牽引變電所墻壁滲水檢測方法研究與實現

劉立超

（中國鐵路呼和浩特局集團有限公司 供電部，呼和浩特 010050）

牽引變電所把區域電力系統送來的電能，轉變為適用于電力牽引的電能，為電力機車/電動車組供電[1]。由于牽引變電所的一般控制設備及二次側高壓設備均設在室內，當其所在房屋年久失修或遇到極端天氣時，雨水透過墻壁或從窗戶滲入，進入高壓室或控制室，可引起絕緣擊穿、保護裝置誤動，導致跳閘，從而影響列車的正常運行。目前，主要依賴定期人工巡檢來檢查牽引變電所是否發生滲水現象，效率較低且無法實時監測。因此，亟需實現針對牽引變電所的自動化的滲水檢測。

當前，已有較多針對滲水自動化監測的研究。賈東峰等人[2]通過獲取隧道內的點云數據，對其進行多尺度分析，實現了對隧道裂紋及滲水區域的檢測；田偉等人[3]通過將傳統特征提取器Canny 算子與卷積網絡相結合的方式，實現了對發電站底部滲水、裂紋的檢測功能；鄭麗瓊等人[4]通過叩診法，采用梅爾頻率倒譜系數（MFCC，Mel-Frequency Cepstrum Coefficient）技術收集敲擊墻壁的回聲，并利用其特征訓練支持向量機分類器，實現了對混凝土滲水的檢測。上述滲水檢測的研究方法，均是利用機器學習或傳統視覺與簡單卷積網絡相結合的方式，存在泛化能力偏弱的情況。

本文基于改進后的MobileNetV2 網絡和Deeplab V3 網絡相結合的模型[5]，設計牽引變電所墻壁滲水檢測方法，并利用邊緣計算及5G 移動通信等技術，實現滲水檢測的邊緣化部署，在保證準確率的同時，降低計算壓力。

1 牽引變電所墻壁滲水檢測方法

1.1 方法流程

牽引變電所墻壁滲水檢測流程如圖1 所示。

圖1 牽引變電所墻壁滲水檢測方法流程

（1）圖像預處理：對輸入的圖像進行等比縮放等預處理，使得圖像的尺寸符合圖像分割模型的輸入尺寸。

（2）圖像分割：將預處理后的圖像送入圖像分割模型，進行分割處理，得到二值圖像，分離出背景與目標區域。

（3）圖像后處理：對二值圖像進行形態學操作，對分割后的圖像進行降噪及連通區域填充。

（4）區域統計分析：對圖像進行輪廓分析，得到一系列的輪廓坐標信息，并對圖像分割區域及周邊做亮度統計。

（5）判斷處理：計算較大輪廓的面積，若輪廓面積大于等于設定的閾值，且分割區域的亮度值低于分割區域周邊的亮度，則認為存在滲水現象，否則，則認為不存在滲水現象。

本文重點介紹圖像預處理和圖像分割的方法。

1.2 圖像預處理

（1）需要對輸入圖像進行標注，由于本文采用圖像分割的方式，因此，標注方式需要采用分割形式，將輸入圖像中的滲水區域用顏色涂抹出來。

（2）為避免后期模型訓練時循環讀取標簽，造成不必要的時間消耗，提前在數據準備的階段進行標注生成，根據原圖的分辨率，將輸入圖像的像素設定為300×536，最大程度地保持了原圖的比例，減小擴邊尺寸。

1.3 圖像分割模型

本文的圖像分割模型主要包括特征提取網絡和像素分類器兩個部分。

1.3.1 特征提取網絡

1.3.1.1 特征提取網絡優化

特征提取基于MobileNetV2 網絡進行改進，MobileNetV2 網絡主要利用殘差連接和深度可分離卷積的思想，其輸入圖像像素為224×224。根據下采樣的不同需求，MobileNetV2 網絡構造了瓶頸層基礎組件Bottleneck1 與Bottleneck2，如圖2 所示。

圖2 瓶頸層基礎組件Bottleneck1 與Bottleneck2

圖2 中，Conv 為卷積操作；Dwise 為深度可分離卷積；Relu6 為激活函數；stride 為卷積步長。本文在這兩個組件的基礎上，修改了激活函數和殘差連接， 得到瓶頸層基礎組件Bottleneck1+和Bottleneck2+，如圖3 所示。

圖3 中， Hardswish 為激活函數。改進后，將Bottleneck1+中的激活函數由Dwise 改為Hardswich；為保證在精簡網絡的同時，精度不下降，需要充分利用淺層信息，因此，在步長為2 的Bottleneck2+中，利用殘差網絡的思想[6]，新增了一個殘差連接。將Bottleneck2+進行兩倍下采樣，輸入無法直接與下采樣后的特征圖疊加，因此，在殘差連接路徑上增加一個卷積步長為2 的匯聚模塊。

MobileNetV2 網絡中的Relu6 激活函數，雖然抑制了Bottleneck1 的激活值，但忽略了其小于0 的部分，不利于網絡的梯度傳播，如圖4（a）所示；Bottleneck1+采用Hardswish 激活函數[7]，既可保持原Relu6 激活函數的作用，還兼顧了其小于0 的部分，使得網絡學習更充分，如圖4（b）所示。

