基于高斯建模的電力場景明火檢測

黃均才，劉鑒棟，閆云鳳，齊冬蓮

（1.廣東電網(wǎng)有限責(zé)任公司廣州供電局，廣州 510050；2.浙江大學(xué) 電氣工程學(xué)院，杭州 310027）

0 引言

隨著我國電力行業(yè)的快速發(fā)展，全國輸配電線路規(guī)模變得越來越龐大，發(fā)電站、變電站等電力設(shè)施也越來越多。由于電力的能量屬性，電力場景下的缺陷問題往往會(huì)演化為失控的能量釋放，電力場景下的火災(zāi)成為了不可忽視的多發(fā)性問題，火災(zāi)的預(yù)防和檢測是電力安全保障過程中受到關(guān)注的焦點(diǎn)之一，因此對電力場景下的明火進(jìn)行準(zhǔn)確及時(shí)的檢測具有重要意義。

近些年來，隨著數(shù)字通信、計(jì)算機(jī)技術(shù)的發(fā)展，數(shù)字圖像處理技術(shù)獲得了廣泛的應(yīng)用。較之傳統(tǒng)的火災(zāi)監(jiān)控設(shè)備，基于圖像處理的明火檢測技術(shù)具有識別速度快、適應(yīng)能力強(qiáng)、誤報(bào)率低、使用方便等優(yōu)點(diǎn)。同時(shí)，如何精確地將火焰從復(fù)雜的背景及各種干擾光源中識別出來是其中的關(guān)鍵環(huán)節(jié)。

根據(jù)方法的不同，相關(guān)研究可以分為傳統(tǒng)算法和基于深度學(xué)習(xí)的算法。傳統(tǒng)算法主要通過火焰的顏色特征和運(yùn)動(dòng)特征建立統(tǒng)計(jì)學(xué)模型。在一般的火災(zāi)中，火焰像素點(diǎn)的顏色主要分布在橙黃色到白色之間，為了描述火焰像素點(diǎn)的顏色分布情況，可以建立一個(gè)統(tǒng)計(jì)學(xué)的模型。文獻(xiàn)［1］在HSV 顏色空間利用固定閾值來分割火焰區(qū)域，可以比較粗略地分割岀火焰的區(qū)域。文獻(xiàn)［2］采用YCbCr 顏色空間，提出一種用于火焰像素分類的通用顏色模型。文獻(xiàn)［3］將明火檢測問題分解為兩個(gè)步驟，首先在OHTA 顏色空間分割出疑似火焰區(qū)域，然后提取對應(yīng)區(qū)域的特征并通過SVM（支持向量機(jī)）進(jìn)行分類，該方法可以比較準(zhǔn)確地檢測出火焰。文獻(xiàn)［4］提出一種利用YCbCr顏色空間火焰圖像的統(tǒng)計(jì)參數(shù)（如均值、標(biāo)準(zhǔn)差等）進(jìn)行森林火災(zāi)檢測的方法，該方法可分離出高溫火災(zāi)中心像素。

由于火焰的顏色特征經(jīng)常會(huì)與其他干擾光源非常相似，部分研究開始利用其他特征進(jìn)行輔助檢測。明火燃燒過程中會(huì)在連續(xù)圖像視頻中呈現(xiàn)出變化明顯的運(yùn)動(dòng)特征：火焰燃燒初期，面積具有明顯的增長趨勢；隨著火焰燃燒過程的持續(xù)，空氣氣流的流動(dòng)導(dǎo)致火焰呈現(xiàn)一定程度的無序閃動(dòng)［5］。因此，可以運(yùn)用一些基于運(yùn)動(dòng)物體的算法來實(shí)現(xiàn)火焰檢測。文獻(xiàn)［6］首先利用幀間差分對運(yùn)動(dòng)區(qū)域進(jìn)行分割，接著再提取HSI 顏色空間中的火焰特征。文獻(xiàn)［7］提出一種火災(zāi)早期預(yù)警監(jiān)測系統(tǒng)，使用背景減法來提取候選的運(yùn)動(dòng)區(qū)域，在此基礎(chǔ)上利用顏色、紋理等特征對火災(zāi)火焰建模，具有魯棒性和高效性。文獻(xiàn)［8］利用火焰的顏色和動(dòng)性特征，將圖像中顏色與火焰相似的區(qū)域提取出來。

