基于改進GoogLeNet模型的電氣設(shè)備紅外圖像分割與識別

魏 超

(煙臺黃金職業(yè)學(xué)院招生與就業(yè)指導(dǎo)處，山東 煙臺 265401)

電氣設(shè)備長期運行后往往會出現(xiàn)故障，具體表現(xiàn)之一為局部或整體異常發(fā)熱，結(jié)合設(shè)備發(fā)熱特征對設(shè)備故障進行診斷，可有效保證電力設(shè)備安全與穩(wěn)定運行。傳統(tǒng)的識別方法是采用人工紅外成像技術(shù)對設(shè)備進行現(xiàn)場診斷，但這種方法過度依賴現(xiàn)場人員的經(jīng)驗，且耗時長、效率低。此后，人們開始引入計算機輔助識別技術(shù)進行故障診斷，如基于人工特征的紅外圖像識別方法，通過從區(qū)域中提取特征信息進行故障識別，但這種方法識別速度慢，且通用性不強，難以在實際中大范圍推廣。

隨著深度學(xué)習(xí)算法的崛起，人們開始將目光集中到卷積神經(jīng)網(wǎng)絡(luò)對紅外圖像進行識別的應(yīng)用上，并進行了大量學(xué)術(shù)研究。邢科等[1]提出對GoogLeNet網(wǎng)絡(luò)結(jié)構(gòu)進行改進，以達到提高豐富空間特征、增強特征多樣性的目的；賈鑫[2]提出在采用卷積算法對圖像進行識別前，通過聚類、SLIC超像素處理結(jié)合OTSU算法對圖像進行預(yù)處理，以提高卷積神經(jīng)網(wǎng)絡(luò)對圖像的識別率；周仿榮等[3]運用雙通道CNN網(wǎng)絡(luò)和隨機森林算法完成對紅外圖像的識別，提高了故障的識別率；韓紀(jì)普等[4]提出了一種基于SLIC和區(qū)域生長的圖像分割方法，再通過卷積神經(jīng)網(wǎng)絡(luò)進行圖像識別。由此可以看出，對卷積神經(jīng)網(wǎng)絡(luò)進行改進，提高對包括紅外圖像在內(nèi)的識別效率是研究的重點，對圖像進行預(yù)處理，也是保證提高識別率的又一重要途徑和方式。本文在上述文獻研究結(jié)果的基礎(chǔ)上，結(jié)合電氣設(shè)備紅外圖像具有對比度低和信噪比低的特點，參考文獻[2]、[4]關(guān)于圖像處理的聚類思路和區(qū)域生長算法，對圖像進行預(yù)處理與分割，然后通過卷積神經(jīng)網(wǎng)絡(luò)對圖像特征進行提取與識別，以提高整體紅外電氣設(shè)備圖像的識別率。

1 圖像預(yù)處理

與傳統(tǒng)的可見光圖片相比，紅外圖像具有低信噪比、低對比度的特點。因此，在對紅外圖像進行特征提取前，首先對圖像進行灰度化和噪聲處理，然后參考文獻[2]圖像分割的聚類思路，通過K均值聚類對圖像像素進行聚類，再后通過區(qū)域生長算法分割出圖像中最亮的區(qū)域，以此分割出可能的故障區(qū)域，方便后續(xù)對圖像的識別。

1.1 灰度化處理

紅外圖像其色彩由R、G、B組成，因此需采用加權(quán)平均的方法對圖像進行灰度化處理，具體處理公式為：

f(i,j)=0.298 9R(i,j)+0.587 0G(i,j)+

0.114 1B(i,j)

(1)

式中：f(i,j)為原圖像F的噪聲值，(i,j)表示像素點；R(i,j)為紅色的灰度值；G(i,j)為綠色的灰度值；B(i,j)為藍色的灰度值。

1.2 噪聲處理

紅外圖像獲取過程中，由于受相機故障等因素的影響，可能導(dǎo)致獲取的電氣設(shè)備紅外圖像存在噪聲，因此本文采用線性濾波和非線性濾波結(jié)合的方式對紅外圖像噪聲進行處理。

1)線性濾波。

(2)

式中：g(i,j)為經(jīng)過均值濾波后圖像G的灰度值；S為中心像素為(i,j) 的鄰域像素集合；N為集合元素數(shù)量。

2)非線性濾波。

非線性濾波采用中值濾波器，具體濾波公式為：

yi=Med{f1,…,fi,…,fn}

(3)

式中：fi為采樣值；yi為采樣中值。

2 基于K均值聚類的區(qū)域生長圖像分割

文獻[2]在超像素圖像處理過程中提出采用K均值聚類(K-means)對圖像進行聚類處理，從而找到像素內(nèi)的最亮區(qū)域。聚類的原理是篩選出k個中心，然后計算每個樣本到各中心的距離，與哪個中心的距離小，那么就將樣本歸納為該類。本文對圖像像素的聚類步驟可分為以下幾步：

