丁家皓，李柏巖，劉曉強(qiáng)，涂文奇，鄭佳明

(東華大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，上海 201620)

0 引言

近年來(lái)，隨著制造業(yè)的蓬勃發(fā)展，我國(guó)正從制造業(yè)大國(guó)向制造業(yè)強(qiáng)國(guó)轉(zhuǎn)變。隨著工業(yè)制造業(yè)規(guī)模的擴(kuò)大，機(jī)器設(shè)備不斷增多，相應(yīng)的強(qiáng)、弱電配電柜的使用量也與日俱增。配電柜在配電控制系統(tǒng)中起著至關(guān)重要的作用，是整個(gè)配電設(shè)備安全運(yùn)行的重要保障[1]，因此配電柜在全部接線完成，通電之前，必須進(jìn)行接線連通檢測(cè)，以確保所有線路都被已正確連接，防止燒毀設(shè)備。通常，配電柜的組成元器件主要包括斷路器、PLC控制器、電源、繼電器、接線端子等，負(fù)責(zé)將電能分配到各個(gè)負(fù)荷部位、通常還具有調(diào)控以及信息傳遞等功能[2]。在配電柜配置過程中，各組件之間不正確連接可能導(dǎo)致系統(tǒng)范圍的故障，接線正確性是電路設(shè)備整體能否正常運(yùn)行的先決條件。

傳統(tǒng)模式下的配電柜的生產(chǎn)從設(shè)計(jì)、制造、安裝到質(zhì)檢的各個(gè)環(huán)節(jié)較為獨(dú)立，設(shè)計(jì)人員在最初設(shè)計(jì)配電柜結(jié)構(gòu)時(shí)只考慮原理的正確性而忽略了在制造和安裝中布局的合理性[3]，隨著德國(guó)EPLAN Platform軟件的問世和廣泛使用，這種狀況發(fā)生了的改變。該軟件為設(shè)計(jì)人員提供了虛擬樣機(jī)與物理實(shí)物的數(shù)字孿生模型，通過“基于網(wǎng)絡(luò)的布線優(yōu)化”功能，可以在虛擬樣機(jī)進(jìn)行器件布局，并自動(dòng)優(yōu)化接線關(guān)系[4]，得到接線表和接線圖，將配電柜的生產(chǎn)過程帶入了一個(gè)數(shù)字化、一體化設(shè)計(jì)的生產(chǎn)模式中。

EPLAN Platform將設(shè)計(jì)、制造和安裝的過程聯(lián)系了起來(lái)，從制造過程角度優(yōu)化了生產(chǎn)時(shí)間，提高了自動(dòng)化，甚至可以直接導(dǎo)出配電柜的接線表和接線圖。但配電柜的接線檢測(cè)工作依舊是依賴于人工、工作量大、自動(dòng)化程度低、容易出錯(cuò)的工作。如圖1所示，檢測(cè)員根據(jù)接線圖，在配電柜面板上查找接線點(diǎn)，用檢測(cè)筆依次測(cè)量線路的通斷情況。這不僅對(duì)檢測(cè)員的經(jīng)驗(yàn)和精神集中度有極高要求，也無(wú)疑耗費(fèi)了大量的人力和時(shí)間，增加了企業(yè)成本。顯然，采用新的技術(shù)手段，提高接線質(zhì)量檢測(cè)工作流程的自動(dòng)化程度，減輕人工檢測(cè)的工作難度和工作量，對(duì)配電柜生產(chǎn)企業(yè)尤為迫切。

