【關(guān)鍵詞】圖像去霧；鐵路電力巡檢；YOLOv8；深度學(xué)習(xí)；目標(biāo)檢測(cè)；鳥(niǎo)窩識(shí)別；自動(dòng)化檢測(cè)系統(tǒng)

引言

隨著鐵路運(yùn)輸在我國(guó)經(jīng)濟(jì)和社會(huì)發(fā)展中的重要性日益增加，確保鐵路電力系統(tǒng)的可靠運(yùn)行變得至關(guān)重要。特別是每年1月至5月，大量鳥(niǎo)類開(kāi)始筑巢，導(dǎo)致鐵路電力巡檢面臨嚴(yán)峻挑戰(zhàn)。[1]傳統(tǒng)的鐵路電力巡檢主要依賴人工視覺(jué)檢查，應(yīng)對(duì)大規(guī)模的鐵路網(wǎng)絡(luò)，這種方法效率低且在惡劣天氣條件下難以實(shí)施。鑒于此，本研究旨在開(kāi)發(fā)一種創(chuàng)新的自動(dòng)化解決方案，結(jié)合先進(jìn)的圖像去霧技術(shù)和深度學(xué)習(xí)算法，以提高鐵路電力系統(tǒng)巡檢的效率和準(zhǔn)確性。研究特別關(guān)注于復(fù)雜環(huán)境、低能見(jiàn)度條件下，鐵路接觸網(wǎng)設(shè)備上的鳥(niǎo)窩識(shí)別問(wèn)題。本研究設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)集成了可學(xué)習(xí)雙邊引導(dǎo)圖像去霧模型和YOLOv8目標(biāo)檢測(cè)算法的模型。該模型能有效地從大霧中恢復(fù)圖像的清晰度，并準(zhǔn)確地識(shí)別出鳥(niǎo)窩位置。與傳統(tǒng)的巡檢方法相比，本模型在處理速度和識(shí)別準(zhǔn)確性方面都展現(xiàn)出顯著的優(yōu)勢(shì)。

一、本研究使用方法及過(guò)程

（一）本研究模型流程

在本研究中，將YOLOv8目標(biāo)檢測(cè)模型與去霧模型結(jié)合應(yīng)用，以提升在復(fù)雜氣象條件下的識(shí)別準(zhǔn)確性。首先，去霧模型處理圖像，增強(qiáng)其清晰度，為YOLOv8提供高質(zhì)量輸入。YOLOv8在清晰的圖像上執(zhí)行目標(biāo)檢測(cè)，其準(zhǔn)確率由于去霧處理而得到顯著提升。這種整合充分發(fā)揮了兩種技術(shù)的優(yōu)勢(shì)，使得在低能見(jiàn)度條件下仍能保持高效的鳥(niǎo)窩識(shí)別性能。

（二）去霧模型設(shè)計(jì)與工作原理

1.現(xiàn)有去霧技術(shù)及理論回顧

去霧模型的設(shè)計(jì)其中一個(gè)關(guān)鍵概念是顏色映射機(jī)制。這個(gè)機(jī)制可以通過(guò)以下步驟來(lái)實(shí)現(xiàn)，同時(shí)還借鑒了現(xiàn)有文獻(xiàn)中的方法：

