基于卷积神经网络的变电站巡检机器人图像识别

杨 光，周鹏举，张宋彬，徐 鹏

（国网河南省电力公司郑州供电公司，河南 郑州 450000）

基于卷积神经网络的变电站巡检机器人图像识别

杨 光，周鹏举，张宋彬，徐 鹏

（国网河南省电力公司郑州供电公司，河南 郑州 450000）

：随着科学技术的发展，人工智能在工作生活中应用的范畴也越来越广泛。在我们所熟知的变电站中，已经逐步出现了智能巡检机器人来代替人工巡视。那么机器人在巡视过程中又是如何识别表记等相关信息的呢？本文将就这一问题展开讨论。文中首先讨论了卷积神经网络的理论基础，以及一些相关的运算，给出了基于卷积神经网络的变电站巡检机器人图像识别模型。

卷积神经网络，图像识别，变电站巡检，智能机器人

0 引言

变电站作为电能传输中重要的一环，其安全管理尤其重要。传统的变电站巡视需要人工全天候监视，极容易因巡视人员的疲惫导致无法有效的识别变电站的危险情况。随着自动化程度的不断提高，需要引入无人监视设备，如智能巡检机器人[1-3]，对视频图像进行实时处理分析来提高变电站运行的安全性和可靠性[4-5]。因此对图像识别技术提出了更高的要求，今年来深度学习在语音、图像识别中取得了丰硕的成果[6-7]，卷积神经网络属于深度学习的一种模型，它具有二维网络形状[8-12]，它在结构上形成一个深度前馈神经网络。在变电站检测过程中，在变电站运行图形检测当中，由于环境因素、检测手段的原因，采集到的图像有可能分辨率较低，而且变形严重，甚至还有缺块。因此在变电站的巡检过程中，复杂多变的背景对故障分类判断带来了很大的挑战。因此，为了能更好的将机器人应用到变电站的巡检中，需要有一个精确、强大、具有深度学习能力的图像分类识别模型 ，卷积神经网络模型因其具有二维数据处理方式，非常适合应用于图像处理领域。

综上，卷积神经网络在目标检测和图像识别领域具有较大的优越性。为了更好的进行变电站巡检，本文对卷积神经网络做了系统研究，并提出了将其应用到变电站巡检的建模过程。该模型使用卷积神经网络对变电站的监控图像进行分析和识别，能够快速准确的识别出变电站的异常情况，并发出警报，对提高变电站的可靠性，建设更加智能化的现代电网具有重要的意义。

1 卷积神经网络在图像处理中的应用

1.1 卷积神经网络

在对图像进行处理识别过程中，通过多层反向的网络训练，可以通过特征抽取器来得到特征变量，进而根据这些特征变量通过一个分类器来进行分类识别。针对图像处理，图像数据较大，包含多大几百个变量，对于标准的全连接神经网络来说，样本数量不足，会导致网络过度拟合；同时其没有考虑不同输入数据的特点，特别是一些存在微小位移但结构截然不同的图像数据；全连接网络忽略了训练数据中的局部性，而图像数据中含有大量的局部特性。

卷积神经网络通过结合局部感知区域、共享权重、空间或者时间上的降采样来充分利用数据本身包含的局部性等特征，优化网络结构，并且保证一定程度上的位移和变形的不变性。

1.1.1 卷积神经网络的结构

卷积神经网络的独特之处在于，在网络的输入层前先接入了卷积层，通过卷积层先对图像数据进行了过滤操作，以对某些特定的结构有较高的激活，以此来达到图像分类识别的目的。

图1 卷积神经网络的基本构架Fig.1 Basic framework of convolutional neural networks

如图1所示，卷积神经网络的基本网络结构可以分为四个部分。具体的每层的作用介绍如下。

输入层：输入层用于接收输入数据，对于图像来说，输入数据为二维像素值。

卷积层： 该层也叫特征提取层。包含了两个部分：第一部分是真正的卷积层，主要对输入数据进行特征提取，该部分卷积核数量越多，提取的特征量越多。第二部分是下采样层，对保留特征量信息的基础上减少数据的处理量，从而加快处理速度。

全连接层：可以有多层结构，就是多层感知机的隐含层部分。后层网络节点和前层网络节点相连，同层网络节点无连接。

输出层：具体任务的不同需要，输出层神经节点所需的数目也是不同的，当执行的是分类任务时，卷积神经网络输出层即相当于一个分类器。

2.1 两组PDCD4表达率比较 良性对照组44例患者中，40例呈PDCD4阳性表达，阳性表达率为90.91%，EOC组92例患者中，42例呈PDCD4阳性表达，阳性表达率为45.65%。两组的PDCD4表达水平比较差异有统计学意义(χ2=25.465，P<0.05)。见图1。

1.2 卷积神经网络数学模型

卷积运算包含了连续型和离散型两种卷积运行，其计算公式如下。

连续卷积运算公式：

离散卷积运算公式：

卷积神经网络的卷积操作属于离散卷积，其卷积操作为一个线性运算，相应的卷积核也可以称为滤波器。卷积核可以确定图像中参与运算的区域大小，以及卷积结果的识别能力。具体的卷积过程如图2所示，其中f(x)表示线性化过程，bx表示激活函数。

图2 卷积神经网络的卷积过程Fig.2 Convolution process of convolutional neural networks

卷积层中，通过将输入的图像和一个模型训练的卷积核 f ( x)进行卷积操作，之后加入一个偏置项然后输入到神经元的激活函数进行处理，最后得到了卷积输出层结果为 cx