圖1 基于接線圖的接線檢測(cè)示意圖

近年來(lái)，隨著計(jì)算機(jī)新技術(shù)的不斷涌現(xiàn)，以工業(yè)4.0所代表的智能制造技術(shù)發(fā)展迅速[5- 6]，使用信息化、智能化技術(shù)改造傳統(tǒng)制造業(yè)成為一種趨勢(shì)[7]，例如，朱雨賀[8]將YOLOv3(you only look once)應(yīng)用于制造業(yè)的分揀工作中，并實(shí)現(xiàn)了深度學(xué)習(xí)下的自動(dòng)分揀系統(tǒng)。王林[9]等以CNN(convolutional neural networks)為框架設(shè)計(jì)行人檢測(cè)系統(tǒng)，有效檢測(cè)了在各個(gè)狀態(tài)和姿勢(shì)下的行人；馮碩[10]等結(jié)合嵌入式系統(tǒng)和CNN結(jié)構(gòu)設(shè)計(jì)實(shí)現(xiàn)了一套奇異果自動(dòng)采摘系統(tǒng)，優(yōu)化了繁重的采摘工作；梁赟[11]通對(duì)深度學(xué)習(xí)中定位與識(shí)別的研究，實(shí)現(xiàn)了生產(chǎn)線產(chǎn)品的檢測(cè)。這些工作都為生產(chǎn)現(xiàn)場(chǎng)的自動(dòng)化和智能化改造提供了值得借鑒經(jīng)驗(yàn)。

本文通過分析傳統(tǒng)人工檢測(cè)配電柜接線工作流程，采用一系列計(jì)算機(jī)智能化技術(shù)，優(yōu)化了傳統(tǒng)配線接線工作，主要貢獻(xiàn)如下：

1)設(shè)計(jì)并實(shí)現(xiàn)了接線檢測(cè)輔助系統(tǒng)，針對(duì)接線檢測(cè)的需求，提供人機(jī)交互繪制面板布局圖的界面，并結(jié)合接線表，為檢測(cè)員標(biāo)示每對(duì)接線對(duì)在配電柜中的位置，優(yōu)化了配線接線的質(zhì)量檢查工作的效率和可靠性。

2)收集且標(biāo)注了配電柜圖像，構(gòu)建了配電柜常用器件數(shù)據(jù)集，借助卷積神經(jīng)網(wǎng)絡(luò)識(shí)別機(jī)柜圖，輔助繪制面板布局圖。利用目標(biāo)檢測(cè)網(wǎng)絡(luò)YOLOX檢測(cè)配電柜圖，對(duì)配電柜中的常用器件進(jìn)行識(shí)別和定位。

1 智能接線檢測(cè)輔助系統(tǒng)

1.1 系統(tǒng)簡(jiǎn)介

智能接線檢測(cè)輔助系統(tǒng)的總體結(jié)構(gòu)如圖2所示，分為服務(wù)器、移動(dòng)檢測(cè)終端(上位機(jī))和檢測(cè)儀三部分。接線檢測(cè)管理軟件系統(tǒng)服務(wù)器端運(yùn)行在服務(wù)器上，其主要模塊包括系統(tǒng)管理、用戶管理、產(chǎn)品管理、檢測(cè)實(shí)例管理、檢測(cè)終端管理、檢測(cè)過程管理、檢測(cè)結(jié)果分析等。檢測(cè)終端是每個(gè)檢測(cè)員在工作現(xiàn)場(chǎng)使用的輔助設(shè)備，它提示當(dāng)前要檢測(cè)的線對(duì)、并在屏幕上指示檢測(cè)點(diǎn)在配電柜面板上的位置。服務(wù)器與檢測(cè)終端之間采用TCP/IP協(xié)議C/S架構(gòu)通過Wi-Fi連接。檢測(cè)儀是一個(gè)微型移動(dòng)設(shè)備，它有兩只帶有作為導(dǎo)電觸頭的探針的檢測(cè)筆，用于連接要檢測(cè)的接線。工作時(shí)，檢測(cè)員將檢測(cè)終端貼掛在配電柜面板旁，查看當(dāng)前要檢測(cè)的接線對(duì)及其接線柱的位置，然后把測(cè)量?jī)x探針與接線柱接觸好，按“檢測(cè)”按鈕，檢測(cè)儀將測(cè)量結(jié)果(線路通斷情況)通過Wi-Fi傳回上位機(jī)傳回上位機(jī)，然后進(jìn)入下一個(gè)接線對(duì)的檢測(cè)。

