基于改进的RFBNet电力火灾识别技术研究

詹振宇，董曼玲，叶富根，曾 晗

（1.国网河南省电力有限公司电力科学研究院，郑州 450052；2.华东交通大学 电气与自动化工程学院，南昌 330013）

随着智能电网在我国的迅速发展，电力系统的安全运行面临着越来越多的挑战，特别是电力系统的火灾防护关系着电力系统设备稳定运行及社会经济的健康发展，已经越来越受到重视，在电力系统中，大量的电力设备和设施，比如：主控通信室、变电站、蓄电池室、可燃介质电容器室、配电装置室和机房，这些场所存在大量的可燃物，并且设备的运行时间长、设备利用率高，一旦在运行中出现短路、过载等故障极易引发火灾，威胁到电力系统的安全，容易造成巨大的经济损失，给社会的生产生活造成严重影响。

传统的火灾探测器是基于传感器进行火灾现场采集的数据参数实现检测的[1]，常用传感器主要有感烟型、感温型、感光型和气体火灾探测器，参数指标分别为火灾环境下空气中的颗粒物浓度、温度变化、光的强弱和空气中特定气体浓度的变化，传统探测方式在火灾探测中有一定的局限性[2]：火灾区域可能受自然风的影响，使得基于探测气体浓度的传感器失效，受探测器与火灾区域距离的影响，在距离远的情况下，无法及时感知温度，这些都影响了传统探测方法在电力系统中的实际应用效果。智能图像处理技术给电力系统火灾检测提供了新途径，基于图像处理的火灾检测系统可以部署在现有的电力监控系统上，通过监控摄像头及时探测火情，实现全方位的火灾自动检测，并且具有响应快、不易受环境因素影响、适用面广及成本低等优势，也逐渐成为火灾检测方法中较为重要的交叉学科研究领域。

传统图像处理算法的效果受限于人工提取特征的好坏[3]，难以形成通用的判别标准，无法实时检测不同场景下的火灾情况，而深度学习的方法可以解决这个问题，通过不同场景的样本训练，可以自动提取火焰特征，在复杂的火灾场景下完成火焰识别[4]。

典型的用于图像检测的深度学习算法有onestage检测网络：YOLO（You Only Look One）系列、单次检测器SSD（Single Shot Multibox Detector）、感受野块网络RFBNet等；two-stage检测网络：区域卷积网络R-CNN、快速区域总面积网络Fast R-CNN、更快区域卷积网络Faster R-CNN等。考虑到检测的实时性要求，一般选用one-stage检测网络，虽然其检测精度略低，但是速度较快，满足实时性要求。但是实际场景中的火灾可能范围比较小，常规的YOLO、SSD对于小目标的检测困难。鉴于此，有学者将YOLOv3中的密集连接结构和多分支结构结合起来提高小目标的预测能力[5]，或者采用将原有SSD中的语义信息和定位信息模块级联和加入融合分裂增强模块等措施，加强SSD网络中各层特征的关联,提高了原始FPN网络特征融合充分程度[6]。相对SSD网络，RFBNet网络是以SSD网络为框架，增加了感受野RFB模块，增大了感受野，在保持较快速度的前提下，提高了检测精度，对于火灾检测有一定的优势；但是各提取层间的联系不密切，对此有学者设计了池化特征融合模块和反卷积特征融合模块加强特征融合，增强层间联系，提高小目标的检测效果[7]。

本文鉴于RFBNet网络在速度和精度的优势，选用其进行火灾识别，并根据火灾场景的特点，在其基础上进行改进，提高对于火灾复杂场景下的识别检测能力。

1 RFBNet神经网络及其改进

RFBNet算法作为对SSD算法的延续，继承了其在速度和精度上的优势，并通过结合RFB模块，使网络拥有更为强悍的表征能力，提高了其检测速度和精度。

但也存在一些不足，比如其特征提取时感受野随着层级加深增长缓慢，对于小目标特征的提取效果不佳，由于继承了SSD的模型结构，忽视了层级联系，导致用于后续预测分类阶段的输出特征图之间相对独立，不能充分利用提取的特征信息，检测精度不高。

根据原有RFBNet模型的缺点，对其进行改进，改进后的RFBNet模型网络结构如图1所示。通过加入自适应特征提取和加强池化和反卷积融合操作来提高模型的检测速度和检测精度。

图1 改进RFBNet网络结构

1.1 自适应特征提取

小目标由于其本身携带的信息就比较少，可以被提取用来分析的特征自然比较少，通过卷积操作提取的有用信息也少，因此分类预测较困难。在电气火灾的初期阶段，火势或者烟雾特征本身比较小，再加上火灾和摄像头的距离等考量因素，所以需要提高网络的特征提取能力。RFBNet算法继承了SSD的VGG16特征提取网络，并使用卷积层代替了最后的两个全连接层。虽然使用卷积层的好处可以提高运算效率，但是会使得特征提取的感受野降低，并且随着网络不断的加深层次，感受野与目标特征的匹配也会出现问题，降低了网络的特征提取能力，这对小目标的检测是很不利的。因此，可以通过引入自校准卷积SCConv（Self-Calibrated Convolutions）替换一般卷积，通过采用校正操作允许每个空间位置不仅将其周围的信息环境自适应地视为来自低分辨率潜在空间的嵌入，以作为来自原始比例空间的响应中的输入，扩大卷积层的感受野。自校正的卷积结构如图2所示。

