詹振宇，董曼玲，葉富根，曾 晗

（1.國網(wǎng)河南省電力有限公司電力科學(xué)研究院，鄭州 450052；2.華東交通大學(xué) 電氣與自動化工程學(xué)院，南昌 330013）

隨著智能電網(wǎng)在我國的迅速發(fā)展，電力系統(tǒng)的安全運行面臨著越來越多的挑戰(zhàn)，特別是電力系統(tǒng)的火災(zāi)防護(hù)關(guān)系著電力系統(tǒng)設(shè)備穩(wěn)定運行及社會經(jīng)濟(jì)的健康發(fā)展，已經(jīng)越來越受到重視，在電力系統(tǒng)中，大量的電力設(shè)備和設(shè)施，比如：主控通信室、變電站、蓄電池室、可燃介質(zhì)電容器室、配電裝置室和機(jī)房，這些場所存在大量的可燃物，并且設(shè)備的運行時間長、設(shè)備利用率高，一旦在運行中出現(xiàn)短路、過載等故障極易引發(fā)火災(zāi)，威脅到電力系統(tǒng)的安全，容易造成巨大的經(jīng)濟(jì)損失，給社會的生產(chǎn)生活造成嚴(yán)重影響。

傳統(tǒng)的火災(zāi)探測器是基于傳感器進(jìn)行火災(zāi)現(xiàn)場采集的數(shù)據(jù)參數(shù)實現(xiàn)檢測的[1]，常用傳感器主要有感煙型、感溫型、感光型和氣體火災(zāi)探測器，參數(shù)指標(biāo)分別為火災(zāi)環(huán)境下空氣中的顆粒物濃度、溫度變化、光的強(qiáng)弱和空氣中特定氣體濃度的變化，傳統(tǒng)探測方式在火災(zāi)探測中有一定的局限性[2]：火災(zāi)區(qū)域可能受自然風(fēng)的影響，使得基于探測氣體濃度的傳感器失效，受探測器與火災(zāi)區(qū)域距離的影響，在距離遠(yuǎn)的情況下，無法及時感知溫度，這些都影響了傳統(tǒng)探測方法在電力系統(tǒng)中的實際應(yīng)用效果。智能圖像處理技術(shù)給電力系統(tǒng)火災(zāi)檢測提供了新途徑，基于圖像處理的火災(zāi)檢測系統(tǒng)可以部署在現(xiàn)有的電力監(jiān)控系統(tǒng)上，通過監(jiān)控攝像頭及時探測火情，實現(xiàn)全方位的火災(zāi)自動檢測，并且具有響應(yīng)快、不易受環(huán)境因素影響、適用面廣及成本低等優(yōu)勢，也逐漸成為火災(zāi)檢測方法中較為重要的交叉學(xué)科研究領(lǐng)域。

傳統(tǒng)圖像處理算法的效果受限于人工提取特征的好壞[3]，難以形成通用的判別標(biāo)準(zhǔn)，無法實時檢測不同場景下的火災(zāi)情況，而深度學(xué)習(xí)的方法可以解決這個問題，通過不同場景的樣本訓(xùn)練，可以自動提取火焰特征，在復(fù)雜的火災(zāi)場景下完成火焰識別[4]。

典型的用于圖像檢測的深度學(xué)習(xí)算法有onestage檢測網(wǎng)絡(luò)：YOLO（You Only Look One）系列、單次檢測器SSD（Single Shot Multibox Detector）、感受野塊網(wǎng)絡(luò)RFBNet等；two-stage檢測網(wǎng)絡(luò)：區(qū)域卷積網(wǎng)絡(luò)R-CNN、快速區(qū)域總面積網(wǎng)絡(luò)Fast R-CNN、更快區(qū)域卷積網(wǎng)絡(luò)Faster R-CNN等。考慮到檢測的實時性要求，一般選用one-stage檢測網(wǎng)絡(luò)，雖然其檢測精度略低，但是速度較快，滿足實時性要求。但是實際場景中的火災(zāi)可能范圍比較小，常規(guī)的YOLO、SSD對于小目標(biāo)的檢測困難。鑒于此，有學(xué)者將YOLOv3中的密集連接結(jié)構(gòu)和多分支結(jié)構(gòu)結(jié)合起來提高小目標(biāo)的預(yù)測能力[5]，或者采用將原有SSD中的語義信息和定位信息模塊級聯(lián)和加入融合分裂增強(qiáng)模塊等措施，加強(qiáng)SSD網(wǎng)絡(luò)中各層特征的關(guān)聯(lián),提高了原始FPN網(wǎng)絡(luò)特征融合充分程度[6]。相對SSD網(wǎng)絡(luò)，RFBNet網(wǎng)絡(luò)是以SSD網(wǎng)絡(luò)為框架，增加了感受野RFB模塊，增大了感受野，在保持較快速度的前提下，提高了檢測精度，對于火災(zāi)檢測有一定的優(yōu)勢；但是各提取層間的聯(lián)系不密切，對此有學(xué)者設(shè)計了池化特征融合模塊和反卷積特征融合模塊加強(qiáng)特征融合，增強(qiáng)層間聯(lián)系，提高小目標(biāo)的檢測效果[7]。