圖2 系統(tǒng)總體結(jié)構(gòu)圖

1.2 系統(tǒng)應(yīng)用流程

智能輔助檢測(cè)系統(tǒng)在實(shí)際工作中的應(yīng)用流程如圖3所示，總體可分成3部分，由技術(shù)人員、管理人員和檢測(cè)人員分別完成不同的工作并相互協(xié)助完成整個(gè)檢測(cè)流程：

圖3 系統(tǒng)工作流程圖

1)技術(shù)人員：首先，由技術(shù)人員設(shè)計(jì)配電柜的總體布局，得到接線表和接線圖，并配置完成配電柜，得到配電柜實(shí)物圖。其中，接線表中包含了對(duì)應(yīng)配電柜中所有的接線對(duì)信息，包括源端與目標(biāo)端器件的標(biāo)號(hào)與標(biāo)簽、線纜標(biāo)簽、線色等信息；技術(shù)人員在完成所有工作后，將接線表、接線圖和配電柜實(shí)物圖交由管理人員，進(jìn)入下一步工作。

2)管理人員：然后，由管理人員針對(duì)配電柜新建其對(duì)應(yīng)的產(chǎn)品，并進(jìn)入維護(hù)產(chǎn)品階段，導(dǎo)入接線表及配電柜實(shí)物圖，如缺少相關(guān)文件則聯(lián)系相關(guān)技術(shù)人員完成配電柜的配置并提供相關(guān)文件。管理人員通過系統(tǒng)中人機(jī)交互繪制界面，完成在配電柜面板實(shí)物圖層之上各個(gè)器件的繪制工作，系統(tǒng)記錄各個(gè)器件的坐標(biāo)位置等信息得到面板布局圖，為檢測(cè)人員的檢測(cè)通過做好準(zhǔn)備工作。

3)檢測(cè)人員：最后，檢測(cè)人員檢測(cè)面板布局圖是否繪制完畢并創(chuàng)建產(chǎn)品對(duì)應(yīng)的檢測(cè)實(shí)例，如缺少面板布局圖則聯(lián)系管理人員進(jìn)行產(chǎn)品面板布局圖的維護(hù)。系統(tǒng)通過接線對(duì)信息中的器件名與面板布局圖中繪制的器件名相對(duì)應(yīng)，在檢測(cè)時(shí)，通過在配電柜實(shí)物圖上標(biāo)識(shí)并高亮顯示當(dāng)前接線對(duì)源端與目標(biāo)端對(duì)應(yīng)器件的位置，起到了幫助檢測(cè)人員快速定位目標(biāo)器件的輔助檢測(cè)效果。

1.3 面板布局圖的繪制

面對(duì)配電柜接線正確性的檢測(cè)問題，傳統(tǒng)的檢測(cè)方式需要質(zhì)量檢測(cè)人員在配電柜讀取接線表和接線圖，得到各個(gè)器件之間的連接關(guān)系，并且在配電柜繁多的器件中尋找當(dāng)前接線對(duì)的對(duì)應(yīng)器件，使用萬(wàn)用表的表筆連通器件接線柱，并觀察萬(wàn)用表數(shù)據(jù)變化來(lái)確定器件連通情況，然后手工記錄每一條接線對(duì)的連通情況并撰寫檢測(cè)結(jié)果報(bào)告。因此這種檢測(cè)方式不但需要質(zhì)量檢測(cè)人員擁有相當(dāng)?shù)膶I(yè)知識(shí)，同時(shí)復(fù)雜且繁重的工作，加上手工的記錄方式，對(duì)于檢測(cè)人員的工作態(tài)度和精神集中程度都有很高的要求，同時(shí)，對(duì)于量產(chǎn)的同一配電柜，檢測(cè)員每檢測(cè)一個(gè)配電柜，就要重復(fù)讀取接線表和接線圖并找尋器件的工作，如此情況下，導(dǎo)致檢測(cè)工作的效率低下且對(duì)檢測(cè)員讀取接線圖尋找器件的成果的利用率低。

