王振興,肖光宇,刁目鑫,任志剛,石 磊

(1.電工材料電氣絕緣全國(guó)重點(diǎn)實(shí)驗(yàn)室,西安交通大學(xué),陜西 西安 710049; 2.國(guó)網(wǎng)北京電科院,北京 100075)

1 引言

SF6氣體因其優(yōu)異的絕緣和滅弧性能被廣泛應(yīng)用于各類電力設(shè)備中,例如斷路器、氣體絕緣開關(guān)設(shè)備(Gas Insulated Switchgear,GIS)、氣體絕緣輸電線路(Gas Insulated Line,GIL)等[1]。據(jù)統(tǒng)計(jì)其在電力系統(tǒng)中的使用量占總產(chǎn)量的90%,并隨著電力行業(yè)的發(fā)展用氣量也呈快速上漲之勢(shì)[2]。但是,SF6氣體具有強(qiáng)溫室效應(yīng),其溫室效應(yīng)潛值是CO2的23 900倍,半衰期高達(dá)3 200[3]年,并且分解物存在嚴(yán)重的腐蝕性和毒性,因而受到多項(xiàng)國(guó)際公約限制使用。并且,在電力設(shè)備的實(shí)際運(yùn)行中,由于設(shè)備老化或者故障導(dǎo)致 SF6氣體泄漏會(huì)對(duì)其電氣性能帶來(lái)不利影響,尤其是在相對(duì)密閉的地下變電站,泄漏的SF6及分解產(chǎn)物會(huì)直接威脅運(yùn)維人員人身安全[4,5]。因此,發(fā)展快速、準(zhǔn)確的SF6氣體泄漏監(jiān)測(cè)和預(yù)警技術(shù),不但有利于電力設(shè)備的穩(wěn)定運(yùn)行,還是建設(shè)生態(tài)文明、實(shí)現(xiàn)碳中和的有力舉措。

諸多學(xué)者們對(duì)SF6的泄漏監(jiān)測(cè)技術(shù)進(jìn)行了大量卓有成效的研究。他們通過(guò)在空間不同點(diǎn)位布置傳感器,并結(jié)合理論計(jì)算獲取泄漏氣體狀態(tài),所采用的探測(cè)方法包括碳納米管傳感器監(jiān)測(cè)法[6]、差分吸收激光雷達(dá)監(jiān)測(cè)法[7]、光聲光譜監(jiān)測(cè)法[8]、聲波信號(hào)監(jiān)測(cè)法[9]。而在泄漏氣體的理論算法方面也有大量嘗試。周舟等人[10]采用氣體流體動(dòng)力學(xué)技術(shù),通過(guò)研究設(shè)備中SF6的濕度來(lái)判斷氣體是否泄漏。Graber[11]與Liu等人[5]分別提出一種通過(guò)監(jiān)測(cè)SF6的濃度或壓力來(lái)判斷氣體泄漏情況的方法。在此基礎(chǔ)上,Woon等人[12]利用氣體濃度擴(kuò)散動(dòng)力學(xué)方法對(duì)氯氣泄漏進(jìn)行了研究。Baalisampang等人[13]模擬了小型液化天然氣的泄漏和擴(kuò)散,類似的方法如文獻(xiàn)[14-17]。但由于上述方法均通過(guò)多個(gè)傳感器并結(jié)合算法判斷泄漏情況,所以監(jiān)測(cè)精度與傳感器數(shù)量和位置直接相關(guān),存在布置復(fù)雜且無(wú)法快速準(zhǔn)確定位氣體泄漏點(diǎn)的問(wèn)題。

相比傳感器監(jiān)測(cè),基于紅外成像的氣體泄漏監(jiān)測(cè)技術(shù)可以直觀、快速定位出氣體泄漏點(diǎn),并且將此監(jiān)測(cè)技術(shù)與人工智能算法相結(jié)合,能夠?qū)崿F(xiàn)監(jiān)測(cè)智能化,大幅提高了工作效率。Ren等人[18]使用一種基于更快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Faster Region-Convolutional Neural Networks,Faster R-CNN)的卷積神經(jīng)網(wǎng)絡(luò)算法來(lái)實(shí)現(xiàn)目標(biāo)監(jiān)測(cè),但是使用該方法對(duì)SF6泄漏的監(jiān)測(cè)精度較低。鄭含博等人[19]提出一種改進(jìn)的Yolov3(I-Yolov3)算法結(jié)合紅外攝像,在算法中加入了數(shù)據(jù)馬賽克處理,用來(lái)監(jiān)測(cè)靜態(tài)電器設(shè)備異常發(fā)熱區(qū)域。為了實(shí)現(xiàn)對(duì)流通氣體的監(jiān)測(cè),張明杰等人[20]提出一種基于高斯混合模型(Gaussian Mixture Model,GMM)的運(yùn)動(dòng)目標(biāo)監(jiān)測(cè)方法,該方法基于像素差異識(shí)別靜態(tài)背景中的動(dòng)態(tài)物體,類似方法還可見文獻(xiàn)[21]。Deng等人[22]利用運(yùn)動(dòng)目標(biāo)與周圍靜態(tài)干擾物對(duì)比度不同的原理將目標(biāo)提取出來(lái),類似方法還可見文獻(xiàn)[23,24]。Bai等人[25]提出一種基于導(dǎo)數(shù)熵的對(duì)比度監(jiān)測(cè)方法,該方法利用紅外目標(biāo)和背景靜態(tài)雜波在不同方向?qū)?shù)子帶中的熵特性來(lái)抑制雜波,從而提取待測(cè)目標(biāo),類似的方法如文獻(xiàn)[26-28]。Zhang等人[29]在對(duì)比度方法中加入了圖像增強(qiáng)算法來(lái)增強(qiáng)目標(biāo)的紅外特征。Lu等人[30]先后使用圖像增強(qiáng)算法、改進(jìn)的高斯混合模型對(duì)SF6泄漏進(jìn)行識(shí)別,得到了較高的精度。但是上述方法多應(yīng)用于監(jiān)測(cè)和識(shí)別靜態(tài)背景下的動(dòng)態(tài)物體,而當(dāng)環(huán)境中出現(xiàn)大面積動(dòng)態(tài)干擾時(shí),監(jiān)測(cè)目標(biāo)對(duì)比度將出現(xiàn)明顯下降,導(dǎo)致監(jiān)測(cè)精度降低。

