)域漏水、漏油檢測(cè)中能夠取得較高的識(shí)別準(zhǔn)確率。

1 YOLOv3網(wǎng)絡(luò)模型

1.1 網(wǎng)絡(luò)結(jié)構(gòu)

原YOLOv3模型[21]的網(wǎng)絡(luò)結(jié)構(gòu)由兩部分組成，分別為分類網(wǎng)絡(luò)和檢測(cè)網(wǎng)絡(luò)，如圖1所示，其中DBL為YOLOv3網(wǎng)絡(luò)中的基本組件，包含卷積、批歸一化(batch normalization，BN)和激活函數(shù)(Leaky Relu)。分類網(wǎng)絡(luò)是模型中的骨干網(wǎng)絡(luò)，采用Darknet-53進(jìn)行特征提取，替代原先YOLO模型中的Darknet-19，雖然增加了網(wǎng)絡(luò)層數(shù)，但可以提取到更加豐富和深層次的特征。Darknet-53借鑒了殘差網(wǎng)絡(luò)ResNet的思想，通過5個(gè)不同尺度和深度的殘差模塊，形成層與層之間的快捷鏈路，并舍棄了池化層和全連接層。YOLOv3檢測(cè)網(wǎng)絡(luò)中使用特征金字塔進(jìn)行細(xì)粒度特征檢測(cè)，結(jié)合殘差模塊，對(duì)分類網(wǎng)絡(luò)中的深層網(wǎng)絡(luò)特征圖進(jìn)行2倍上采樣，融合上一層特征圖，再進(jìn)行一次2倍上采樣，最終將輸入圖片轉(zhuǎn)化為3種不同尺度的特征用于目標(biāo)檢測(cè)。若輸入圖片像素(下同)為416×416，則得到的3種尺度特征圖為13×13、26×26、52×52，模型魯棒性優(yōu)于其他網(wǎng)絡(luò)，可以取得較高的識(shí)別率。

圖1 YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure topology of YOLOv3 network

1.2 預(yù)測(cè)框

YOLOv3網(wǎng)絡(luò)模型中，將輸入為416×416的圖片分割成13×13個(gè)網(wǎng)格，由目標(biāo)中心所在網(wǎng)格負(fù)責(zé)檢測(cè)目標(biāo)。在目標(biāo)識(shí)別中使用K-means聚類方法直接生成1組不同尺寸的錨框(anchor box)用于預(yù)測(cè)。在模型訓(xùn)練階段，使錨框逼近真實(shí)目標(biāo)，得到類別和坐標(biāo)偏移量；在預(yù)測(cè)階段，利用訓(xùn)練好的模型預(yù)測(cè)錨框中是否存在目標(biāo)物體。以第1種52×52尺度為例，K-means算法產(chǎn)生的錨框如圖2中的白色虛線矩形框。圖2中的白色實(shí)線矩形框是目標(biāo)物的真實(shí)框，是目標(biāo)識(shí)別過程中用于選擇最佳錨框并進(jìn)行微調(diào)的重要依據(jù)。

圖2 YOLOv3錨框與真實(shí)框標(biāo)識(shí)Fig.2 Identification of anchor box and ground truth box in YOLOv3 network

K-means聚類一共生成9個(gè)錨框，在3個(gè)不同尺度的特征圖檢測(cè)中，分別為每個(gè)特征圖劃分3個(gè)/組的錨框，其預(yù)設(shè)尺寸是根據(jù)COCO數(shù)據(jù)集標(biāo)注尺寸聚類而來，具體見表1。

檢測(cè)網(wǎng)絡(luò)將選擇與目標(biāo)物體交并比(intersection over union，IOU)最大值的錨框作進(jìn)一步調(diào)整，通過不斷學(xué)習(xí)微調(diào)坐標(biāo)偏移值和尺寸縮放值，最后得到目標(biāo)預(yù)測(cè)結(jié)果(bounding box)。邊框預(yù)測(cè)的定義如圖3所示，若邊界框預(yù)設(shè)尺寸與檢測(cè)目標(biāo)尺寸相近，能夠減少邊界框調(diào)整難度，提高模型訓(xùn)練收斂速度，降低模型學(xué)習(xí)損失。

