基于SqueezeNet的可识别积水软件设计.pdf

今 日 自 动 化Automation Today智能制造与设计Intelligent manufacturing and Design34 2 0 2 3.5 今日自动化2 0 2 3 年第5 期2023 No.5目前，识别地面积水可广泛应用于道路安全、有限空间内部等场景，如热力站内若发生跑水事故又无人发现，随着水位上升会将循环泵、配电箱等设备淹没，造成设备损坏，且会影响正常供热运行；或在小室内，若管道破裂造成积水事故而无人发现，则会将小室淹没且蔓延至地面，造成极大的损失。故设计一款运行卷积神经网络（Convolutional Neural Networks，CNN）的软件，该软件可直接接入市面上现有的工业摄像头内，调取实时画面并分析是否存在积水，若存在积水可及时发现进行报警。该软件可填补发生积水后无人发现的空白，对于特定行业有极大的价值。为更大地提升算力和可移植性，采用 CNN中 SqueezeNet 模型进行训练，训练完成后识别率高达79.07%，通过软件内部参数设置，可实现积水识别的功能。1 SqueezeNet设计1.1 SqueezeNet简介卷积神经网络，一种深度前馈神经网络，是应用最为成熟的前馈神经网络之一，可以方便地应用于图像识别中。卷积神经网络具有稀疏交互、参数共享、平移等变性的特点，其性质决定其与普通前馈神经网络相比，可极大地提升算力。1.2 可识别软件SqueezeNet设计软件内部使用的卷积神经网络采用 SqueezeNet结构可识别积水，共68层，对于部分地方进行修改，以保证顺利进行积水识别。以某一热力站为例，在前期训练过程中，采集地面有积水图片198张，地面无积水图片176张，共计374张。其分类图集如表1所示。表1 分类图集名称数量训练集262交叉验证集112测试集112设置交叉验证集是为更好地验证模型精度，避免出现局部极值等问题。交叉验证集分别从训练集和测试集去特定图像数目。SqueezeNet 在接收到图像信息后，先将图像更改为128128像素大小并去掉其彩色通道，此时将其记为矩阵 M。由运算可知，M 具有16 384个元素。在得到处理后的数据后，将其进行第一次的卷积核、ReLU 激活函数及池化运算，该过程与 CNN 类似。由 ReLU 激活函数的数学特性可知，其会造成部分神经元输出为0，这样被动地造成神经网络具有稀疏性，可避免过拟合的问题产生1。所以 SqueezeNet 中使用的激活函数均为 ReLU 激活函数。在经过第一次卷积运算后，得到一个新的矩阵，记为 N，矩阵 N 为经过上述运算后得到的特征图。此时，调用 SqueezeNet 的 Fire 模块对特征图即矩阵 N进行运算。Fire模块包含Squeeze部分和Expand部分，其中，Squeeze 内为一组连续11的卷积，Expand 为一组11的卷积和一组33的卷积组成。此时发现SqueezeNet 相比于传统 CNN 而言，其将33的卷积核替换为11的卷积核，并大幅减少33的卷积核数量。因为 Fire 模块的存在，虽然数据运算量增大，摘 要本设计使用 Matlab 编写的软件抓取工业摄像头数据，并将图像数据传输至神经网络内部进行识别，若在10 s 内连续判定地面存在积水，则软件进行报警，否则正常监控运行。SqueezeNet 识别正确率高达79.07%，配合软件相关算法可大幅提升正确率，该软件可填补发生积水后无人发现的空白，极大地节省了人力、物力与财力。关键词SqueezeNet；卷积神经网络；软件设计中图分类号TQ320.5 文献标志码A 文章编号20956487（2023）05003403Design of Software for Identifying Water Accumulation Based on SqueezeNetDUAN XuxinAbstractThis design uses software written in Matlab to capture industrial camera data and transmit the image data to the neural network for recognition.If it is continuously determined that there is water accumulation on the ground within 10 seconds,the software will alarm,otherwise the monitoring will operate normally.The recognition accuracy of SqueezeNet is as high as 79.07%,which can be greatly improved by combining with software related algorithms.This software can fill the gap that no one discovers after water accumulation,greatly saving manpower,material resources,and financial resources.KeywordsSqueezeNet;convolutional neural network;software design基于S q u e e z e N e t 的可识别积水软件设计段旭鑫（太原市热力集团有限责任公司，山西太原030000）今 日 自 动 化Automation Today智能制造与设计Intelligent manufacturing and Design2 0 2 3.5 今日自动化 352 0 2 3 年第5 期2023 No.5但是网络算力得到了极大地提高。在经过 Fire 模块的运算后，网络得到了新的特征图。对于传统卷积神经网络而言，因其使用33的卷积核，每一次提取到的特征图矩阵大小不断降低；而 SqueezeNet 认为更大的特征图可包含更多的信息，故使用11的卷积核，所以不难发现 SqueezeNet 所得到的特征图大小并未明显大幅减少。