在實(shí)際應(yīng)用中,干擾因素較為復(fù)雜,大體可以分為熱源、會(huì)干擾10.6 μm紅外波段的氣體、以及環(huán)境氣體流動(dòng)特性,這些干擾共同作用會(huì)造成圖像捕獲難、圖像清晰度低等問(wèn)題。如果僅考慮單一干擾因素,會(huì)嚴(yán)重降低泄漏氣體的識(shí)別率。針對(duì)上述問(wèn)題,本文提出一種新的基于紅外圖像識(shí)別的算法來(lái)監(jiān)測(cè)多種干擾因素影響下電力設(shè)備SF6氣體泄漏,滿足在實(shí)際復(fù)雜環(huán)境中應(yīng)用的要求。首先通過(guò)模擬具有靜態(tài)、動(dòng)態(tài)、不可見干擾的復(fù)雜背景來(lái)搭建SF6泄漏實(shí)驗(yàn)平臺(tái),實(shí)驗(yàn)獲取不同條件下SF6氣體泄漏的紅外圖像。隨后,利用實(shí)驗(yàn)所獲得的數(shù)據(jù)集,再結(jié)合卷積神經(jīng)網(wǎng)絡(luò) Yolov4[31]算法生成監(jiān)測(cè)模型,并通過(guò)紅外圖像增強(qiáng)的方法進(jìn)一步提高Yolov4模型的精度。最后,將該模型監(jiān)測(cè)識(shí)別結(jié)果與其他4種當(dāng)下主流的模型的結(jié)果進(jìn)行對(duì)比,驗(yàn)證本文方法對(duì)復(fù)雜環(huán)境中泄漏氣體監(jiān)測(cè)的有效性以及工程可行性。

2 SF6泄漏紅外成像的實(shí)驗(yàn)

當(dāng)SF6泄漏的監(jiān)測(cè)環(huán)境處于實(shí)際變電站的復(fù)雜環(huán)境時(shí),會(huì)受到諸多復(fù)雜干擾的影響,例如氣流、水汽、電力設(shè)備發(fā)熱,從而使監(jiān)測(cè)變得困難。為了使電力設(shè)備發(fā)生的SF6泄漏監(jiān)測(cè)更貼近工程實(shí)際,故綜合考慮多種環(huán)境因素,利用實(shí)驗(yàn)?zāi)M多種干擾,從而實(shí)現(xiàn)復(fù)雜環(huán)境中的SF6泄漏監(jiān)測(cè)。圖1為本文所搭建的氣體泄漏實(shí)驗(yàn)平臺(tái)示意圖。將SF6氣體由高壓氣體罐輸出至氣體校準(zhǔn)儀中,利用氣體校準(zhǔn)儀模擬實(shí)際設(shè)備中發(fā)生的SF6泄漏情況。為了使氣體泄漏監(jiān)測(cè)的具有更高的精確度,使其在實(shí)際工程中的應(yīng)用范圍更加廣泛、準(zhǔn)確率更高,故控制泄漏流量較低,為1 mL/min,氣體校準(zhǔn)儀的氣體輸出點(diǎn)即為SF6泄漏點(diǎn)。

正常狀態(tài)下的SF6氣體無(wú)色且透明,但是SF6氣體在紅外波段的10.6 μm處具有明顯的吸收峰[32],故可利用此特性并采用對(duì)應(yīng)譜段的熱紅外成像儀將泄漏出的SF6氣體與周圍背景區(qū)分開來(lái)。本文所采用紅外攝像機(jī)型號(hào)為FLIR的GF306系列,感應(yīng)的波長(zhǎng)范圍為10.3～10.7 μm,測(cè)溫范圍為-40～500 ℃,精度為±1 ℃,生成的紅外圖像像素為320×240。為模擬實(shí)際監(jiān)測(cè)中環(huán)境的復(fù)雜性,設(shè)置紅外成像儀與SF6泄漏點(diǎn)之間的監(jiān)測(cè)距離分別為1 m、3 m、5.5 m,并在紅外成像儀與氣體泄漏點(diǎn)之間添加人為干擾,分別為靜態(tài)的熱源(98 ℃)干擾、動(dòng)態(tài)的水汽干擾以及不可見的氣流干擾。其中,將熱源干擾置于氣體泄漏點(diǎn)旁,模擬SF6氣體泄漏監(jiān)測(cè)時(shí)由于周圍環(huán)境溫度異常所帶來(lái)的干擾(高溫輻射會(huì)顯著影響紅外譜段的信號(hào));再通過(guò)向泄漏點(diǎn)附近噴水的方法模擬水汽等動(dòng)態(tài)干擾(水汽等在紅外譜段具有吸收峰);最后通過(guò)強(qiáng)制換氣的方式,在紅外成像儀與泄漏點(diǎn)之間制造氣流干擾。上述設(shè)置模擬了實(shí)際復(fù)雜環(huán)境中電力設(shè)備實(shí)際運(yùn)行中普遍存在的干擾情況,增加了監(jiān)測(cè)過(guò)程中對(duì)泄漏氣體識(shí)別的難度,可有效驗(yàn)證算法的可靠性。