在卷积层，前序层的特征量参数经过卷积操作，并作为激活函数的输入，最后得到输出图。每个输出图可能包含多个输入图的卷积。一般来说：

假设每一个卷积层l后面的跟随层为l+1。通过误差反向传播算法可以知道，层 l中的误差信号，是由下一层的神经元信号求和并乘上 l+1层对应的权值，并乘上激活函数相对于输入的偏导得到。为了得到更好的训练效果，需要得到更有效的训练误差，因此可以通过将下一层的误差信号进行升采样操作，然后对升采样后的误差信号图和l层“激活函数偏导图”进行基于元素的乘法。通过公式（4），可以将卷积层中的每一个图j和相对应的降采样层对应起来。

其中, ()up x表示升采样操作，β表示降采样层的权重。降采样操作因子的作用，即将输入图像的像素从水平和垂直方向重复复制。实现的方法可以采用Kronecker积：

根据得到的误差信号图像，通过对所有项目进行求和以得到偏差的梯度，计算如下：

最后，核函数的权重的梯度可以采用反向传播算法进行计算。将该权重涉及到的所有梯度求和：

2 基于卷积神经网络的变电站巡检机器人图像识别

随着变电站自动化程度的提高，采用智能巡检机器人对变电站设备进行全面检查，可以更好的维护变电站的正常运行。检查包括设备全面外表检查、缺陷的发展预测情况、设备运行薄弱环节，通过对视频图像进行深入分析，能发现人工无法发现的隐患风险。

根据以上理论分析，提出基于卷积神经网络的变电站巡检机器人的图像识别模型，更精确地对变电站中出现的故障情况进行分析判别。具体步骤如下：

（1）通过对采集的图像进行预处理，通过与数据库采集设备进行差图像分析、相关分析，先行识别出图像中的设备信息；

（2）将识别设备历史图像从数据库中提取，并通过卷积神经网络模型进行训练。

（3）将本次得到的图像输入到训练完成的模型，进行分析判断设备运行情况。

具体模型训练以及识别分类如图3所示。

3 结论

本文以变电站智能巡检机器人对巡视中表记的识别为例，首先介绍了卷积神经网络的相关理论以及经典的结构，讨论了CNN当中的梯度运算，是典型的将数学方法运用到图像处理中有效的解决了图像处理中的分类识别问题。以著名的卷积神经网络结构为基础，构建了一些简单的卷积神经网络模型。之后给出了基于卷积神经网络的变电站巡检机器人图像识别模型，有着很好地研究和推广价值。

图3 基于卷积神经网络的变电站巡检机器人图像识别模型Fig.3 Image recognition model of substation inspection robot based on convolutional neural network

[1] 张燕东, 田磊, 李茂清, 等. 智能巡检机器人系统在火力发电行业的应用研发及示范[J]. 中国电力, 50(10): 1-7.

[2] 李梁. 变电站巡检机器人视频监控系统设计与实现[D].上海交通大学, 2013.

[3] 赵小鱼, 徐正飞, 付渊. 一种适用于智能变电站巡检机器人的异物检测算法研究[J]. 现代电子技术, 2015, 38(10): 124-127.

[4] 曾朱文, 郑连清. 无人值守变电站智能遥视系统的研究[D]. 重庆: 重庆大学, 2005.

[5] 景美丽. 无人值守变电站中智能视频监控的技术研究[D].保定: 华北电力大学, 2012.

[6] Shin H C, Roth H R, Gao M, et al. Deep Convolutional Neural Networks for Computer-Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning[J]. IEEE Transactions on Medical Imaging, 2016, 35(5):1285-1298.

[7] Tang Y. Deep Learning using Linear Support Vector Machines[J].Computer Science, 2015.

[8] 许可. 卷积神经网络在图像识别上的应用的研究[D]. 浙江大学, 2012.

[9] 徐姗姗. 卷积神经网络的研究与应用[D]. 南京林业大学,2013.

[10] 常亮, 邓小明, 周明全, 等. 图像理解中的卷积神经网络[J]. 自动化学报, 2016, 42(9): 1300-1312.

[11] 吴正文. 卷积神经网络在图像分类中的应用研究[D]. 电子科技大学, 2015.

[12] 施荣. 基于深度卷积神经网络的毫米波图像目标检测方法研究[D]. 哈尔滨工业大学, 2015.

Image Recognition of Substation Inspection Robot Based on Convolutional Neural Network

YANG Guang, ZHOU Peng-ju, ZHANG Song-bing, XU Peng
(State Grid Henan Electric Power Company Zhengzhou Power Supply Company, Zhengzhou 450000, China)

With the development of science and technology, the application of artificial intelligence in work and life is also more and more extensive. In substation, intelligent inspection robots have gradually emerged instead of manual inspection. The robot in the inspection process is how to identify the token and other related information?This paper will discuss this problem. Firstly, the theoretical basis of convolutional neural network and some related operations are discussed, and the image recognition model of substation inspection robot based on convolutional neural network is given.

Convolutional neural network; Image recognition; Substation inspection; Intelligent robot

TP391.41

A

10.3969/j.issn.1003-6970.2017.12.036

本文著录格式：杨光，周鹏举，张宋彬，等. 基于卷积神经网络的变电站巡检机器人图像识别[J]. 软件，2017，38（12）：190-192

杨光(1986-)，男，变电运维管理，本科，工程师/技师，主要研究方向：变电运行。