基于改进的R-FCN刀闸检测算法研究

陶征勇，宗起振，曾清旋

(南京国电南自轨道交通工程有限公司，江苏 南京 210032)

0 引 言

准确快速地检测出牵引变电站刀闸的状态，可以很大程度地降低人工成本，有效提高电网的安全运行，这对于整个变电站具有至关重要的意义[1]。然而刀闸的工作环境位于室外，受拍摄视角问题以及外部环境遮挡问题的影响，同时刀闸又与其他设备颜色趋近一致，这些都大大增加了刀闸状态识别的难度。

目前，国内外对刀闸检测提出了众多的检测方案，其中采用图像处理的电力设备检测技术成为主流技术[2-3]。REDDY，MURTHY V S，张骥等[4-6]均提出了图像视觉处理技术及绝缘子状态相关的算法，实验数据表明该种算法具有较高的识别准确率；张金锋[7]提出了一种改进亮度序描述子的刀闸检测方法，实验结果显示该方法可以准确定位绝缘子快速识别出刀闸状态，但对变电站实际场景下刀闸可能出现部分被遮挡的情况，识别的准确率会下降；吴宽[8]为精确识别出垂直伸缩式刀闸状态，定义了一种新的绝缘子边缘特征，通过提取边缘特征获取刀闸识别状态，该种方法能够准确定位到刀闸区域进而准确识别出刀闸状态；台德群[9]提出了一种基于改进的Meanshift刀闸跟踪识别的算法，实现了刀闸状态的实时监测，识别精度较高；邵剑雄[10]针对变电站开关设备状态监测，提出了一种基于霍夫森林的开关状态识别方法，实验表明该方法对开关设备状态的设备具有较高的准确率，且鲁棒性好。

上述方法均针对变电站刀闸的局部特征进行识别检测，而对于变电站实际现场环境存在的、受外界环境因素导致的拍摄角度发生偏移、拍摄到的刀闸被部分遮挡等问题，仅依据局部特征进行刀闸状态的识别，将无法获得理想的准确率。本文提出了一种基于改进的R-FCN网络刀闸检测算法，通过对R-FCN输出预测网络并联融入全局特征预测模块，补充原始网络只通过局部特征预测刀闸产生的感受野不足缺陷，通过对局部特征预测结果和全局特征预测结果正则化后进行预测结果累加，实现全局特征预测结果对局部特征预测结果的补充。

1 改进的R-FCN刀闸检测算法

1.1 算法整体概括

针对变电站辅助监控系统在刀闸检测识别过程中，因天气环境的频繁变化，相机位置在预先建立的模板图像角度基础上会发生偏移，进而无法准确识别出刀闸的状态，出现较高的误检与漏检现象。本文对R-FCN网络模型进行了改进，构建了一种联合局部特征和全局特征的R-FCN的联合检测算法，对R-FCN网络模型嵌入全局特征预测，联合局部特征和全局特征预测的优点提升刀闸检测的准确率，提升现有刀闸检测方法的准确率。改进的R-FCN刀闸检测算法整体流程如图1所示。

图1 改进的R-FCN刀闸检测算法整体流程

1.2 算法具体实现

1.2.1 变电站图像采集

变电站辅助监控系统为变电站中的所有网络监控摄像机和相关控制设备的集成，通过调整相机的角度，实现采集不同时刻、天气、背景的包含刀闸和未包含刀闸的图像数据集，且包含刀闸的图像数据集数量应均匀包含刀闸的开关两种状态。变电站现场采集的刀闸如图2所示。

图2 变电站现场刀闸

1.2.2 划分、清洗并标注图像数据集

将上述采集到的数据集进行清洗，去除损坏的图像数据，并分成两种：只包含刀闸的图像数据集和未包含刀闸但与刀闸类似的数据集。变电站现场采集到的数据集包含刀闸的图像总数为800张，未包含刀闸但与刀闸类似的800张，分别对两种进行划分，其中训练集和测试集之比为8∶2，并将只包含刀闸图像的数据集进行标注刀闸位置和状态，第一次训练，采用样本的数量如表1所示，第二次训练，采用样本的数量如表2所示。

表1 第一次训练集样本数量的统计结果

表2 第二次训练集样本数量的统计结果

1.2.3 构建联合局部特征和全局特征的R-FCN网络

采用分类网络ResNet101作为主干特征提取网络，在ResNet101第4组卷积层后使用RPN操作产生感兴趣区域(用于后期刀闸的检测)，抛弃使用ResNet101第5组卷积层后面的池化层和全连接层，最终输出的通道数为2 048个。考虑在不改变特征图大小的情况下降低特征数据维度，通过添加卷积核大小为1×1的卷积层将通道数降低为1 024个。联合局部特征和全局特征的R-FCN网络结构如图3所示。

