基于改進YOLOv7的電力設備紅外過熱缺陷檢測方法

林麗霞 吳悅園

基于改進YOLOv7的電力設備紅外過熱缺陷檢測方法

林麗霞 吳悅園

（廣東電網有限責任公司湛江供電局，廣東 湛江 524000）

電力設備運行時發生過熱缺陷容易引起電氣故障，嚴重威脅電力設備安全運行。為了有效監測電力設備運行狀態，提出一種基于改進YOLOv7的電力設備紅外過熱缺陷檢測方法。采用YOLOv7目標檢測網絡作為基礎檢測網絡，使用CIoU衡量矩形框的損失，同時將原網絡的空間金字塔池化-跨階段局部網絡（SPPCSPC）結構替換為快速空間金字塔池化-跨階段局部網絡（SPPFCSPC）結構對模型進行改進，以增大模型感受野并提升對過熱缺陷的檢測性能。實驗結果表明，基于改進YOLOv7的檢測方法的準確率達到90.39%、召回率達到78.95%、平均正確率達到89.64%，可為電力設備過熱缺陷紅外檢測提供參考。

電力設備；紅外圖像；缺陷檢測；改進YOLOv7

0 引言

作為電力系統的重要組成部分，電力設備的安全穩定性是電力系統運行的基石[1-2]，其運行狀態直接關系到供電的可靠性、安全性和持續性。過熱缺陷是電力設備最常見的缺陷類型，及時識別出電力設備過熱缺陷并采取措施進行檢修，對保證電力系統的安全穩定運行具有重要意義[3-4]。

目前，電力設備過熱缺陷檢測主要通過人工對電力設備紅外圖像進行分析與判斷，存在耗時長、工作量大等問題[5]。近年來，快速發展的深度學習方法不依靠人工提取圖像特征，憑借泛化性強、精度高與檢測速度快等優點在電力設備過熱缺陷檢測領域得到大范圍應用[6-10]。文獻[6]提出一種變電設備熱缺陷的分類識別方法，采用卷積核分解技術、多尺度卷積特征融合方法與基于約束改進的貝葉斯優化算法，對殘差網絡進行參數自調整，模型的熱缺陷狀態識別準確率達到94.53%。文獻[7]搭建了改進的單發多框檢測（single shot multibox detector, SSD）目標檢測網絡，對具有異常發熱區域的電力設備紅外圖像進行識別，在測試集上的識別準確率達到71.54%。文獻[8]引入帶色彩恢復的多尺度視網膜增強算法（multi-sccale retinex with color restore, MSRCR）與focal loss損失函數對YOLOv4（you only look once v4）目標檢測算法進行改進，基于超像素分割方法對電力設備過熱缺陷進行診斷，準確率達到87.8%。文獻[9]采用改進的具有特征細化的旋轉物體精細化單級檢測器（refined single-stage detector with feature refinement for rotating object, R3Det）與更快的區域卷積神經網絡（faster region convolu- tional neural network, Faster RCNN）目標檢測算法，通過自動關聯同類設備、計算設備溫差實現了電力設備電壓致熱型缺陷的檢測，準確率達到81.39%。文獻[10]采用基于區域的全卷積網絡（region-based fully convolutional network, R-FCN）算法與掩膜區域神經網絡（mask region-based convolutional neural network, Mask RCNN）算法分別對電力設備進行識別定位與設備結構劃分，通過提取不同區域之間的溫度信息對過熱區域進行準確診斷。

目前，電力設備過熱缺陷的熱圖像檢測方法主要通過提取溫度特征信息進行診斷，直接在紅外圖像中進行過熱缺陷的檢測與定位仍存在準確率不高的問題。紅外圖像中過熱缺陷特征尺度大小不一，在圖像中占比小，以往模型難以在復雜的紅外背景環境下準確提取出過熱缺陷的有效圖像特征信息。

因此，本文提出一種基于改進YOLOv7（you only look once v7）的電力設備紅外過熱缺陷目標檢測方法。首先，使用多尺度馬賽克數據增強方法對圖像進行數據擴充，通過多尺度變換電力設備過熱缺陷的特征尺度大小，增加模型的檢測魯棒性。其次，構建YOLOv7目標檢測模型，使用CIoU（complete intersection over union）衡量矩形框的損失，同時引入快速空間金字塔池化（spatial pyramid pooling-fast, SPPF）及跨階段局部網絡（cross-stage partial channel, CSPC）模塊相結合的SPPFCSPC結構對模型進行改進，通過增大模型感受野，提高模型在復雜背景環境下對過熱缺陷特征信息的提取能力。改進YOLOv7過熱缺陷檢測模型如圖1所示，使用訓練后的YOLOv7目標檢測模型實現對電力設備紅外過熱缺陷的檢測。

