基于SSD改进算法的电缆隧道积水识别方法

雷霆，谢榕昌，黄滔，钟力强，王柯，杨跞，樊韪铖

(1.广东电科院能源技术有限责任公司，广东 广州 510080；2.广东电网有限责任公司，广东 广州 510060； 3.广东工业大学 自动化学院，广东 广州 510006；4.长沙理工大学 电气与信息学院，湖南 长沙 410114)

积水一直是城市电缆隧道难以回避的问题。隧道防水措施存在缺陷，隧道结构因地质沉降而产生渗漏，甚至雨水倒灌进入隧道等都将给电缆隧道的安全运行带来风险。对于电缆本身，特别是电缆的连接处、T接头，长时间的积水容易导致其绝缘材料受潮而产生水树枝，加速绝缘老化，还易形成电树枝引发绝缘击穿，造成电缆故障。同时，隧道内敷设了很多用于电缆安全运行监测的辅助设备，比如光电监控设备、气体分析设备、消防泵、轴流风机等，积水会导致隧道内的湿度增大，容易引发设备短路。因此，隧道积水对电力电缆的安全运行构成极大威胁，对积水进行监控和识别具有十分重要的现实意义[1]。

在隧道积水检测领域，目前国内外主要使用的方法有：人工检测法、红外热像法、可见光检测等。

人工检测方法是人为地对电缆隧道的运行环境以及内部设备进行检查。电缆隧道一般较长，环境昏暗且存在高电压风险，所以不适合人工巡检。同时，运行维护人员经验、能力存在差异，不能保证巡检质量[2]。

红外热像法测量的是物体的热辐射强度信息，物体热辐射主要受到被测表面温度的影响。因此，当隧道温度相对稳定时，积水区域与背景地面之间的温度差别不大，很难有效利用红外热像法进行识别[3-4]。

可见光检测主要是利用对隧道内所采集的可见光图像进行图像处理以探测积水[5-6]。由于积水本身没有固定形状，积水潭轮廓随地形改变而改变，所以利用模板进行特征匹配等常规的形状特征检测方法对积水辨识基本无效。其次，水面与环境对光线反射存在差异的特点对积水进行检测则易受光照等环境条件的限制，实际应用时存在误判率较高的问题。因此，对采集的图像深入研究，提高对人工智能的图像分析和识别的能力对于提高隧道积水辨识正确率尤为重要[7-12]。

随着电缆隧道巡检机器人的推广，使用巡检机器人对电缆隧道的设备进行巡检也越来越普及[13-14]。本文利用装有可见光高清摄像头的电缆隧道巡检机器人对隧道环境进行图像采集。因为机器人巡检时，只能用机器人自身的灯光进行照明，导致其采集生成的图像也以黑色(暗色)为主。针对机器人采集图像的特点，为了提高积水辨识的正确率，采用了单次多框架探测器 (single shot multibox detector,SSD)改进算法对隧道积水进行检测。该算法通过特征映射图进行多尺度检测，在保留对深层特征映射图检测的基础上，增加对较浅特征映射图的检测，充分利用了深层特征映射图的丰富图像细节信息来提高积水检测的正确率。同时，积水异常属于威胁性较大的异常状况，需要快速反应，对比其他的人工智能算法，SSD类算法所具有的快速检测特性与实际情景非常契合。

1 典型卷积神经网络

卷积神经网络(convolution neural network， CNN)具体结构有多种多样的设计，但都是在卷积层、池化层、全连接层和分类层的基础上搭配组合而成[15]。

1.1 卷积层

卷积层的主要作用是提取特征，用数学表达式来描述卷积层函数，即

(1)

式中：Mj为第j个图片的图片集；Kl,ij为第l个卷积核，i为卷积核个数，j为图片序号;Bl为第l个卷积偏置分量[16]。

1.2 池化层

池化层以窗口为单位进行池化运算，图1中池化运算为最大池化，每个窗口大小为2×2，从2×2的元素集合中选择最大的1个元素，窗口大小可根据实际情况调整。

图1 池化层运算原理(最大池化)Fig.1 Pooled layer operation schematic(maximum pooling)