近些年來，隨著人工智能技術(shù)尤其是深度學(xué)習(xí)的快速發(fā)展，不少研究也開始利用深度學(xué)習(xí)技術(shù)來進(jìn)行火焰檢測。文獻(xiàn)［9］通過YOLOv3目標(biāo)檢測網(wǎng)絡(luò)進(jìn)行火焰檢測，取得了很好的效果。文獻(xiàn)［10］在Faster R-CNN 的基礎(chǔ)上引入多尺度信息，能較好地完成火焰檢測任務(wù)。文獻(xiàn)［11］針對森林火災(zāi)圖像識別問題，在深入研究林火圖像特點(diǎn)的基礎(chǔ)上，采用PCNN（脈沖耦合神經(jīng)網(wǎng)絡(luò)）在保證識別率的前提下縮短識別時(shí)間、提升識別效率。

目前，基于深度學(xué)習(xí)的火焰檢測研究尚存在以下兩個(gè)問題：

1）現(xiàn)有研究都是將火焰檢測任務(wù)當(dāng)成普通物體檢測任務(wù)，采用的是通用物體檢測框架，例如YOLOv3和Faster R-CNN。但是，火焰本身與通用物體有很大區(qū)別，火焰邊界具有很強(qiáng)的模糊性，如圖1所示。為了準(zhǔn)確描述這種邊界不確定性，本文提出一種基于高斯建模的目標(biāo)檢測模型Guassian-YOLOv5用于火焰檢測。

圖1 通用物體與明火包圍框

2）已有研究忽略了缺乏大規(guī)模數(shù)據(jù)的問題。基于深度學(xué)習(xí)的方法需要大量的有標(biāo)簽數(shù)據(jù)進(jìn)行訓(xùn)練，但是目前并沒有大規(guī)模的公開明火檢測數(shù)據(jù)集。本文提出一種基于遷移學(xué)習(xí)的電力場景明火檢測訓(xùn)練方法，可利用少量樣本訓(xùn)練出高精度的電力場景明火檢測器。

本文首先介紹YOLOv5 的網(wǎng)絡(luò)結(jié)構(gòu)，提出一種基于高斯建模的Guassian-YOLOv5；然后介紹改進(jìn)的Guassian-YOLOv5損失函數(shù)，以及遷移學(xué)習(xí)訓(xùn)練方法；最后通過相關(guān)實(shí)驗(yàn)，對所提出的電力場景明火檢測方法的有效性進(jìn)行驗(yàn)證。

1 YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv5的網(wǎng)絡(luò)結(jié)構(gòu)大致可以分為骨干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和頭部網(wǎng)絡(luò)3個(gè)模塊。骨干網(wǎng)絡(luò)用于提取輸入圖像的特征信息，生成特征圖；頸部網(wǎng)絡(luò)一般用于擴(kuò)大模型的感受野，對不同大小的特征圖進(jìn)行特征融合；頭部網(wǎng)絡(luò)基于前述兩個(gè)模塊提取的最終特征進(jìn)行分類和包圍框（即矩形框）的回歸，得到最終的預(yù)測結(jié)果。

1.1 骨干網(wǎng)絡(luò)

Darknet-53 網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示，共有53 個(gè)卷積層，最后得到的特征圖下采樣倍數(shù)為32。

圖2 Darknet-53網(wǎng)絡(luò)結(jié)構(gòu)

Darknet-53 借鑒了ResNet 的殘差設(shè)計(jì)思路，引入BottleneckCSP 模塊作為基礎(chǔ)網(wǎng)絡(luò)的基礎(chǔ)模塊，其結(jié)構(gòu)如圖3 所示，其中：H和W分別為輸入特征圖的高和寬；C1和C2分別為該模塊輸入特征圖和最終輸出特征圖的通道數(shù)；r為通道擴(kuò)張系數(shù)，默認(rèn)設(shè)置為0.5；n為模塊中Bottleneck子模塊的堆疊次數(shù)；“k×k，C”代表C個(gè)k×k大小的卷積核，步長默認(rèn)為1；“⊕”代表逐元素相加，“⊕，concat”代表兩個(gè)特征圖的拼接；BN 為批歸一化（batch normalization）；Hardswish 和LeakyReLU為兩種常見的激活函數(shù)，分別表示為：