该软件使用的SqueezeNet 共7个 Fire 模块，并在最后一个 Fire 模块后连接了卷积层。故该软件使用的 SqueezeNet 共有9张特征图，其中第1张和最后1张特征图为卷积神经网络特征放大提取后的特征图，而中间7张特征图大小均为 Fire 层输出，故大小并未明显改变。在 SqueezeNet 输出层前，连接了全连接层，而未使用原 SqueezeNet 的 Softmax 函数。使用 Softmax函数与全连接层的网络表现对比可得，使用 Softmax函数的正确率为69.77%，而全连接层为79.07%。Softmax 函数与全连接层学习速率均为0.0001，均迭代8轮152次。如图1 图4所示。第1轮第2轮第3轮第4轮第5轮第6轮第7轮第8轮最终迭代训练进度（2023-0.5-2322:57:26）准确度（%）1501001009080706050403020100500图1 使用Softmax函数准确率第1轮第2轮第3轮第4轮第5轮第6轮第7轮第8轮最终迭代损失1501001.210.80.60.40.20500图2 使用Softmax函数神经网络损失第1轮第2轮第3轮第4轮第5轮第6轮第7轮第8轮最终迭代训练进度（2023-0.5-2322:00:18）准确度（%）1501001009080706050403020100500图3 使用全连接层准确率第1轮第2轮第3轮第4轮第5轮第6轮第7轮第8轮最终迭代损失1501001.210.80.60.40.20500图4 使用全连接层神经网络损失全连接层主要用于分类，理想状态下代价函数为0时，则均可正确识别。在本网络中重点考察函数最后输出与真实数据之间的方差，方差值越小则识别效果越好。此时，输出函数为 H（x）；标签为 Y；i 为样本空间中一个样本的参数，参数共有 m 个；J（）为代价函数；为参数。所以样本输出与真实值的方差为：（1）则此时的代价函数为：（2）在 J（）内对 求偏导，并使用原 值相减，可得到拟合后的 ：（3）式中，为学习速率，代表一次向下层神经网络传递的数据总量。在得到全连接层输出的数据后，使用输出层进行分类，即可判定图像内是否存在积水。2 软件设计该软件通过 Matlab 软件进行编写，画面如图5所示，软件流程如图6所示。图5 软件界面是否存在积水？报警不报警是否神经网络分析图像输入启动图6 软件流程图软件启动后，软件内部调用工业级摄像头，捕获工业摄像头的 RTSP 视频流信号，根据该信号采集图今 日 自 动 化Automation Today智能制造与设计Intelligent manufacturing and Design36 2 0 2 3.5 今日自动化2 0 2 3 年第5 期2023 No.5像数据，并将数据传递至 SqueezeNet 内，SqueezeNet得到数据后进行分析，若判定地面存在积水，则程序内部设置的变量自增1。SqueezeNet识别速度为0.89 s，软件实时调取摄像头数据，并每隔2 s 向软件推送一次数据，若软件内变量数据增加至5及以上，则判定10 s 内画面持续出现积水；若有一次报警，而下一次显示为无水状态，则变量置0，这样可保证即便SqueezeNet 出现误判，也不妨碍软件正常运行，大幅提升软件整体识别率。若判定发生积水，则进行报警并记录发生积水的地点，报警画面如图7所示。判定存在积水后，软件将当前积水位置、发生积水时间及此刻积水图片，均记录于当日之内，方便日后调用查看。若判定无水，则软件继续监测实时画面。3 结束语该软件通过 SqueezeNet 进行识别，使用 Matlab进行程序编写，功能已完全实现，且识别速度和识别精度均已达到要求，未来可将其大范围应用于热力站、管廊内等涉及有限空间作业的单位，可节省大量人力、物力及财力。参考文献1 潘卫东.基于神经网络的光电器件非线性均衡与性能研究D.合肥：中国科学技术大学，2021.图7 报警画面（上接第18页）改造后通过对弧形闸门 FXS-11B 型数字闸门开度仪左右开度接硬接点，控制较好，未存在左右纠偏值，证明弧形闸门液压缸未出现不同步现象；检测结果合格，满足运行要求，保证了弧形闸门全开全关的安全运行，如图5所示。图5 数字闸门开度仪5 效果分析通过对弧形闸门远程控制全关位研究与应用，实现了弧形闸门远程全关到位的准确性，解决了在设备老化的状态下弧形闸门不能全关到位的状况，从而防止了弧形闸门因全关不到位而产生的漏水现象。因弧形闸门全关不到位，估算共造成20 m3/s 的漏水，丰水期弧门操作频繁，经统计往年弧门漏水时间共约有3 d，则一年漏水量203243 600=5 184 000 m3，按平均耗水率60 m3/kWh 算，则可增加发电量8.64万 kWh，增加发电收入3.28万元。在没有更换设备的前提下，使问题得到了解决。在沿用旧的开度仪，除去相关材料费，仅此一项就节省资金约10.7万元。通过对弧形闸门远程全关的准确控制，极大减少了船闸人员的工作量，精简了船闸值班人员的数量，按减少一人算，可节约工资支出5万元。6 结束语通过技术方案增加开关量全关控制信号，有效弥补因测控仪模拟量输出有偏移造成弧形闸门全关出现故障，保证弧形闸门正常启闭。实现了弧形闸门远程全关位的控制，防止了弧门因全关不到位出现的漏水现象，提高了发电效益，同时节省了大量的人力、物力，降低了人工成本。有利于公司积累在弧门操作方面的经验，提高集团公司在水电站运营上的管理水平，顺利解决弧形闸门远程全关不到位的问题，为公司创造了较大的经济效益，同时也带动了广大员工的创新，对实现公司打造强有力的运维团队具有积极作用。参考文献1 杨朋林，赵成萍，施一潭.基于 PLC 的闸门自动控制系统的设计与实现 J.中国测试技术，2006，32（5）：107-109.2 杨丽娜，高杰.石佛寺水库防洪检修闸门调度运行方案可行性分析 J.水利规划与设计，2016（2）：80-82，85.3 吴芳.水闸辅助设计系统开发与多方案模拟选优 J.水利规划与设计，2017（10）：132-134.