紅外攝像儀與SF6泄漏點(diǎn)的夾角θ被分別設(shè)置為10°與90°。θ=90°時(shí)獲取的紅外數(shù)據(jù)作為模型的訓(xùn)練集與測(cè)試集;θ=10°時(shí)獲取的紅外數(shù)據(jù)作為實(shí)驗(yàn)的對(duì)照組。在SF6的泄漏監(jiān)測(cè)中,不可能采集所有角度的圖像,因此需要驗(yàn)證經(jīng)過(guò)特定角度圖像訓(xùn)練出的模型是否具有泛化能力,即可以用于監(jiān)測(cè)任意角度獲得的紅外圖像并識(shí)別SF6氣體泄漏。

實(shí)驗(yàn)共獲取2 931張SF6泄漏的紅外圖像數(shù)據(jù),并且按照訓(xùn)練集∶測(cè)試集= 4∶1的原則進(jìn)行劃分,最終得到2 236張紅外圖像作為模型訓(xùn)練集,595張紅外圖像作為模型測(cè)試集以及100張實(shí)驗(yàn)對(duì)照組數(shù)據(jù)。將數(shù)據(jù)集中所有SF6泄漏標(biāo)記為待測(cè)目標(biāo),最終標(biāo)記得到2 259個(gè)SF6泄漏數(shù)據(jù),即在監(jiān)測(cè)結(jié)果圖像中顯示發(fā)生SF6泄漏的標(biāo)記,最后把上述帶有標(biāo)記的紅外數(shù)據(jù)集通過(guò)卷積神經(jīng)網(wǎng)絡(luò)的迭代和評(píng)估,獲得SF6氣體泄漏的監(jiān)測(cè)模型。

3 基于卷積神經(jīng)網(wǎng)絡(luò)Yolov4的SF6泄漏智能監(jiān)測(cè)模型

本文采用基于卷積神經(jīng)網(wǎng)絡(luò)的Yolov4算法對(duì)SF6的泄漏情況進(jìn)行識(shí)別,監(jiān)測(cè)模型的生成過(guò)程如圖2所示。首先對(duì)實(shí)驗(yàn)獲取的SF6泄漏紅外圖像進(jìn)行圖像增強(qiáng)處理,使用的方法為線性增強(qiáng),這一步驟將大幅提升待測(cè)目標(biāo)的紅外特征,使泄漏氣體更易被識(shí)別。經(jīng)過(guò)增強(qiáng)的紅外圖像再輸入至Yolov4算法網(wǎng)絡(luò)進(jìn)行模型迭代,該算法由Yolov4主網(wǎng)絡(luò)、Mish激活函數(shù)[33]以及完全交集比率(Complete-Intersection over Union,CIoU)[34]優(yōu)化理論構(gòu)成,其中主網(wǎng)絡(luò)包括CSPDarknet53模塊[35]、空間金字塔池化(Spatial Pyramid Pooling,SPP)模塊[36]、路徑聚合網(wǎng)絡(luò)(Path Aggregation Network,PANet)模塊[37]以及Yolo Head模塊[38]。最后使用均值平均精度(Mean-Average Precision,MAP)評(píng)估理論對(duì)生成的監(jiān)測(cè)模型進(jìn)行評(píng)估與分析,從而得到最優(yōu)的氣體泄漏監(jiān)測(cè)模型,下文將對(duì)上述方法進(jìn)行詳細(xì)闡述。

圖2 SF6氣體泄漏監(jiān)測(cè)算法框圖

3.1 紅外圖像增強(qiáng)算法

本文使用的圖像增強(qiáng)算法基于直方圖的線性增強(qiáng)[39],圖像增強(qiáng)的公式如下:

f(x)=αg(x)+β

(1)

式中,f(x)為輸出圖像;g(x)為輸入圖像;α為圖像的對(duì)比度,α>1表示圖像對(duì)比度增加,0<α<1表示圖像對(duì)比度減小;β為圖像亮度,β>0表示圖像亮度增加,β<0表示圖像亮度減小。為了能最大程度增強(qiáng)SF6的紅外圖像特征,經(jīng)過(guò)多次對(duì)比驗(yàn)證,本文設(shè)置參數(shù)α=2、β=8。圖3為圖像增強(qiáng)前后輸出的灰度圖對(duì)比,結(jié)果顯示經(jīng)過(guò)線性增強(qiáng)的SF6泄漏紅外圖像具有更好的分辨性。

