基于改進的RFBNet電力火災識別技術研究

詹振宇，董曼玲，葉富根，曾 晗

（1.國網河南省電力有限公司電力科學研究院，鄭州 450052；2.華東交通大學 電氣與自動化工程學院，南昌 330013）

隨著智能電網在我國的迅速發展，電力系統的安全運行面臨著越來越多的挑戰，特別是電力系統的火災防護關系著電力系統設備穩定運行及社會經濟的健康發展，已經越來越受到重視，在電力系統中，大量的電力設備和設施，比如：主控通信室、變電站、蓄電池室、可燃介質電容器室、配電裝置室和機房，這些場所存在大量的可燃物，并且設備的運行時間長、設備利用率高，一旦在運行中出現短路、過載等故障極易引發火災，威脅到電力系統的安全，容易造成巨大的經濟損失，給社會的生產生活造成嚴重影響。

傳統的火災探測器是基于傳感器進行火災現場采集的數據參數實現檢測的[1]，常用傳感器主要有感煙型、感溫型、感光型和氣體火災探測器，參數指標分別為火災環境下空氣中的顆粒物濃度、溫度變化、光的強弱和空氣中特定氣體濃度的變化，傳統探測方式在火災探測中有一定的局限性[2]：火災區域可能受自然風的影響，使得基于探測氣體濃度的傳感器失效，受探測器與火災區域距離的影響，在距離遠的情況下，無法及時感知溫度，這些都影響了傳統探測方法在電力系統中的實際應用效果。智能圖像處理技術給電力系統火災檢測提供了新途徑，基于圖像處理的火災檢測系統可以部署在現有的電力監控系統上，通過監控攝像頭及時探測火情，實現全方位的火災自動檢測，并且具有響應快、不易受環境因素影響、適用面廣及成本低等優勢，也逐漸成為火災檢測方法中較為重要的交叉學科研究領域。

傳統圖像處理算法的效果受限于人工提取特征的好壞[3]，難以形成通用的判別標準，無法實時檢測不同場景下的火災情況，而深度學習的方法可以解決這個問題，通過不同場景的樣本訓練，可以自動提取火焰特征，在復雜的火災場景下完成火焰識別[4]。

典型的用于圖像檢測的深度學習算法有onestage檢測網絡：YOLO（You Only Look One）系列、單次檢測器SSD（Single Shot Multibox Detector）、感受野塊網絡RFBNet等；two-stage檢測網絡：區域卷積網絡R-CNN、快速區域總面積網絡Fast R-CNN、更快區域卷積網絡Faster R-CNN等。考慮到檢測的實時性要求，一般選用one-stage檢測網絡，雖然其檢測精度略低，但是速度較快，滿足實時性要求。但是實際場景中的火災可能范圍比較小，常規的YOLO、SSD對于小目標的檢測困難。鑒于此，有學者將YOLOv3中的密集連接結構和多分支結構結合起來提高小目標的預測能力[5]，或者采用將原有SSD中的語義信息和定位信息模塊級聯和加入融合分裂增強模塊等措施，加強SSD網絡中各層特征的關聯,提高了原始FPN網絡特征融合充分程度[6]。相對SSD網絡，RFBNet網絡是以SSD網絡為框架，增加了感受野RFB模塊，增大了感受野，在保持較快速度的前提下，提高了檢測精度，對于火災檢測有一定的優勢；但是各提取層間的聯系不密切，對此有學者設計了池化特征融合模塊和反卷積特征融合模塊加強特征融合，增強層間聯系，提高小目標的檢測效果[7]。

本文鑒于RFBNet網絡在速度和精度的優勢，選用其進行火災識別，并根據火災場景的特點，在其基礎上進行改進，提高對于火災復雜場景下的識別檢測能力。

1 RFBNet神經網絡及其改進

RFBNet算法作為對SSD算法的延續，繼承了其在速度和精度上的優勢，并通過結合RFB模塊，使網絡擁有更為強悍的表征能力，提高了其檢測速度和精度。

但也存在一些不足，比如其特征提取時感受野隨著層級加深增長緩慢，對于小目標特征的提取效果不佳，由于繼承了SSD的模型結構，忽視了層級聯系，導致用于后續預測分類階段的輸出特征圖之間相對獨立，不能充分利用提取的特征信息，檢測精度不高。

根據原有RFBNet模型的缺點，對其進行改進，改進后的RFBNet模型網絡結構如圖1所示。通過加入自適應特征提取和加強池化和反卷積融合操作來提高模型的檢測速度和檢測精度。

圖1 改進RFBNet網絡結構

1.1 自適應特征提取

小目標由于其本身攜帶的信息就比較少，可以被提取用來分析的特征自然比較少，通過卷積操作提取的有用信息也少，因此分類預測較困難。在電氣火災的初期階段，火勢或者煙霧特征本身比較小，再加上火災和攝像頭的距離等考量因素，所以需要提高網絡的特征提取能力。RFBNet算法繼承了SSD的VGG16特征提取網絡，并使用卷積層代替了最后的兩個全連接層。雖然使用卷積層的好處可以提高運算效率，但是會使得特征提取的感受野降低，并且隨著網絡不斷的加深層次，感受野與目標特征的匹配也會出現問題，降低了網絡的特征提取能力，這對小目標的檢測是很不利的。因此，可以通過引入自校準卷積SCConv（Self-Calibrated Convolutions）替換一般卷積，通過采用校正操作允許每個空間位置不僅將其周圍的信息環境自適應地視為來自低分辨率潛在空間的嵌入，以作為來自原始比例空間的響應中的輸入，擴大卷積層的感受野。自校正的卷積結構如圖2所示。

