一種MobileNet-SSD的高鐵隧道通信漏纜卡具檢測方法

張云佐，楊攀亮，王 蕾

(石家莊鐵道大學(xué) 信息科學(xué)與技術(shù)學(xué)院, 河北 石家莊 050043)

0 引言

隨著我國高速鐵路的快速發(fā)展，高鐵安全運(yùn)營的重要性日益凸顯。鐵路移動通訊系統(tǒng)是保障鐵路無線通信的重要環(huán)節(jié)，山區(qū)、隧道通信網(wǎng)絡(luò)的覆蓋主要依靠泄漏電纜和直放站。由于泄漏電纜長期經(jīng)受列車高速行駛時產(chǎn)生的氣壓沖擊以及各種環(huán)境的影響，容易產(chǎn)生松動和脫落[1-3]。一旦發(fā)生故障會對鐵路的安全運(yùn)營產(chǎn)生嚴(yán)重影響。為保證鐵路移動通訊系統(tǒng)的安全運(yùn)行，需要對泄漏電纜定期檢查，主要是判斷泄漏電纜卡具是否出現(xiàn)故障。泄漏電纜卡具檢測是指在場景圖像中指出卡具目標(biāo)，其目的是利用目標(biāo)檢測技術(shù)對泄漏電纜卡具狀態(tài)進(jìn)行監(jiān)測和分析，從而實現(xiàn)對卡具故障的檢測和識別。

目標(biāo)檢測技術(shù)主要經(jīng)歷了三個階段。第一階段是傳統(tǒng)模式，通過圖片準(zhǔn)備、區(qū)域選擇、特征提取和分類器的方法進(jìn)行目標(biāo)檢測。傳統(tǒng)模式時間復(fù)雜度較高、冗余窗口多且對多變化的物體通用性較差[4-5]；第二階段是基于R-CNN的深度學(xué)習(xí)目標(biāo)檢測算法，主要包括：R-CNN[6]，F(xiàn)ast R-CNN(ICCV2015)[7]和 Faster R-CNN(NIPS2015)[8]，基于R-CNN的算法速度慢，實時性較差。第三階段是基于回歸方法的深度學(xué)習(xí)目標(biāo)檢測算法，主要包括：YOLO[9-10]和SSD[11]，YOLO精度不高，而SSD以其速度快精度高的特點得到更廣泛的應(yīng)用。

結(jié)合泄漏電纜卡具目標(biāo)特征和高鐵安全的現(xiàn)實需求，本文主要研究基于MobileNet- SSD算法的卡具檢測技術(shù)，進(jìn)而實現(xiàn)對鐵路隧道泄漏電纜卡具的檢測，便于鐵路管理部門對卡具的數(shù)量、狀態(tài)等信息進(jìn)行統(tǒng)計和監(jiān)控。

1 本文算法

1.1 卡具檢測模型

本文主要應(yīng)用的是MobileNet-SSD[12-13]網(wǎng)絡(luò)模型，該模型以Mobilenet為主體網(wǎng)絡(luò)，將其中最后的全連接層改成卷積層，接著增加了4組卷積層來構(gòu)造網(wǎng)絡(luò)結(jié)構(gòu)。這些層的大小逐漸減小且每個層用于預(yù)測檢測的卷積模型不同，可以實現(xiàn)多尺度目標(biāo)檢測[9]。MobileNet-SSD網(wǎng)絡(luò)結(jié)構(gòu)如圖 1所示。

在圖1中，輸入一張300×300×3的圖像，通過深度可分離卷積操作可以得到大小不同的特征圖（feature map）分別是 Conv11、Conv13、Conv14、Conv15、Conv16、Conv17，不同特征圖所對應(yīng)的特征不同，感受野不同，對應(yīng)的默認(rèn)框也不同。該模型可以在多個特征圖上同時進(jìn)行Soft-max分類和位置回歸。

圖1 M obileNet-SSD網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Mob ileNet-SSD work structure

Mobilenet網(wǎng)絡(luò)將經(jīng)典的卷積操作轉(zhuǎn)換為了深度卷積和1×1點卷積操作相結(jié)合。該網(wǎng)絡(luò)取消了pooling層，而是通過調(diào)整卷積的步長達(dá)到降低特征圖大小的目的。和傳統(tǒng)VGG模型相比，它可以實現(xiàn)從通道級別上，減小整體網(wǎng)絡(luò)模型計算量。

1.2 算法流程

算法的基本流程為：

（1）獲取一定批次的卡具圖片，及對應(yīng)的真實框坐標(biāo)和類標(biāo)簽；

（2）對圖片進(jìn)行預(yù)處理，將圖片尺寸縮放為300×300；

（3）通過特征提取層提取特征，共 6層；

（4）生成 anchor，對每層特征圖分別預(yù)測anchor的分類及坐標(biāo)，并將特征圖的anchor分類極坐標(biāo)整合在一起；

（5）將所有的anchor與真實框按IOU配對，返回anchor對應(yīng)的真實框坐標(biāo)及分類標(biāo)簽；

（6） 分別計算每一個anchor的location loss和classification loss，由于正負(fù)樣本不均衡，對loss進(jìn)行困難樣本挖掘，保證正負(fù)樣本比例1∶3，并對loss標(biāo)準(zhǔn)化處理；

（7）采用非極大值抑制挑選出分類置信度最高的anchor。

1.3 loss函數(shù)

實驗通過loss函數(shù)計算真實值與預(yù)測值的誤差，使得每一個prior box回歸到真實框的位置。

本網(wǎng)絡(luò)模型中l(wèi)oss函數(shù)的表達(dá)式如式（1）所示，它主要用到了兩項的加和，類別的置信度損失和對預(yù)測框的位置回歸的損失[14-16]。

