基于改進(jìn)SSD算法的電廠設(shè)備油液滲漏檢測

馮庭有，蔡承偉，田 際，江志宏，陳 樂，周俊煌

(1.華能東莞燃機(jī)熱電有限責(zé)任公司，廣東 東莞 523000;2.廣州市奔流電力科技有限公司，廣州 510700)

0 引言

電廠是整個電網(wǎng)電能資源的源頭，電廠的安全運(yùn)行直接關(guān)系到整個電力系統(tǒng)[1]的穩(wěn)定和安全，涉及國計民生。保障電廠的安全運(yùn)行主要面向于維護(hù)廠內(nèi)設(shè)備的安全運(yùn)行。

早期對電力設(shè)備的維護(hù)主要依靠于人工的巡查，然而隨著經(jīng)濟(jì)社會的不斷發(fā)展，社會對電力的需求日益劇增?！按箅娋W(wǎng)建設(shè)”穩(wěn)步的推進(jìn)，電廠的數(shù)量和規(guī)模也在飛速擴(kuò)張。傳統(tǒng)依靠人工巡查[2]的方式已不足以滿足電廠設(shè)備運(yùn)維的需求。

在電廠的運(yùn)行設(shè)備中，包含了許多重要的充油設(shè)備和管道。這些設(shè)備受溫差脹縮、設(shè)計、制造工藝、氧化老化和檢修維護(hù)等因素的影響，常常會出現(xiàn)漏液滲液情況[3]。一方面，影響設(shè)備外觀及外部構(gòu)造，增加運(yùn)營維護(hù)成本，影響生產(chǎn)效益，另一方面，設(shè)備的滲漏會導(dǎo)致設(shè)備的液位降低，引發(fā)設(shè)備運(yùn)行的安全警告，甚者會短路放電，導(dǎo)致設(shè)備毀壞和火災(zāi)等嚴(yán)重后果，從而造成嚴(yán)重的安全事故。

隨著傳感器、網(wǎng)絡(luò)通信、計算機(jī)性能等相關(guān)信息產(chǎn)業(yè)技術(shù)的發(fā)展，實(shí)現(xiàn)對電廠生產(chǎn)安全的全方位全天候運(yùn)維管理已變成了可能。電廠已逐步的向智能化[4]，數(shù)字化的方向進(jìn)行轉(zhuǎn)變，只需要通過布控在被監(jiān)測設(shè)備上的傳感器獲取傳感數(shù)據(jù)并及時傳輸?shù)浇K端進(jìn)行分析和處理，及時反饋設(shè)備運(yùn)行的狀態(tài)，就能實(shí)現(xiàn)管理人員對電廠的全面掌控。

目前，現(xiàn)有設(shè)備與管道的油液滲漏檢測通常是采用油液檢測傳感器[5]或者傳統(tǒng)的基于機(jī)器視覺的算法[6]來實(shí)現(xiàn)。然而，現(xiàn)有傳感器通常通過接觸或管壁附著的方式監(jiān)測電容變化情況來完成，監(jiān)測的過程中易受到區(qū)域光滑和紋理等特征的影響，導(dǎo)致其監(jiān)測效果較差，且部分的傳感器受限于油液接觸的監(jiān)測方式，往往會導(dǎo)致監(jiān)測范圍較小等弊端。傳統(tǒng)的機(jī)器視覺的算法依靠人工設(shè)定的特征算子(如顏色，邊緣輪廓及紋理等特征)來提取先驗(yàn)的特征信息來判別和處理，此類算法受限于人工算子的局限性，在特征提取和分析中往往易受到背景信息，陰影，光照明暗強(qiáng)度等因素變化的干擾，算法魯棒性較差[7]。目前，如何提升系統(tǒng)檢測的準(zhǔn)確性和魯棒性成為了研究改進(jìn)的重要方向。