本文鑒于RFBNet網(wǎng)絡(luò)在速度和精度的優(yōu)勢，選用其進(jìn)行火災(zāi)識別，并根據(jù)火災(zāi)場景的特點，在其基礎(chǔ)上進(jìn)行改進(jìn)，提高對于火災(zāi)復(fù)雜場景下的識別檢測能力。

1 RFBNet神經(jīng)網(wǎng)絡(luò)及其改進(jìn)

RFBNet算法作為對SSD算法的延續(xù)，繼承了其在速度和精度上的優(yōu)勢，并通過結(jié)合RFB模塊，使網(wǎng)絡(luò)擁有更為強(qiáng)悍的表征能力，提高了其檢測速度和精度。

但也存在一些不足，比如其特征提取時感受野隨著層級加深增長緩慢，對于小目標(biāo)特征的提取效果不佳，由于繼承了SSD的模型結(jié)構(gòu)，忽視了層級聯(lián)系，導(dǎo)致用于后續(xù)預(yù)測分類階段的輸出特征圖之間相對獨立，不能充分利用提取的特征信息，檢測精度不高。

根據(jù)原有RFBNet模型的缺點，對其進(jìn)行改進(jìn)，改進(jìn)后的RFBNet模型網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。通過加入自適應(yīng)特征提取和加強(qiáng)池化和反卷積融合操作來提高模型的檢測速度和檢測精度。

圖1 改進(jìn)RFBNet網(wǎng)絡(luò)結(jié)構(gòu)

1.1 自適應(yīng)特征提取

小目標(biāo)由于其本身攜帶的信息就比較少，可以被提取用來分析的特征自然比較少，通過卷積操作提取的有用信息也少，因此分類預(yù)測較困難。在電氣火災(zāi)的初期階段，火勢或者煙霧特征本身比較小，再加上火災(zāi)和攝像頭的距離等考量因素，所以需要提高網(wǎng)絡(luò)的特征提取能力。RFBNet算法繼承了SSD的VGG16特征提取網(wǎng)絡(luò)，并使用卷積層代替了最后的兩個全連接層。雖然使用卷積層的好處可以提高運算效率，但是會使得特征提取的感受野降低，并且隨著網(wǎng)絡(luò)不斷的加深層次，感受野與目標(biāo)特征的匹配也會出現(xiàn)問題，降低了網(wǎng)絡(luò)的特征提取能力，這對小目標(biāo)的檢測是很不利的。因此，可以通過引入自校準(zhǔn)卷積SCConv（Self-Calibrated Convolutions）替換一般卷積，通過采用校正操作允許每個空間位置不僅將其周圍的信息環(huán)境自適應(yīng)地視為來自低分辨率潛在空間的嵌入，以作為來自原始比例空間的響應(yīng)中的輸入，擴(kuò)大卷積層的感受野。自校正的卷積結(jié)構(gòu)如圖2所示。

圖2 自校準(zhǔn)卷積結(jié)構(gòu)

1.2 特征融合

為了加強(qiáng)網(wǎng)絡(luò)的層級聯(lián)系，充分利用深層特征圖和淺層特征圖的特點，將最深的特征圖直接用作分類和回歸，接著，經(jīng)過1個反卷積模塊，以及更淺一層的特征元素逐次相乘，將輸出的特征用于分類和回歸，類似的將該特征和淺層特征進(jìn)行反卷積與融合。

1.3 Softer-NMS

傳統(tǒng)的非最大抑制（NMS）主要用于基于深度學(xué)習(xí)的目標(biāo)檢測模型輸出的后處理，從而去除冗余的檢測框，獲得正確的檢測結(jié)果。但是在復(fù)雜稠密的場景下漏檢率較高，尤其是在2個目標(biāo)距離存在重疊時，置信度較小目標(biāo)漏檢的概率大。對于這個問題，Soft-NMS會在冗余的檢測框中和物體重疊的檢測框的置信度降低，而不是刪除，并使用高斯懲罰函數(shù)保留相近的其他目標(biāo)和刪除重復(fù)檢測的目標(biāo)。但是由于分類和回歸任務(wù)沒有直接相關(guān)性，置信度分?jǐn)?shù)高不一定會使得結(jié)果更可靠。對于這個問題，Softer-NMS算法對檢測框的位置概率分布進(jìn)行建模。對于重疊的檢測框，根據(jù)重疊程度和位置不確定性進(jìn)行投票，重疊程度高，位置分布方差小的檢測框權(quán)重大，從而獲得更精確的檢測框。所以本文選擇Softer-NMS算法進(jìn)行目標(biāo)檢測模型輸出的后處理。