圖3 BottleneckCSP網(wǎng)絡(luò)結(jié)構(gòu)

式中：系數(shù)α默認(rèn)為0.1。BottleneckCSP殘差模塊分為兩個(gè)分支，一個(gè)分支通過一個(gè)1×1 卷積改變輸出特征圖的通道數(shù)，另一個(gè)分支通過n個(gè)Bottleneck 子模塊操作進(jìn)行下采樣，最后兩個(gè)分支通道維度進(jìn)行疊加。

目標(biāo)檢測模型的輸入圖像一般是固定的單一尺寸（如640×640），但是圖像中的目標(biāo)物體大小和比例卻是多變的，這種現(xiàn)象在電力場景下的明火檢測任務(wù)中尤為突出。因此，提升骨干網(wǎng)絡(luò)對于大小物體的檢測能力，并兼顧全局和局部感受野，對提升明火檢測模型性能具有重要意義。

在Darknet-53的基礎(chǔ)上引入SPP（空間金字塔池化）［12］模塊，通過不同尺度的池化操作，提升多尺度物體檢測的性能，具體結(jié)構(gòu)如圖4所示，其中“Maxpool，k”代表k×k大小的池化操作。輸入特征圖首先通過1×1 卷積降低通道維數(shù)，減少計(jì)算量；接著，通過3個(gè)不同大小的最大池化操作得到3個(gè)不同感受野的特征圖，并和原始輸入的特征圖拼接，在保留原始輸入特征信息的基礎(chǔ)上增強(qiáng)模型多尺度檢測的能力；最后，經(jīng)過1×1 卷積、BN、Hardswish 操作，進(jìn)一步組合不同感受野的特征，得到融合了豐富感受野的特征圖，并可根據(jù)需要輸出通道數(shù)為C2的特征圖。

圖4 SPP網(wǎng)絡(luò)結(jié)構(gòu)

1.2 頸部和頭部網(wǎng)絡(luò)

針對電力場景明火檢測多視角、多場景、多姿態(tài)、多尺度等特點(diǎn)，本文在骨干網(wǎng)絡(luò)之后引入了PANet（路徑聚合網(wǎng)絡(luò)）［13］結(jié)構(gòu)作為頸部網(wǎng)絡(luò)，在特征金字塔網(wǎng)絡(luò)（圖5 中P3—P5）基礎(chǔ)上，連接了一個(gè)自底而上的特征增強(qiáng)路徑網(wǎng)絡(luò)（圖5中N3—N5），進(jìn)行高低層特征圖的巧妙融合。此外，本文中的YOLOv5 采用了YOLOv3［14］的稀疏預(yù)測方式作為頭部網(wǎng)絡(luò)，最終得到Y(jié)OLOv5 的變電站電力場景明火檢測模型，整體網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)

2 基于高斯建模的YOLOv5損失函數(shù)

YOLOv5的損失函數(shù)由分類損失Lcls、置信度損失Lobj和坐標(biāo)回歸損失Lbox組成。本文中分類損失和置信度損失均采用交叉熵?fù)p失函數(shù)，并采用Sigmoid 函數(shù)將預(yù)測值歸一化在［0，1］區(qū)間，實(shí)現(xiàn)多標(biāo)簽分類。

式中：CE（·）為交叉熵?fù)p失函數(shù)；p為樣本真實(shí)標(biāo)簽；x為網(wǎng)絡(luò)預(yù)測；σ(x)為Sigmoid函數(shù)。

傳統(tǒng)的YOLOv5 采用Smooth-L1 作為坐標(biāo)回歸損失函數(shù)，坐標(biāo)回歸的目標(biāo)如下：

式中：x和y為候選框的中心坐標(biāo)；w和h為候選框的寬和高，其中含下標(biāo)a的變量為候選框數(shù)值，含上標(biāo)*的變量為真值框數(shù)值；ti為網(wǎng)絡(luò)預(yù)測坐標(biāo)值；為坐標(biāo)真實(shí)值；λi為縮放參數(shù)；i∈{x，y，w，h}。