基于視覺圖像的油液滲漏檢測一般存在以下幾個難點(diǎn)：

1)油液滲漏檢測的圖像呈現(xiàn)變化較細(xì)微和緩慢，且圖像背景復(fù)雜。

2)油液滲漏圖像差異較大，沒有固定的規(guī)則處理圖像。

隨著計算機(jī)運(yùn)算能力的增強(qiáng)，在視覺領(lǐng)域有著廣泛應(yīng)用的深度學(xué)習(xí)算法通過以數(shù)據(jù)為基礎(chǔ)和載體，損失優(yōu)化為導(dǎo)向的方式不斷迭代，動態(tài)的調(diào)整模型，自動提取特征，相對于傳統(tǒng)的手工設(shè)計的算子特征提取，深度學(xué)習(xí)算法在面對目標(biāo)和環(huán)境的多樣性變化往往有著更強(qiáng)的適應(yīng)性和更好的表現(xiàn)，有關(guān)深度學(xué)習(xí)目標(biāo)檢測算法[8-9]的應(yīng)用和推廣早已遍及多個領(lǐng)域。2017年，曹詩雨[10]等人提出了一種基于Fast R-CNN的車輛目標(biāo)檢測算法。但Fast R-CNN等此類算法在多尺度圖像的特征抽取上重復(fù)計算較多，算法整體計算復(fù)雜度高；張琦，林剛等人基于改進(jìn)的Faster RCNN[11-12]進(jìn)行交通目標(biāo)和輸電線等目標(biāo)的檢測，此類算法在特征提取上有角度的改進(jìn)，但其候選區(qū)域的選取導(dǎo)致檢測速度較慢，無法滿足實(shí)時需求。楊罡[13]利用YOLO進(jìn)行電線的絕緣子檢測，傅景超[14]提出基于YoloV3的道路多目標(biāo)檢測，在檢測速度上有較多的優(yōu)勢，但是在檢測精度上存在著較大的差距。此后基于Mask RCNN[15]，SSD(single shot multi-box detector)[16-19]等改進(jìn)算法應(yīng)用于各個行業(yè)場景中發(fā)揮著作用?；谏疃葘W(xué)習(xí)的檢測方法是油液滲漏檢測的發(fā)展方向和趨勢。

基于視覺的圖像處理算法已研究多年，傳統(tǒng)的圖像研究算法有基于顏色，紋理，梯度等類型的圖像處理算法。2012年，Alex等人提出的基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)算法在Image-Net[20]上有著卓越的表現(xiàn)。此后，神經(jīng)網(wǎng)絡(luò)算法不斷發(fā)展。2014年以后，RCNN[21]等應(yīng)用多層次的特征的兩階段目標(biāo)檢測算法，使用神經(jīng)網(wǎng)絡(luò)提取特征取代傳統(tǒng)的手工算子特征提取方式，此類算法有著較高的精度，但過多的模板匹配和特征計算導(dǎo)致檢測速度慢。2016年，Joseph Redmon等人提出了YOLO[22]系列算法，通過將目標(biāo)檢測問題轉(zhuǎn)換為回歸預(yù)測問題，由此大大地提升了圖像檢測的速度。但回歸預(yù)測也帶來了檢測框的不穩(wěn)定性。其精度較低。Wei Liu結(jié)合了YOLO回歸預(yù)測的思路和RCNN系列算法錨點(diǎn)預(yù)測的思想，提出了SSD算法——一種兼顧精度和速度的回歸預(yù)測的檢測算法。但受限于采用深度神經(jīng)信息的特征作為待檢測特征，在預(yù)測的過程中，SSD算法對小目標(biāo)的檢測和遮擋目標(biāo)存在較大的考驗(yàn)。