1.3 全连接层

全连接层每个元素都和下一层所有元素联系。数学描述为：

(2)

1.4 分类层

分类层是实现CNN分类(或识别)功能的直接环节，其归一化指数函数

(3)

式中：t为输入数据个数；G为拟分类总数；g为拟分类数;zt和zg为分类层模型参数。

以上为CNN的基础结构，CNN模型就是由这些层组合形成的。

2 SSD算法与SSD改进算法

2.1 SSD算法

SSD是一种使用深度神经网络来检测图像中对象的方法，其基于前馈卷积网络，核心是使用应用于特征映射的小卷积核来预测固定的一组默认边界框的类别分数和框偏移量，然后进行非极大值抑制,得到最终检测结果。该方法兼顾了对象检测的准确率和实时性的要求，成为目前最优且应用最广泛的目标检测模型之一。

SSD算法的前5层结构仿照了视觉集合群-16(visual geometry group，VGG-16)算法的设计结构，之后以Astrous Algorithm为基础在第5层卷积层后又连接了2个卷积层。

2.2 SSD改进算法

由于现有SSD算法对小目标物体检测的鲁棒性较差，本文选取6个不同层次的特征映射图进行多尺度检测，如图2所示。

图2 默认边界Fig.2 Default boundary

SSD改进算法包括如下步骤：

a)多尺度检测。如图3所示，选取cov4层、

cov7—cov11层的特征映射。其中，将cov4层的特征映射划分成38×38的网格，同理将cov7—cov11层的特征映射依次划分为19×19、10×10、5×5、3×3和1×1的网格。不同的特征映射尺寸能检测不同尺度的图像特征，丰富了图像的检测结果，最后得到6组结果，通过非极大值抑制处理，可获得标注区域的边界。

b)默认边界。每个默认边界(图3虚线框)都有对应的特征映射，反映在图3中，既为特征映射的位置固定。反之，每个特征对应的边界，都是默认边界经过形变、偏移得到的，并有概率描述其置信度。

映射边界的相对位置固定，但尺寸会随着特征图的尺寸变化而变化。由图2可知，共使用6个不同尺度的特征映射进行预测，每层对应的默认边界框函数

(4)

式中：k,m∈[1,6]，均为特征映射的尺度数；smin、smax分别为默认边界框的最小和最大值，且smin=0.2，smax=0.95。

在6个100mL容量瓶中分别加入Li、Na、Mg、Ca混合标准工作溶液，使用0.5% HNO3(体积分数)定容，摇匀。此标准溶液系列I中Li、Na、Mg、Ca的质量浓度分别为0、0.10、0.25、0.50、1.0、2.0mg/L。

(5)

(6)

式中war,k、har,k分别为迭代的先验框的宽度与高度。

另外，当ar=1，默认边界框的额外增加

(7)

c)边框匹配。标注信息的真实目标(ground truth， GT)边界是SSD网络训练的第1步。标记完成后，形成GT边框和默认边界框的映射。除了映射之外，正负样本和损失函数也是必不可少的。其次，由前文阐述的多尺度改进中，6个特征映射可以进行6个3×3卷积，其中4个输出默认边界的位置信息，1个输出GT框在默认边界检测到物体的概率，最后一个卷积输出默认边界检测到不同类别物体的概率。统计所有默认边界的位置，将所有默认边界的卷积整合在一起，所形成的新框图综合了所有预测默认边界，最后计算框图匹配环节产生的损失。

图3 SSD改进算法结构Fig.3 Improved SSD algorithm structure

d)正负样本。在GT边界与默认边界进行匹配后，大多数的默认边界匹配度低于阈值，将作为反示教例子也就是负样本。训练时正负样本差距过大会影响SSD网络的准确率。因此，训练过程中，正负样本数量是需要保持一定比例的，这里选取1:3的比例比较合适。

e)目标损失函数。xp,ij为边界是否匹配的二值量，若第i个默认边界与第p类的第j个GT边界相匹配，xp,ij=1；若不匹配，则xp,ij=0。由定位损失Lloc和置信度损失Lconf加权求和计算，得总目标损失

