牵引变电所把区域电力系统送来的电能，转变为适用于电力牵引的电能，为电力机车/电动车组供电^[1]。由于牵引变电所的一般控制设备及二次侧高压设备均设在室内，当其所在房屋年久失修或遇到极端天气时，雨水透过墙壁或从窗户渗入，进入高压室或控制室，可引起绝缘击穿、保护装置误动，导致跳闸，从而影响列车的正常运行。目前，主要依赖定期人工巡检来检查牵引变电所是否发生渗水现象，效率较低且无法实时监测。因此，亟需实现针对牵引变电所的自动化的渗水检测。

当前，已有较多针对渗水自动化监测的研究。贾东峰等人^[2]通过获取隧道内的点云数据，对其进行多尺度分析，实现了对隧道裂纹及渗水区域的检测；田伟等人^[3]通过将传统特征提取器Canny算子与卷积网络相结合的方式，实现了对发电站底部渗水、裂纹的检测功能；郑丽琼等人^[4]通过叩诊法，采用梅尔频率倒谱系数（MFCC，Mel-Frequency Cepstrum Coefficient）技术收集敲击墙壁的回声，并利用其特征训练支持向量机分类器，实现了对混凝土渗水的检测。上述渗水检测的研究方法，均是利用机器学习或传统视觉与简单卷积网络相结合的方式，存在泛化能力偏弱的情况。

本文基于改进后的MobileNetV2网络和DeeplabV3网络相结合的模型^[5]，设计牵引变电所墙壁渗水检测方法，并利用边缘计算及5G移动通信等技术，实现渗水检测的边缘化部署，在保证准确率的同时，降低计算压力。

1   牵引变电所墙壁渗水检测方法

1.1   方法流程

牵引变电所墙壁渗水检测流程如图1所示。

图  1  牵引变电所墙壁渗水检测方法流程

下载: 全尺寸图片 幻灯片

（1）图像预处理：对输入的图像进行等比缩放等预处理，使得图像的尺寸符合图像分割模型的输入尺寸。

（2）图像分割：将预处理后的图像送入图像分割模型，进行分割处理，得到二值图像，分离出背景与目标区域。

（3）图像后处理：对二值图像进行形态学操作，对分割后的图像进行降噪及连通区域填充。

（4）区域统计分析：对图像进行轮廓分析，得到一系列的轮廓坐标信息，并对图像分割区域及周边做亮度统计。

（5）判断处理：计算较大轮廓的面积，若轮廓面积大于等于设定的阈值，且分割区域的亮度值低于分割区域周边的亮度，则认为存在渗水现象，否则，则认为不存在渗水现象。

本文重点介绍图像预处理和图像分割的方法。

1.2   图像预处理

（1）需要对输入图像进行标注，由于本文采用图像分割的方式，因此，标注方式需要采用分割形式，将输入图像中的渗水区域用颜色涂抹出来。

（2）为避免后期模型训练时循环读取标签，造成不必要的时间消耗，提前在数据准备的阶段进行标注生成，根据原图的分辨率，将输入图像的像素设定为300×536，最大程度地保持了原图的比例，减小扩边尺寸。

1.3   图像分割模型

本文的图像分割模型主要包括特征提取网络和像素分类器两个部分。

1.3.1   特征提取网络

1.3.1.1   特征提取网络优化

特征提取基于MobileNetV2网络进行改进，MobileNetV2网络主要利用残差连接和深度可分离卷积的思想，其输入图像像素为224×224。根据下采样的不同需求，MobileNetV2网络构造了瓶颈层基础组件Bottleneck1与Bottleneck2，如图2所示。

图  2  瓶颈层基础组件Bottleneck1与Bottleneck2

下载: 全尺寸图片 幻灯片

图2中，Conv为卷积操作；Dwise为深度可分离卷积；Relu6为激活函数；stride为卷积步长。本文在这两个组件的基础上，修改了激活函数和残差连接，得到瓶颈层基础组件Bottleneck1+和Bottleneck2+，如图3所示。