圖3 邊框預(yù)測(cè)定義圖Fig.3 Definition diagram of border prediction

邊框預(yù)測(cè)主要定義的參數(shù)如下：tx、ty為模型需要學(xué)習(xí)的參數(shù)，為預(yù)測(cè)框中心坐標(biāo)偏移量；tw、th為預(yù)測(cè)框的寬、高縮放比；目標(biāo)中心點(diǎn)相對(duì)所在網(wǎng)格的邊界距離分別為σ(tx)和為σ(ty)；cx、cy為預(yù)測(cè)框(圖3中實(shí)線矩形框)中心所在網(wǎng)格左上角到圖片左上角的距離。因此設(shè)預(yù)測(cè)框的中心點(diǎn)坐標(biāo)為(bx，by)，預(yù)測(cè)框?qū)?、高為bw、bh；圖3中虛線框?yàn)橄闰?yàn)框，其寬、高為pw、ph。上述參數(shù)滿足以下關(guān)系式：

bx=σ(tx)+cx；

(1)

by=σ(ty)+cy；

(2)

bh=pheth；

(3)

bw=pwetw.

(4)

σ函數(shù)(sigmoid函數(shù))將tx、ty限制在(0,1)范圍內(nèi)，使得預(yù)測(cè)框的中心始終落在網(wǎng)格內(nèi)，模型訓(xùn)練過程更容易學(xué)習(xí)，預(yù)測(cè)更穩(wěn)定。

1.3 損失函數(shù)

YOLOv3的預(yù)測(cè)損失函數(shù)L是定位損失函數(shù)(Lbox)、分類損失函數(shù)(Lcla)和置信度損失函數(shù)(Lobj)三者的加權(quán)和，如式(5)—式(8)所示。

L=Lbox+Lcla+Lobj.

(5)

其中：

(6)

(7)

(8)

2 改進(jìn)YOLOv3的漏水、漏油檢測(cè)方法

2.1 多尺度特征融合檢測(cè)

電廠生產(chǎn)區(qū)域中監(jiān)控?cái)z像頭拍攝距離較遠(yuǎn)，導(dǎo)致水油滲漏目標(biāo)在采集圖片中占比小[22]。而且電廠生產(chǎn)區(qū)域中具有大量復(fù)雜的管道，其顏色豐富，大小不一，連通設(shè)計(jì)角度多樣，對(duì)漏水、漏油檢測(cè)會(huì)產(chǎn)生一定的干擾或遮擋。除此之外，漏水、漏油具有相似的流動(dòng)性，在電廠生產(chǎn)區(qū)域的背景下進(jìn)行區(qū)分判斷，難度有所增加。為了提高電廠中漏水、漏油識(shí)別準(zhǔn)確率，本文提出基于多尺度特征融合的YOLOv3模型。

原始YOLOv3中分類網(wǎng)絡(luò)采用Darknet-53，訓(xùn)練過程經(jīng)過5次下采樣，并提取8倍、16倍、32倍下采樣所得圖片的特征用于后部分檢測(cè)網(wǎng)絡(luò)的輸入。因?yàn)闇\層網(wǎng)絡(luò)具有高分辨率、高細(xì)粒度以及深層網(wǎng)絡(luò)包含更多語義信息的優(yōu)點(diǎn)，在原始網(wǎng)絡(luò)中增加4倍下采樣淺層網(wǎng)絡(luò)中的提取特征，如圖4所示。

圖4 多尺度特征融合提取Fig.4 Multi-scale feature fusion extraction

通過特征金字塔將深層網(wǎng)絡(luò)特征與淺層網(wǎng)絡(luò)特征連接，從最低層13×13的特征圖進(jìn)行步長(zhǎng)為2的上采樣3次，最終得到104×104、52×52、26×26、13×13這4種尺度的特征圖,用于目標(biāo)檢測(cè)。針對(duì)覆蓋面積較小的漏水、漏油，以及同時(shí)包含水、油的多目標(biāo)分類檢測(cè)，4種尺度的特征融合可防止特殊信息丟失，對(duì)檢測(cè)精度有一定的提升作用。

