基于深度卷積神經網絡實現端子批量識別研究

王廷凰 舒麗 王來華 戴坤

摘 要：隨著科技進步和電力行業改革，智能化巡檢已經成為潮流。但傳統目標檢測技術處理端子應用場景苛刻，且效果不佳。該文提出將深度卷積神經網絡應用于端子批量檢測中，利用深度卷積神經網絡完成端子特征提取、目標定位和狀態識別，完成端子端到端識別。并與電力系統對接，與后臺數據實時比對，實現端子巡檢智能化，提高工作效率，有效防止誤檢、漏檢、粗心等因素造成安全事故。

關鍵詞：卷積神經網絡 電力行業 目標檢測

中圖分類號：TP183 文獻標識碼：A 文章編號：1672-3791（2019）01（a）-00-02

Abstract：With the progress of science and technology and the reform of power industry， intelligent inspection has become a trend. However， the traditional target detection technology is harsh and ineffective in dealing with terminal application scenarios. In this paper， the deep convolution neural network is applied to batch terminal detection. The deep convolution neural network is used to complete terminal feature extraction， target location and state recognition， and end-to-end terminal identification. Connecting with power system， real-time comparison with background data， intellectualize terminal inspection， improve work efficiency， and effectively prevent safety accidents caused by false detection， missed detection， carelessness and other factors.

Key words：Convolutional Neural Network； Electric-Power Industry； Object Detection

二次設備端子巡檢是電力系統中的一項重要工作。端子巡檢具有流程繁瑣、耗時長、數量多、出錯率高等特點。傳統的電力巡檢系統中存在基于圖像識別技術解決端子批量識別問題，但是由于端子數量眾多、特征點[1]少使得識別應用場景苛刻，如角度、光線等環境要求極為苛刻，使得軟件使用困難，難以推廣應用。

該文提出一種基于深度卷積神經網絡[2]，實現在電力系統二次設備端子巡檢中批量識別端子狀態并完成比對。實現端子巡檢更加智能化，有效提高了端子巡檢的工作效率。

1 背景介紹

在傳統二次設備端子巡檢中一直是人為比對。端子的操作一般流程是先操作部分端子，如完成斷電操作，以完成其他一系列電力操作，完成其他操作后，需要對端子進行復位操作，整個過程中的端子數量、位置不確定，操作人員難以準確操作及復位。

較為先進的利用傳統圖像識別技術[3]對子狀態進行定位識別。但是傳統基于OpenCV實現的圖像識別算法應用場景苛刻，如識別時必須正視、光線也具有特殊要求，稍微變化就無法識別；其次也難以保證定位識別視野中的所有端子，導致應用使用極為復雜且容易出錯，難以管控，甚至不及人工比對。

2006年之后，深度卷積神經網絡（CNN）得到蓬勃發展，并在目標檢測領域有著深度應用。因CNN在圖像特征提取上具有較好的效果，可以有效對特征點較少的端子進行特征提取，所以該文提出基于深度卷積神經網絡實現端子批量識別。

2 實現過程

傳統目標檢測[4]方法存在兩個問題：一是基于滑動窗口的區域選擇策略沒有針對性，時間復雜度高，冗余窗口多；二是手工設計的特征對于物體多樣性沒有很好的魯棒性[5]。該文提出利用卷積神經網絡方法解決端子批量定位識別，有效地解決了傳統目標檢測存在的問題。

2.1 整體過程

卷積神經網絡是一種多層神經網絡，擅長處理圖像相關機器學習問題。最典型的卷積網絡，由卷積層、池化層、全連接層組成。卷積運算的目的是提取輸入的不同特征池化層的作用是降低圖像分辨率，減少計算量；全連接層的每一個結點都與上一層的所有結點相連，用來把前邊提取到的特征綜合起來。通過對卷積層、池化層不斷的累積，對端子的特征進行特征提取，并在最后使用全連接層拼接，并利用分類算法處理拼接后的特征即可對端子完成定位識別。

一般視野中會同時存在電流端子和電壓端子，但是電壓端子和電流端子特征是一致的，深度卷積神經網絡無法區別其是電壓端子還是電流端子，該文在獲得所有端子的情況下，同時利用開源的文字識別算法對標記端子屬性的場景文字進行定位識別。

端子定位算法和文本定位算法返回值經處理后的都轉化為以圖像右上角為原點，圖像橫向為X軸，向右為正方向，圖像縱向為Y軸，向下為正方向的坐標值（x，y）；其次端子上方是一定存在文本信息用以說明下方端子的場景所在；故可以對端子和文字框的中心坐標（x1，y1）和（x2，y2）中的y值進行排序比對，端子所在場景即為坐標值y2小于y1且最近鄰的文本框值。

2.2 YOLO v3網絡架構

該文采用YOLO v3深度卷積神經網絡結構對端子進行訓練，網絡結構具體如圖1所示。YOLO v3的模型比之前的模型變得更加復雜，且可以通過改變模型結構的大小來權衡速度與精度。相對之前的v2版本進行一定的優化，如增加了多尺度預測已經使用了更好的基礎分類網絡和分類器。提供了YOLO v3應用于電力系統中二次設備中端子狀態檢測的可行性。

2.3 實驗方法與結果分析

該文通過研究常用二次設備端子的狀態和使用情況，在現場不同條件下采集了大量端子不同狀態的圖片。數據集共標記了6000張640×480分辨率大小圖片，并按照8∶2的比例隨機生成了訓練集和驗證集，不設測試集。

通過上述識別過程，實現對端子定位識別。識別結果如圖2所示。

經現場測試后，深度卷積神經網絡能夠定位識別待檢圖像的所有端子，幾乎能實現99%的檢測率和準確率。結合開源的文字識別算法及2.1章節方法獲取端子所在場景后即可與后臺數據庫標準狀態進行一一比對，標出待操作或異常的端子，并疊加富文本和語音提示，防止工人漏檢，提高對比效率。

3 結語

該文提供了一種二次設備端子識別方法，效果良好，在操作端子和恢復端子過程中批量識別和比對，且正確率和準確率高達98%。與人工比對及傳統算法比較，優勢明顯，使端子巡檢更加的智能化、易使用。

該文提出的深度卷積神經網絡不但對端子定位識別有一個較好的效果，而且對于其他的電力設備巡檢也能起到一個很好的輔助作用，在未來，深度卷積神經網絡在電力應用場景不斷擴大，對電力的無紙化、智能化、知識沉淀、數據挖掘具有重大且深遠的發展意義。

參考文獻

[1] 黃鶯.基于ORB和SIFT的特征提取算法[J].哈爾濱師范大學自然科學學報，2017，33（2）：25-29.

[2] Tara N.Sainath，Brian Kingsbury，George Saon，et al. Deep Convolutional Neural Networks for Large-scale Speech Tasks[J]. Neural Networks，2015（64）：39-48.

[3] 鄒香玲.計算機圖像識別技術及應用問題之研究[J].電子測試，2017（23）：46-47.

[4] 周自強，陳強，馬必煥，等.一種改進的YOLO目標檢測方法在電纜設備異常狀態識別中的應用[J].電測與儀表，2018（23）：1-7.

[5] 姜明新.智能視頻監控中的目標跟蹤技術研究[D].大連理工大學，2013.