图  3  瓶颈层基础组件Bottleneck1+和Bottleneck2+

下载: 全尺寸图片 幻灯片

图3中， Hardswish为激活函数。改进后，将Bottleneck1+中的激活函数由Dwise改为Hardswich； 为保证在精简网络的同时，精度不下降，需要充分利用浅层信息，因此，在步长为2的Bottleneck2+中，利用残差网络的思想^[6]，新增了一个残差连接。将Bottleneck2+进行两倍下采样，输入无法直接与下采样后的特征图叠加，因此，在残差连接路径上增加一个卷积步长为2的汇聚模块。

MobileNetV2网络中的Relu6激活函数，虽然抑制了Bottleneck1的激活值，但忽略了其小于0的部分，不利于网络的梯度传播，如图4（a）所示；Bottleneck1+采用Hardswish激活函数^[7]，既可保持原Relu6激活函数的作用，还兼顾了其小于0的部分，使得网络学习更充分，如图4（b）所示。

图  4  Relu6与Hardswish激活函数

下载: 全尺寸图片 幻灯片

1.3.1.2   特征提取网络架构

原MobileNetV2网络构架如表1所示，改进后的MobileNetV2网络架构如表2所示。

表  1  MobileNetV2网络构架

输入图像像素×通道数	操作	通道数	瓶颈层重复次数	步长
2242×3	Conv	32	1	2
1122×32	Bottleneck1	16	1	1
1122×16	Bottleneck2	24	2	2
562×24	Bottleneck2	32	3	2
282×32	Bottleneck2	64	4	2
142×64	Bottleneck1	96	3	1
142×96	Bottleneck2	160	3	2
72×160	Bottleneck1	320	1	1

下载: 导出CSV 

| 显示表格

表  2  改进后的MobileNetV2网络构架

输入图像像素×通道数	操作	通道数	瓶颈层重复次数	步长
2242×3	Conv	16	1	2
1122×16	Bottleneck1+	32	1	1
1122×32	Bottleneck2+	32	2	2
562×32	Bottleneck2+	64	2	2
282×64	Bottleneck2+	64	2	2
142×64	Bottleneck1+	96	1	1
142×96	Bottleneck2+	128	1	2
72×128	Bottleneck2+	128	1	1

下载: 导出CSV 

| 显示表格

从表1和表2中可看出，本文更改了网络图像的输入尺寸，减少了卷积核的个数，使得整个网络更符合本文输入图像的大小，且参数量更少。

1.3.2   像素分类器

本文对DeeplabV3网络进行优化^[8]，优化后的网络作为牵引变电所墙壁渗水检测的像素分类器。DeeplabV3网络中的空间特征池化金字塔（ASPP，Atrous Spatial Pyramid Pooling）是包含空洞卷积的模块，它摒弃了传统的池化操作，减小了信息损失，利用卷积的方式增加局部感受野，使得图像在多种尺寸上均有较好的特征抽取效果，不同扩展率下的卷积核分布情况如图5所示，可通过扩展率的取值来控制局部感受野的大小。

图  5  不同扩展率的卷积核分布

下载: 全尺寸图片 幻灯片

本文对DeeplabV3网络的优化主要体现在ASPP的层数与扩展率上，使其更符合实际渗水的目标大小，原ASPP有4层，可覆盖小、中、大、全尺寸图像的目标。ASPP卷积核及其扩展率如图6所示。

图  6  DeeplabV3网络中ASPP卷积核及其扩展率

下载: 全尺寸图片 幻灯片

本文的研究对象为牵引变电所墙壁渗水区域，根据对既往数据及摄像头的视场分析，其占比不会超过一半图像，因此，ASPP可剔除最后一层，即全尺寸图像目标层，得到对于中小目标更加敏感的像素分类器。优化后的网络中ASPP卷积核及其扩展率，如图7所示。