2.2 添加Inception結(jié)構(gòu)

YOLOv3網(wǎng)絡(luò)中的殘差模塊可以解決卷積層數(shù)增加后網(wǎng)絡(luò)退化的問題，但網(wǎng)絡(luò)深度的提升會(huì)增添大量的訓(xùn)練參數(shù)，加劇端到端網(wǎng)絡(luò)的反向傳播難度，所以不能通過擴(kuò)張網(wǎng)絡(luò)深度增加網(wǎng)絡(luò)復(fù)雜度[23]。另一方面，由于YOLOv3檢測(cè)僅使用單一的3×3大小卷積核對(duì)Darknet-53網(wǎng)絡(luò)輸出的特征圖進(jìn)行卷積操作，僅提取一種尺寸信息，會(huì)導(dǎo)致檢測(cè)精度降低。

為解決該問題，本文提出增加Inception結(jié)構(gòu)到檢測(cè)網(wǎng)絡(luò)中。Inception[24]結(jié)構(gòu)的特點(diǎn)是在不增加計(jì)算量的前提下增強(qiáng)網(wǎng)絡(luò)復(fù)雜度，從而獲取更豐富的特征。本文所用的Inception結(jié)構(gòu)如圖5所示，由大小不同的卷積核組成，使網(wǎng)絡(luò)層具有不同大小的感受野。1×1卷積層可以對(duì)輸入圖片進(jìn)行降維處理，同時(shí)使用3×1和1×3這2個(gè)非對(duì)稱卷積代替原來3×3卷積層，減少了參數(shù)量，最后拼接可得不同尺度特征的融合。面對(duì)訓(xùn)練樣本不足的情況，Inception結(jié)構(gòu)還可以有效防止網(wǎng)絡(luò)過擬合。

圖5 Inception結(jié)構(gòu)Fig.5 Inception structure

檢測(cè)網(wǎng)絡(luò)中，需要對(duì)分類網(wǎng)絡(luò)的輸出特征圖進(jìn)行5個(gè)DBL模塊卷積，進(jìn)而完成后續(xù)上采樣和融合，最后輸出4種尺度的預(yù)測(cè)圖。本文利用上述Inception結(jié)構(gòu)代替原DBL×5中的第2層和第4層，第1、3、5層保持不變，仍然使用1×1大小的卷積核進(jìn)行計(jì)算，最后構(gòu)成基于Inception結(jié)構(gòu)的DBL Set模塊，實(shí)現(xiàn)不同規(guī)模的特征提取。DBL Set模塊如圖6所示。

2.3 改進(jìn)YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)

通過上述方法，經(jīng)多尺度特征融合以及添加Inception結(jié)構(gòu)的DBL Set改進(jìn)原始YOLOv3網(wǎng)絡(luò)，獲得的最終網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。

圖7 改進(jìn)后的YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)Fig.7 Improved Yolov3 network structure

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)平臺(tái)與數(shù)據(jù)集

為驗(yàn)證上述方法的有效性，對(duì)所提的改進(jìn)YOLOv3模型進(jìn)行訓(xùn)練和測(cè)試，實(shí)驗(yàn)在操作系統(tǒng)為Ubuntu、CPU為2.40 GHz Intel Xeon E5以及GPU為Nvidia GTX 1080的計(jì)算機(jī)上進(jìn)行。

數(shù)據(jù)集是進(jìn)行深度學(xué)習(xí)訓(xùn)練的重要條件，其好壞直接影響算法識(shí)別效果。本文所使用的數(shù)據(jù)集來源于現(xiàn)有電廠工業(yè)電視系統(tǒng)拍攝的視頻圖像，截取視頻各幀用于數(shù)據(jù)集構(gòu)建，原始圖像如圖8所示。然后對(duì)圖像進(jìn)行轉(zhuǎn)化和預(yù)處理，經(jīng)過圖像增強(qiáng)擴(kuò)充數(shù)量，再使用LabelImg工具進(jìn)行人工樣本標(biāo)注，分為water與oil兩類，最終形成適用于深度學(xué)習(xí)訓(xùn)練的專用樣本庫。樣本共有2 750張，并按9∶1的比例劃分訓(xùn)練集與測(cè)試集。