這種建模方式簡單直接，對于普通物體檢測非常有效。但是相比通用物體，火焰邊界具有很強(qiáng)的不確定性，為了準(zhǔn)確描述這種邊界不確定性，本文提出一種基于高斯建模的目標(biāo)檢測模型Guassian-YOLOv5 用于火焰檢測。普通建模方式和高斯建模的對比如圖6所示。

圖6 普通建模和高斯建模的對比

對于邊框的每個(gè)坐標(biāo)t（t∈{x，y，w，h}），本文建模其為高斯分布，即：

檢測框的每個(gè)坐標(biāo)t都可以由均值μ和方差σ2表示，即回歸框的每個(gè)坐標(biāo)都可以用高斯分布表示，這種建模方式使得方差可以表示邊框的不確定性。基于此，Guassian-YOLOv5 的坐標(biāo)回歸損失Lbox可以表示為高斯分布和真實(shí)分布之間的距離。本文采用交叉熵衡量兩個(gè)分布之間的距離：

式中：GT為坐標(biāo)回歸目標(biāo)；N(GT|μ，σ2)為高斯分布在GT處的概率密度值。在本文中，方差σ2被歸一化到［0，1］區(qū)間，推理階段的檢測框分?jǐn)?shù)設(shè)計(jì)為類別分?jǐn)?shù)和方差均值的乘積。

最終的損失函數(shù)L為：

式中：λobj、λcls、λbox為可調(diào)節(jié)的損失函數(shù)超參數(shù)，本文中三者均設(shè)置為1。

3 基于遷移學(xué)習(xí)的訓(xùn)練方法

基于深度學(xué)習(xí)的方法需要大量的有標(biāo)簽數(shù)據(jù)進(jìn)行訓(xùn)練，但是目前并沒有大規(guī)模的公開明火檢測數(shù)據(jù)集，尤其在電力場景下難以收集大規(guī)模明火數(shù)據(jù)。為了在少量電力場景明火數(shù)據(jù)的條件下提升模型性能，本文提出一種基于遷移學(xué)習(xí)的電力場景明火檢測訓(xùn)練方法，如圖7所示。

圖7 基于遷移學(xué)習(xí)的訓(xùn)練方法

具體而言，基于遷移學(xué)習(xí)的電力場景明火檢測訓(xùn)練方法分為兩個(gè)階段。

階段一，首先利用互聯(lián)網(wǎng)搜索引擎通過關(guān)鍵詞收集常見的火災(zāi)圖片，人工利用Labelme開源軟件生成YOLO格式的標(biāo)注文件，得到數(shù)據(jù)集A?；跀?shù)據(jù)集A訓(xùn)練得到一個(gè)明火檢測初級模型，該模型已經(jīng)能比較好地進(jìn)行明火檢測。但是搜索引擎收集到的圖片非常雜亂，大部分為森林火災(zāi)圖片，與實(shí)際電力場景差距較大，因此當(dāng)泛化到電力場景的明火檢測時(shí)，檢測器的性能會(huì)大幅下降。

階段二，利用初級模型給收集到的少量電力場景明火圖片打標(biāo)簽，人工微調(diào)后構(gòu)成數(shù)據(jù)集B，利用數(shù)據(jù)集B 對初級模型進(jìn)行微調(diào)，得到最終的電力場景明火檢測模型。

4 實(shí)驗(yàn)分析

4.1 實(shí)驗(yàn)環(huán)境及設(shè)置

為了驗(yàn)證所提出的電力場景明火檢測方法的有效性，本文進(jìn)行了相關(guān)實(shí)驗(yàn)。在公開互聯(lián)網(wǎng)收集到15 000 張明火圖片進(jìn)行實(shí)驗(yàn)；另外收集到變電站明火模擬圖片1 000 張，其中500 張作為測試樣本，其他為訓(xùn)練樣本。本文模型訓(xùn)練與預(yù)測的實(shí)驗(yàn)環(huán)境為NVIDIA V100 GPU，硬件為Ubuntu 16.04，編程語言為Python3.6。

