基于Faster R-CNN的环网柜电缆相序检测

李继东，赵 锴，黄 佳，郑静媛，张淞杰

(1.国家电网北京丰台供电公司，北京 100073；2.浙江大学电气工程学院，浙江 杭州 310027)

0 引 言

随着我国城市的发展，环形配电网逐渐成为电网建设的主流方向。环网柜是环形配电网中的重要高压开关设备，一旦出现问题，必将造成城市电网供电中断甚至瘫痪，带来重大经济损失[1]，因此针对环网柜的施工验收是电网施工验收的重要环节。在电网施工验收环节中，及时发现并排除故障隐患成为电网运维非常重要的环节[2-3]。由于环网柜数量众多，施工人员素质良莠不齐，极易出现安装错误或违规的情况，进而引发电力线路故障[4-5]。电缆接线错误是比较常见的安装错误之一。一旦出现，便导致电路相序错误，进而引发设备反转、短路等事故。目前，环网柜的施工验收通常采取人工验收的方式，通过验收人员实地考察来判断，导致验收工作无法有效快速的进行。

近年来，基于各种深度学习方法的目标检测与定位技术不断成熟，计算机视觉技术获得巨大突破。卷积神经网络(Convolution Neural Network，CNN)是深度学习的理论基础，在检测识别领域有着广泛应用。在卷积神经网络的基础上，逐渐发展出基于区域的卷积神经网络(Region-based Convolutional Neural Network, R-CNN)[6]、空间金字塔池网络(Spatial Pyramid Pooling Network, SPP-net)[7]、快速的基于区域的卷积神经网络(Fast Region-based Convolutional Neural Network, Fast R-CNN)[8]、更快速的基于区域的卷积神经网络(Faster Region-based Convolutional Neural Network, Faster R-CNN)[9]等一系列主流的深度学习算法分支。目前，针对环网柜施工验收进行目标检测的相关研究甚少。本文结合卷积神经网络技术，分析环网柜特征，提出一种基于Faster R-CNN的环网柜电缆相序检测方法，为电网公司提供一种相对更稳定、高效的环网柜施工验收方案。

1 Faster R-CNN神经网络

传统的目标检测算法很大程度上依赖于特征的提取和选择，面对复杂且变化的图像背景，不能有效区分样本检测目标和背景。因此，人们开始使用卷积神经网络为代表的数据驱动检测方法，以此提高对样本特征的归纳理解能力。

1.1 CNN神经网络

CNN是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks, FNN)，是深度学习(Deep Learning, DL)的代表算法之一[10]。CNN首先将图像进行处理并作为网络的输入数据，然后经过多个卷积层卷积和池化层处理，最后输出对象类别。CNN的结构如图1所示，由多层内部网络结构组成，包括数据输入层、卷积计算层、激励层、池化层和全连接层[11-13]。

图1 卷积神经网络基本结构

数据输入层主要是对输入数据预处理，包括去均值、归一化、PCA/白化等，预处理后的图片以统一的格式进行后续的卷积操作。

卷积计算层是CNN最核心的组成部分，也是区别于传统神经网络的地方，卷积层通过卷积运算来抽象并提取图像的高级特征。卷积层提取到的特征连接全连接层，并通过激活函数得到检测结果。在传统CNN中，激活函数多为线性修正单元(Rectified Linear Units, ReLU)函数，它的特点是收敛快，求梯度简单。ReLU激活函数的公式如下：

f(x)=max(0,x)

(1)

由于图片包含的数据量过大，实际检测并不需要这么高的图片分辨率，因此需要通过池化层来减小图片的分辨率。池化层夹在连续的卷积层中间，通过池化层的池化操作，有效减小图像数据的分辨率，并防止出现过拟合。池化(Pooling)就是将多个像素点进行求均值或最大值等操作，将输入图像进行缩小，减少像素信息，进而减少计算量。简而言之，池化层能在不牺牲检测效果的前提下有效减少计算量。

全连接层一般在卷积神经网络的末端，通过前叙输入层、卷积层、激活函数、池化等模块后，将得到结果连接至全连接层，通过全连接层对结果进行识别分类得到最终结果。

CNN与传统神经网络的不同之处在于，CNN通过由卷积层和下采样层构成的特征公式来减少网络各层之间的连接：

(2)