所以為了減少檢測(cè)員查找接線對(duì)和接線柱的時(shí)間，本系統(tǒng)引入了面板布局圖。面板布局圖是一種根據(jù)配電柜實(shí)際器件布局，在實(shí)物圖圖層之上繪制矩形框的示意圖，其中，矩形框用于標(biāo)識(shí)器件的位置和名稱，便于用戶確定接線對(duì)關(guān)聯(lián)器件位置，系統(tǒng)通過數(shù)據(jù)庫(kù)記錄矩形框，保存了器件的位置和名稱，因此只需要一次接線表和接線圖的解讀，就可以用于所有該種配電柜的檢測(cè)，提高了讀圖成果的利用率，同時(shí)在檢測(cè)階段為檢測(cè)員顯示當(dāng)前器件位置，幫助檢測(cè)員快速定位了目標(biāo)。建立面板布局圖有兩種方式：基于實(shí)物圖利用人機(jī)交互界面繪制或基于機(jī)器學(xué)習(xí)中的標(biāo)檢測(cè)技術(shù)輔助繪制。

1.3.1 人機(jī)交互繪制

本系統(tǒng)建立了人機(jī)交互界面，采用計(jì)算機(jī)輔助繪圖的方式，人機(jī)交互繪制面板布局圖，實(shí)現(xiàn)了矩形框的繪制、矩形框拖拽和移動(dòng)、鎖定矩形框、調(diào)整圖片顯示比例、自定義顏色名稱等功能。系統(tǒng)對(duì)用戶導(dǎo)入的接線表中源端與目標(biāo)端名稱抽取去重，獲得配電柜中各個(gè)器件對(duì)應(yīng)的器件名稱，并顯示在器件列表中。用戶可在器件列表中選擇器件并在配電柜實(shí)物圖中用鼠標(biāo)繪制出對(duì)應(yīng)區(qū)域的半透明框圖，面板布局圖繪制效果如圖4所示，面板布局圖分為實(shí)物圖圖層及矩形框圖層，實(shí)物圖層為用戶導(dǎo)入的配電柜實(shí)物圖，矩形框圖層為用戶在系統(tǒng)人機(jī)交互界面中繪制的半透明框圖，系統(tǒng)記錄了其名稱及坐標(biāo)信息。最終經(jīng)繪制得到的面板布局圖將被拆分為配電柜實(shí)物圖和器件矩形框信息的方式，分別存入數(shù)據(jù)庫(kù)，并在檢測(cè)階段讀取，為檢測(cè)員指示當(dāng)前檢測(cè)器件位置。

圖4 面板布局圖繪制示意圖

1.3.2 目標(biāo)檢測(cè)輔助面板圖生成

雖然人機(jī)交互繪制面板圖的方式非常靈活，適應(yīng)性好，但是對(duì)繪制人員來(lái)說(shuō)，定位符號(hào)所對(duì)應(yīng)器件并進(jìn)行繪制的過程仍耗費(fèi)過多時(shí)間，且要求繪制人員熟悉設(shè)備和器件布局。