图  7  优化后的网络中ASPP卷积核及其扩展率

下载: 全尺寸图片 幻灯片

2   模型训练

2.1   数据集制作

数据集制作主要包含4步：

（1）通过互联网等途径收集大量变电所、办公室、地下停车场等场所的墙壁渗水样本图像；

（2）在变电所、办公室、地下停车场等场所的墙壁上浇水，模拟渗水现象，并拍摄数据样本；

（3）用摄像头环拍牵引变电所监控的整个墙面，包括各个角度与多尺度的图像，将这些图像与步骤（1）、（2）中的渗水区域图像融合构造学习样本，如图8所示；

图  8  两组融合图像样本及其标注

下载: 全尺寸图片 幻灯片

（4）获取大量变电所、办公室、地下停车场等场所无渗水墙壁的图像。

本文通过前述4步制作的数据集共包含8000张带渗水样本的图像和10000张不带渗水的样本图像，其中，70%作为训练集，20%作为验证集，10%作为测试集。

2.2   模型训练参数

MobileNetV2网络和DeeplabV3网络相结合的模型训练参数包括：优化器、损失函数、训练周期和学习率等，本文在参考DeeplabV3网络参数的基础上做了部分调整，优化器为Adam，迭代次数为64，损失函数为sigmoid与BCELoss的合成。

针对样本不均衡的问题，本文引入Focal loss损失函数^[9]，抑制简易样本的损失值，增加困难样本的损失值，从而使较小的目标获得较好的分割效果。Focal loss损失函数公式为

式（1）中，loss为原损失函数计算所得的损失值；α、γ为损失调节系数，α取0.25，γ取1.5。

3   结果对比与分析

本文采用PA（Pixel Accuracy）和MIoU（Mean Intersection over Union）指标来评估图像分割模型，二者的公式为

式（3）中，set(gt)为真实的目标像素集合；set(box)为模型推理出的目标像素集合。

本文在同一条件下对5种不同组合的模型分别进行训练，结果如表3所示。

表  3  各类模型的训练结果

模型	特征提取网络	像素分类器	损失类型	PA	MIoU	耗时/ms
1	MobileNetV2	DeeplabV3	loss	95.55%	92.15%	82
2	MobileNetV2	改进的DeeplabV3	loss	97.04%	93.24%	83
3	改进的MobileNetV2	DeeplabV3	loss	96.23%	92.85%	60
4	改进的MobileNetV2	改进的DeeplabV3	loss	97.53%	93.54%	41
5	改进的MobileNetV2	改进的DeeplabV3	F_loss	98.82%	95.32%	40

下载: 导出CSV 

| 显示表格

由表3可知，对于牵引变电所的墙壁渗水检测任务，原始的MobileNetV2与DeeplabV3检测效果较差，且由于网络过深，运算耗时较长；MobileNetV2与改进的DeeplabV3相结合，其PA与MIoU指标显著上升，但是耗时问题依然存在；模型3耗时显著缩短，但PA与MIoU提升不明显；模型4的PA与MIoU指标得到了较为明显的提升，且运算耗时大幅减少，只用了模型1一半的时间，说明本文对特征提取与像素分类器的优化是有效的。

在模型4基础上将损失函数调整为Focal loss后，模型5的PA与MIoU指标进一步提升，分别达到了98.82%和95.32%。说明Focal Loss损失函数适用于本文的研究对象。

4   部署应用

本文采用边缘计算+5G移动通信的方式于2022年4月在深圳地铁某线路的牵引变电所进行边缘化部署。将本文研发的牵引变电所墙壁渗水检测方法直接集成到相机中，有利于缩短数据传输时间，快速得出结果；在相机中集成了5G移动通信模块，在墙壁渗水检测方法处理完数据后，5G移动通信模块可快速地将结果反馈给控制中心。这样的部署方案便捷，不需要考虑有线通信和中心计算的问题。

本文在HEOP（Hikvision Embedded Open Platform）嵌入式智能应用开发平台上，基于BASE 库、 MEDIA 库和 HIKFLOW库进行软件集成部署。相机型号为DS-2XA7287F-IZ（S），算力为2 T，智能内存为900 MB，单帧执行时间为40 ms。

5   结束语

本文给出了牵引变电所墙壁渗水检测方法的具体流程，并针对图像预处理和图像分割部分进行详细阐述。通过改进MobileNetV2和DeeplabV3网络，建立了适用于牵引变电所墙壁渗水检测的图像分割模块，降低了模型的参数量，提升了模型的精确度，PA与MIoU指标分别达到98.82%和95.32%。在方法部署实现方面，采用边缘计算+5G移动通信的方式，使得部署更便捷，适用范围更广。但还存在着一些不足，有渗水印记较淡时检测效果不佳、图像输入不能适应任意分辨率、算法检测耗时依然过高等问题，下一步的研究旨在解决上述问题，以期达到更好的效果。