圖1 改進YOLOv7過熱缺陷檢測模型

1 YOLOv7目標檢測算法

YOLOv7[11]是一種基于錨框的單階段目標檢測算法，使用不同大小和形狀的錨框對目標進行回歸和分類。模型具體可分為主干特征提取網絡、特征融合網絡及檢測頭（YOLO Head）這3個部分。YOLOv7使用創新的高效層聚合網絡（efficient layer aggregation networks, ELAN）結構、最大池化MaxPool與普通卷積相結合的MP結構、空間金字塔池化（spatial pyramid pooling, SPP）及CSPC相結合的SPPCSPC結構與重參數化（re-parameterized, REP）模塊，同時通過優化訓練策略，可實現對復雜物體的準確檢測。

1.1 主干特征提取網絡

紅外圖像輸入尺寸設為640×640，經過主干特征提取網絡Backbone后，傳輸到4個CBS模塊進行尺寸與通道數的變換，特征層由3通道變成128通道，其中，CBS模塊由卷積層（conv）、批量正則化（batch normalization, BN）層和激活函數（sigmoid linear unit, SiLU）層組成。之后依次通過ELAN與MP結構，提取出80×80×512、40×40×512及20×20×1 024三個不同尺度大小的有效特征層。SPPCSPC結構位于主干特征提取網絡的最后一個ELAN結構后，通過將輸入特征并行通過卷積核為5×5、9×9、13×13大小的最大池化（maxpool）層，可有效增大網絡的感受野。

1.2 特征融合網絡

YOLOv7中的特征融合網絡從不同尺度的特征圖中提取豐富的語義信息，通過在不同層之間添加上采樣層和跨層連接來實現多個尺度的特征圖融合，以提高檢測的準確性和穩定性。其中，上采樣層將較低分辨率的特征圖上采樣到與較高分辨率的特征圖相同的大小，以保留更多的空間信息?？鐚舆B接通過特征層融合模塊結構將不同層的特征圖進行融合，使網絡可以在不同尺度上進行目標檢測。ELAN-H結構中的殘差連接通過將低層的特征圖與高層的特征圖相加，使網絡可以學習殘差信息，進而提高特征的表示能力。

1.3 預測網絡

YOLOv7的檢測頭用于對圖像提取的特征信息進行分類，是算法模型的關鍵組成部分之一。YOLOv7是基于錨框的目標檢測算法，錨框是一組預定義的邊界框，用于表示不同類別的目標，通過與錨框進行匹配，可以準確地預測目標的位置和類別。檢測頭采用三個不同尺度的特征圖來檢測不同大小的目標，每個尺度的特征圖都會生成一組邊界框，每個邊界框都包含一個目標的位置和類別信息，使模型能夠檢測到不同大小的目標，并且在處理密集目標時表現出色。同時，非極大值抑制技術可以提高檢測的準確性，消除重疊的邊界框。

2 模型訓練優化方法

2.1 多尺度馬賽克數據增強

深度學習的數據增廣是一種通過對原始圖像數據進行變換和擴充，從而生成新的訓練樣本的技術。深度學習模型通常需要大量的訓練數據來學習有效的特征和提高泛化能力，而數據增廣在深度學習任務中可以有效增加訓練數據量，還可以緩解過擬合問題，提升模型的泛化能力。

傳統馬賽克數據增強將4張圖片隨機拼接到一張馬賽克圖片上，并進行灰邊填充。為進一步平衡數據分布和增強魯棒性，改善深度學習模型的性能和效果，本文采用一種融合圖像翻轉、裁剪、縮放、角度旋轉與馬賽克增強的多尺度馬賽克數據增強（multi-scale mosaic, MS-Mosaic）方法。首先通過引入隨機性和變換操作，對數據集圖像進行圖像增廣方式的隨機組合變換，擴充基礎圖像，然后將擴充后的基礎圖像在一張馬賽克圖像中進行12張圖像的隨機組合。MS-Mosaic方法在減少填充面積的同時，可以幫助模型學習更一般化的特征，降低過擬合的風險。MS-Mosaic數據增廣圖像如圖2所示，經過處理后的圖片中，發熱缺陷的尺寸會更接近小目標的尺寸。

圖2 MS-Mosaic數據增廣圖像

2.2 CIoU損失函數

CIoU損失函數是一種用于目標檢測算法的損失函數，主要用于衡量候選邊界框與真實邊界框之間的相似度。與傳統IoU（intersection over union）損失函數相比，CIoU損失函數考慮了邊界框之間的空間位置和形狀信息，能夠更準確地衡量兩個邊界框之間的相似程度，可用于訓練模型以提高目標檢測的準確性。此外，CIoU損失函數同時考慮了兩框的寬高比，將重疊面積、中心點距離、寬高比同時加入計算，綜合考慮邊界框的相似度和歐氏距離兩個因素，在損失函數中引入位置相關的懲罰項，從而達到加速優化訓練的收斂速度和保證穩定性的目的。損失函數為