图3 联合局部特征和全局特征的R-FCN网络结构

同时，构建局部特征预测分支，通过采用原始具有局部特征预测的网络模型R-FCN输出局部预测结果，且局部特征预测采用RPN建议区域划分为7×7个局部区域进行预测；构建全局特征预测分支，通过对提取的语义特征进行池化操作，统一提取语义特征大小，然后，串联卷积核大小为7×7和1×1的卷积层输出全局预测结果。局部特征预测模块如图4所示，全局特征预测模块如图5所示。

图4 局部特征预测模块

图5 全局特征预测模块

1.2.4 训练保存模型

训练时，模型主干特征提取网络ResNet101的初始化参数使用在ImageNet数据集上训练好的模型权重，模型训练使用的损失函数选择与R-FCN网络相同的损失函数，进行两次训练：第一次使用只包含有刀闸图像的数据训练，至损失函数收敛，保存网络模型；第二次基于第一次训练的模型参数基础之上，使用包含刀闸和未包含刀闸类似刀闸的数据进行训练，进一步提升网络模型的刀闸辨别能力，最终得到模型的测试结果，以mAP-50作为准确率评价指标，统计的准确率如表3所示。其中，训练使用的损失函数数学表达式为：L(s,t)=Lcls(sc*)+λ[c*>0]Lreg(t,t*)。式中，L(s,t)表示分类损失和回归损失的总损失；s为类别预测概率；sc*表示类别c*的预测概率；t表示模型预测的回归框；Lcls(s)为分类损失，数学表达式为：Lcls(sc*)=-log(sc*)；λ多任务平衡因子；c*为类别真实标签，当c*=0表示背景类别，c*≠0表示对应的对别；[c*>0]组成指导因子，其值取为1，表示回归框只对非背景类别对象进行调整；Lreg(t,t*)为回归损失；t表示模型预测的目标框；t*表示人工标注的真实框。

表3 刀闸训练准确率对比结果

2 现场应用实验分析

本文改进的R-FCN网络刀闸检测算法在工程现场与R-FCN算法、Faster R-CNN算法、FPN进行刀闸检测对比实验，通过自有的牵引变电所辅助监控系统软件进行不同预置位下刀闸图片的识别。实验设置牵引变电所辅助监控系统软件每隔5分钟巡检一次，巡检采集了500张刀闸状态图片，实验用的4种刀闸检测算法对应的服务器识别这些状态图片获得识别结果图片。分析所获得的识别结果图片，以AP50，AP75，AP作为评价指标进行评测[11]，AP50和AP75分别表示(IOU)预测目标与实际目标的重叠比大于0.5和0.75，AP表示IOU[0.5∶0.05∶0.9]，从50%取到90%，步长为5%，共9个不同阈值下的检测目标概率的平均值。对比4种刀闸检测算法，准确率统计结果如表4所示，随机选取部分改进的R-FCN刀闸检测算法识别图片与对比实验的其它刀闸检测算法识别图片，分别如图6、图7所示，图中方框左上角“dzclose”表示识别到刀闸状态为关闭，“dzopen”表示识别到刀闸状态为打开。

图6 改进的R-FCN刀闸检测算法识别图片

图7 对比实验的其他刀闸检测算法识别图片

表4 四种刀闸检测算法准确率对比结果

分析实验相关数据，采用改进的R-FCN刀闸检测算法在评价指标AP50，AP75，AP评测下，准确率均优于对比实验的其他刀闸检测算法。分析多数识别有误的图片发现，对比实验的其他刀闸检测算法对于有遮挡的刀闸识别准确率较低，如图7(b)中从左往右第二个刀闸因外物遮挡导致对打开状态的刀闸识别为关闭状态(dzclose)，而对于同一张照片识别，采用改进的R-FCN刀闸检测算法识别准确率较高，如图6(b)中从左往右第二个刀闸识别状态正确。实验结果显示，本文改进的R-FCN刀闸检测算法具有很高的识别准确率，有效降低了变电站复杂场景中刀闸检测的误检率和漏检率，符合牵引变电站对刀闸状态检测准确性的应用需求。

3 结 语

针对牵引变电站刀闸状态检测的问题，本文通过构建局部特征预测R-FCN网络，融入全局特征预测，实现了一种改进的R-FCN刀闸检测算法。通过对比实验，本文改进的R-FCN刀闸检测算法相比于对比实验的其他刀闸检测算法，具有更高的识别准确率，对变电站复杂的外部环境具有很好的适应性，能有效降低刀闸检测的漏检率和误检率，符合牵引变电站对刀闸状态检测准确性的应用需求，为达到牵引变电站无人值守模式的目标迈出了重要一步。