圖3 圖像增強(qiáng)算法處理前后紅外照片對(duì)比圖

圖4為實(shí)驗(yàn)獲取的紅外圖像經(jīng)線性增強(qiáng)后輸出的灰度直方圖對(duì)比結(jié)果?？梢钥闯鼋?jīng)線性增強(qiáng)處理后,在更易被識(shí)別的灰度等級(jí)中(50～100),紅外圖像的像素?cái)?shù)有了極大增強(qiáng),說(shuō)明了紅外圖像的線性增強(qiáng)處理以及相關(guān)參數(shù)選擇的有效性。

圖4 圖像增強(qiáng)算法處理前后灰度直方圖對(duì)比圖

3.2 卷積神經(jīng)網(wǎng)絡(luò)Yolov4圖像識(shí)別算法原理

3.2.1 算法主網(wǎng)絡(luò)結(jié)構(gòu)

Yolov4算法的主網(wǎng)絡(luò)結(jié)構(gòu)包含CSPDarkNet53、PANet、SPP、Yolo Head四個(gè)模塊。其中CSPDarkNet53模塊為特征提取網(wǎng)絡(luò),用來(lái)提取SF6紅外數(shù)據(jù)的圖像特征;Darknet模塊的作用為特征提取與調(diào)用激活函數(shù);Resblock是由卷積、激活函數(shù)以及特征標(biāo)準(zhǔn)化構(gòu)成的卷積塊,作用為將殘差結(jié)構(gòu)與特征層進(jìn)行融合,從而更有效地提取特征;SPP模塊即空間金字塔池化層,該模塊可將任意大小的紅外特征圖轉(zhuǎn)換成固定大小的特征向量,有利于監(jiān)測(cè)圖像中待測(cè)目標(biāo)大小差異較大的情況,模塊中的Maxpool即最大池化層;PANet模塊是一種新的特征圖融合方式,它在傳統(tǒng)的特征上采樣環(huán)節(jié)后新增了特征下采樣環(huán)節(jié),該方法可以使監(jiān)測(cè)目標(biāo)的特征更加明顯,模塊中的Concat為特征融合過(guò)程,Conv為卷積過(guò)程;三個(gè)Yolo Head模塊為輸出的三個(gè)特征層,該模塊的本質(zhì)是一次3×3卷積與一次1×1卷積的整合,前者的作用是特征整合,后者的作用是調(diào)整網(wǎng)絡(luò)通道數(shù)。

圖5所示為Yolov4網(wǎng)絡(luò)的卷積流程。先將實(shí)驗(yàn)獲取的SF6氣體泄漏紅外圖像輸入CSPDarkNet53網(wǎng)絡(luò),提取的有效特征分別在第3、4次Resblock后流入PANet模塊,并在第5次Resblock后通過(guò)卷積流入SPP模塊,使用上述三次Resblock的原因?yàn)榻?jīng)過(guò)這三次處理后的特征具有更優(yōu)的特征信息。流入SPP模塊的特征需要完成3次最大池化與輸入特征的融合。流入PANet模塊的特征需要通過(guò)特征上、下采樣的方式與SPP模塊流出的特征進(jìn)行一系列特征融合,每一次融合后都需要再進(jìn)行5次卷積,目的為減小特征參數(shù)量并提取較為有效的特征。最后將融合后的特征輸出至Yolo Head特征層模塊,Yolo Head1的生成過(guò)程為SPP模塊流出的特征依次與第4、3次Resblock得到特征的融合,分辨率為19×19;Yolo Head2的生成過(guò)程為SPP模塊流出的特征依次與第4次Resblock得到的特征、Yolo Head1特征層的融合,分辨率為38×38;Yolo Head3的生成過(guò)程為SPP模塊流出的特征與Yolo Head2特征層的融合,分辨率為76×76。上述三種Yolo Head分別被用來(lái)識(shí)別大尺寸、中尺寸、小尺寸的目標(biāo),可以有效識(shí)別不同大小的待測(cè)目標(biāo)。

圖5 Yolov4網(wǎng)絡(luò)結(jié)構(gòu)

3.2.2 Mish激活函數(shù)

如圖2所示,為了增強(qiáng)算法的準(zhǔn)確率,Yolov4使用Mish激活函數(shù)在模型中加入非線性因素,從而有效解決線性模型無(wú)法解決的問(wèn)題。相比傳統(tǒng)的ReLU等激活函數(shù),使用Mish激活函數(shù)的目標(biāo)檢測(cè)模型的準(zhǔn)確率更高[33]。Mish函數(shù)的公式如下所示:

w(x)=x·tanh[ln(1+ex)]

(2)

式中,x為提取的線性圖像特征;tanh為雙曲正切函數(shù);w(x)為原圖像特征經(jīng)激活函數(shù)處理后流入神經(jīng)網(wǎng)絡(luò)的特征。根據(jù)式 (2)可知該激活函數(shù)在負(fù)值的時(shí)候并不是完全截?cái)嗟?而是允許比較小的負(fù)梯度流入,從而保證了SF6氣體紅外特征的信息流動(dòng),增強(qiáng)識(shí)別精度,且該激活函數(shù)沒(méi)有邊界,不會(huì)產(chǎn)生信息飽和問(wèn)題。

因此,在網(wǎng)絡(luò)層數(shù)較多的復(fù)雜神經(jīng)網(wǎng)絡(luò)中,Mish激活函數(shù)具有更準(zhǔn)確的識(shí)別精度,使用該激活函數(shù)可以使網(wǎng)絡(luò)的運(yùn)行更加有效。