首先，利用低分辨率的輸入圖像和相應(yīng)的輸出圖像來(lái)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，目的是預(yù)測(cè)雙邊空間中局部仿射模型的系數(shù)。這個(gè)訓(xùn)練過(guò)程旨在使模型能夠?qū)W習(xí)如何將輸入圖像的顏色平滑地映射到輸出圖像的顏色，同時(shí)保持圖像的細(xì)節(jié)邊緣和紋理信息。[2]確定了這些局部仿射模型的系數(shù)后，它們可以用于處理全分辨率的輸入圖像。在這個(gè)過(guò)程中，采用了切片節(jié)點(diǎn)進(jìn)行上采樣，以確保圖像的邊緣保持清晰。此外，通過(guò)引入多個(gè)引導(dǎo)矩陣的策略，這些矩陣協(xié)助仿射雙邊網(wǎng)格更有效地恢復(fù)高質(zhì)量的圖像，并在去霧過(guò)程中提供更豐富的顏色和紋理信息。[3]這一方法的關(guān)鍵創(chuàng)新之處在于將深度卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于構(gòu)建仿射雙邊網(wǎng)格，從而在去霧過(guò)程中保留圖像的細(xì)節(jié)邊緣和紋理信息，同時(shí)引入多引導(dǎo)矩陣策略以進(jìn)一步提高圖像的質(zhì)量。

2.本研究去霧模型設(shè)計(jì)

本模型使用雙邊網(wǎng)格策略，以考慮圖像中即使在視覺(jué)上相近的鄰近像素在雙邊空間的距離上可能相差很遠(yuǎn)的情況。它的核心思想是通過(guò)一組仿射函數(shù)來(lái)預(yù)測(cè)并復(fù)原圖像的清晰結(jié)構(gòu)和細(xì)節(jié)邊緣。模型的架構(gòu)分為三個(gè)處理分支：

上分支：將原始圖像降低分辨率后，經(jīng)過(guò)兩個(gè)不同配置的U-Net網(wǎng)絡(luò)生成兩個(gè)深度不同的雙邊網(wǎng)格，以適應(yīng)不同強(qiáng)度的圖像特征。

中分支：對(duì)原始圖像進(jìn)行處理后，將其上采樣回原始分辨率，為最終的仿射變換做準(zhǔn)備。

下分支：專注于制造仿射變換的引導(dǎo)圖，將原始彩色圖像分解為三個(gè)單色通道圖像，并提取特征，形成制導(dǎo)圖。

模型的關(guān)鍵步驟是將下分支的制導(dǎo)圖與上分支的雙邊網(wǎng)格結(jié)合，通過(guò)雙邊網(wǎng)格參數(shù)對(duì)制導(dǎo)圖進(jìn)行插值，生成不同深度的仿射系數(shù)矩陣。這些系數(shù)矩陣用于指導(dǎo)中分支處理后的圖像進(jìn)行逐像素的仿射變換。最后，中間結(jié)果與輸入的有霧圖像融合，輸出最終的去霧圖像。

（三）去霧模型數(shù)據(jù)收集與預(yù)處理

在本研究中，采用4KID數(shù)據(jù)集進(jìn)行訓(xùn)練，這是一個(gè)專門為圖像去霧任務(wù)設(shè)計(jì)的數(shù)據(jù)集。它包含從100個(gè)不同手機(jī)拍攝的4K分辨率視頻片段中提取的共計(jì)10000幀圖像，每幀圖像都配對(duì)有其對(duì)應(yīng)的有霧和清晰版本。數(shù)據(jù)集的構(gòu)建采取了兩種方法擴(kuò)充有霧圖像：基于物理模型的合成：依據(jù)大氣球面散射模型，合成模擬有霧的圖像。

基于參數(shù)變化的生成：通過(guò)改變大氣光照條件和散射系數(shù)的數(shù)值，隨機(jī)生成一系列不同程度霧霾效果的圖像。

為了適應(yīng)實(shí)驗(yàn)設(shè)備的算力限制，原始圖像從4K分辨率被重新縮放到480x270或960x540的固定大小。實(shí)驗(yàn)中使用的是12488張訓(xùn)練圖像和2270張測(cè)試圖像，包括有霧和無(wú)霧版本。本研究報(bào)告將主要展示使用960x540分辨率圖像進(jìn)行訓(xùn)練的結(jié)果，這一分辨率更適合本研究的深度學(xué)習(xí)模型，同時(shí)能保證圖像質(zhì)量和處理速度之間的平衡。