2 實驗結(jié)果與分析

2.1 實驗環(huán)境和實驗數(shù)據(jù)

本實驗是基于64位的Windows 10操作系統(tǒng)，Inter（R）Core（TM）i9-10900KF CPU@3.70 GHz處理器，32 GB內(nèi)存，NVIDIA GeForce GTX3060 12 GB顯卡，深度學(xué)習(xí)框架為PyTorch。

本次實驗所使用的數(shù)據(jù)集包括多場景火災(zāi)圖片和正常場景圖片共計11 940張。其中火災(zāi)圖片為通過網(wǎng)絡(luò)爬蟲收集的火災(zāi)圖片和實驗室收集的電網(wǎng)火災(zāi)圖片數(shù)據(jù)集作為正樣本，其中包括不同場景的火焰、煙霧等火災(zāi)常見特征的圖片和正常的無火災(zāi)圖片包括鮮艷的衣物，閃亮的燈關(guān)，落日等與火災(zāi)場景相似的圖片。整個數(shù)據(jù)集共有火災(zāi)圖片6 940張，非火焰圖片5 000張，其中部分樣本圖片如圖3和圖4所示。隨機(jī)抽取80%的為訓(xùn)練集，20%的為測試集。

圖3 部分火災(zāi)圖片

圖4 部分正常圖片

2.2 評價指標(biāo)

因為火災(zāi)的分類只有“有”“無”2種情況，屬于二分類問題，可以將樣例和模型判斷出來的組合分為4類：真正例（True Positive，TP），假負(fù)例（False Negative，F(xiàn)N），假正例（False Positive，F(xiàn)P）和真負(fù)（True Ngative，TN）。TP指被模型分類正確的正樣本；FN指被模型分類錯誤的正樣本；FP指被模型分類錯誤的負(fù)樣本；TN指被模型分類正確的負(fù)樣本。

進(jìn)一步可以推出如下指標(biāo)。

真正率（True Positive Rate，TPR）。分類正確的正樣本個數(shù)占整個正樣本個數(shù)的比例，即

假負(fù)率（False Negative Rate，F(xiàn)NR）。分類錯誤的正樣本個數(shù)占正樣本個數(shù)的比例，即

假正率（False Positive Rate，F(xiàn)PR）。分類錯誤的負(fù)樣本個數(shù)占整個負(fù)樣本個數(shù)的比例，即

真負(fù)率（True Negative Rate，TNR）。分類正確的負(fù)樣本個數(shù)占負(fù)樣本個數(shù)的比例，即

進(jìn)一步，由混淆矩陣可以計算以下評價指標(biāo)。

準(zhǔn)確率（Accuracy）。分類正確的樣本個數(shù)占所有樣本個數(shù)的比例，即

在時間上使用FPS進(jìn)行描述。

2.3 實驗結(jié)果

實驗中使用300×300分辨率的圖片數(shù)據(jù)集作為輸入，訓(xùn)練的BatchSize統(tǒng)一的設(shè)置為16，總的訓(xùn)練次數(shù)設(shè)置為1 000次，優(yōu)化器選用Adam，初始學(xué)習(xí)率為0.001，優(yōu)化器動量設(shè)置為0.9，學(xué)習(xí)率衰減率設(shè)置為0.1。在訓(xùn)練130個epoch后，得到的訓(xùn)練集變化誤差和訓(xùn)練集準(zhǔn)確率變化趨于平穩(wěn)。在相同數(shù)據(jù)集測試的情況下的實驗結(jié)果見表1。

表1 不同算法的性能對比

由表1可以看出，本文改進(jìn)的RFBNet模型的準(zhǔn)確度為93.5%，F(xiàn)PS為39，相對SSD和RFBNet的準(zhǔn)確度都有一定的提升，原因在于其通過多自適應(yīng)特征提取和特征融合操作，更好地對圖像的特征進(jìn)行提取，獲取有用的信息，但也是因為這額外的步驟造成其在速度上略有不足，但是速度滿足了實時性的要求，在犧牲一定速度的情況下，提升了檢測精度。

3 結(jié)論

針對傳統(tǒng)的火災(zāi)探測器在火災(zāi)探測過程中的檢測范圍小、價格昂貴和部署較難等局限性，本文采用基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法。并針對傳統(tǒng)圖像識別的識別難度大的問題，提出改進(jìn)的RFBNet神經(jīng)網(wǎng)絡(luò)模型。該模型在原來的基礎(chǔ)加入自適應(yīng)特征提取操作，改進(jìn)了特征提取效率，加入反卷積模塊加強(qiáng)層間聯(lián)系，增強(qiáng)特征融合效果，采用Softer NMS降低漏檢率，提高網(wǎng)絡(luò)模型的精確度，總體上提高對于小目標(biāo)檢測的精度。仿真結(jié)果也表明本文的改進(jìn)模型可以有效提高識別的準(zhǔn)確率，相比原來的模型，提高了2.3%。