基于改进深度学习的刀闸状态识别方法研究*

张骥，张金锋，朱能富，余娟，陈子亮

(1. 南京南瑞集团公司，南京 211000； 2.国网安徽省电力公司，合肥 230061； 3.安徽大学电子信息工程学院，合肥 230601)

0 引 言

变电站实时监控技术近年来得到迅猛的发展，其中基于图像处理的电力设备检测和识别技术成为研究的热点[1-2]。由于现实中所拍摄的图像往往包含许多其它目标而不仅仅是感兴趣的电力设备目标本身，同时所拍摄的图像背景也较为复杂，如不同的光照条件、拍摄角度等，这使得同一目标在不同图像中呈现不同的模式。

传统的电力设备(如绝缘子和刀闸)识别方法主要依靠目标颜色特征和几何特征，这些方法往往受亮度变化和复杂背景等因素的影响，导致这些方法往往拥有较差的泛化能力[3]。如文献[4]提出一种简单快速的刀闸状态识别方法，该方法直接在刀闸边界图像上进行Hough变换[5]来确定刀闸的状态。文献[6]提出了一种基于刀闸几何信息的实时刀闸状态监控算法，该算法主要利用Hough变换获得刀臂直线，并利用余弦定理计算两刀臂直线之间的夹角来判断刀闸的状态。文献[7]提出绝缘子图像的多种特征提取技术，包括利用灰度共生矩阵提取图像的纹理特征、利用二值图像提取不变矩特征、利用图像的几何特征提取边界轮廓，为绝缘子检测和识别提供信息。文献[8]开发一种能自动识别刀闸位置及状态的机器人，该方法利用SIFT算法进行模板匹配来寻找刀闸位置，然后进行Hough变换提取直线以判断刀闸状态。文献[9]则利用ASIFT算法实现输电线路视频与标准图库中绝缘子图片的匹配，进而识别和定位视频中的绝缘子。

文献[10]指出上述方法还存在着稳定性较差、抗干扰能力不强等问题。为了提高定位和识别精度，近年来许多研究者利用机器学习的方法来进行绝缘子或刀闸的定位和状态识别。如文献[10]提出了一种基于霍夫森林的刀闸状态识别方法，利用霍夫森林进行刀闸断开和闭合状态模型的学习，训练出刀闸断开和闭合两种状态的模型，利用该模型对输入图像进行刀闸定位和状态识别。文献[11]利用SVM(Support Vector Machine)来训练绝缘子图像，并结合Hough变换来定位图像中的绝缘子。文献[12]将图像的灰度特征矩阵转换为差异表示矩阵并对其均值化、归一化和稀疏化，然后利用DBN网络对得到的差异特征进行训练，达到识别绝缘子故障的目的。文献[3]提出一个六层的卷积神经网络(CNNs)在绝缘子图像上训练检测模型，成功地利用该训练模型精确的定位绝缘子。文献[13]提出了一种新的差异特征描述方法，可以表示图像的灰度差异、形状变化等多个特征，用于目标识别以及实际航拍图像的绝缘子识别。文献[14]提出了一种基于全卷积神经网络(FCNs)的刀闸状态识别方法，该方法利用FCNs对绝缘子和刀闸目标进行分割定位，并利用绝缘子和刀闸之间的几何关系来识别刀闸目标的状态。但这类方法存在多刀闸目标相互干扰的问题。

为了解决多刀闸目标干扰问题和进一步提高刀闸状态识别精度，设计了一种基于改进深度学习的多刀闸状态识别方法。该方法通过改进的卷积神经网络来深度学习包含绝缘子、刀闸等目标的图像，获得可靠的训练模型。利用训练模型来定位绝缘子和刀闸的位置，最后根据绝缘子和刀闸目标的几何形状特征来识别刀闸状态。实验结果表明该方法能够精确地定位绝缘子和刀闸的位置，显著提高刀闸状态识别的精度。

1 卷积神经网络

卷积神经网络通过增加网络的层数来模拟人类视觉系统的信息处理过程[15]。从最底层到最顶层逐渐提取图像信息的有效抽象化特征表示，即越高层数上的图像特征具有越强的表征能力。卷积神经网络可以归结为输入层、多个隐含层和输出层，其通过共享网络参数来减少网络间的权重，以此来降低训练样本数量和提高训练速度。

设{(x(1),y(1)),(x(2),y(2)),…,(x(n),y(n))}表示训练集，x(i)表示输入图像，y(i)表示图像标签。对于单一图像，hw,b(x)表示其预测得分，则其损失项可表示为：

(1)

整个训练集的损失函数可以表示为：

(2)

可使用随机梯度下降法来更新权重和偏置参数：

(3)

式中α表示学习率，其作用是调节梯度下降的速度。有关CNNs的具体细节见文献[15]。图1是CNNs提取图像深度信息的示意图。

2 改进的卷积神经网络

为了降低特征维数和避免出现过度拟合(over-fitting)，CNNs需要进行池化操作[16]。池化操作可以提高特征描述的鉴别力，常用的池化操作是平均池化(mean-pooling)、最大池化(max-pooling)和随机池化(Stochastic pooling)操作[17]。然而这些池化操作不足以保证特征表示的鲁棒性和有效性，因此文中对CNNs中池化操作进行空间加权的改进以进一步提高深度特征表示的鲁棒性和有效性。