近年來(lái)，計(jì)算機(jī)視覺領(lǐng)域，目標(biāo)檢測(cè)、語(yǔ)義分割、圖片分類等人工智能技術(shù)發(fā)展迅速，并被廣泛應(yīng)用運(yùn)用于各個(gè)領(lǐng)域[12- 15]，取得了很好的效果。所以，本文在人機(jī)交互繪制面板布局圖的基礎(chǔ)上，進(jìn)一步采用計(jì)算機(jī)視覺領(lǐng)域目標(biāo)檢測(cè)算法對(duì)配電柜中的常用器件進(jìn)行分類定位，并與接線表中各個(gè)器件名稱所對(duì)應(yīng)的符號(hào)進(jìn)行匹配，幫助繪制人員快速定位當(dāng)前器件名稱在配電柜中對(duì)應(yīng)的所有器件，輔助面板圖布局圖的繪制。

針對(duì)此項(xiàng)需求，本系統(tǒng)采用YOLOX目標(biāo)檢測(cè)算法[16]對(duì)配電柜實(shí)物圖中的常用器件進(jìn)行識(shí)別定位，獲取器件的類別和坐標(biāo)信息，并為用戶在配電柜圖片相應(yīng)器件位置處進(jìn)行標(biāo)注，優(yōu)化了面板圖繪制過程，進(jìn)一步提高了配線接線的質(zhì)量檢查工作的效率。

2 器件檢測(cè)模型的實(shí)現(xiàn)

2.1 數(shù)據(jù)集說(shuō)明

訓(xùn)練器件檢測(cè)的機(jī)器學(xué)習(xí)模型，需要一個(gè)包含足夠多器件實(shí)物圖像的數(shù)據(jù)集。本文中用于建模的圖片有自拍配電柜面板圖片、來(lái)自配電柜廠家及網(wǎng)上收集的圖片，其中包括了各個(gè)廠商的產(chǎn)品圖片，如西門子、霍尼韋爾、艾默生等品牌的產(chǎn)品，篩選后的得到圖片共1 714張。

訓(xùn)練數(shù)據(jù)集中選擇標(biāo)注的常用器件類型共11種，分別是斷路器、接觸器、繼電器、接線端子、斷熔器底座、溫控器、插座、PLC模塊、變頻器、電源和互感器。標(biāo)注采用開源工具LabelImg，主要針對(duì)圖像中的器件，標(biāo)注其位置和類別，保存為xml格式文件。

2.2 基于YOLOX的器件檢測(cè)模型

YOLO[17]系列算法是目前目標(biāo)檢測(cè)算法中比較主流的算法之一，并且YOLOv3網(wǎng)絡(luò)更是在工程領(lǐng)域中得到廣泛運(yùn)用[18-19]。YOLOX是曠視科技公司在2021年提出超越Y(jié)OLO系列的算法，其在YOLOv3～v5的基礎(chǔ)上改進(jìn)，無(wú)論是在檢測(cè)速度還是在檢測(cè)精度上都優(yōu)于YOLOv3～v5[20]。故本文選擇YOLOX預(yù)訓(xùn)練模型建模。

2.2.1 YOLOX網(wǎng)絡(luò)結(jié)構(gòu)

YOLOX整體可分為三部分——CSPDarknet、FPN和YOLO Head，如圖5所示。

圖5 YOLOX-X網(wǎng)絡(luò)結(jié)構(gòu)

1)主干部分CSPDarknet：CSPDarknet負(fù)責(zé)特征提取，沿用了YOLOv5——BackBone網(wǎng)絡(luò)的基本結(jié)構(gòu)，在輸入端對(duì)圖像采用Mosaic數(shù)據(jù)增強(qiáng)策略和Focus網(wǎng)絡(luò)結(jié)構(gòu)，豐富了圖像的背景和通道。并在每次卷積后，YOLOX選擇進(jìn)行歸一化處理并修改激活函數(shù)為SiLU函數(shù)。SiLU函數(shù)具有無(wú)上界有下界、平滑、非單調(diào)的特性，計(jì)算公式如式(1)所示：

f(x)=x*sigmoid(x)

(1)