3.2.3 CIoU優(yōu)化理論

如圖2所示,為了使檢測(cè)獲得更高的準(zhǔn)確率,在Yolov4算法中采用CIoU來(lái)優(yōu)化目標(biāo)框的回歸方式,該方式優(yōu)化了檢測(cè)結(jié)果中的“交并比”,即在某一IoU閾值下檢測(cè)結(jié)果中預(yù)測(cè)框與真實(shí)框的交集與并集之比。CIoU將待測(cè)的SF6氣體與先驗(yàn)框之間的距離、重疊率等因素都考慮進(jìn)去,判斷真實(shí)框與預(yù)測(cè)框之間的重合程度,使目標(biāo)框回歸變得更加穩(wěn)定,從而避免在訓(xùn)練過(guò)程中出現(xiàn)的不收斂等問(wèn)題。CIoU公式如下:

(3)

(4)

(5)

式中,D為真實(shí)框與預(yù)測(cè)框的回歸計(jì)算方式,即CIoU;q為預(yù)測(cè)框與真實(shí)框的“交并比”;b為預(yù)測(cè)框與真實(shí)框中心點(diǎn)的歐氏距離;c為能夠同時(shí)包含預(yù)測(cè)框和真實(shí)框的最小閉包區(qū)域的對(duì)角線距離;wgt與hgt分別為真實(shí)框的寬與高;w與h分別為預(yù)測(cè)框的寬與高;au為預(yù)測(cè)框與真實(shí)框的約束量。CIoU優(yōu)化方法計(jì)算的示意圖如圖6所示,最外圍的虛線框?yàn)轭A(yù)測(cè)框與真實(shí)框的最小包圍框,虛點(diǎn)線框?yàn)轭A(yù)測(cè)框,實(shí)線框?yàn)檎鎸?shí)框。

圖6 CIoU優(yōu)化方法計(jì)算示意圖

3.3 圖像識(shí)別模型評(píng)估方法

在目標(biāo)監(jiān)測(cè)中,將監(jiān)測(cè)結(jié)果分為如下四類:①TP:被正確地判斷為正例的樣本,即目標(biāo)本身需要被監(jiān)測(cè),檢測(cè)器正確動(dòng)作;②FP:被錯(cuò)誤地判斷為正例的樣本,即目標(biāo)本身不需要監(jiān)測(cè),但監(jiān)測(cè)器誤動(dòng);③TN:被正確地判斷為負(fù)例的樣本,即目標(biāo)本身不需要監(jiān)測(cè)且監(jiān)測(cè)器沒(méi)有誤動(dòng);④FN:被錯(cuò)誤地判斷為負(fù)例的樣本,即目標(biāo)本身需要被監(jiān)測(cè),監(jiān)測(cè)器漏檢。通過(guò)上述四類的計(jì)算和擬合,即可得到目標(biāo)監(jiān)測(cè)的五項(xiàng)評(píng)估指標(biāo):精確率P(Precision)、召回率R(Recall)、MAP、F值、對(duì)數(shù)平均損失率(Log-average Miss Rate,LMR)。

精確率表示被正確地判斷為正例的樣本與所有被判斷為正例樣本的比值,召回率表示被正確地判斷為正例的樣本與所有正例樣本的比值,故每個(gè)識(shí)別目標(biāo)的精確率值對(duì)應(yīng)唯一一個(gè)召回率值,公式如下:

(6)

(7)

MAP為評(píng)估目標(biāo)監(jiān)測(cè)模型中最重要的指標(biāo),以本文待測(cè)目標(biāo)SF6為例,MAP的計(jì)算方法如下:首先利用式(6)、式(7)計(jì)算SF6的精確率與召回率,以二維坐標(biāo)橫軸為召回率,縱軸為精確率繪制精確率與召回率的曲線,該曲線與兩坐標(biāo)軸圍城的面積即為監(jiān)測(cè)結(jié)果的均值平均精度。一般情況下,精確率與召回率成反相關(guān),但是理想情況是希望兩者都高,故引入F(a)來(lái)衡量在某一IoU閾值下精確率和召回率的綜合結(jié)果,該值是兩項(xiàng)指標(biāo)的加權(quán)調(diào)和平均數(shù),可以平衡單維度指標(biāo)缺陷,F值越大說(shuō)明模型的性能越優(yōu)。計(jì)算公式如下:

(8)

式中,a通常取值可為0.5、1、2,當(dāng)取0.5時(shí)代表R的重要程度是P的一半;取1時(shí)代表R與P同等重要;取2時(shí)代表R的重要程度是P的兩倍。本文認(rèn)為R與P同等重要,故取a=1,將式(8)變?yōu)槭?9):

(9)

MAP評(píng)估理論中最后一個(gè)指標(biāo)為對(duì)數(shù)平均損失率,該指標(biāo)通過(guò)懲罰錯(cuò)誤的分類,實(shí)現(xiàn)對(duì)分類器準(zhǔn)確度的量化。對(duì)數(shù)損失函數(shù)的計(jì)算公式如下:

(10)

式中,Y為輸出變量;X為輸入變量;L為損失函數(shù);N為輸入樣本量;M為可能的類別數(shù);yij為類別j是否是輸入實(shí)例xi的真實(shí)類別;pij為模型或分類器預(yù)測(cè)的輸入實(shí)例xi屬于類別j的概率。對(duì)于完美的模型,對(duì)數(shù)損失為0。

