- 頭條廣西大學鄭含博、李金恒 等：自動檢測電力設備紅外目標的方法2021-08-16 作者：鄭含博 李金恒 等 | 來源：《電工技術學報》 | 點擊率：導語本文對YOLOv3模型的網絡架構及損失函數進行了改進，以實現對電力設備紅外圖像快速準確地識別與檢測。與幾種主流檢測模型在電力設備紅外數據集上進行了實驗對比，表明了改進后的模型不僅能以最高的準確率識別出紅外圖像中的電力設備，而且能快速精確地定位到設備所在位置，為后續電力設備的帶電檢測評估與智能狀態診斷奠定了基礎。
團隊介紹
鄭含博，副教授，研究生導師。全國絕緣材料標準化技術委員會（SAC/TC 51）委員，中國電工技術學會人工智能及電氣應用專委會委員，IEEE Std C57.93標準修訂工作組秘書，IEEE PES中國區電動汽車服務與運營技術分委會常務理事，中國電機工程學會、電工技術學會高級會員，美國田納西大學Visiting Scholar，國際期刊Advances in Fuzzy Systems客座主編。
主要從事電氣設備狀態監測與故障智能診斷、電工絕緣新材料、智能配電網及新能源應用等研究。近三年主持國家自然科學基金、廣西自然科學基金、國家重點實驗室、電網公司及企業等科技項目10余項。主要參與起草和制定IEEE國際標準及國家標準、能源及電力行業標準等8項。獲省部級科技進步二等獎1項、電網公司科技進步獎勵7項，在IEEE Trans.等公開發表學術論文60余篇，已授權國家發明專利10余項、實用新型專利30余項，合作出版著作5部。國家自然科學基金及本專業領域多份國際期刊通信評審專家。
李金恒，碩士研究生，研究方向包括電氣設備的智能檢測、診斷與智能終端開發等。參與廣西科技基地和人才專項課題（基于紅外熱像分析的電力設備狀態信息智能識別）及廣西自然科學基金等。
本文對YOLOv3模型的網絡架構及損失函數進行了改進，以實現對電力設備紅外圖像快速準確地識別與檢測。與幾種主流檢測模型在電力設備紅外數據集上進行了實驗對比，表明了改進后的模型不僅能以最高的準確率識別出紅外圖像中的電力設備，而且能快速精確地定位到設備所在位置，為后續電力設備的帶電檢測評估與智能狀態診斷奠定了基礎。
研究背景
電力設備的異常工作狀態和絕緣劣化極有可能導致局部熱量積聚，從而誘發設備出現故障。紅外熱成像技術提供了一種非接觸的檢測方式來獲取電力設備的熱狀態信息，使電力設備的狀態檢測能在不停電的情況下進行。圖1展示了電力設備的紅外圖像。
但目前對電力設備紅外圖像數據的分析與診斷仍需依賴經驗豐富的電力工程師，這無疑消耗了大量的人力和時間成本，極大降低了電力設備狀態檢測與診斷的效率。因此有必要研究更快、更準確的電力設備狀態自動檢測方法，而對設備快速精確地定位及識別是實現其自動檢測與診斷的前提和關鍵。
圖1 不同場景下電力設備的紅外圖像
論文方法及創新點
本文主要對YOLOv3模型的輸入端、骨干網絡、頸部及檢測頭分別進行了改進，首先是網絡結構的兩處改進：
1）在YOLOv3骨干網絡DarkNet53的每個殘差塊中加上跨階段局部模塊（CSP），CSP模塊能有效提升卷積神經網絡的學習能力，減少計算量，在輕量化的同時進一步提高模型的分類精度；
2）在原模型的特征金字塔網絡（FPN）后加入自底向上的特征融合模塊路徑聚合網絡（PAN），PAN是對FPN的補充，它能較好地保存淺層特征信息，自底向上傳遞強定位特征。
FPN與PAN的組合模塊能從不同的主干層對不同的檢測層進行參數聚合，進一步提高了檢測模型的特征提取能力。除此之外，本文還在模型的輸入端增加了Mosaic技術，以增強模型的訓練效果；CIoU損失函數被用作新模型檢測頭部分的定位損失，能讓模型在邊框回歸時取得更好的收斂速度和精度。改進后的模型架構如圖2所示。
圖2 改進YOLOv3模型的網絡架構
為了驗證本文模型的有效性，分別將Faster R-CNN、SSD、YOLOv3和本文提出的模型在四類電力設備紅外數據集上進行測試評估。在上述四種模型的訓練開始階段，均采用遷移學習來初始化模型的權重，以加速模型的訓練并提高模型的性能。圖3顯示了提出方法在訓練過程中平均損失值（Avg_loss）與平均精度均值（mAP）隨迭代次數（Iterations）增加而變化的曲線圖。
圖3 訓練期間的平均損失曲線和mAP曲線
表1給出了4種模型在不同閾值下（IoU=0.5和0.75）測試相同數據集得到的AP、mAP和FPS三個指標的比較結果。
表1 不同檢測模型的測試結果
圖4展示了本文模型在隨機挑選的測試集圖像上的檢測結果。可以看出，提出模型不僅能在特定場景下精確地檢測到設備目標，而且在目標重疊、背景遮擋以及復雜背景環境情況下（如圖4（c）、4（e）、4（f）），均能以較高的準確率預測設備類別，并精確地定位到設備所在位置。
圖4 提出方法在測試集中部分圖像的檢
總結
文章提出了一種改進YOLOv3的電力設備紅外圖像檢測新模型。通過對原模型的輸入端、骨干網絡、頸部及檢測頭四部分進行改進，提高了模型的訓練效果及檢測準確率；將原定位損失替換為CIoU損失，使模型在邊框回歸時獲得更好的收斂速度和精度，產提高了模型定位精度。
最后在構建的電力設備紅外數據集上進行訓練和測試，驗證了提出方法不僅能準確識別電力設備類別，而且能快速精確地定位到設備所在位置，為后續電力設備的智能狀態評估與診斷奠定了基礎。
引用本文
鄭含博， 李金恒， 劉洋， 崔耀輝， 平原. 基于改進YOLOv3的電力設備紅外目標檢測模型[J]. 電工技術學報， 2021, 36(7): 1389-1398. Zheng Hanbo, Li Jinheng, Liu Yang, Cui Yaohui, Ping Yuan. Infrared Object Detection Model for Power Equipment Based on Improved YOLOv3. Transactions of China Electrotechnical Society, 2021, 36(7): 1389-1398.