图2 自校准卷积结构

1.2 特征融合

为了加强网络的层级联系，充分利用深层特征图和浅层特征图的特点，将最深的特征图直接用作分类和回归，接着，经过1个反卷积模块，以及更浅一层的特征元素逐次相乘，将输出的特征用于分类和回归，类似的将该特征和浅层特征进行反卷积与融合。

1.3 Softer-NMS

传统的非最大抑制（NMS）主要用于基于深度学习的目标检测模型输出的后处理，从而去除冗余的检测框，获得正确的检测结果。但是在复杂稠密的场景下漏检率较高，尤其是在2个目标距离存在重叠时，置信度较小目标漏检的概率大。对于这个问题，Soft-NMS会在冗余的检测框中和物体重叠的检测框的置信度降低，而不是删除，并使用高斯惩罚函数保留相近的其他目标和删除重复检测的目标。但是由于分类和回归任务没有直接相关性，置信度分数高不一定会使得结果更可靠。对于这个问题，Softer-NMS算法对检测框的位置概率分布进行建模。对于重叠的检测框，根据重叠程度和位置不确定性进行投票，重叠程度高，位置分布方差小的检测框权重大，从而获得更精确的检测框。所以本文选择Softer-NMS算法进行目标检测模型输出的后处理。

2 实验结果与分析

2.1 实验环境和实验数据

本实验是基于64位的Windows 10操作系统，Inter（R）Core（TM）i9-10900KF CPU@3.70 GHz处理器，32 GB内存，NVIDIA GeForce GTX3060 12 GB显卡，深度学习框架为PyTorch。

本次实验所使用的数据集包括多场景火灾图片和正常场景图片共计11 940张。其中火灾图片为通过网络爬虫收集的火灾图片和实验室收集的电网火灾图片数据集作为正样本，其中包括不同场景的火焰、烟雾等火灾常见特征的图片和正常的无火灾图片包括鲜艳的衣物，闪亮的灯关，落日等与火灾场景相似的图片。整个数据集共有火灾图片6 940张，非火焰图片5 000张，其中部分样本图片如图3和图4所示。随机抽取80%的为训练集，20%的为测试集。

图3 部分火灾图片

图4 部分正常图片

2.2 评价指标

因为火灾的分类只有“有”“无”2种情况，属于二分类问题，可以将样例和模型判断出来的组合分为4类：真正例（True Positive，TP），假负例（False Negative，FN），假正例（False Positive，FP）和真负（True Ngative，TN）。TP指被模型分类正确的正样本；FN指被模型分类错误的正样本；FP指被模型分类错误的负样本；TN指被模型分类正确的负样本。

进一步可以推出如下指标。

真正率（True Positive Rate，TPR）。分类正确的正样本个数占整个正样本个数的比例，即

假负率（False Negative Rate，FNR）。分类错误的正样本个数占正样本个数的比例，即

假正率（False Positive Rate，FPR）。分类错误的负样本个数占整个负样本个数的比例，即

真负率（True Negative Rate，TNR）。分类正确的负样本个数占负样本个数的比例，即

进一步，由混淆矩阵可以计算以下评价指标。

准确率（Accuracy）。分类正确的样本个数占所有样本个数的比例，即

在时间上使用FPS进行描述。

2.3 实验结果

实验中使用300×300分辨率的图片数据集作为输入，训练的BatchSize统一的设置为16，总的训练次数设置为1 000次，优化器选用Adam，初始学习率为0.001，优化器动量设置为0.9，学习率衰减率设置为0.1。在训练130个epoch后，得到的训练集变化误差和训练集准确率变化趋于平稳。在相同数据集测试的情况下的实验结果见表1。

表1 不同算法的性能对比

由表1可以看出，本文改进的RFBNet模型的准确度为93.5%，FPS为39，相对SSD和RFBNet的准确度都有一定的提升，原因在于其通过多自适应特征提取和特征融合操作，更好地对图像的特征进行提取，获取有用的信息，但也是因为这额外的步骤造成其在速度上略有不足，但是速度满足了实时性的要求，在牺牲一定速度的情况下，提升了检测精度。

3 结论

针对传统的火灾探测器在火灾探测过程中的检测范围小、价格昂贵和部署较难等局限性，本文采用基于神经网络的目标检测方法。并针对传统图像识别的识别难度大的问题，提出改进的RFBNet神经网络模型。该模型在原来的基础加入自适应特征提取操作，改进了特征提取效率，加入反卷积模块加强层间联系，增强特征融合效果，采用Softer NMS降低漏检率，提高网络模型的精确度，总体上提高对于小目标检测的精度。仿真结果也表明本文的改进模型可以有效提高识别的准确率，相比原来的模型，提高了2.3%。