為了進(jìn)一步提升特征的表達(dá)用以提升特征表達(dá)，F(xiàn)PN[23]，Mask RCNN[24]， PA-Net[25]， Bi-FPN[26]等算法提出多了多種不同的特征金字塔以強(qiáng)化特征表達(dá)，結(jié)合Encode to Decode的沙漏似網(wǎng)絡(luò)結(jié)構(gòu)作為網(wǎng)絡(luò)的基本骨架，這也使得網(wǎng)絡(luò)的計算復(fù)雜度升高。2019年，K.Sun[27-28]等人提出了深度高分辨率表征學(xué)習(xí)網(wǎng)絡(luò)用于行人姿態(tài)的估計，此結(jié)構(gòu)持續(xù)維持了高分辨率特征圖。這極大地避免了特征分辨率的放縮導(dǎo)致信息丟失的情況，有利于提升對小目標(biāo)的特征檢測。此外，高分辨率特征的并行也有利于多次實(shí)現(xiàn)多分辨率特征信息的融合，有利于后續(xù)任務(wù)的展開。

本文針對油液滲漏圖像檢測的難點(diǎn)問題，分析其微小目標(biāo)變化和目標(biāo)遮擋等情況，本文構(gòu)建了電廠油液滲漏的數(shù)據(jù)集，并提出了一種基于深度學(xué)習(xí)的改進(jìn)SSD目標(biāo)檢測算法用于油液滲漏檢測算法，通過圖像發(fā)現(xiàn)油液滲漏現(xiàn)象，從而進(jìn)行預(yù)警，提醒電廠巡檢人員設(shè)備油液滲漏現(xiàn)象，通知維護(hù)人員檢測維修，進(jìn)一步找到滲漏點(diǎn)及原因，及時消除安全隱患，降低事故發(fā)生的風(fēng)險，保障電廠的安全平穩(wěn)運(yùn)行。本文貢獻(xiàn)有以下幾點(diǎn)：

1)本文構(gòu)建了一個實(shí)際應(yīng)用場景下的油液滲漏基礎(chǔ)數(shù)據(jù)集，并提出了一種數(shù)據(jù)擴(kuò)增算法用以實(shí)現(xiàn)油液滲漏檢測網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)的擴(kuò)增，有利于強(qiáng)化模型的魯棒性。

2)本文在高分辨率特征的基礎(chǔ)上針對性的提出了一種多分辨率特征融合方法，有利于增強(qiáng)特征表達(dá)。

3)本文提出了一種基于高分辨率多特征融合改進(jìn)SSD目標(biāo)檢測網(wǎng)絡(luò)，用以提升油液滲漏檢測的準(zhǔn)確性。

1 算法模型結(jié)構(gòu)及原理

1.1 改進(jìn)SSD算法模型

SSD目標(biāo)檢測網(wǎng)絡(luò)結(jié)構(gòu)可大致分為兩部分：主干網(wǎng)絡(luò)和檢測分支兩部分。如圖1(a)所示，其中主干網(wǎng)絡(luò)由VGG-16主干網(wǎng)絡(luò)模型構(gòu)成，用于提取圖像信息特征；檢測分支通過從主干網(wǎng)絡(luò)中抽取多尺度特征構(gòu)成用于后續(xù)的目標(biāo)預(yù)測。SSD目標(biāo)檢測網(wǎng)絡(luò)并沒有充分利用特征信息，缺乏上下文信息的融合用以增強(qiáng)特征的預(yù)測，使得SSD目標(biāo)檢測效果較差，特別是較小的目標(biāo)和遮擋目標(biāo)不敏感。為進(jìn)一步提升SSD算法的檢測性能，提升算法對小目標(biāo)和復(fù)雜環(huán)境下遮擋目標(biāo)的檢測能力。

本文在原有SSD目標(biāo)檢測網(wǎng)絡(luò)的基礎(chǔ)上，引入高分辨率網(wǎng)絡(luò)替代原有的VGG串聯(lián)式的主干網(wǎng)絡(luò)，為進(jìn)一步提升特征的表現(xiàn)能力，增加融合層用以實(shí)現(xiàn)上下文信息的融合。其具體的結(jié)構(gòu)如圖1 (b)所示。改進(jìn)的SSD目標(biāo)檢測網(wǎng)絡(luò)主要包含高分辨率網(wǎng)絡(luò)、融合層和特征預(yù)測3個部分，本部分將從此3部分進(jìn)行詳細(xì)介紹。