（四）YOLOv8目標(biāo)識(shí)別算法在本研究中的應(yīng)用

YOLOv8是目前領(lǐng)先的目標(biāo)檢測(cè)模型。在本研究中，采用了由真實(shí)拍攝的鳥(niǎo)窩圖像組成的數(shù)據(jù)集，包括2241張用于訓(xùn)練和581張用于驗(yàn)證的圖像。為了優(yōu)化模型在多變現(xiàn)實(shí)環(huán)境下的表現(xiàn)，對(duì)數(shù)據(jù)進(jìn)行了預(yù)處理，包括對(duì)圖像進(jìn)行旋轉(zhuǎn)和添加椒鹽噪聲。此外，所有圖像均經(jīng)過(guò)Letterbox方法處理，統(tǒng)一調(diào)整至640x640像素的分辨率，確保圖像在模型訓(xùn)練中的一致性和有效性。最后通過(guò)YOLOv8在清晰的圖像上執(zhí)行目標(biāo)檢測(cè)，使得在低能見(jiàn)度條件下仍能保持高效的鳥(niǎo)窩識(shí)別性能。

（五）實(shí)驗(yàn)環(huán)境及性能評(píng)估

在本次實(shí)驗(yàn)中注重合適的實(shí)驗(yàn)設(shè)置和配置，為確保實(shí)驗(yàn)的準(zhǔn)確性和可重復(fù)性選擇高性能的算力云平臺(tái)，使用RTXA4000顯卡，并使用了PyTorch 1.11和Python 3.8作為主要工具。此外，還設(shè)置了Cuda 11.3以優(yōu)化GPU加速效率。這些設(shè)置和配置為實(shí)驗(yàn)提供了強(qiáng)大的計(jì)算資源和穩(wěn)定的開(kāi)發(fā)環(huán)境[4]。同時(shí)研究使用多種評(píng)估指標(biāo)來(lái)量化所提出的方法的性能和效果。這些指標(biāo)旨在衡量去霧模型和YOLOv8目標(biāo)檢測(cè)算法在復(fù)雜氣象條件下的性能。以下是本研究使用的主要評(píng)估指標(biāo)：

1.去霧效果評(píng)價(jià)指標(biāo)

（1）峰值信噪比PSNR：

峰值信噪比用于衡量?jī)蓮垐D像之間差異。給定大小為m×n干凈圖像Ι和噪聲圖像K，其中MSE是均方誤差，MAXΙ表示圖像Ι的最大像素值。兩張圖像的峰值信噪比可按照以下方式求出：

（2）結(jié)構(gòu)相似性SSIM：

結(jié)構(gòu)相似指標(biāo)是一種衡量?jī)煞鶊D像相似度的指標(biāo)。其中μχ是χ的平均值，μy 是 y 的平均值， 是 x的方差， 是y的方差， 是x和y的協(xié)方差。 ， 是用來(lái)維持穩(wěn)定的常數(shù)。L是像素值的動(dòng)態(tài)范圍。兩張圖像的結(jié)構(gòu)相似性可按照以下方式求出：

實(shí)驗(yàn)結(jié)果表明，本研究目前訓(xùn)練出的模型在4KID數(shù)據(jù)集上的性能表現(xiàn)：PSNR上升11.73，SSIM上升0.087，均優(yōu)于UHD模型的論文中所報(bào)告的結(jié)果，這不僅僅是由于實(shí)驗(yàn)配置的不同所導(dǎo)致的。研究團(tuán)隊(duì)認(rèn)為，這一性能提升反映了本研究模型在去霧任務(wù)上的有效性和創(chuàng)新之處。團(tuán)隊(duì)將繼續(xù)深入研究以驗(yàn)證和解釋這些結(jié)果，并期待在未來(lái)的研究中進(jìn)一步拓展本模型性能。