根據(jù)式(6)～式(10)即可求出模型的P、R、MAP、LMR和F值,其中最重要的指標(biāo)為MAP,將MAP與其余四項(xiàng)指標(biāo)相結(jié)合,即可衡量監(jiān)測(cè)模型的優(yōu)劣。

4 結(jié)果分析

本文旨在分析復(fù)雜環(huán)境中SF6氣體泄漏的監(jiān)測(cè)精度。本節(jié)將本文所使用的Yolov4算法與GMM、Faster R-CNN、單步多框檢測(cè)器(Single Shot multibox Detector,SSD)以及I-Yolov3模型在相同紅外數(shù)據(jù)集上進(jìn)行對(duì)比評(píng)估,之后再利用Yolov4算法對(duì)圖像增強(qiáng)前后的紅外數(shù)據(jù)集進(jìn)行訓(xùn)練與評(píng)估,最終分析得到復(fù)雜環(huán)境中監(jiān)測(cè)SF6泄漏最有效的方法。

4.1 訓(xùn)練過(guò)程及分析

本文模型基于卷積神經(jīng)網(wǎng)絡(luò)Keras框架,使用Yolov4算法對(duì)圖像數(shù)據(jù)進(jìn)行訓(xùn)練,操作平臺(tái)為Pycharm,算法語(yǔ)言為python3.6,最終結(jié)果通過(guò)OpenCV進(jìn)行圖像識(shí)別的可視化。

為滿足訓(xùn)練迭代次數(shù),設(shè)置迭代次數(shù)為300次,為使在模型訓(xùn)練過(guò)程中保留足夠多的特征,并使損失達(dá)到最小,故設(shè)置步長(zhǎng)(Bantch Size)為2,學(xué)習(xí)率為1×10-3。圖7為訓(xùn)練過(guò)程中訓(xùn)練集模型的損失可視化,其中橫軸表示迭代次數(shù),縱軸表示IoU/CIoU的損失,由圖7可得該模型收斂速度較快,在迭代次數(shù)為200次時(shí)損失變化趨于平穩(wěn),此時(shí)損失值上下波動(dòng)范圍為0.001。然而,由于步長(zhǎng)設(shè)置較小,模型在訓(xùn)練第283次達(dá)到最低點(diǎn)后又有了一定上升趨勢(shì),發(fā)生了過(guò)擬合現(xiàn)象,故舍棄之后的模型,采用迭代第283次得到的訓(xùn)練模型作為本課題的研究模型,此時(shí)模型的IoU/CIoU的損失為0.016 993。

圖7 模型訓(xùn)練的損失可視化

4.2 結(jié)果分析

為了驗(yàn)證在復(fù)雜監(jiān)測(cè)環(huán)境下本文模型的有效性,將使用本文模型在復(fù)雜背景數(shù)據(jù)中進(jìn)行以下四方面的監(jiān)測(cè)結(jié)果對(duì)比:

(1)將本文方法與當(dāng)下主流的目標(biāo)監(jiān)測(cè)算法在相同紅外數(shù)據(jù)集上進(jìn)行對(duì)比與評(píng)估,證明在相同干擾條件下本文所采用的模型精度最高。

(2)對(duì)比本文方法使用圖像增強(qiáng)前后的效果,證明在經(jīng)過(guò)紅外圖像增強(qiáng)處理后,可以提高識(shí)別精度。

(3)將多張SF6泄漏的紅外數(shù)據(jù)拼成一張圖片,模擬實(shí)際工程中的氣體多點(diǎn)泄漏,并與各泄漏數(shù)據(jù)被單獨(dú)監(jiān)測(cè)時(shí)的精度進(jìn)行對(duì)比,證明本文方法可以同時(shí)監(jiān)測(cè)工程中發(fā)生的SF6多點(diǎn)泄漏情況。

(4)將測(cè)試集樣本與實(shí)驗(yàn)對(duì)照組進(jìn)行對(duì)比,證明本文方法可在實(shí)際工程應(yīng)用中監(jiān)測(cè)其他角度的SF6泄漏。

4.2.1 多種模型性能比較與分析

圖8為5種目標(biāo)監(jiān)測(cè)模型對(duì)隨機(jī)選取的同一張具有復(fù)雜干擾下SF6泄漏數(shù)據(jù)的識(shí)別結(jié)果。圖8(a)為需要識(shí)別的SF6泄漏紅外圖像,圖8(b)～圖8(f)為5種不同模型的識(shí)別結(jié)果,依次為GMM模型、Faster R-CNN模型、SSD模型、I-Yolov3模型與Yolov4模型的識(shí)別結(jié)果。