1.1.1 高分辨率網(wǎng)絡(luò)

高分辨率網(wǎng)絡(luò)與原有的VGG19網(wǎng)絡(luò)卷積層堆疊的方式不同，高分辨率網(wǎng)絡(luò)通過維持多尺度的并行網(wǎng)絡(luò)特征。此外，在特征提取階段也包含了不同尺度的特征融合，這能較充分的提取圖像的特征信息。在本網(wǎng)絡(luò)模型中，模型的輸入大小為448×448，為了兼顧模型檢測的速度，本模型中的高分辨率保留特征尺寸為[56，28，14，7]。在高分辨率的模型中，如圖1(b)高分辨率網(wǎng)絡(luò)中所示，其橫向的箭頭采用一個3×3的卷積層和一個BN層操作，其輸出后的特征維度與輸入的特征維度保持一致。斜向下的箭頭表示下采樣，包含有核大小為2的平均池化層。向上的箭頭表示上采樣，其操作為雙線性插值的臨近插值。上采樣和下采樣后的特征都通過1×1的卷積核層來整合調(diào)整到相同的通道數(shù)。多條線指向同一特征時，采用的是基于通道維度的拼接操作實(shí)現(xiàn)特征的拼接。

圖1 SSD與改進(jìn)SSD模型對比圖

高分辨率網(wǎng)絡(luò)并行輸出1倍、1/2倍、1/4倍、1/8倍維度特征，輸出的特征進(jìn)入融合層進(jìn)行融合處理后預(yù)測。

1.1.2 融合層

在原有的SSD模型中，將直接采用主干網(wǎng)絡(luò)的特征信息進(jìn)行目標(biāo)預(yù)測，然這種方式并沒有較充分的利用特征信息。針對于此，本模型通過引入一個融合模塊來融合上下文信息用以增強(qiáng)待檢測特征的表達(dá)能力。

本層獲取從高分辨率網(wǎng)絡(luò)中并行輸出的4個不同維度的信息特征，其整體結(jié)構(gòu)如圖1(b)所示。每個信息特征作為主要的融合信息特征，分別通過4個融合模塊融合別的尺度的上下文特征信息特征后，輸出4個不同維度的信息特征作為預(yù)測層的輸入。融合模塊具體的方式如圖2所示。以1/2倍特征F2為例，1倍F1，通過平均池化的方式下采樣將特征圖大小變?yōu)?/2倍與F2特征圖大小對齊，然后再采用1×1的卷積層將1/2倍F1特征通道維度與F2特征通道對齊；1/4倍F3特征圖將采用雙線性插值的臨近插值的方式將特征圖大小轉(zhuǎn)變?yōu)?/2倍大小，采用1×1的卷積層將1/2倍F3特征通道維度與F2特征通道對齊；1/8倍F4經(jīng)過雙線性插值的方式將其特征圖大小變?yōu)?/2倍大小，后采用1×1卷積將特征通道維度對齊F2。分別得到通道維度相同的1/2倍F1、1/2倍F2、1/2倍F3、1/2倍F4四個信息特征后，將除1/2倍F2特征外的其余特征進(jìn)行逐元素相加后加1，再與1/2倍F2特征進(jìn)行逐元素相乘。其公式可簡寫為公式(1)所示：

圖2 特征F2融合模塊示意圖

(1)

其中:n= 4，j=1，2，3，4;Fi為第i層特征;Fj為第j層特征；Fp表示用于預(yù)測的特征;*表示逐元素相乘；+表示逐元素相加。

經(jīng)過融合層后輸出4個融合后的特征分別用于模型特征預(yù)測。

其中：x表示逐元素相乘；+表示逐元素相加；Fjkxk為第j層特征；k表示特征圖的大小。

1.1.3 特征預(yù)測和模型優(yōu)化

在模型優(yōu)化方面，采用交叉熵來計算分類預(yù)測與真實(shí)值的損失。采用L1損失來衡量預(yù)測坐標(biāo)與真實(shí)標(biāo)簽框的距離。