在互聯(lián)網(wǎng)收集到的明火圖片數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，模型訓(xùn)練優(yōu)化器采用隨機(jī)梯度下降，批次大小為32，初始學(xué)習(xí)率為0.001。在前1 000 次迭代時(shí)使用初始學(xué)習(xí)率，并在第1 000 次與第2 000次迭代時(shí)將學(xué)習(xí)率分別降低為當(dāng)前學(xué)習(xí)率的0.1倍。模型訓(xùn)練迭代次數(shù)為5 000。在使用變電站明火圖片進(jìn)行微調(diào)訓(xùn)練時(shí)，學(xué)習(xí)率固定為0.000 1，微調(diào)迭代次數(shù)為1 000。本文使用mAP（全類別平均正確率）作為評價(jià)指標(biāo)，閾值設(shè)置為0.5。

訓(xùn)練的損失函數(shù)曲線、精確率-召回率曲線、F1曲線（F1值可以看作精確率與召回率的加權(quán)）、精確率曲線、召回率曲線如圖8 所示?？梢园l(fā)現(xiàn)，第一階段的損失函數(shù)較大，第二階段微調(diào)之后損失函數(shù)較小，證明了本文提出的兩階段訓(xùn)練方法的有效性。

圖8 訓(xùn)練的損失函數(shù)曲線、精確率-召回率曲線、F1曲線、精確率曲線、召回率曲線

模型的ROC（受試者工作特征）曲線和混淆矩陣如圖9所示，可以看出本文所提方法能較好地識別出明火。

圖9 ROC曲線和混淆矩陣

4.2 算法精度

圖10為普通場景的明火識別結(jié)果，圖11為電力場景的明火識別結(jié)果，定量指標(biāo)見表1。由于電力場景數(shù)據(jù)較少，基于少量數(shù)據(jù)進(jìn)行訓(xùn)練得到的模型性能較差，驗(yàn)證了本文提出的遷移學(xué)習(xí)的必要性。從互聯(lián)網(wǎng)收集到的明火圖片大部分為森林山火，因此原始YOLOv5模型的mAP僅為78.6%；采用高斯建模后，Guassian-YOLOv5模型的mAP上升至81.2%；經(jīng)過用電力場景圖片微調(diào)后，Guassian-YOLOv5模型的mAP上升至86.4%。由實(shí)驗(yàn)結(jié)果可知，本文提出的算法相比傳統(tǒng)的Faster R-CNN和YOLOv5有較大提升，可以實(shí)現(xiàn)電力場景明火的準(zhǔn)確定位與識別。

圖10 普通場景的明火識別結(jié)果

圖11 電力場景的明火識別結(jié)果

4.3 算法速度

對模型推理速度（幀率）進(jìn)行了對比，如表1所示?？梢钥闯?，相比于Faster R-CNN，YOLOv5的推理速度更快。本文提出的方法是基于YOLOv5 的改進(jìn)，推理速度和原始的YOLOv5 相當(dāng)，但模型精度有較大提升，能滿足實(shí)際工程需求。

表1 電力場景明火檢測速度對比

5 結(jié)語

明火檢測對于安全預(yù)警、保障電力設(shè)施安全具有重要意義。傳統(tǒng)算法通過顏色、運(yùn)動(dòng)等特征建立匹配模型，在復(fù)雜場景下極容易出現(xiàn)誤檢、漏檢情況。針對已有研究對火焰邊界模糊性考慮不足的問題，本文改進(jìn)了傳統(tǒng)的YOLOv5檢測器，通過高斯建模捕獲邊框的不確定性；針對電力場景缺乏大規(guī)模明火數(shù)據(jù)的問題，本文提出了一種基于遷移學(xué)習(xí)的兩階段訓(xùn)練方法，只需要少量電力場景明火圖片即可實(shí)現(xiàn)高精度的電力場景明火檢測器訓(xùn)練。實(shí)驗(yàn)結(jié)果表明本文提出的方法能較大程度地提高模型準(zhǔn)確率，具有很強(qiáng)的應(yīng)用性。