3.目標(biāo)檢測(cè)性能指標(biāo)：

精確度： 表示檢測(cè)正確的正樣本占所有被檢測(cè)為正樣本的比例。

F1分?jǐn)?shù)： 是精確度和召回率的調(diào)和平均值，用于綜合考慮精確度和召回率。

置信度閾值： 用于決定檢測(cè)結(jié)果是否被視為正樣本的閾值。

Yolov8模型輸出了F1-置信度曲線和精確度-置信度曲線。從精確度置信度曲線表明當(dāng)置信度閾值在0.831時(shí)，模型達(dá)到了所有類別近乎完美的精確度。這表示模型在高置信度閾值下非常有信心地做出準(zhǔn)確的預(yù)測(cè)。而從F1-置信度曲線表明在約0.494的置信度閾值下，模型達(dá)到了所有類別的高F1分?jǐn)?shù)0.99。這意味著模型在此置信度閾值下實(shí)現(xiàn)了精確度和召回率之間良好的平衡。

本模型在鳥(niǎo)巢檢測(cè)任務(wù)上表現(xiàn)出色，特別是在高置信度閾值下達(dá)到了完美的精確度，并且在較低置信度閾值時(shí)也保持了非常高的F1分?jǐn)?shù)。這些結(jié)果表明，本模型在保持高精確度的同時(shí)，能夠有效地平衡召回率，確保了檢測(cè)性能的優(yōu)越性。

二、實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)結(jié)果圖展示了本研究模型的三個(gè)階段的處理過(guò)程。在第一階段，是因大霧而模糊的鐵路接觸網(wǎng)設(shè)備圖。第二階段展示了經(jīng)過(guò)去霧模型處理后的圖像，此時(shí)大霧已經(jīng)清除，鐵路設(shè)備的圖像變得更加清晰和銳利。在最終階段，模型進(jìn)行目標(biāo)識(shí)別并顯示了鳥(niǎo)窩，并為每個(gè)檢測(cè)到的鳥(niǎo)窩分配了置信度評(píng)分，分別為0.72、0.77、0.80和0.83。這一過(guò)程展示了模型在大霧條件下改善能見(jiàn)度的能力，以及其在清晰圖像中檢測(cè)特定對(duì)象的能力。

研究結(jié)論

本研究成功開(kāi)發(fā)了一種基于可學(xué)習(xí)雙邊引導(dǎo)去霧模型和YOLOv8目標(biāo)檢測(cè)算法的新型解決方案，用于鐵路電力系統(tǒng)的巡檢。在復(fù)雜氣象條件下，該模型精確識(shí)別和評(píng)分鳥(niǎo)窩位置，顯著提高了檢測(cè)性能。實(shí)驗(yàn)結(jié)果表明，在大霧環(huán)境下，該模型有效恢復(fù)圖像清晰度，提供更高對(duì)比度的圖像，顯著提升了鐵路巡檢的效率和準(zhǔn)確性。深入分析和測(cè)試顯示，本模型在去霧效果方面表現(xiàn)出色，尤其在處理復(fù)雜環(huán)境條件時(shí)。此外，它在不同置信度閾值下展現(xiàn)出卓越的適應(yīng)性，既能在高置信度下保持精確度，又能在低置信度下維持高F1分?jǐn)?shù)，呈現(xiàn)出色的平衡性，這對(duì)于自動(dòng)化監(jiān)控系統(tǒng)至關(guān)重要。

本研究的模型融合了去霧技術(shù)和目標(biāo)檢測(cè)算法，為鐵路電力巡檢技術(shù)的發(fā)展帶來(lái)了新的可能性，提高了技術(shù)水平，也為未來(lái)圖像處理技術(shù)的應(yīng)用和發(fā)展提供了堅(jiān)實(shí)的基礎(chǔ)。希望這一研究成果能夠積極影響鐵路電力巡檢的高效性和準(zhǔn)確性，并在實(shí)際應(yīng)用中取得顯著成果，為鐵路運(yùn)輸?shù)陌踩峁┯辛χС帧?/p>