總的損失計算包含有定位的損失和置信度誤差的加權(quán)和，如公式(2)所示:

(2)

其中:N是匹配到真實(shí)框的目標(biāo)框數(shù)量，x為預(yù)測標(biāo)簽類別與真實(shí)標(biāo)簽類別的匹配系數(shù)，其取值為{0，1}，c表示預(yù)測的類別的概率。δ用于調(diào)整分類損失LC和定位損失Lloc的比例，一般為1；b表示為預(yù)測的矩形框和真實(shí)的矩形框的匹配系數(shù)，取值為{0，1}；l表示預(yù)測的矩形框坐標(biāo)，g為真實(shí)的矩形框。

Softmax分類計算公式如公式(3)所示:

(3)

其定位損失為：

(4)

其中有：

(5)

(6)

(7)

(8)

1.2 數(shù)據(jù)集

在深度學(xué)習(xí)的目標(biāo)檢測中，模型的驅(qū)動是以數(shù)據(jù)為核心的，數(shù)據(jù)集的構(gòu)建是至關(guān)重要的，如何保證數(shù)據(jù)的多樣性是模型訓(xùn)練具備良好的魯棒性的關(guān)鍵所在。

目前，電廠設(shè)備油液滲漏的圖像數(shù)據(jù)十分匱乏，部分電廠設(shè)備油液滲漏檢測算法因訓(xùn)練數(shù)據(jù)過少，導(dǎo)致在實(shí)際應(yīng)用中檢測效果表現(xiàn)不佳。為了解決這個問題。本文以電廠為應(yīng)用場景，通過電廠監(jiān)控設(shè)備視頻數(shù)據(jù)的截取和分析，共收集了3 000張各種設(shè)備油液滲漏的圖像。如圖3所示，其為部分電廠中設(shè)備發(fā)生漏液現(xiàn)象的場景圖像，圖片中設(shè)備由于漏液而導(dǎo)致設(shè)備的下方地面出現(xiàn)了液漬。

圖3 電廠油液滲漏數(shù)據(jù)集

本文對采集到的設(shè)備油液滲漏的圖像采用VOC[29]2 007的格式進(jìn)行標(biāo)記和存儲，從而形成電廠設(shè)備漏液數(shù)據(jù)集，并按照訓(xùn)練集：測試集為9:1的數(shù)據(jù)進(jìn)行劃分，隨機(jī)選取2 700張圖像作為訓(xùn)練集，剩下的300張圖像作為測試集。

1.3 圖像預(yù)處理和數(shù)據(jù)增廣

數(shù)據(jù)的多樣性有利于模型的泛化性能，數(shù)據(jù)增廣策略的選取有利于擴(kuò)大數(shù)據(jù)的多樣性。受現(xiàn)實(shí)的考慮，油液滲漏現(xiàn)象在電廠采集出現(xiàn)的頻率不高，出現(xiàn)的次數(shù)較少，導(dǎo)致采集的漏油數(shù)據(jù)較少，同時多樣性不足，并不能滿足算法模型訓(xùn)練數(shù)據(jù)量的需求。

為了進(jìn)一步發(fā)揮現(xiàn)有數(shù)據(jù)的效果，提高模型的性能，本文在現(xiàn)有圖像不增加的情況下，采用數(shù)據(jù)增廣策略對數(shù)據(jù)集進(jìn)行擴(kuò)充，從而提高模型的泛化性能。如圖4所示。本文在首先采用了基礎(chǔ)的旋轉(zhuǎn)，水平翻轉(zhuǎn)，亮度調(diào)整的增廣策略，對數(shù)據(jù)集進(jìn)行擴(kuò)充。