圖8 原始圖像Fig.8 Raw images

3.2 參數(shù)設(shè)置與模型訓(xùn)練

根據(jù)所提方法，對(duì)原始YOLOv3網(wǎng)絡(luò)進(jìn)行部分修改，并將取得的新模型在3.1節(jié)所構(gòu)建的數(shù)據(jù)集中進(jìn)行訓(xùn)練。首先使用YOLOv3內(nèi)置參數(shù)進(jìn)行方法調(diào)整，將批尺寸(batch size)設(shè)為8，輪次(epochs)最大設(shè)為150，動(dòng)量(momentum)設(shè)為0.937，學(xué)習(xí)率(learning rate)初始值為0.01，學(xué)習(xí)率最終值為0.01×0.2，權(quán)值衰減(weight decay)為5×10-4，IOU閾值設(shè)為0.2。通過訓(xùn)練網(wǎng)絡(luò)，訓(xùn)練集的損失函數(shù)變化如圖9所示。

圖9 訓(xùn)練集損失曲線Fig.9 Training set loss curves

從訓(xùn)練損失曲線可以看出，網(wǎng)絡(luò)訓(xùn)練過程中，在前40輪次中3種不同損失函數(shù)值都急速下降，模型總損失同樣驟降。當(dāng)?shù)喆螐?0增加到100次時(shí)，損失下降速度有所減弱，并且迭代輪次大于100次后，損失值逐漸趨于穩(wěn)定，模型訓(xùn)練達(dá)到最優(yōu)結(jié)果，訓(xùn)練完成。

模型訓(xùn)練中的精度βpre和召回率βrecall關(guān)系變化曲線如下圖10所示，其中曲線1為漏水檢測(cè)的βpre-βrecall曲線、曲線2為全部類別的βpre-βrecall關(guān)系曲線、曲線3為漏油檢測(cè)的βpre-βrecall曲線。

由圖10可以看出，當(dāng)精度升高時(shí)，召回率會(huì)下降。3條βpre-βrecall曲線包圍坐標(biāo)軸的面積有所不同，漏水檢測(cè)βpre-βrecall曲線包圍的面積最大，接近于1。

圖10 βpre-βrecall關(guān)系曲線Fig.10 βpre-βrecall relation curves

3.3 評(píng)估指標(biāo)

在基于深度學(xué)習(xí)的目標(biāo)檢測(cè)中，通常使用召回率βrecall與識(shí)別精確率βpre來計(jì)算平均精度，計(jì)算公式如下：

βrecall=NTP/(NTP+NFN) ；

(9)

βpre=NTP/(NTP+NFP).

(10)

式中：NTP為正確識(shí)別的正樣本數(shù)；NFP為錯(cuò)誤識(shí)別的正樣本數(shù)；NFN為錯(cuò)誤識(shí)別的負(fù)樣本數(shù)。

平均精度是βpre-βrecall曲線覆蓋坐標(biāo)軸的面積大小，平均精度均值(mean average precision，MAP)是不同類別檢測(cè)所得平均精度值的平均值，可以用來判斷模型的性能優(yōu)劣，常作為評(píng)價(jià)指標(biāo)。

3.4 檢測(cè)結(jié)果

針對(duì)電廠生產(chǎn)區(qū)域漏水漏油2種目標(biāo)進(jìn)行識(shí)別檢測(cè)，設(shè)置IOU為0.5時(shí)以及IOU從0.5到0.95(步長(zhǎng)0.05)時(shí)，分別得到漏水、漏油2種類別檢測(cè)的平均精度值和平均精度均值，結(jié)果如圖11所示。

圖11 改進(jìn)YOLOv3的漏水、漏油檢測(cè)平均精度值Fig.11 AP values of water and oil leakage detection in improved YOLOv3 model

