曾清旋，陶征勇，宗起振

（南京國電南自軌道交通工程有限公司，江蘇 南京 210032）

0 引言

數(shù)字儀表作為變電站中最常見的儀表之一，其數(shù)碼管中包含由金屬絲制成的陽極和陰極，并充以不同的稀有氣體，借助電極供電，從而發(fā)出不同的顏色光，進而顯示相關(guān)字符數(shù)據(jù)。由于成本低，穩(wěn)定性好，數(shù)字儀表廣泛用于電力行業(yè)，累計記錄電壓、電流等電力數(shù)據(jù)，以及實時監(jiān)控顯示變電站、供電所等電壓、溫度的信息，保障電力系統(tǒng)的安全穩(wěn)定運行。然而，數(shù)字儀表只能顯示電力數(shù)據(jù)，之后還需要通過人工對顯示的字符數(shù)據(jù)進行讀取和再記錄，操作速度慢且容易引入人工誤差。

數(shù)字儀表字符數(shù)值的檢測屬于字符檢測的一個方向，作為計算機視覺領(lǐng)域的研究熱點，傳統(tǒng)機器學(xué)習(xí)對字符的檢測方法主要通過圖像處理技術(shù)［1-3］。首先，對儀表字進行灰度轉(zhuǎn)換、濾波、仿射變換等預(yù)處理；其次，通過圖像顯著性區(qū)域［2］、二值化、形態(tài)學(xué)操作、搜索屏幕區(qū)域［3］等定位分割出單個字符；最后，通過模板匹配［1］、支持向量機等識別出單個字符。研究的字符大多為背景簡單、不易受環(huán)境影響的場景。除此之外，受數(shù)字儀表自身結(jié)構(gòu)原理的影響，長時間工作后，字符容易受背景字符印跡、發(fā)光不均勻、光照等因素影響，采用傳統(tǒng)的圖像處理方法，人工設(shè)計提取特征復(fù)雜耗時、魯棒性差，檢測準(zhǔn)確率和檢測速度難以保證。近幾年，隨著社會的發(fā)展、人工智能技術(shù)的出現(xiàn)以及計算機硬件水平的提高，基于深度學(xué)習(xí)的數(shù)字儀表字符檢測方法采用端到端的卷積神經(jīng)網(wǎng)絡(luò)自動學(xué)習(xí)特征，相比于分階段進行的圖像處理方法，檢測速度和穩(wěn)定性有了很大的提升。同時，由于使用卷積神經(jīng)網(wǎng)絡(luò)自動獲取目標(biāo)特征，避免人工設(shè)計特征的各種缺陷，獲得了較好的性能［4-5］。但基于深度學(xué)習(xí)的方法在對數(shù)字儀表字符檢測時依然存在問題，主要是由于采集樣本時易產(chǎn)生樣本之間數(shù)量的類別不平衡，最終拉低模型性能［6］。SSD模型作為深度學(xué)習(xí)網(wǎng)絡(luò)中代表性的優(yōu)秀網(wǎng)絡(luò)模型，在對數(shù)字儀表字符檢測時，依然存在前述問題，使得數(shù)字儀表字符檢測的準(zhǔn)確率受到限制。

本文針對工業(yè)場景中的數(shù)字儀表字符受環(huán)境、字符類間數(shù)量不平衡導(dǎo)致的識別準(zhǔn)確率底的問題，提出一種基于部分加權(quán)損失函數(shù)的SSD字符檢測方法。通過對SSD損失函數(shù)引入部分加權(quán)損失函數(shù)，提升基于深度學(xué)習(xí)方法對類間樣本數(shù)量不平衡的儀表字符檢測準(zhǔn)確率。

1 SSD損失函數(shù)

SSD損失函數(shù)由兩部分構(gòu)成：分類損失函數(shù)和回歸損失函數(shù)，如式(1）所示。其中，L(x，c，l，g）表示數(shù)字儀表字符檢測模型的總損失，x表示預(yù)測錨框和標(biāo)注錨框關(guān)于字符類別是否匹配的指標(biāo)參數(shù)，c表示數(shù)字儀表字符檢測模型預(yù)測字符類別的概率值，l表示數(shù)字儀表字符檢測模型預(yù)測的錨框位置，g表示標(biāo)注的錨框位置，N為數(shù)字儀表字符檢測模型預(yù)測的錨框總數(shù)量，α為多任務(wù)平衡因子，Lconf(x，c）表示數(shù)字儀表字符檢測模型的分類損失函數(shù)，Lloc(x，l，g）表示數(shù)字儀表字符檢測模型的回歸損失函數(shù)。