圖4 基礎(chǔ)的增廣策略

鑒于油液成像目標(biāo)的多樣性，對應(yīng)為增加數(shù)據(jù)中目標(biāo)形態(tài)的多樣性，本文通過輕度圖像旋轉(zhuǎn)和水平翻轉(zhuǎn)的方式增加圖像目標(biāo)形態(tài)學(xué)上的變化，如圖4 (b)，圖4(c)所示。光照強(qiáng)度對圖像檢測影響亦大，本文通過增強(qiáng)及降低圖像整體亮度(如圖4(d)，圖4(e)所示。)來增強(qiáng)圖像光照強(qiáng)度上的變化。

此外，在原有數(shù)據(jù)增廣策略的基礎(chǔ)上，為增加障礙物遮擋等情況的圖像檢測，本文提出了一種隨機(jī)種子遮擋的圖像生成策略用以增加油液滲漏遮擋數(shù)據(jù)的多樣性，該策略的詳細(xì)算法如流程圖5所示，包含有目標(biāo)框獲取、圓心選取、半徑選取、顏色填充等步驟。其中：

圖5 隨機(jī)種子遮擋策略流程圖

獲取目標(biāo)框：指的是遮擋的內(nèi)容設(shè)定在圖像目標(biāo)框(x，y，w，h)范圍內(nèi)。

圓心選?。褐傅氖窃谀繕?biāo)框范圍內(nèi)選取一個隨機(jī)點(diǎn)(x*，y*)。Rand(x*，y* )st.x*∈(x-w/2，x+w/2)，y*∈(y-h/2，y+h/2) 其中(x，y為矩形中心坐標(biāo)點(diǎn)，w為矩形的寬，h為矩形的高)。

半徑選?。阂?x*，y*)為圓心，隨機(jī)在圓心到目標(biāo)框邊最短的垂直距離d范圍作為半徑r，構(gòu)建圓R。

顏色填充：將所獲得的圓R進(jìn)行顏色填充。本文鑒于油液常為黑色與暗黑色。將圓R的填充顏色值為圖像的通道均值像素值進(jìn)行填充。

重復(fù)這一步驟可形成獲取不同形狀和大小的油液滲漏圖像圖形區(qū)域。鑒于區(qū)域目標(biāo)的大小，在本文中，重復(fù)生成的圓的個數(shù)不大于2。其變化的示例如圖6所示，圖6(a)為數(shù)據(jù)集中圖像數(shù)據(jù)，圖6(b)為對原圖采用隨機(jī)種子遮擋圖像生成策略后生成的圖像數(shù)據(jù)，會在圖像的中間生成帶有遮擋性質(zhì)的圖案干擾信息，增加圖形變化的多樣性，有利于模型的訓(xùn)練的穩(wěn)定和性能表現(xiàn)。

圖6 隨機(jī)種子遮擋圖像生成示意圖

經(jīng)過數(shù)據(jù)增廣的擴(kuò)充，本數(shù)據(jù)集在原有的基礎(chǔ)上將其數(shù)量擴(kuò)增了6倍。

1.4 模型訓(xùn)練

本模型采用在Image Net數(shù)據(jù)集上訓(xùn)練模型作為預(yù)訓(xùn)練模型，然后在構(gòu)建的油液滲漏數(shù)據(jù)集上進(jìn)行訓(xùn)練。Moment為0.9，初始學(xué)習(xí)率為0.001，前2 000個迭代次數(shù)(iteration)用熱身訓(xùn)練(warmup)進(jìn)行預(yù)訓(xùn)練，學(xué)習(xí)率為0.1，后每經(jīng)過30周期(epoch)以0.1的系數(shù)進(jìn)行衰減，訓(xùn)練的批次(batch)為顯卡內(nèi)存所容納的極限，直到訓(xùn)練至120 epoch結(jié)束訓(xùn)練。

2 結(jié)果

本文在測試集上進(jìn)行，為了驗(yàn)證本算法的有效性。本文以傳統(tǒng)SSD算法和傳統(tǒng)的高分辨率特征融合算法網(wǎng)絡(luò)為對比，分別從模型的精度和準(zhǔn)確率兩方面進(jìn)行對比和衡量。