圖2 自校準卷積結構

1.2 特征融合

為了加強網絡的層級聯系，充分利用深層特征圖和淺層特征圖的特點，將最深的特征圖直接用作分類和回歸，接著，經過1個反卷積模塊，以及更淺一層的特征元素逐次相乘，將輸出的特征用于分類和回歸，類似的將該特征和淺層特征進行反卷積與融合。

1.3 Softer-NMS

傳統的非最大抑制（NMS）主要用于基于深度學習的目標檢測模型輸出的后處理，從而去除冗余的檢測框，獲得正確的檢測結果。但是在復雜稠密的場景下漏檢率較高，尤其是在2個目標距離存在重疊時，置信度較小目標漏檢的概率大。對于這個問題，Soft-NMS會在冗余的檢測框中和物體重疊的檢測框的置信度降低，而不是刪除，并使用高斯懲罰函數保留相近的其他目標和刪除重復檢測的目標。但是由于分類和回歸任務沒有直接相關性，置信度分數高不一定會使得結果更可靠。對于這個問題，Softer-NMS算法對檢測框的位置概率分布進行建模。對于重疊的檢測框，根據重疊程度和位置不確定性進行投票，重疊程度高，位置分布方差小的檢測框權重大，從而獲得更精確的檢測框。所以本文選擇Softer-NMS算法進行目標檢測模型輸出的后處理。

2 實驗結果與分析

2.1 實驗環境和實驗數據

本實驗是基于64位的Windows 10操作系統，Inter（R）Core（TM）i9-10900KF CPU@3.70 GHz處理器，32 GB內存，NVIDIA GeForce GTX3060 12 GB顯卡，深度學習框架為PyTorch。

本次實驗所使用的數據集包括多場景火災圖片和正常場景圖片共計11 940張。其中火災圖片為通過網絡爬蟲收集的火災圖片和實驗室收集的電網火災圖片數據集作為正樣本，其中包括不同場景的火焰、煙霧等火災常見特征的圖片和正常的無火災圖片包括鮮艷的衣物，閃亮的燈關，落日等與火災場景相似的圖片。整個數據集共有火災圖片6 940張，非火焰圖片5 000張，其中部分樣本圖片如圖3和圖4所示。隨機抽取80%的為訓練集，20%的為測試集。

圖3 部分火災圖片

圖4 部分正常圖片

2.2 評價指標

因為火災的分類只有“有”“無”2種情況，屬于二分類問題，可以將樣例和模型判斷出來的組合分為4類：真正例（True Positive，TP），假負例（False Negative，FN），假正例（False Positive，FP）和真負（True Ngative，TN）。TP指被模型分類正確的正樣本；FN指被模型分類錯誤的正樣本；FP指被模型分類錯誤的負樣本；TN指被模型分類正確的負樣本。

進一步可以推出如下指標。

真正率（True Positive Rate，TPR）。分類正確的正樣本個數占整個正樣本個數的比例，即

假負率（False Negative Rate，FNR）。分類錯誤的正樣本個數占正樣本個數的比例，即

假正率（False Positive Rate，FPR）。分類錯誤的負樣本個數占整個負樣本個數的比例，即

真負率（True Negative Rate，TNR）。分類正確的負樣本個數占負樣本個數的比例，即

進一步，由混淆矩陣可以計算以下評價指標。

準確率（Accuracy）。分類正確的樣本個數占所有樣本個數的比例，即

在時間上使用FPS進行描述。

2.3 實驗結果

實驗中使用300×300分辨率的圖片數據集作為輸入，訓練的BatchSize統一的設置為16，總的訓練次數設置為1 000次，優化器選用Adam，初始學習率為0.001，優化器動量設置為0.9，學習率衰減率設置為0.1。在訓練130個epoch后，得到的訓練集變化誤差和訓練集準確率變化趨于平穩。在相同數據集測試的情況下的實驗結果見表1。

表1 不同算法的性能對比

由表1可以看出，本文改進的RFBNet模型的準確度為93.5%，FPS為39，相對SSD和RFBNet的準確度都有一定的提升，原因在于其通過多自適應特征提取和特征融合操作，更好地對圖像的特征進行提取，獲取有用的信息，但也是因為這額外的步驟造成其在速度上略有不足，但是速度滿足了實時性的要求，在犧牲一定速度的情況下，提升了檢測精度。

3 結論

針對傳統的火災探測器在火災探測過程中的檢測范圍小、價格昂貴和部署較難等局限性，本文采用基于神經網絡的目標檢測方法。并針對傳統圖像識別的識別難度大的問題，提出改進的RFBNet神經網絡模型。該模型在原來的基礎加入自適應特征提取操作，改進了特征提取效率，加入反卷積模塊加強層間聯系，增強特征融合效果，采用Softer NMS降低漏檢率，提高網絡模型的精確度，總體上提高對于小目標檢測的精度。仿真結果也表明本文的改進模型可以有效提高識別的準確率，相比原來的模型，提高了2.3%。