式中，i代表隐含层的第i行，j代表隐含层的第j列，s为网络的输出，W为卷积核，X为网络的输入。特别地，如果X是一个二维输入的矩阵，那么W也是一个二维的矩阵；如果X是一个多维张量，那么W也是一个多维的张量。

1.2 Faster R-CNN神经网络

图2 Faster R-CNN模型框架图

CNN往往把图像的每一个像素点连接到全连接层的每一个神经元中，对图片直接进行处理，运算量较大。因此，Girshick等[6]提出了R-CNN，每一个隐藏节点只连接有限个节点，避免了大量的全局运算。例如，一张1 024×720的图像，使用9×9的感受野，则只需要81个权值参数。虽然R-CNN通过感受野可以减少图片的卷积运算量，但也因其感受野的局限性，需要R-CNN网络生成大量候选框进行检测。R-CNN将图像用大量的建议框进行切割，每个建议框均用CNN单独进行卷积运算。由于建议框数量巨大，因此建议框之间存在大量重叠，由此造成重复运算。为此，研究人员进行改进并提出Fast R-CNN算法，先将预处理后的图像直接输入CNN进行卷积计算，再用建议框进行切割，将在此之前的CNN运算共享。为了进一步增加检测速度，又提出了Faster R-CNN算法，其模型框架如图2所示。相比较于Fast R-CNN算法，Faster R-CNN算法使用区域候选网络(Region Proposal Network, RPN)代替原来的选择性搜索方法，从而使建议窗口和目标检测网络共享卷积网络，建议框由原来的近2 000个减少为300个，建议框的减少同时，质量也有本质的提高。

2 基于Faster R-CNN的环网柜电缆相序检测

2.1 环网柜图像特点

环网柜是一组输配电气设备(高压开关设备)，通过金属或非金属绝缘柜体与外界隔断，其内部核心包括负荷开关和熔断器[14]。环网柜内部线路简单，环网柜的施工验收中，最大的难点就是接线相序检测。由于环网柜内三根线缆结构和功能相似，验收人员除了肉眼观察，很难通过其他手段对接线情况进行快速准确检查。在环网柜中，一般采用颜色标签来区分不同相序的电缆。由于图片中色彩类型多，同时图像背景干扰多，通过RGB色彩信息进行识别效果并不理想，容易出现误识别和漏识别。Faster R-CNN网络具备优秀的针对图像背景干扰的鲁棒性，因此，本文构建了基于Faster R-CNN神经网络的环网柜电缆检测模型。

2.2 Faster R-CNN环网柜检测模型

图3 基于Faster R-CNN的环网柜电缆检测框架

基于Faster R-CNN的环网柜电缆相序检测模型如图3 所示。由环网柜训练图片数据集对Faster R-CNN检测模型进行参数优化，生成对电缆颜色标签特征敏感的检测网络，最后将环网柜图像测试数据集作为检测网络的输入，来检测模型的鲁棒性和优越性。

将CNN生成的特征图输入RPN进行处理，得到一系列提议框及该提议区域对应的检测值[15-16]。由于提议区域尺寸小于图片尺寸，为了对整张图片区域进行检测，一般通过滑窗法来遍历检测区域，在窗口滑动过程中，窗口每滑动一次，就以窗口中心点为锚点来划定不同面积的局部图像，以此作为待提议区域。

由于相邻待提议区域位置接近，多个相邻待提议区域会重复检测同一物体。在计算机视觉领域，一般采用非极大抑制(Non-Maximum Suppression，NMS)来进行处理[17]。NMS对各建议框的表现进行排序，并从相邻的交并比(Intersection-over-Union，IoU)大于一定阈值的建议框中选取表现最好的建议框。