1)輸入經(jīng)過灰度化、噪聲處理的圖像，選定像素中的k個像素點作為初始聚類中心；

2)遍歷圖像中的每個像素，計算其與每一類聚類中心像素灰度值的均值，并將該均值作為新的聚類中心；

3)根據(jù)新聚類中心，按照聚類最小原則對各個樣本與新聚類中心的距離進行計算，從而對樣本重新劃分；

4)若聚類中心的變化小于給定的閾值，或者是迭代計算次數(shù)達到最大，則算法終止，否則返回步驟2)。

在完成圖像像素聚類后，在該圖像中存在k個樣本均值，選擇樣本均值最大的作為區(qū)域生長的種子點。生長準(zhǔn)則為：

|μm-f(m,n)|

|Tmax-f(m,n)|

(4)

式中：f(m,n)為待測像素(m,n)的灰度值；μm為種子點為3×3的鄰域內(nèi)所有像素的灰度均值；Tmax為灰度均值中的最大值；k1,k2依據(jù)紅外電氣設(shè)備圖像故障處自身的特點選定。通過區(qū)域生長得到的圖像則為最終提取的“最亮圖像”。

3 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別

3.1 基于GoogLeNet的特征提取

目前，主流的神經(jīng)網(wǎng)絡(luò)包括GoogLeNet、VGGNet-16和Alex Net 3種，其中GoogLeNet神經(jīng)網(wǎng)絡(luò)憑借其良好的性能被廣泛應(yīng)用。Christian Szegedy(2014)創(chuàng)造性地提出了GoogLeNet模型，從而構(gòu)建起一種網(wǎng)中網(wǎng)(Network in Network)的結(jié)構(gòu)。相較于VGGNet-16網(wǎng)絡(luò)結(jié)構(gòu)，GoogLeNet模型中的inception模塊居于核心地位。傳統(tǒng)的inception模塊如圖1所示。

圖1 inception 模塊

在inception模塊中，通過使用3×3和5×5的卷積核來提取高抽象性的特向特征，但這種設(shè)置的弊端是5×5卷積會增大網(wǎng)絡(luò)開銷，使得inception進一步發(fā)生變化。因此，為解決該問題，在GoogLeNet網(wǎng)絡(luò)設(shè)置上，搭建一個 1×1 的卷積，通過該卷積作用于3×3和5×5的卷積上，從而減少計算量，起到修正線性激活的作用，具體 inception 模塊改進如圖2所示。

圖2 改進的inception 模塊

3.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練改進

傳統(tǒng)的圖像識別運用支持向量機(SVM)、BP神經(jīng)網(wǎng)絡(luò)(back propagation，BP)等傳統(tǒng)算法[5-7]。本文通過引入softmax損失和中心損失兩種監(jiān)督信號對GoogLeNet網(wǎng)絡(luò)進行改進。利用softmax loss監(jiān)督信號把多個神經(jīng)元的輸出映射至(0，1)，最小化分類概率和真實分布的交叉熵，使得分類概率趨向于真實類別；利用center loss監(jiān)督信號配合softmax loss監(jiān)督信號進行訓(xùn)練，具體來說，在softmax loss監(jiān)督信號訓(xùn)練過程中，center loss監(jiān)督信號對各個種類的樣本和該種類樣本中心的偏移進行懲罰，促使同一類別中的不同樣本共同趨近于該類別的特征中心，從而優(yōu)化網(wǎng)絡(luò)的訓(xùn)練過程。這樣做的目的是為了防范梯度回傳消失的問題出現(xiàn)。

Softmax loss函數(shù)[8-9]：

(5)

Center loss函數(shù)：

(6)

式中：bi,bj為偏值；wj為全連接層參數(shù)矩陣第j列的權(quán)重；xi為第i類別的樣本特征；ci為第i類的特征中心；Lc為Center loss函數(shù)；Ls為Softmax loss函數(shù)。

同時為平衡兩損失函數(shù)，引入超參數(shù)λ，由此確定新的loss函數(shù)L為：

(7)

4 實驗測試與分析

4.1 數(shù)據(jù)來源

實驗用圖像數(shù)據(jù)來源于某電力公司的電氣設(shè)備紅外圖像數(shù)據(jù)庫，總計2萬多幅，大小為256像素×256像素～1 024像素×1 024像素，包含桿塔、變壓器、絕緣子、斷路器等多種電氣設(shè)備故障圖像。在這些圖像中，歸納出10多種具體設(shè)備故障，如避雷器整體過熱、變壓器套管-柱頭發(fā)熱、變壓器外殼溫度異常、隔離開關(guān)轉(zhuǎn)頭過熱等。每一種故障圖像均有1 000多張。