YOLOX采用多維度檢測(cè)方法，共提取3種不同維度的特征層，分別為x1=80*80*256、x2=40*40*512、x3=20*20*1024，3種維度分別用于檢測(cè)圖像中不同大小的目標(biāo)物體，維度越大，對(duì)于小物體的敏感度越高。其中在x3維度的特征提取過程中加入SPP[21](patial Pyramid Pooling空間金字塔池化)結(jié)構(gòu)，有效地避免了因圖像裁剪和變形導(dǎo)致特征提取偏差的問題。

2)FPN特征金字塔：FPN負(fù)責(zé)對(duì)主干網(wǎng)絡(luò)的3個(gè)維度的特征進(jìn)行特征融合，如圖5所示，在YOLOv5——Neck結(jié)構(gòu)的基礎(chǔ)上對(duì)高層特征進(jìn)行下采樣并與低層特征再進(jìn)行一次堆疊，使得高層特征和低層特征能互相利用，起到了進(jìn)一步加強(qiáng)特征的作用，并將3個(gè)維度特征分別傳遞到Y(jié)OLO Head，即網(wǎng)絡(luò)的分類器部分中，用以檢測(cè)不同大小的目標(biāo)。

3)YOLOHead解耦頭：以往的YOLO算法版本中，分類器部分都選擇將分類與回歸同時(shí)進(jìn)行，即在一個(gè)1×1卷積里實(shí)現(xiàn)。但是，由于分類是對(duì)于物體特征差異的比較，而回歸則是提取的物體輪廓處特征，所以分類和回歸的過程可能會(huì)互相影響而產(chǎn)生沖突，不利于模型檢測(cè)，所以與以往的YOLO算法不同，YOLOX采用了解耦頭，將物體預(yù)測(cè)框和類別的預(yù)測(cè)分別實(shí)現(xiàn)。

2.2.2 YOLOX的特殊處理

1)無(wú)先驗(yàn)框(anchor free)：YOLOv3～v5都采用了先驗(yàn)框，而YOLOX認(rèn)為先驗(yàn)框的預(yù)設(shè)在一定程度上限制了模型的預(yù)測(cè)效果，因?yàn)椴煌瑪?shù)據(jù)集目標(biāo)可能出現(xiàn)的位置也會(huì)不同，并且設(shè)定好的先驗(yàn)框?qū)τ诓灰?guī)則目標(biāo)的檢測(cè)反倒帶來(lái)了干擾，模型默認(rèn)的先驗(yàn)框也一定不適合當(dāng)前需解決問題的數(shù)據(jù)集，人為分析獲取最優(yōu)先驗(yàn)框無(wú)疑增加了模型訓(xùn)練的難度和復(fù)雜度，降低了靈活性，同時(shí)隨著Anchor Free策略的發(fā)展，其預(yù)測(cè)精度已不亞于Anchor Base[22-23]，所以YOLOX選擇使用AnchorFree策略。

2)SimOTA正樣本匹配：SimOTA能動(dòng)態(tài)得為每個(gè)真實(shí)框分配正樣本數(shù)量，即各個(gè)不同的目標(biāo)對(duì)應(yīng)的正樣本數(shù)量不同，相比以往的正樣本分配策略速度更快，參數(shù)更少，分配更合理。其核心思想是為每一個(gè)真實(shí)框計(jì)算一個(gè)cost代價(jià)矩陣，矩陣包含了每個(gè)真實(shí)框與預(yù)測(cè)框重合程度和種類預(yù)測(cè)準(zhǔn)確度，以及真實(shí)框中心點(diǎn)和特征點(diǎn)的距離的接近程度。計(jì)算真實(shí)框與預(yù)測(cè)框重合程度前10的IOU總和并取整得到k，cost最低的k個(gè)點(diǎn)即為該真實(shí)框的正樣本。

3 器件檢測(cè)模型訓(xùn)練與運(yùn)用

3.1 建模環(huán)境與評(píng)價(jià)指標(biāo)