2.3 SPPFCSPC結構

變電站環境復雜，遮擋較多，同時紅外圖像中電力設備遠近不一、大小不一，模型難以采集到具體有效特征。SPP結構的作用是提高全局感受野，提升模型有效特征提取能力，幫助模型在復雜環境中分離出電力設備過熱缺陷，增強模型對電力設備過熱缺陷的檢測能力。原網絡的SPPCSPC結構并行經過5×5、9×9、13×13的最大池化，通過特征層融合模塊結構進行通道的堆疊。圖3所示的SPPFCSPC結構結合了SPPF思想，采用串聯經過3個5×5大小的最大池化的改進方法，可使模型輸入與輸出特征尺寸不發生變化，同時有效降低池化尺度的計算成本，提高模型檢測效率。

圖3 SPPFCSPC結構

3 實驗研究

3.1 電力設備紅外過熱缺陷圖像數據集

根據某變電站所拍攝的紅外圖像及互聯網電力設備紅外圖像共同搭建電力設備紅外過熱缺陷目標檢測數據集，通過MS-Mosaic數據增廣方式對圖像進行擴充。增廣后紅外圖像樣本共1 906張，使用Labelimg標簽工具軟件，按照PASCAL VOC數據集格式要求對電力設備圖像進行標注，在標注過程中，僅對電力設備過熱缺陷進行標注，其中過熱缺陷目標的標簽設為“abnormal”，得到包含過熱區域的中心點坐標（,）與標注框寬度、高度（,）信息的xml文件。

3.2 實驗配置與模型參數

基于Visual Studio Code 2016開發軟件，開展電力設備紅外過熱缺陷目標檢測，實驗環境配置見表1。

對紅外圖像進行圖像歸一化，設置為640×640像素大小。使用改進后的YOLOv7網絡對VOC圖像數據集進行預訓練，遷移預訓練權重，采用分階段訓練方法。模型訓練參數見表2，兩個階段的訓練輪次均為50，總計訓練100輪，數據集中訓練集與測試集的比例為9:1，訓練集中選出10%作為驗 證集。

表1 實驗環境配置

表2 模型訓練參數

3.3 評估指標

采用準確率（precision）、召回率（recall），平均準確率（average precision, AP）作為模型的評估指標，其中準確率與召回率的計算式分別為

式中：P為正確檢測為正樣本的數量；P為被錯誤檢測為正樣本的數量；N為被錯誤檢測為負樣本的數量。

AP為準確率與召回率組成的-曲線與坐標軸所圍成的面積。AP值越大，算法對檢測目標的檢測效果越好。

3.4 實驗結果分析

為驗證模型的最優邊界框損失函數，分別與目前主流的邊框損失函數方法進行對比。其中，邊框損失函數分別為GIoU（generalized intersection over union）、DIoU（distance intersection over union）、CIoU與CIoU-alpha。不同損失函數下模型損失曲線如圖4所示，結果表明，模型在100輪后基本收斂，采用CIoU損失函數時，模型的收斂效果最優。

圖4 不同損失函數下模型損失曲線

對測試集中的圖像進行發熱缺陷檢測，不同損失函數下模型檢測結果見表3。檢測準確率最高的為CIoU-alpha損失函數，達到91.49%，但召回率為最低，僅為70.05%，AP值為86.62%；GIoU與DIoU檢測效果接近，優于CIoU-alpha損失函數，但均弱于CIoU損失函數；CIoU損失函數檢測召回率達到79.07%，同時準確率也維持在較高水平，達到90.27%，AP值為89.23%。

表3 不同損失函數下模型檢測結果

在采用CIoU損失函數的基礎上，進一步添加SPPFCSPC結構對模型進行改進，并與初始YOLOv7-L，YOLOv7-X網絡進行對比，不同方法的檢測結果見表4。YOLOv7-L的準確率為87.52%，召回率為73.81%，AP值為86.02%；初始YOLOv7-X的準確率為90.33%，召回率為78.45%，AP值為88.95%，整體檢測效果優于YOLOv7-L。在YOLOv7-X算法模型的基礎上，改進邊框損失函數為CIoU后，召回率與AP值均有所提升。進一步添加SPPFCSPC結構后，模型在所用數據集上的檢測準確率達到90.39%，召回率達到78.95%，AP值達到89.64%。