圖8 復(fù)雜環(huán)境條件下5種監(jiān)測(cè)模型識(shí)別結(jié)果對(duì)比

圖8(b)監(jiān)測(cè)結(jié)果表示由于GMM模型只能監(jiān)測(cè)靜態(tài)背景中的運(yùn)動(dòng)目標(biāo),而無(wú)法實(shí)現(xiàn)對(duì)動(dòng)態(tài)目標(biāo)進(jìn)行分類。故在復(fù)雜環(huán)境中使用GMM模型監(jiān)測(cè)SF6氣體泄漏時(shí),去除靜態(tài)背景后在黑色背景區(qū)域無(wú)法區(qū)分虛線框所標(biāo)注的水汽干擾與實(shí)線框所標(biāo)注的SF6氣體泄漏,故該監(jiān)測(cè)模型在存在動(dòng)態(tài)干擾的復(fù)雜環(huán)境中無(wú)法進(jìn)行SF6氣體泄漏進(jìn)行有效監(jiān)測(cè);圖8(c)所示的Faster R-CNN模型對(duì)SF6氣體泄漏監(jiān)測(cè)的置信度較高,為0.92,但該模型存在一定的誤檢概率,如圖8(c)所示在該實(shí)驗(yàn)條件下發(fā)生1處誤檢,錯(cuò)誤地將背景分類為SF6氣體泄漏;圖8(d)結(jié)果顯示SSD模型在該背景下沒(méi)有識(shí)別出SF6氣體泄漏;圖8 (e)中使用I-Yolov3模型監(jiān)測(cè)時(shí)沒(méi)有發(fā)生漏檢或誤檢,監(jiān)測(cè)的置信度為0.78;圖8 (f)中使用Yolov4模型監(jiān)測(cè)得到了最優(yōu)的監(jiān)測(cè)結(jié)果,沒(méi)有發(fā)生漏檢和誤檢,且SF6氣體泄漏監(jiān)測(cè)的置信度為0.92,氣體泄漏點(diǎn)清晰可見。

為了進(jìn)一步證明本文模型良好的監(jiān)測(cè)精度,分別采用GMM,Faster R-CNN,SSD,I-Yolov3,Yolov4算法,并使用本文所獲得的數(shù)據(jù)集,計(jì)算得出如表1所示五種監(jiān)測(cè)模型在閾值IoU為0.5時(shí)的MAP0.5。

表1 不同模型的評(píng)估對(duì)比結(jié)果

根據(jù)該表1的結(jié)果對(duì)比可知:在環(huán)境中無(wú)干擾時(shí),SSD模型對(duì)SF6泄漏識(shí)別的精度為74.85%,而GMM模型、Faster R-CNN模型、I-Yolov3模型與Yolov4模型對(duì)SF6泄漏識(shí)別的精度均高于90%,其中GMM模型的精度最高,為96.8%,Yolov4模型次之,精度為96.25%。但在背景中存在熱源、水汽、氣流等復(fù)雜干擾時(shí),只有本文使用的Yolov4算法對(duì)SF6的識(shí)別精度高于80%,SSD模型、Fasrer R-CNN模型和I-Yolov3模型的精度均低于67%。GMM模型由于無(wú)法有效區(qū)分泄漏氣體和動(dòng)態(tài)干擾,不斷產(chǎn)生誤檢,故沒(méi)有討論GMM模型在復(fù)雜環(huán)境中的識(shí)別準(zhǔn)確率。由上述可得,Yolov4算法在復(fù)雜環(huán)境條件下對(duì)SF6氣體泄漏監(jiān)測(cè)具有明顯的優(yōu)勢(shì)。

圖9為5種目標(biāo)監(jiān)測(cè)模型分別在有、無(wú)干擾時(shí)對(duì)SF6氣體泄漏檢測(cè)的結(jié)果可視化對(duì)比圖。其中,橫軸依次表示GMM模型、Faster R-CNN模型、SSD模型、I-Yolov3模型以及Yolov4模型,縱軸表示各模型識(shí)別結(jié)果的均值平均精度。綜合表1與圖9的對(duì)比結(jié)果可知,在復(fù)雜環(huán)境中監(jiān)測(cè)SF6氣體泄漏時(shí),本文使用的Yolov4算法模型具有較為突出的優(yōu)勢(shì),在均值平均精度這一模型評(píng)估指標(biāo)上高于其他四種主流的目標(biāo)監(jiān)測(cè)模型。

圖9 有無(wú)干擾時(shí)不同模型監(jiān)測(cè)結(jié)果對(duì)比

4.2.2 圖像增強(qiáng)對(duì)識(shí)別結(jié)果的影響分析

本文還研究了圖像增強(qiáng)算法對(duì)于復(fù)雜條件下的泄漏氣體識(shí)別的影響。在本文擬定的三種復(fù)雜干擾環(huán)境中,采用Yolov4模型將經(jīng)過(guò)圖像線性增強(qiáng)后的紅外SF6氣體泄漏圖像再次進(jìn)行訓(xùn)練和評(píng)估,并取閾值IoU為0.5進(jìn)行比較,結(jié)果如圖10所示,具體數(shù)據(jù)見表2。

表2 Yolov4模型經(jīng)圖像增強(qiáng)后的結(jié)果對(duì)比

圖10 圖像增強(qiáng)前后的識(shí)別結(jié)果對(duì)比

評(píng)估結(jié)果顯示經(jīng)過(guò)圖像線性增強(qiáng)后模型性能得到提升。均值平均精度MAP0.5增加9.08%,對(duì)數(shù)平均損失率LMR降低0.11,精確率P提高約2.75%,召回率R提高約6.92%,F(1)值提高0.059,說(shuō)明經(jīng)過(guò)圖像增強(qiáng)后Yolov4監(jiān)測(cè)模型的精度上升,模型穩(wěn)定性增加,使復(fù)雜環(huán)境中實(shí)現(xiàn)SF6氣體泄漏監(jiān)測(cè)更為可靠。