本文模型在Python 3.7、Tensorflow2.2.0的環(huán)境下運(yùn)行，訓(xùn)練的服務(wù)器GPU為NVIDIA TeslaGPU_V100_32 GB，內(nèi)存為32 G。

mAP為目標(biāo)檢測(cè)準(zhǔn)確率的評(píng)價(jià)指標(biāo)，通過精確率和召回率共同計(jì)算而來(lái)。其中，精確率指真陽(yáng)性在預(yù)測(cè)為正類中的占比，計(jì)算公式如式(2)所示；召回率指真陽(yáng)性在實(shí)際為正類中的占比，計(jì)算公式如式(3)所示：

(2)

(3)

式中，TP代表預(yù)測(cè)為正類并且實(shí)際為正類目標(biāo)，F(xiàn)P代表預(yù)測(cè)為正類但實(shí)際為負(fù)類的目標(biāo)。FN代表預(yù)測(cè)為負(fù)類但實(shí)際為正類的目標(biāo)。

以召回率為X軸，精確率為Y軸建立直角坐標(biāo)系，召回率和精確率相交點(diǎn)的集合即稱為P-R線，P-R線與召回率X軸所圍成圖形的面積即AP，而模型所有類別AP的平均值即mAP。

3.2 模型訓(xùn)練及結(jié)果分析

模型使用YOLOX-X預(yù)訓(xùn)練，將數(shù)據(jù)集以9∶1∶1的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。訓(xùn)練時(shí)，先對(duì)模型主干部分(CSPDarknet)進(jìn)行凍結(jié)，凍結(jié)階段模型訓(xùn)練參數(shù)如表1所示，此時(shí)模型特征提取網(wǎng)絡(luò)部分參數(shù)不變，僅對(duì)FPN結(jié)構(gòu)參數(shù)微調(diào)。在100輪迭代后，解凍模型主干網(wǎng)絡(luò)，解凍階段模型訓(xùn)練參數(shù)如表1所示，訓(xùn)練迭代輪數(shù)不固定，通過觀察驗(yàn)證集損失變化情況動(dòng)態(tài)停止網(wǎng)絡(luò)，此時(shí)模型的主干不再凍結(jié)，網(wǎng)絡(luò)所有參數(shù)都會(huì)發(fā)生改變。

表1 模型訓(xùn)練參數(shù)表

訓(xùn)練集及驗(yàn)證集損失函數(shù)變化趨勢(shì)如圖6所示。圖中train loss為訓(xùn)練集損失，val loss為驗(yàn)證集損失，同時(shí)為了便于觀察損失變化趨勢(shì)，對(duì)訓(xùn)練集損失及驗(yàn)證集損失折線進(jìn)行平滑處理，得到smooth train loss和smooth train loss曲線。如圖6所示，模型在經(jīng)過400輪迭代后，train loss和val loss都趨于平穩(wěn)，因此在此處停止模型訓(xùn)練，保存模型權(quán)重，并參照本章3.1節(jié)所介紹的AP和mAP的計(jì)算方法，根據(jù)測(cè)試集的預(yù)測(cè)結(jié)果計(jì)算mAP。

圖6 訓(xùn)練集、驗(yàn)證集loss變化圖

模型對(duì)各器件預(yù)測(cè)AP值結(jié)果如表2 所示。可以看到，模型的平均AP值以及達(dá)到了95.49%，且各個(gè)器件的AP值都保持在了90%以上，實(shí)驗(yàn)結(jié)果顯示YOLOX網(wǎng)絡(luò)對(duì)各個(gè)器件都有較高的識(shí)別率，可以滿足工程需求。

表2 各類別預(yù)測(cè)數(shù)據(jù)及對(duì)應(yīng)符號(hào)