由圖11可知：本文所提方法中平均精度值最高可達(dá)到0.994，平均精度均值最高可達(dá)到0.981，能夠精確識(shí)別和定位電廠生產(chǎn)區(qū)域中漏水、漏油的異常目標(biāo)。為了更好地評(píng)估模型整體準(zhǔn)確性，進(jìn)行增量平均實(shí)驗(yàn)，增量設(shè)為0.05時(shí)，計(jì)算IOU從0.5遞增到0.95的平均精度值變化，結(jié)果顯示平均精度均值下降了0.092，漏水檢測(cè)平均精度值下降0.109，漏油檢測(cè)平均精度值下降0.09。因此，當(dāng)IOU不斷增大時(shí)，模型性能有所減弱，識(shí)別精度會(huì)不斷下降，所以模型最佳的表現(xiàn)結(jié)果為IOU為0.5時(shí)。

同時(shí)，對(duì)比主流深度學(xué)習(xí)模型中Faster R-CNN模型、MobileNet-SSD模型以及原始YOLOv3模型與本文所提改進(jìn)YOLOv3模型的檢測(cè)速度，不同模型的檢測(cè)速度見表2。本文改進(jìn)的YOLOv3模型較原始YOLOv3模型而言，速度提高了24.15%，最高可達(dá)到46 幀/s，可滿足電廠生產(chǎn)安全監(jiān)測(cè)中高實(shí)時(shí)性要求。MobileNet-SSD模型作為輕量型網(wǎng)絡(luò)的代表，檢測(cè)速度遠(yuǎn)高于本文所用方法，但在實(shí)現(xiàn)超高檢測(cè)速度的同時(shí)，該模型的識(shí)別準(zhǔn)確率也大幅度下降，在所構(gòu)數(shù)據(jù)集上的識(shí)別準(zhǔn)確率僅能達(dá)到88.2%，在實(shí)際應(yīng)用時(shí)容易產(chǎn)生誤報(bào)、漏報(bào)等情況。另一方面，F(xiàn)aster R-CNN模型的識(shí)別精度有突出表現(xiàn)，準(zhǔn)確率通常保持在95%左右，但是該模型中參數(shù)量多、計(jì)算量大，檢測(cè)速度僅為4 幀/s左右，而且訓(xùn)練復(fù)雜度高。綜上可見，本文所提的改進(jìn)YOLOv3模型無論是在識(shí)別精度還是檢測(cè)速度上，都具有優(yōu)秀表現(xiàn)，兩者之間能夠取得很好的平衡，可作為電廠生產(chǎn)區(qū)域安全監(jiān)測(cè)首選的深度學(xué)習(xí)網(wǎng)絡(luò)模型。

表2 不同模型的檢測(cè)速度Tab.2 Detection speed of different models

為驗(yàn)證本文所提方法的有效性，設(shè)置相同訓(xùn)練參數(shù)后，在相同訓(xùn)練樣本庫中對(duì)原始YOLOv3模型進(jìn)行訓(xùn)練。選取測(cè)試集中275個(gè)漏水目標(biāo)和266個(gè)漏油目標(biāo)進(jìn)行檢測(cè)，原YOLOv3模型和本文所提改進(jìn)YOLOv3模型的檢測(cè)結(jié)果見表3、表4。

由表3、表4可以看出：電廠生產(chǎn)區(qū)域漏水、漏油檢測(cè)中，通過多尺度特征融合并添加Inception模塊后的YOLOv3模型漏水目標(biāo)檢測(cè)精確率提高了1.6%，召回率提高了3.0%；漏油目標(biāo)檢測(cè)精確率提高了1.1%，召回率提高了1.5%。如上所述，精確率和召回率是模型性能優(yōu)劣的重要指標(biāo)，漏水檢測(cè)中，模型錯(cuò)誤識(shí)別的正樣本以及錯(cuò)誤識(shí)別的負(fù)樣本數(shù)量?jī)H約為原YOLOv3模型的一半，且在漏水、漏油檢測(cè)中，召回率與精確率相比提升程度更高。改進(jìn)的YOLOv3模型特征提取能力更強(qiáng)，所以面對(duì)電廠生產(chǎn)區(qū)域的復(fù)雜環(huán)境中，液體滲透、滴漏等面積較小的情況下，其漏判率與誤判率更低，重復(fù)檢測(cè)問題得到改善，改進(jìn)的YOLOv3模型可以獲得較高的目標(biāo)識(shí)別精度。

