基于SSD目标检测的硬压板图像识别

卢志钢,洪乙铭

(国网石狮市供电公司，福建 石狮 362700)

1 引言

硬压板作为连接外部装置进行投退操作的设备，是保护装置连接外部二次回路的重要节点，当实际线路运行方式发生改变时，需要做出对应的调整，避免由误操作引起的事故。传统的硬压板记录要求运维人员采用人工记录的方式记录硬压板投切状态，而大量的人工记录会导致出现误记的情况，且耗时高，不符合智能变电站的发展方向[1]。

随着图像识别技术的发展，各种基于图像识别的应用场合不断增加，传统目标检测方法如：HOG，SIFT等方法通过特征传入SVM、AdaBoost等分类器中进行检测。文献[2]和文献[3]就采用加权投票机制的AdaBoost算法对图像进行训练，继而建构分类器，以实现对硬压板投退状态的识别和统计。而随着神经网络的运用以及网络结构的优化，更多研究以神经网络为基础进行目标检测中，主流算法主要分为两个类型：Two-stage方法以及One-stage方法，如R-CNN系列为代表的Two-stage方法，主要思路为通过Selective Search或者CNN网络产生一系列的稀疏矩阵的候选框，然后对这些候选框进行分类和回归，two-stage的方法优势在于准确率度高，而One-stage方法有YOLO，SSD等，其主要思路就是均匀地在图片上不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，利用CNN提取特征后直接进行分类和回归，整个过程只需要一步，具有速度快的优势。

现如今的已有采用图像识别应用于变电站智能化中[4-5]，文献通常采用智能检测方法和图像识别的方法，前者通常通过传感器搭建电路，将硬压板的投切状态进行检测，再通过传输回路将数据返回给控制中心[6]，而后者通常采用先进的计算机算法，对硬压板的图像或是视频监控采集得到的视频流进行截取，对图片、视频进行分析、处理，从而检测硬压板状态，但由于图片的质量问题、拍摄角度、光照强度，都会影响检测的识别准确率。文献采用3/4去噪聚类法,有效消除椒盐噪声并实现聚类，最终很好的实现图像识别。文献[7]采用MobileNets结构代替VGG的网络结构，对变电站的红外图像进行检测，达到了更快速的检测结果。

本文提出了一种改进型的SSD网络，利用原有的SSD网络结构为基础，引入了DenseNet结构替换VGG16的网络结构，对硬压板状态图像进行状态识别，最后通过实验测试，验证了该模型的有效性和准确性。

2 SSD模型

2.1 原SSD网络结构模型

SSD(Single Shot MultiBox Detector)目标检测技术是，其网络结构如图1所示。网络结构是基于VGG16作为基础网络模型进行改进的，通过在VGG16的基础上进行增加卷积层来检测，将VGG的全连接层fc6和fc7转换成3*3的卷积层和1*1的卷积层，并且把池化层又原来的步长为2的2*2的池化层变成步长为1的3*3的池化层。

图1 SSD原理图

对每个单元设置先验框，输出一套对应的值，在网络中大的特征图检测小目标，具有较小的感受野，而小的特征图用于检测大的目标。利用IOU计算样本为正负样本，当IOU大于阈值时为正样本，反之则为负样本。对应的计算公式为：

其中，Gt(Ground Truth)为目标位置，Dr(Detection Result)为检测结果。由于IOU算法判断后会产生大量重叠检测，因此需要采用非极大值抑制，选择具有最大得分的检测框M，将其从列表中集合中移除并加入到最终的检测结果中。达到对冗余结果进行筛选。

2.2 损失函数选择

通过改进型SSD目标检测网络，对输入目标进行分类以及位置的定位，运用损失函数进行分类以及位置的计算，损失函数表达式如下：

Lloc表示类别损失函数，公式如下：

lconf为损失函数，表示预测框与真实框的差值，l表示预测框，g为真实框，公式如下；

3 改进型SSD模型

本文选择DenseNet作为SSD的前置网络代替原有的VGG16的网络结构，DenseNet具有网络窄参数少的优点，减轻了VGG16网络结构的梯度消失问题，因此选用此网络结构进行设计[8]，DenseNet-121 网络结构如表1所示。

表1 DenseNet-121 网络结构

Stride默认为2，使用Dropout可以有效的减少参数量，其中，在Dense_Block的特征图由于DenseNet拼接的原因需要保持相同的尺寸，经过了1*1的卷积核来减少特征图的数量，之后输入至3*3卷积核中，大大减少了计算量。

4 实验

4.1 数据集准备

为了让训练后的SSD目标识别网络能够更好的识别硬压板的状态，需要提供足够数量的硬压板照片作为训练集，通过对所收集来的硬压板图片进行亮度，镜像，对比度，角度上进行变换来完成数据集扩充[9]，如图2所示。最终建立起1000张硬压板照片作为数据集，并保持压板的样本数与背景的样本数目为1∶3的比例。

图2 硬压板图像处理图

4.2 实验平台配置

本文所进行训练以及测试的平台为win10系统，具体的配置如表2所示。

表2 实验平台参数

4.2 实验效果

混合状对所收集的硬压板图像进行训练，模型测试结果如图3所示，所提出的改进型SSD算法能够正确的识别出硬压板的状态。

图3 硬压板SSD算法识别结果

对于网络样本，本文设计500张的验证集样本数，500张测试集样本数，以及1000混合集样本数对算法进行验证，结果如表3所示。

表3 模型测试数据

为了进一步验证本文所提出的改进型SSD算法，将其与传统的SSD算法得到的结果进行性能对比，对比结果如表4所示。

表4 不同的算法性能对比

由表中数据可见，由于DenseNet网络结构参数量少，网络结构窄，使得特征能更好的传递到深层网络，使得训练速度更快，且具有更好的识别率，在硬压板状态识别的表现上优于传统的SSD算法。

5 结语

本文为了实现变电站硬压板开关状态的识别，提出了采用改进型的SSD算法进行变电站硬压板状态的图像识别，该算法缓解了原SSD网络的梯度下降问题，使得训练过程大大简化，并且有效减少了参数量，使得特征向深度传播，通过对变电站硬压板照片进行采集、扩充，建立了500张硬压板数据集，最终在硬压板验证集上验证了所训练的改进型SSD模型的正确性，准确率达到了97%，比起传统SSD，在准确率上和识别速度上都有着更好的表现。