即：

SSD模型總損失為每批量訓(xùn)練樣本的分類損失和回歸損失之和的均值，也即分類總損失的均值與回歸總損失的均值。在進行反向傳播更新權(quán)重時，更新公式如式(2）和(3）所示，η為學(xué)習(xí)率，lNodm為第Nodm個樣本的損失，wm是第m次更新的權(quán)重。對于分類損失，如果類間樣本數(shù)量存在差距較大，即類間樣本不平衡問題，會引起樣本數(shù)量多的總損失將大于樣本數(shù)量少的總損失，進而導(dǎo)致樣本數(shù)量多的類別的權(quán)重更新速率快于樣本數(shù)量少的類別的權(quán)重，最終造成樣本數(shù)量多的類別分類準(zhǔn)確率高于樣本數(shù)量少的類別分類準(zhǔn)確率。

2 基于部分加權(quán)分類損失函數(shù)的SSD

針對上述問題，為減輕類間樣本數(shù)量不平衡對SSD分類損失產(chǎn)生的問題，提出使用基于部分加權(quán)損失函數(shù)的SSD數(shù)字儀表字符檢測方法，改善儀表字符數(shù)量中類間樣本數(shù)量不平衡導(dǎo)致SSD檢測準(zhǔn)確率低的問題，基于部分加權(quán)分類損失SWLconf(x，c）的表達式如式(4）所示。

其中，p為字符類別總數(shù)，k＝0，1，…，p，Lconf(x，c）表示每個字符類別的分類損失，βk表示第k個字符類別的類別不平衡因子。部分加權(quán)損失函數(shù)為每個類別樣本分類損失和的平均值，相比于原始分類損失函數(shù)所求的每個類別樣本之間的分類損失差距，最終求得的每個類別樣本的分類損失差距明顯減小。

對于基于部分加權(quán)損失函數(shù)的SSD數(shù)字儀表字符檢測模型，總損失依然為分類損失和回歸損失之和，計算公式如下式(5）所示。

3 實驗

以采集到400張儀表字符圖像做實驗驗證(見圖1），受時間、設(shè)備運行影響，采集到的儀表字符類別之間樣本數(shù)量明顯存在不平衡問題，統(tǒng)計后訓(xùn)練集和測試集種各類樣本的數(shù)量如表1—2所示。表1的訓(xùn)練集樣本存在類間樣本數(shù)量不平衡問題；表2的測試集樣本不存在類間樣本數(shù)量不平衡問題。采用基于PyTorch的深度學(xué)習(xí)框架，將本文方法與原始模型方法進行對比實驗，以mAP-50作為準(zhǔn)確率評價指標(biāo)，批量訓(xùn)練采用8張圖片，訓(xùn)練300次。

圖1 樣本圖片

表1 訓(xùn)練集樣本數(shù)量統(tǒng)計

表2 測試集樣本數(shù)量統(tǒng)計表

由表1可以看出，字符類別6和8的樣本集數(shù)量與其他字符相比存在不平衡現(xiàn)象，但在表3的實驗結(jié)果對比中，在其他類別字符檢測準(zhǔn)確率幾乎不變的情況下，字符類別6和8的有了部分提升，并且在表4的整體mAP計算中。本文方法整體的mAP相比于原始SSD模型，整體提升了3.23個百分點，說明本文方法有效緩解SSD對字符檢測時遇到的類間樣本不平衡問題。

表3 類間AP實驗結(jié)果對比

表4 整體mAP實驗結(jié)果對比

由圖2可以看出，第一行圖片為原始SSD的檢測結(jié)果，第二行圖片為基于本文方法的檢測結(jié)果。當(dāng)閾值取0.6時，原始SSD模型在訓(xùn)練時，由于受類別樣本“8”數(shù)量不平衡影響，導(dǎo)致在對“8”檢測時出現(xiàn)漏檢現(xiàn)象；而對于本文方法，由于使用部分加權(quán)分類損失函數(shù)，有效緩解了類別樣本數(shù)量不平衡的影響。

圖2 樣本圖片檢測結(jié)果(檢測概率閾值取0.6)

4 結(jié)語

本文針對SSD模型對變電站儀表字符識別準(zhǔn)確率低問題，提出使用基于部分加權(quán)損失函數(shù)的SSD字符檢測模型。通過對SSD模型的分類損失函數(shù)引入部分加權(quán)分類損失函數(shù)，提升樣本數(shù)量少的類別權(quán)重更新速率，然后結(jié)合多任務(wù)平衡因子，平衡與回歸任務(wù)之間的權(quán)重更新速率。實驗證明，基于部分加權(quán)分類損失的SSD模型，有效緩解了模型對儀表字符檢測時遇到的類間樣本不平衡問題，提升了變電站儀表字符檢測的準(zhǔn)確率。