2.3 基于Faster R-CNN的环网柜施工验收方案

基于Faster R-CNN的环网柜电缆检测框架，本文提出了基于Faster R-CNN的环网柜施工验收方案。首先，施工人员通过终端设备拍摄并上传环网柜图片，云端服务器接收并保存环网柜图片，同时记录施工人员工号、施工项目、环网柜位置等相关信息。然后，将环网柜图片输入训练后的Faster R-CNN检测模型，输出检测结果。输出结果依次为黄色标签y，蓝色标签b，红色标签r的图片时，判定正常；其余输出为异常，发出警报提醒，交由云端验收人员处理。云端验收人员调用云端储存的环网柜图片进行人工核验，确认后派发工单交由施工人员重新接线安装。在本文的验收方案中，验收人员不需到达现场，只需通过现场终端上传图片便可掌握现场环网柜施工安装情况，同时通过图像检测技术可以实现无人化、智能化的环网柜施工异常检测。因此，通过使用本文的验收方案，可以有效减少验收程序中的人工成本和交通成本，并有效减小验收工作人员的工作负荷。

3 实验和分析

为了验证本文提出的基于Faster R-CNN的环网柜电缆相序检测方案的可行性与有效性，进行实验验证。实验中，基于Ubuntu-16.04操作系统下的PyTorch平台，服务器的计算机配置为CPU双核2.5 GHz，GPU采用单块Titan X，12 GB(Gigabyte)显存，32 GB(Gigabyte)内存。其中，实验图片共有1 360张，由北京市丰台供电局提供。在实验图片中选取1 000张作为训练数据集，其中873张为正样本，127张为负样本；选取剩余360张作为测试数据集，其中296张为正样本，64张为负样本。对所有实验图片进行标注，黄色标签标记为y，蓝色标签标记为b，红色标签标记为r。

训练后的模型检测效果如图4所示，其中模型检测到的电缆标签均由彩色方框框出。图4(a)中标签颜色为蓝色，图4(b)和图4(c)中标签颜色从左往右依次为黄色、蓝色、红色。从图4可以看出，即使电缆标签的位置及背景线路颜色存在变化，Faster R-CNN算法依旧可以准确有效地识别环网柜电缆标签，具有良好的识别效果。

图4 实验仿真结果

为了进一步证明本方案算法的优势，将Faster R-CNN算法与多种经典的目标检测识别算法进行对比，包括经典的多类别单阶检测器(Single Shot MultiBox Detector, SSD)[18]算法、Fast R-CNN算法以及统一的实时目标检测算法(You Only Look Once v1, YOLO v1)[19]。作为传统目标检测方法，这些方法均已经证明其在目标识别与检测中的有效性和准确性。为了更全面地比较模型的优劣，实验以几种算法的平均精确率(Average Precision，AP)作为评价指标。其中AP50为IoU阈值为0.5时的AP测量值，AP75为IoU阈值为0.75时的AP测量值，0.50～0.95的区间上，将每隔0.50计算得到AP值的平均值作为AP值。通过实验测试，4种目标检测算法识别效果如表1所示。

表1 4种目标检测算法的识别效果对比

图5 误识别示例

由表1可以看出，Faster R-CNN算法的综合检测效果最佳，符合实际应用所需条件，可以为电网的环网柜施工验收工作提供技术支持。

值得注意的是，在实验过程中，4种算法的识别错误基本都是误识别远多于漏识别。通过对误识别图片的比对分析发现，由于红色电缆端头护套形状颜色与红色标签相近，检测器将电缆端头护套误识别为红色标签，如图5所示。图5中,标签颜色从左往右依次为黄、蓝、红，3个电缆端头护套颜色都为红色。因此，本文所提出验收方法虽然实现了不错的检测效果，但对检测对象的尺度仍不够敏感，后续研究将围绕检测对象的尺度空间进行改善优化。

4 结束语

本文对环网柜电缆施工验收工序进行深入分析，发现人工验收的弊端，在此基础上提出基于Faster R-CNN的环网柜电缆相序检测方法。通过区域生成网络，本文提出的Faster R-CNN方法能够在不损失检测速度的情况下，提升算法的检测精度，更好地实现环网柜电缆相序检测功能，为电网公司提供一种相对稳定、高效的环网柜施工验收方案。目前，本文提出方法对检测对象的尺度仍不够敏感，后期将对检测对象的尺度空间识别展开深入研究。