表4 不同方法檢測結果

本文的改進YOLOv7目標檢測模型對紅外圖像中電力設備發熱缺陷目標檢測效果良好。電力設備過熱缺陷檢測結果如圖5所示，可以看出，所提模型能準確檢測出紅外圖像中過熱缺陷所在的位置，模型檢測框的置信度均為0.80以上，對不同尺度大小的過熱缺陷在不同背景復雜程度下的紅外圖像也有較好的檢測效果。

圖5 電力設備過熱缺陷檢測結果

4 結論

1）通過電力設備過熱缺陷紅外數據集進行算例實驗，結果表明本文模型能夠有效檢測電力設備過熱缺陷，準確率為90.39%，召回率為78.95%，AP值為89.64%，具有良好的識別效果。

2）參照檢測準確率、召回率與AP值，與不同損失函數、不同尺度算法模型進行對比分析，結果表明本文改進方法能有效提升過熱缺陷檢測性能。

3）經過變電站復雜場景檢測驗證，所提方法具有較高的檢測精度，可為電力設備過熱缺陷紅外檢測提供參考。

[1] 律方成, 牛雷雷, 王勝輝, 等. 基于優化YOLOv4的主要電氣設備智能檢測及調參策略[J]. 電工技術學報, 2021, 36(22): 4837-4848.

[2] 葉劍濤, 楊為, 柯艷國, 等. 基于紅外圖像實例分割的敞開式開關設備發熱缺陷智能診斷方法[J]. 高壓電器, 2021, 57(12): 201-208.

[3] 陳同凡, 劉云鵬, 裴少通. 基于改進YOLOv3的電力設備紅外診斷方法[J]. 廣東電力, 2021, 34(6): 21-29.

[4] 劉建月, 張志東. 一起避雷器爆炸事故分析[J]. 電氣技術, 2023, 24(7): 73-76.

[5] 臧國強, 劉曉莉, 徐穎菲, 等. 深度學習在電力設備缺陷識別中的應用進展[J]. 電氣技術, 2022, 23(6): 1-7.

[6] 王有元, 李后英, 梁玄鴻, 等. 基于紅外圖像的變電設備熱缺陷自調整殘差網絡診斷模型[J]. 高電壓技術, 2020, 46(9): 3000-3007.

[7] 王旭紅, 李浩, 樊紹勝, 等. 基于改進SSD的電力設備紅外圖像異常自動檢測方法[J]. 電工技術學報, 2020, 35(增刊1): 302-310.

[8] 張雨明. 基于深度學習的電力設備紅外圖像異常檢測研究[D]. 西安: 西安建筑科技大學, 2022.

[9] 李文璞, 毛穎科, 廖逍, 等. 基于旋轉目標檢測的變電設備紅外圖像電壓致熱型缺陷智能診斷方法[J].高電壓技術, 2021, 47(9): 3246-3253.

[10] 托婭, 王偉, 毛華敏, 等. 基于機器學習的電力設備故障紅外智能診斷方法[J]. 河南理工大學學報(自然科學版), 2022, 41(5): 121-126.

[11] WANG C Y, BOCHKOVSKIY A, LIAO H Y M, et al. YOLOv7: trainable bag-of-freebies sets new state- of-the-art for real-time object detectors[C]//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Vancouver, BC, Canada, 2023: 7464-7475.

Infrared overheating defect detection method for power equipment based on improved YOLOv7

LIN Lixia WU Yueyuan

(Zhanjiang Power Supply Bureau of Guangdong Power Grid Co., Ltd, Zhanjiang, Guangdong 524000)

Overheating defects in power equipment during operation can easily cause electrical faults, posing a serious threat to the safe operation of power equipment. In order to effectively monitor the operation status of power equipment, a method for detecting infrared overheating defects in power equipment based on improved you only look once v7 (YOLOv7) is proposed. YOLOv7 object detection network is used as the basic detection network, and the loss of rectangular boxes is measured by using complete intersection over union (CIoU). At the same time, the spatial pyramid pooling-cross-stage partial channel (SPPCSPC) structure is replaced by the spatial pyramid pooling-fast-cross-stage partial channel (SPPFCSPC) structure of the original network to improve the model, while increasing the receptive field of the model and improving the overheating defects detection performance. The experimental results show that the precision rate of this method based on improved YOLOv7 reaches 90.39%, the recall rate reaches 78.95%, and the average precision value reaches 89.64%, which can provide technical reference for infrared detection of overheating defects in power equipment.

power equipment; infrared image; defect detection; improved YOLOv7

2023-08-30

2023-10-28

林麗霞（1989—），女，海南省儋州市人，本科，工程師，主要從事電氣設備電氣試驗與檢測工作。