(8)

式中：N为与GT框相匹配的默认边界框的个数；u为加权系数。

3 图像智能识别算法性能对比

SSD神经网络属于基于CNN的一级图像识别算法。相比二级算法，一级算法没有设定候选区域，因此运算速度高于二级图像识别算法，具有很高的实效性。改进SSD算法是在原有SSD算法的基础上，增加对浅层特征映射图的检测，加强了对图像中较小面积的物体识别能力。

用同一训练数据Pascal VOC 2012训练以上2种CNN，并以Pascal VOC 2012的测试图片集检验2种CNN的性能：准确率和实时性，测试结果如图4及见表1。

图4 算法损失曲线Fig.4 Loss curve of the algorithm

图4中的损失曲线为基于训练数据Pascal VOC 2012的4种算法的总体损失与训练次数的函数。总体损失来自于CNN的边框预测(定位损失)和分类环节(置信度损失)，损失值为预测2环节和分类环节的损失加权求和。

由图4可知，由于算法的性能有所差异，相应的训练损失的下降速度不同，但总体上都能快速下降，不过SSD改进算法的收敛速度较快且最终损失值也较低，证明改进型的算法优于原SSD算法。

表1 算法性能对比表Tab.1 Comparison of algorithm performance

从表1可知，改进SSD算法与SSD算法相比，从MAP到FPS都有小幅度的改进。

4 实验验证

实验验证包括以下几个方面：

a)卷积网络设定。巡检机器人所采集的积水图像中，积水一般为暗色，池化层中的池化规则选择最小值规则，即排除采样区域内最具亮度表现力的点，以减少高亮像素特征对积水区域图像特征的污染。

b)识别环境设定。计算机CPU双核为2.8 GHz，GPU模块为12 GB显存的TitanX，32 GB内存，Ubuntu 16.04操作系统。积水识别模型的网络训练框架采用的是Caffe深度学习框架。

c)隧道积水识别检测。测试集为一段机器人巡检途中遇到的积水段视频，视频大小30 MB，时长35 s,初始学习率为10-4，动量项为0.9，权值衰减系数为0.000 5，batch大小为32。

隧道积水识别的总体流程如图5所示。

图5 隧道积水识别流程Fig.5 Tunnel water recognition process

隧道积水识别模型的训练损失结果如图6所示。由图6(a)可知：经过600次训练后，模型的总体损失趋于稳定，说明在满足一定训练次数后，CNN模型的效果良好。由图6(b)可知：经过600次训练后的模型的定位损失趋于稳定，且能够比较准确地辨识出积水部分并使用轮廓框出。由图6(c)可知：随着训练次数的增加，模型的分类损失越来越小，也就是识别的准确率越来越高。综上所述，隧道积水模型的损失率会随着训练次数的增加而降低，同时，在保证良好的准确率情况下，考虑到模型的训练效率，在实际使用时模型的训练次数应大于600次。

由图7检测结果可以看出，本论文采用基于SSD改进算法的电缆隧道积水识别方法可以实现积水的定位和识别。采用bootstrap测试方法对数据集为221张积水或正常隧道情景图进行测试，统计结果显示识别MAP为69.6%以上，算法对情景图平均识别时间缩小了20 ms。

图6 模型训练损失 Fig.6 Training loss of the model

5 结束语

本文将图像处理技术与深度学习应用于电力隧道图像的识别与分析中，提出了一种基于SSD改进算法的电缆隧道设备识别方法，并进行了图像分析验证，检测了隧道积水的异常状况识别功能。这可应用于在高压环境中使用巡检机器人代替人工检测进行隧道巡视，提高机器人的智能化水平。本文提出的算法适用性广，具有良好的识别质量与较高的识别率，为检测设备智能化提供了重要的技术支持。

图7 检测结果Fig.7 Test results