2.1 模型訓(xùn)練及結(jié)果對比

SSD和改進(jìn)的SSD模型算法的對比圖如圖7所示。通過120 epoch的訓(xùn)練，模型損失逐步趨于穩(wěn)定且處于收斂的狀態(tài)。因此模型訓(xùn)練基本收斂較好。

圖7 訓(xùn)練損失與訓(xùn)練周期圖

本文對訓(xùn)練好的模型在測試集上驗(yàn)證，改進(jìn)的SSD算法在模型的準(zhǔn)確率和召回率上都有一定的提升。其對比如表1所示，本模型在測試集的檢測準(zhǔn)確率達(dá)到了91.6%，且檢測的召回率也達(dá)到了90.5%。

表1 模型準(zhǔn)確率與召回率對比

2.2 消融實(shí)驗(yàn)

為了進(jìn)一步驗(yàn)證高分辨率特征網(wǎng)絡(luò)與融合模塊算法對檢測準(zhǔn)確率的影響，本文逐一消融不同模塊，測試模型的準(zhǔn)確率。如表2所示。高分辨率算法比原有的VGG的多尺度特征算法有著更強(qiáng)的特征表達(dá)性能，高分辨率特征SSD網(wǎng)絡(luò)不增加融合算法，直接對輸出的圖像進(jìn)行分類和回歸預(yù)測。其準(zhǔn)確率比原有SSD模型表現(xiàn)性能要好。達(dá)到了90.2%。增加融合模塊的高分辨率特征SSD網(wǎng)絡(luò)比不加的網(wǎng)絡(luò)在精度上有0.9%的提升。

表2 消融實(shí)驗(yàn)結(jié)果對比

此外，本文在改進(jìn)SSD上比較了數(shù)據(jù)增廣策略的效果，相比于不加數(shù)據(jù)增廣策略，數(shù)據(jù)增廣可以使模型提升0.5個百分點(diǎn)。

本文改進(jìn)的SSD目標(biāo)檢測模型與原有SSD目標(biāo)檢測模型相比，準(zhǔn)確率也有3.1%的提升，驗(yàn)證了本文方法的有效性，說明了高分辨率特征模型網(wǎng)絡(luò)有利于圖像特征目標(biāo)的提取和表達(dá)；特征融合引入了上下文信息，有利于強(qiáng)化模型特征的表達(dá)，數(shù)據(jù)增強(qiáng)策略有利于增強(qiáng)模型的泛化性能。

2.3 檢測效果展示

本文利用改進(jìn)的SSD算法用于檢測油液滲漏問題，面對基本的油液滲漏等情況，本算法檢測效果表現(xiàn)較好，其效果如圖8示。本算法面對如水面等干擾情況，算法仍有較好的表現(xiàn)。如圖8(a)所示，圖像右上角的水面區(qū)域并沒有被檢測入內(nèi)。在圖8(b)中，不同亮度下的光影場景下可以準(zhǔn)確地檢測出目標(biāo)區(qū)域。圖8(c)中，針對隔斷和遮擋也可較好地檢測出目標(biāo)區(qū)域。

圖8 改進(jìn)SSD算法檢測效果圖

3 結(jié)束語

本文通過改進(jìn)高分辨率網(wǎng)絡(luò)和SSD目標(biāo)檢測算法用于油液滲漏檢測，并構(gòu)建了數(shù)據(jù)集用以模型訓(xùn)練，取得了較好的性能。盡管本算法對原生的SSD算法存在一定的改進(jìn)點(diǎn)，但精度提升也有限。此外，原有的SSD算法也還存在采取大量的錨點(diǎn)框預(yù)設(shè)的方式，在面對高分辨率圖像時往往會降低其檢測的速度，如何在不降低檢測精度的同時進(jìn)一步提升檢測速度將是以后研究的主要方向。