式（1）中，N是匹配的預(yù)測框的個數(shù)，x表示匹配了的框是否屬于類別p，取值{0,1}，l表示是預(yù)測框，g是真實值，c是指所框選目標(biāo)屬于類別p的置信度。

預(yù)測類別的置信度損失函數(shù)如式（2）所示：

預(yù)測框位置回歸的損失函數(shù)如式（4）所示：

2 實驗與分析

本實驗在64位Win10系統(tǒng)計算機(jī)上完成，計算機(jī)的配置為：

CPU：Intel Core(i7-9750H)，主頻2.6 GHz，

內(nèi)存：8.0 GB，

GPU：Nvidia GeForce GTX 1660 Ti。

在 TensorFlow 深度學(xué)習(xí)框架中完成了MobileNet-SSD算法的實現(xiàn)。

本次實驗采用的數(shù)據(jù)集為高鐵隧道現(xiàn)場采集的707張帶有卡具的圖片，其中532張圖片作訓(xùn)練集，175張圖片作測試集，將圖像中所有的卡具歸為一類，利用Python開發(fā)的提供圖像標(biāo)注的算法，將每個帶標(biāo)簽的圖像生成對應(yīng)的 XML文件。訓(xùn)練的學(xué)習(xí)率為0.001，batch_size設(shè)置為16，共進(jìn)行12010step。

2.1 訓(xùn)練步驟

Step.1 輸入圖片，將圖片尺寸調(diào)整為300×300的尺寸大??；

Step.2 對特征層采用滑動窗口的方式使用卷積核做卷積計算；

Step.3 卷積處理時預(yù)測出不同長寬的邊界框集合；

Step.4 設(shè)置閾值舍棄低于閾值的檢測窗口；

Step.5 非極大值抑制消去多余窗口獲得檢測結(jié)果。主要目的是根據(jù)置信度大小，對所有檢測框進(jìn)行排序，輸出置信度最高的檢測框。

2.2 實驗結(jié)果分析

在實驗中，loss函數(shù)的變化趨勢如圖2所示，其中 localization_loss對應(yīng)的是位置回歸的 loss值，由圖2可知，其在整體上呈現(xiàn)出下降趨勢，并逐漸逼近于0。

圖2 localiz ation_loss變化曲線Fig.2 localiz ation_loss curve

圖3中，Classification_loss對應(yīng)的是分類loss，其在整體上呈現(xiàn)震蕩，主要是由于目標(biāo)卡具有兩種不同形態(tài)但將其全部歸為一類卡具標(biāo)簽所引起的。

圖3 classification_loss變化曲線Fig.3 classification_loss curve

兩種卡具圖像如圖4所示。

圖4 卡具圖片F(xiàn)ig.4 Jig picture

圖5對應(yīng)的是整體loss的變化趨勢，它由分類和回歸 loss組成，其數(shù)值先降低，隨后在 1.6附近震蕩。這部分是由于網(wǎng)絡(luò)模型結(jié)構(gòu)所造成的，若要減小loss，則需調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)。

圖5 T italLoss變化曲線Fig.5 T otalLoss curve

目前計算平均目標(biāo)檢測算法的主要參數(shù)有mAP（Mean Average Precision，平均準(zhǔn)確率均值）、AP（Average Precision，平均準(zhǔn)確率）和 IOU（Inter-section Over Union，交并比）。其中 IOU是模型所預(yù)測的檢測框和真實的檢測框的交集和并集之間的比例，也稱為 Jaccard 指數(shù)。精確度（Precision）是指在被判斷為準(zhǔn)確的圖片中，真正判斷準(zhǔn)確的泄露電纜卡具的比例。召回率（Recall）是指被準(zhǔn)確預(yù)測的樣本占所有樣本的比例。精確度、AP、mAP 和召回率的計算公式如公式（5）-（8）所示：

圖6 mAP值基于0.5IOUFig.6 mAP value based on 0.5 IOU

圖7 預(yù)測結(jié)果（a～d）Fig.7 Pr edicted results (a～d)

該實驗結(jié)果表明：在高鐵隧道泄漏電纜卡具目標(biāo)檢測任務(wù)中利用MobileNet-SSD算法可以很好的解決檢測卡具的任務(wù)。

3 結(jié)論

本文基于MobileNet-SSD模型，對隧道內(nèi)泄漏電纜卡具數(shù)據(jù)集進(jìn)行訓(xùn)練，完成了卡具自動檢測的任務(wù)，為卡具故障識別奠定了基礎(chǔ)。該模型結(jié)合了YOLO算法的回歸思想以及Faster R-CNN的anchor機(jī)制達(dá)到了識別速度快精度高的要求，對泄漏電纜卡具的智能檢測有很大幫助。但該模型也具有一定的局限性：首先由于數(shù)據(jù)集的不足，本實驗將兩種類別的卡具歸為一類進(jìn)行處理對分類損失造成一定的影響，因此在接下來需要增加不同種卡具樣本數(shù)量，實現(xiàn)對不同卡具的目標(biāo)檢測及分類，可以從一定程度上提高檢測效果。其次，由于隧道內(nèi)卡具背景差異較小，當(dāng)背景發(fā)生較大變化時會對檢測結(jié)果造成一定程度的影響。最后，增加樣本的多樣性，提高網(wǎng)絡(luò)模型的魯棒性對實現(xiàn)鐵路隧道泄漏電纜卡具的智能檢測至關(guān)重要，這也是下一步研究的主要方向。