4.2 數(shù)據(jù)集處理

根據(jù)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需求，首先對圖像數(shù)據(jù)集進行處理，以保證訓(xùn)練過程的精度。具體進行以下兩方面的工作：1)將圖像進行規(guī)范化處理，處理后的圖像大小均為256像素×256像素；2)將圖像的數(shù)據(jù)格式全部轉(zhuǎn)變?yōu)閘eveldb格式。

4.3 測試環(huán)境搭建

本次實驗配置：64位Windows7操作系統(tǒng)，Intel Core i5-5200U處理器，內(nèi)存4 GB，顯卡AMD Radeon R7M260；編程工具：Visual Studio 2017、Python2.7、MATLAB R2017b，Caffe深度學(xué)習(xí)框架。

4.4 實驗結(jié)果

4.4.1圖像與處理結(jié)果

在圖像預(yù)處理部分，選擇主變高壓套管將軍帽故障圖像進行預(yù)處理。同時選擇K-means+區(qū)域生長、Canny、Otsu、K-means對圖像進行分割，得到的實驗測試結(jié)果如圖3所示。

圖3 主變高壓套管將軍帽故障圖像分割實驗對比圖

由圖3可以看出，K-means+區(qū)域生長能更好地提取電力設(shè)備故障區(qū)域圖像，因此本文選擇該方法進行圖像分割。

4.4.2特征提取

為了清晰地描述卷積網(wǎng)絡(luò)特征提取的過程，本文進行了以下實驗。

1)圖4展示了輸入網(wǎng)絡(luò)中的故障圖像，其中，圖4(a)展示的是待識別的故障圖像，圖4(b)展示的是提取故障設(shè)備后的圖像，對比可見，GoogLeNet成功提取了視覺特征，未發(fā)熱設(shè)備并未出現(xiàn)在圖4(b)中。

圖4 特征圖像提取

2)把圖4(b)導(dǎo)入GoogLeNet模型中，在完成第一層卷積層處理以后收獲了64張?zhí)卣鲌D，特征圖的尺寸均為112像素×112像素，如圖5所示；在完成第二層卷積層處理以后，收獲了196張?zhí)卣鲌D，特征圖的尺寸均為56像素×56像素，如圖6所示。

圖5 第一層卷積后的圖像

圖6 第二層卷積后的圖像

觀察發(fā)現(xiàn)，卷積層成功提取了邊緣信息以及不同方向的色團、團塊、直線、點等特征信息。不同層級所對應(yīng)的卷積核權(quán)重存在差異，各特征圖所突出的區(qū)域是不一致的，應(yīng)用的卷積核數(shù)量越多，就能夠提取出越多的特征信息。綜上看出，本文采取GoogLeNet模型進行特征提取，在增加網(wǎng)絡(luò)寬度和深度的同時，可借助于inception模塊實現(xiàn)特征圖的降維，因而無需使用過多的參數(shù)。

4.4.3識別算法精度分析

在本次訓(xùn)練中，訓(xùn)練集包含500張圖片，測試集包含200張圖片，根據(jù)測試集數(shù)量=測試時迭代次數(shù)(test_iter) ×根據(jù)測試集中批處理尺寸(batch_size)，計算得出測試集批處理尺寸(batch_size)為10，測試時迭代次數(shù)(test_iter)為20。本文設(shè)定最大迭代次數(shù)為1 500，設(shè)定學(xué)習(xí)率u為0.001，超參數(shù)λ為0.003。

分別運用4種深度學(xué)習(xí)模型(VGGNet、AlexNet、GoogLeNet、改進GoogLeNet)對電氣設(shè)備紅外故障圖像數(shù)據(jù)集進行訓(xùn)練及測試，每進行500次迭代執(zhí)行1次準(zhǔn)確率測試，記錄每次迭代的運算結(jié)果。同時以編號S1～S5對應(yīng)5種電氣設(shè)備故障，依次是：斷路器均壓電容過熱、變壓器套管-柱頭發(fā)熱、避雷器整體過熱、架空線路導(dǎo)線連接處過熱、合成絕緣子球頭過熱，利用以上4種模型分別對5種電氣設(shè)備故障進行識別，識別結(jié)果見表1。

表1 電氣設(shè)備故障識別 %

由表1可以看出，在識別率方面，本文構(gòu)建的改進GoogLeNet算法的識別率要明顯高于其他3種模型，驗證了本文改進算法的可行性與準(zhǔn)確性。

5 結(jié)論

為解決傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)識別率低的問題，本文在K均值聚類與區(qū)域生長圖像分割處理基礎(chǔ)上，提出一種基于改進損失函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)識別模型，得到以下結(jié)論：

1)在對卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練前，對紅外圖像進行圖像分割可有效提高電氣設(shè)備故障圖像的識別精度；

2)與單層的CNN卷積相比，采用多層的卷積可在降維的同時，提取多個圖像特征；

3)改進損失函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)在圖像識別方面要明顯高于其他的算法，且準(zhǔn)確率高。