3.3 基于器件識(shí)別的面板圖繪制

將訓(xùn)練好的YOLOX檢測(cè)模型運(yùn)用到面板布局圖的繪制，在基于實(shí)物圖的人機(jī)交互繪制階段，在維護(hù)產(chǎn)品流程中，將配電柜實(shí)物圖通過訓(xùn)練好的器件識(shí)別模型進(jìn)行器件識(shí)別，得配電柜中器件的位置和名稱信息，并導(dǎo)入人機(jī)交互繪制面板布局圖階段，將從接線表中提取出的器件名中的器件符號(hào)與模型中識(shí)別的器件名稱相匹配，器件符號(hào)與器件名稱的對(duì)應(yīng)關(guān)系如表2所示，系統(tǒng)提取器件符號(hào)并將模型中所檢測(cè)出的所有對(duì)應(yīng)器件在圖片中的位置使用標(biāo)注框高亮出來(lái)，用戶根據(jù)器件序號(hào)選擇對(duì)應(yīng)的標(biāo)注框，確認(rèn)后該標(biāo)注框變更為繪制框。例如，選擇器件名為KM1的器件，其中符號(hào)KM對(duì)應(yīng)的器件為接觸器，數(shù)字1對(duì)應(yīng)該器件的序號(hào)，系統(tǒng)讀取模型中接觸器的坐標(biāo)信息，并在配電柜圖中以標(biāo)注框的形式框標(biāo)注出所有未繪制的接觸器在圖中所處的位置，用戶選擇序號(hào)為1的接觸器所對(duì)應(yīng)的標(biāo)注框，點(diǎn)擊該標(biāo)注框，確認(rèn)操作后，該標(biāo)注框變更為繪制框并添加器件名稱KM1，優(yōu)化了面板布局圖繪制過程。

4 結(jié)束語(yǔ)

本文針對(duì)配電柜接線檢測(cè)問題，實(shí)現(xiàn)了一種智能接線檢測(cè)輔助系統(tǒng)，并提出了一種用虛實(shí)結(jié)合的分層面板接線布局圖來(lái)引導(dǎo)檢測(cè)人員快速定位檢測(cè)點(diǎn)的方法，根據(jù)配電柜實(shí)際器件布局，在實(shí)物圖圖層之上繪制矩形框用于記錄器件的位置和名稱，并在檢測(cè)階段為檢測(cè)員在配電柜實(shí)物圖上進(jìn)行標(biāo)示，大大減輕了檢測(cè)員的工作強(qiáng)度，加快了檢測(cè)速度。同時(shí)提出了兩種方式針對(duì)面板布局圖的繪制：

1)采用計(jì)算機(jī)與人工相結(jié)合的方式繪制面板布局圖。以Qt為開發(fā)框架，C++為編程語(yǔ)言，建立了人機(jī)交互面板布局圖繪制界面，采用計(jì)算機(jī)輔助繪圖的方式，由人工通過計(jì)算機(jī)可視化交互界面繪制面板布局圖，為用戶提供一個(gè)可以自主繪制面板布局圖系統(tǒng)。

2)借助目標(biāo)檢測(cè)網(wǎng)絡(luò)識(shí)別配電柜實(shí)物圖中的常用器件生成面板布局圖。收集并標(biāo)注了配電柜常用器件數(shù)據(jù)集，通過YOLOX目標(biāo)檢測(cè)算法檢測(cè)配電柜實(shí)物圖中的常用器件，進(jìn)行識(shí)別和定位，得到器件在配電柜中的坐標(biāo)位置，并在繪制階段為用戶標(biāo)注出當(dāng)前器件所在位置，為用戶提供了一個(gè)可直接在標(biāo)注框中尋找對(duì)應(yīng)器件的接口，優(yōu)化了繪制過程的復(fù)雜程度和時(shí)間損耗。

當(dāng)然，由于市場(chǎng)上配電柜器件的樣式眾多，目前系統(tǒng)對(duì)于非常用器件的識(shí)別能力有限，需收集更多的配電柜面板圖片，豐富數(shù)據(jù)集，訓(xùn)練能力更強(qiáng)的模型。