圖4 Relu6 與Hardswish 激活函數

1.3.1.2 特征提取網絡架構

原MobileNetV2 網絡構架如表1 所示，改進后的MobileNetV2 網絡架構如表2 所示。

表1 MobileNetV2 網絡構架

表2 改進后的MobileNetV2 網絡構架

從表1 和表2 中可看出，本文更改了網絡圖像的輸入尺寸，減少了卷積核的個數，使得整個網絡更符合本文輸入圖像的大小，且參數量更少。

1.3.2 像素分類器

本文對DeeplabV3 網絡進行優化[8]，優化后的網絡作為牽引變電所墻壁滲水檢測的像素分類器。DeeplabV3 網絡中的空間特征池化金字塔（ASPP，Atrous Spatial Pyramid Pooling）是包含空洞卷積的模塊，它摒棄了傳統的池化操作，減小了信息損失，利用卷積的方式增加局部感受野，使得圖像在多種尺寸上均有較好的特征抽取效果，不同擴展率下的卷積核分布情況如圖5 所示，可通過擴展率的取值來控制局部感受野的大小。

圖5 不同擴展率的卷積核分布

本文對DeeplabV3 網絡的優化主要體現在ASPP的層數與擴展率上，使其更符合實際滲水的目標大小，原ASPP 有4 層，可覆蓋小、中、大、全尺寸圖像的目標。ASPP 卷積核及其擴展率如圖6 所示。

圖6 DeeplabV3 網絡中ASPP 卷積核及其擴展率

本文的研究對象為牽引變電所墻壁滲水區域，根據對既往數據及攝像頭的視場分析，其占比不會超過一半圖像，因此，ASPP 可剔除最后一層，即全尺寸圖像目標層，得到對于中小目標更加敏感的像素分類器。優化后的網絡中ASPP 卷積核及其擴展率，如圖7 所示。

2 模型訓練

2.1 數據集制作

數據集制作主要包含4 步：

（1）通過互聯網等途徑收集大量變電所、辦公室、地下停車場等場所的墻壁滲水樣本圖像；

（2）在變電所、辦公室、地下停車場等場所的墻壁上澆水，模擬滲水現象，并拍攝數據樣本；

（3）用攝像頭環拍牽引變電所監控的整個墻面，包括各個角度與多尺度的圖像，將這些圖像與步驟（1）、（2）中的滲水區域圖像融合構造學習樣本，如圖8 所示；

圖8 兩組融合圖像樣本及其標注

（4）獲取大量變電所、辦公室、地下停車場等場所無滲水墻壁的圖像。

本文通過前述4 步制作的數據集共包含8 000 張帶滲水樣本的圖像和10 000 張不帶滲水的樣本圖像，其中，70% 作為訓練集，20% 作為驗證集，10%作為測試集。

2.2 模型訓練參數

MobileNetV2 網絡和DeeplabV3 網絡相結合的模型訓練參數包括：優化器、損失函數、訓練周期和學習率等，本文在參考DeeplabV3 網絡參數的基礎上做了部分調整，優化器為Adam，迭代次數為64，損失函數為sigmoid 與BCELoss 的合成。

針對樣本不均衡的問題，本文引入Focal loss 損失函數[9]，抑制簡易樣本的損失值，增加困難樣本的損失值，從而使較小的目標獲得較好的分割效果。Focal loss 損失函數公式為

式（1）中，loss為原損失函數計算所得的損失值；α、γ為損失調節系數，α取0.25，γ取1.5。

3 結果對比與分析

本文采用PA（Pixel Accuracy）和MIoU（Mean Intersection over Union）指標來評估圖像分割模型，二者的公式為

式（3）中，set(gt) 為真實的目標像素集合；set(box)為模型推理出的目標像素集合。

本文在同一條件下對5 種不同組合的模型分別進行訓練，結果如表3 所示。

表3 各類模型的訓練結果

由表3 可知，對于牽引變電所的墻壁滲水檢測任務，原始的MobileNetV2 與DeeplabV3 檢測效果較差，且由于網絡過深，運算耗時較長；MobileNetV2與改進的DeeplabV3 相結合，其PA 與MIoU 指標顯著上升，但是耗時問題依然存在；模型3 耗時顯著縮短，但PA 與MIoU 提升不明顯；模型4 的PA 與MIoU 指標得到了較為明顯的提升，且運算耗時大幅減少，只用了模型1 一半的時間，說明本文對特征提取與像素分類器的優化是有效的。

在模型4 基礎上將損失函數調整為Focal loss 后，模型5 的PA 與MIoU 指標進一步提升，分別達到了98.82%和95.32%。說明Focal Loss 損失函數適用于本文的研究對象。

4 部署應用

本文采用邊緣計算+5G 移動通信的方式于2022年4 月在深圳地鐵某線路的牽引變電所進行邊緣化部署。將本文研發的牽引變電所墻壁滲水檢測方法直接集成到相機中，有利于縮短數據傳輸時間，快速得出結果；在相機中集成了5G 移動通信模塊，在墻壁滲水檢測方法處理完數據后，5G 移動通信模塊可快速地將結果反饋給控制中心。這樣的部署方案便捷，不需要考慮有線通信和中心計算的問題。

本文在HEOP （ Hikvision Embedded Open Platform）嵌入式智能應用開發平臺上，基于BASE庫、 MEDIA 庫和 HIKFLOW 庫進行軟件集成部署。相機型號為DS-2XA7287F-IZ（S），算力為2 T，智能內存為900 MB，單幀執行時間為40 ms。

5 結束語

本文給出了牽引變電所墻壁滲水檢測方法的具體流程，并針對圖像預處理和圖像分割部分進行詳細闡述。通過改進MobileNetV2 和DeeplabV3 網絡，建立了適用于牽引變電所墻壁滲水檢測的圖像分割模塊，降低了模型的參數量，提升了模型的精確度，PA 與MIoU 指標分別達到98.82% 和95.32%。在方法部署實現方面，采用邊緣計算+5G 移動通信的方式，使得部署更便捷，適用范圍更廣。但還存在著一些不足，有滲水印記較淡時檢測效果不佳、圖像輸入不能適應任意分辨率、算法檢測耗時依然過高等問題，下一步的研究旨在解決上述問題，以期達到更好的效果。