4.2.3 多點(diǎn)泄漏的監(jiān)測(cè)結(jié)果

為了驗(yàn)證本文方法可以在工程中發(fā)生SF6多點(diǎn)泄漏時(shí)實(shí)現(xiàn)監(jiān)測(cè),隨機(jī)將3張具有不同拍攝距離和干擾的SF6泄漏紅外圖像組成為一張圖像,從而模擬實(shí)際工程中發(fā)生的氣體多點(diǎn)泄漏工況,然后利用本文方法對(duì)該具有多點(diǎn)氣體泄漏的紅外圖像進(jìn)行監(jiān)測(cè)識(shí)別。

圖11為SF6多點(diǎn)泄漏的監(jiān)測(cè)結(jié)果,從上到下紅外成像儀距離氣體泄漏點(diǎn)的距離分別為1 m、3 m、5.5 m;所受到的干擾分別為熱源干擾、熱源與氣流干擾、熱源與水汽干擾;圖11中虛線框?yàn)閱吸c(diǎn)泄漏的監(jiān)測(cè)結(jié)果,實(shí)線框?yàn)槎帱c(diǎn)泄漏的監(jiān)測(cè)結(jié)果。由識(shí)別結(jié)果可知,當(dāng)圖11中的SF6紅外數(shù)據(jù)作為單點(diǎn)泄漏被監(jiān)測(cè)時(shí),置信度分別為0.99、0.98、0.80;而當(dāng)作為多點(diǎn)泄漏被監(jiān)測(cè)時(shí),置信度分別降低為0.94、0.91、0.66,但是該精度皆滿足實(shí)際SF6泄漏的識(shí)別需求,故本文方法可以對(duì)工程中SF6的多點(diǎn)泄漏實(shí)現(xiàn)有效監(jiān)測(cè)。

圖11 SF6多點(diǎn)泄漏監(jiān)測(cè)結(jié)果

4.2.4 實(shí)驗(yàn)對(duì)照組識(shí)別結(jié)果

為了驗(yàn)證本文方法可以監(jiān)測(cè)未訓(xùn)練的其他角度SF6泄漏,選取紅外成像儀與SF6泄漏點(diǎn)夾角為10°和90°的紅外圖像,如圖12所示,監(jiān)測(cè)結(jié)果中邊界框上方為預(yù)測(cè)的結(jié)果與該類別的置信度,置信度越高則監(jiān)測(cè)越準(zhǔn)確。圖12(a)為未訓(xùn)練的θ=10°對(duì)照組紅外數(shù)據(jù),而圖12(b)為測(cè)試集的θ=90°圖像數(shù)據(jù)。結(jié)果表明:在閾值IoU為0.5時(shí),θ=90°的訓(xùn)練集的置信度為0.95,而θ=10°對(duì)照組的置信度為0.51。值得注意的是θ=10°是紅外相機(jī)與泄漏點(diǎn)呈較大夾角時(shí)的結(jié)果(接近于垂直),識(shí)別精度不可避免地會(huì)受到影響,但是監(jiān)測(cè)結(jié)果依然大于0.5。該精度依然滿足實(shí)際監(jiān)測(cè)識(shí)別需要,說(shuō)明本文方法在未知相機(jī)安裝角度的工程應(yīng)用中是可行的。

5 結(jié)論

本文建立了復(fù)雜環(huán)境下的SF6氣體泄漏實(shí)驗(yàn)平臺(tái),獲得不同條件下的氣體泄漏紅外圖像數(shù)據(jù)集,并提出一種基于紅外數(shù)據(jù)增強(qiáng)的Yolov4算法實(shí)現(xiàn)SF6氣體泄漏監(jiān)測(cè)。該方法不僅可以對(duì)SF6泄漏點(diǎn)進(jìn)行定位,還可克服復(fù)雜環(huán)境中的多種干擾的影響,使氣體泄漏的監(jiān)測(cè)更加準(zhǔn)確。本文主要結(jié)論如下:

(1) 通過(guò)與當(dāng)下主流的目標(biāo)監(jiān)測(cè)算法(GMM,Faster R-CNN,SSD,I-Yolov3)對(duì)比可知,在復(fù)雜環(huán)境中,基于Yolov4算法建立起的監(jiān)測(cè)模型對(duì)SF6泄漏的監(jiān)測(cè)精度為80%,F(1)值為0.729,遠(yuǎn)高于其他目標(biāo)監(jiān)測(cè)模型,且在數(shù)據(jù)增強(qiáng)后精度提升為89.08%,F(1)值提升為0.788,表現(xiàn)出較好的魯棒性。

(2) 當(dāng)模擬實(shí)際工程中SF6的多點(diǎn)泄漏時(shí),三個(gè)泄漏點(diǎn)被同時(shí)監(jiān)測(cè)的置信度分別為0.94、0.91、0.66,略低于三個(gè)泄漏點(diǎn)被單獨(dú)監(jiān)測(cè)時(shí)的精度;通過(guò)對(duì)比紅外相機(jī)不同安放位置對(duì)于氣體泄漏識(shí)別的影響發(fā)現(xiàn),當(dāng)相機(jī)與泄漏點(diǎn)垂直時(shí)(θ=90°),本模型的識(shí)別置信度可達(dá)到0.95,而當(dāng)相機(jī)處于泄漏點(diǎn)側(cè)面時(shí)(θ=10°),置信度降為0.51,但該精度依然滿足實(shí)際監(jiān)測(cè)需要。因此,本文研究的復(fù)雜環(huán)境中SF6泄漏監(jiān)測(cè)算法具有較高工程實(shí)用性。