对于图1中的卷积特征映射可以表示为H×W×D维的张量，其中H和W表示卷积特征映射的大小(长度和宽度)，D表示特征映射的数量。空间加权掩码可以表示为K个H×W大小的池化通道，令Pk表示第k个空间掩码的池化特征，则其可以表示为：

(4)

(5)

P是图1中池化层的输出，是输入图像的K×D特征表示。

图1 卷积神经网络

3 基于改进CNNs的刀闸状态识别方法

图2给出了基于改进CNNs刀闸状态识别方法的流程图，文中方法分为训练阶段和刀闸状态识别阶段。在训练阶段，利用摄像机人工拍摄获取包含绝缘子、刀闸和不同背景的3 000幅图像作为训练集。在训练图像集上构建6层的CNNs来迭代训练网络模型，训练前利用高斯分布(均值为0，标准差为0.01)来随机初始化CNNs的权值，文中使用ReLU(Rectified Linear Unit)激活函数代替传统的sigmoid激活函数，其数学表达式为f(x)=max(0,x)，其目的是避免梯度扩散以提高随机梯度下降法的收敛速度[17],训练过程见图2(a)所示。

图2 文中方法的刀闸状态识别过程

定位绝缘子和刀闸后，需要对多刀闸状态进行识别。文中状态识别条件为：(1)刀闸与绝缘子的连通性，如果一个刀闸区域与两个绝缘子区域连通，则认为该刀闸处于闭合状态，否则是处于断开状态；(2)刀闸区域的长宽比，如刀闸区域的长宽比小于0.2，则认为该刀闸处于闭合状态，否则是处于断开状态。刀闸状态识别过程见图2(b)所示。

4 实验结果与分析

本节主要验证所提出刀闸状态识别方法的有效性。文中随机选择300幅图像作为测试，每幅图像包含多个绝缘子和刀闸目标。所有样本来源于合肥某小区变电站，通过固定摄像机拍摄所得。实验是在Windows 7环境下，编译软件为Visual Studio 2010和OpenCV 2.4.9，实验硬件为Pentium Dual-Core CPU 2.50 GHz。所使用深度学习的训练时间为18小时。

文中利用漏检率(Miss Rate: MR)和误检率(False Positive Rate: FPR)对绝缘子和刀闸检测效果进行评价，利用识别精度(Recognition Precision: RP)对刀闸状态识别结果进行评价[20]。漏检率MR、误检率FPR和识别精度RP分别定义为：

(6)

(7)

(8)

式中 TP(True Positive)、FP(False Positive)、TN(True Negative)和FN(False Negative)分别为将分类正确的正样本数、分类错误的负样本数、分类正确的负样本数、分类错误的正样本数[20]。

表1给出了文献[8]、文献[10]、文献[14]和本文方法的实验结果。从表1可以看出，相对于文献[8]、文献[10]、文献[14]方法，该方法具有较低的漏检率和误检率，具有较高的刀闸状态识别精度。同时也可以看出，基于深度学习的方法(文中算法和文献[14]算法)在检测和识别上都有很大的优势，特别是文中方法的识别精度达到93.2%。图3～图6给出了两组不同刀闸类型、不同场景、不同拍摄角度、不同开关状态、不同背景和不同光照强度下刀闸状态识别结果。其中图3(a)是输入待识别的刀闸图像，图3(b)是基于改进CNNs输出的绝缘子和刀闸目标定位结果，图3(c)显示目标(绝缘子和刀闸)定位结果和刀闸状态识别结果。图3和图4是一种刀闸类型的两幅图像，图5和图6是另一类型的刀闸图像。从图3～图6可知，基于深度学习的刀闸状态识别方法可以精确定位绝缘子和刀闸目标、识别不同角度和不同开关状态的刀闸状态。对于一幅待识别图像，文中刀闸状态识别时间小于5 s。

表1 刀闸检测和状态识别结果

图3 图像1刀闸状态(闭合)识别结果

图4 图像2刀闸状态(断开)识别结果

图5 图像3刀闸状态(闭合)识别结果

5 结束语

绝缘子定位和刀闸状态识别是电力传输系统中至关重要的问题，为解决复杂背景和多刀闸目标干扰等因素，提出了一种基于改进深度学习的刀闸状态识别方法。该方法利用改进的CNNs算法精确定位绝缘子和刀闸位置，并利用检测的刀闸区域长宽比和与绝缘子区域的连通性来判断刀闸的开关/闭合状态。实验结果证明了该方法具有较低的漏检率和误检率，及较高的刀闸状态识别精度，可以精确识别不同角度、不同开关状态、不同背景和不同光照强度下的刀闸状态，可为现代电网的智能化、无人化改造提供一定的理论基础。