表3 對(duì)比實(shí)驗(yàn)結(jié)果(漏水)Tab.3 Comparison of YOLOv3 and improved YOLOv3 models(water leakage)

表4 對(duì)比實(shí)驗(yàn)結(jié)果(漏油)Tab.4 Comparison of YOLOv3 and improved YOLOv3 models (oil leakage)

將使用訓(xùn)練好的模型應(yīng)用于電廠生產(chǎn)區(qū)域漏水、漏油檢測(cè)，檢測(cè)結(jié)果如圖12、圖13所示。

圖12(a)中，在地面漏水被前景遮擋的情況下，算法能夠準(zhǔn)確分割目標(biāo)，形成多個(gè)目標(biāo)檢測(cè)。圖12(c)中存在小面積漏水，通過改進(jìn)的YOLOv3模型，可成功識(shí)別圖中所有漏水目標(biāo)。在圖13所示的漏油檢測(cè)中，圖(a)與圖(b)的油液因泄漏位置不同，圖片中呈現(xiàn)的顏色差別較大，而且黏稠度較高的油液容易產(chǎn)生整串、不相連的點(diǎn)滴滲漏，不僅提高了檢測(cè)難度，還容易造成重復(fù)檢測(cè)。從實(shí)驗(yàn)結(jié)果來看，對(duì)于遮擋、位置隱蔽、形狀多樣且有多個(gè)目標(biāo)的情況下，改進(jìn)的YOLOv3模型均能準(zhǔn)確識(shí)別，減少重復(fù)檢測(cè)，有效提升識(shí)別速度。應(yīng)用實(shí)際證明，本文所提模型針對(duì)背景復(fù)雜、油液覆蓋面積較小的目標(biāo)檢測(cè)，具有更好的識(shí)別效果。

圖12 漏水檢測(cè)結(jié)果Fig.12 Water leakage detection result

圖13 漏油檢測(cè)結(jié)果Fig.13 Oil leakage detection result

綜合而言，增加淺層網(wǎng)絡(luò)的特征提取融合了4種不同尺度特征進(jìn)行檢測(cè)，不僅對(duì)水、油的預(yù)測(cè)分類更為準(zhǔn)確，而且在電廠生產(chǎn)區(qū)域中油液發(fā)生泄漏初期、覆蓋面積較小的情況下，都能快速識(shí)別，有效避免漏水、漏油的大范圍擴(kuò)散，具有一定的預(yù)警作用。同時(shí)，增加Inception結(jié)構(gòu)的YOLOv3模型，在擴(kuò)充網(wǎng)絡(luò)寬度的前提下，還能降低網(wǎng)絡(luò)計(jì)算量，解決因增加尺度的特征融合預(yù)測(cè)而產(chǎn)生的大量參數(shù)等問題，提高檢測(cè)速度。

4 結(jié)束語

本文采用深度學(xué)習(xí)網(wǎng)絡(luò)YOLOv3實(shí)現(xiàn)電廠生產(chǎn)區(qū)域漏水、漏油檢測(cè)，解決了傳統(tǒng)漏水、漏油檢測(cè)存在的效果差、準(zhǔn)確率低等問題。提出多尺度特征融合的YOLOv3模型改進(jìn)方法，增加104×104的特征用于預(yù)測(cè)，提高識(shí)別精度與模型魯棒性。同時(shí)，在檢測(cè)中的卷積網(wǎng)絡(luò)添加Inception結(jié)構(gòu)來降低網(wǎng)絡(luò)參數(shù)量，提升網(wǎng)絡(luò)深度和寬度。實(shí)驗(yàn)結(jié)果表明，增加淺層網(wǎng)絡(luò)特征以及Inception結(jié)構(gòu)后，在檢測(cè)速度保持不下降的情況下，平均精度均值最高可達(dá)0.981。由此可見，基于改進(jìn)的YOLOv3模型的漏水、漏油檢測(cè)能夠提高目標(biāo)檢測(cè)效果，對(duì)保障電廠生產(chǎn)區(qū)域安全運(yùn)行具有重要意義。