基于改進YOLOv5的變電站表計缺陷檢測算法

鮑文霞,袁 牧,梁 棟,王 年,杜 翔

(1.安徽大學 電子信息工程學院,安徽 合肥 230601;2.安徽大學 互聯網學院,安徽 合肥 230039)

電力系統主要包括輸電線路、輸電塔、絕緣子和變電站表計等,這些部件長期處于極端天氣(太陽直射、強風、暴風雪、暴雨等)、高機械張力下,容易出現物理缺陷[1].變電站表計是電力系統重要的組成部分,用于監控電力設備使用情況.變電站表計外殼容易生銹,表盤也易模糊和炸裂.傳統電力系統部件缺陷檢測主要由經驗豐富的檢查員人工進行,耗時長、潛在危險大[2-3].隨著智能電網的發展,基于計算機視覺技術逐漸應用于電力系統[4].基于計算機視覺的電力系統設備缺陷檢測算法主要有以下3類:基于圖像處理、機器學習、深度學習的算法.

基于圖像處理的電力系統設備缺陷檢測[5]是根據缺陷部位與背景信息的紋理或對比度的差異等進行的.文獻[6]利用閾值對防振錘與背景進行分割,通過Hessian矩陣提高對輪廓曲率的控制能力,根據輪廓特征分段檢測防振錘.文獻[7]使用局部差分處理、邊緣強度映射和圖像融合等,增強防振錘圖像;根據RAR(rusty area ratio)和CSI(color shade index)對防振錘銹蝕程度進行分類.文獻[8]采用IULBP(improved uniform local binary patterns)對監控系統中的結冰絕緣子圖像進行紋理特征提取,通過紋理直方圖的相關系數識別不同結冰程度的絕緣子,取得了良好的識別效果.基于機器學習的電力系統設備缺陷檢測[9]是通過提取缺陷特征、使用支持向量機(support vector machine,簡稱SVM)進行的.文獻[10]利用哈爾特征和AdaBoost(adaptive boosting)級聯分類器,根據顏色特征對絕緣子進行分割,通過像素分析實現了缺陷檢測.文獻[11]提出一種新的高壓設備缺陷檢測算法,利用Alex Net(Alex Krizhevsky networks)提取高壓設備特征圖,將特征圖送入隨機森林進行訓練,該算法能判斷高壓設備是否存在缺陷,但當檢測圖像背景復雜時,難以達到預期精度.文獻[12]提出一種基于HOG(histogram of oriented gradient)和SVM 的輸電線路缺陷檢測算法,HOG用于輸電線路特征提取,SVM 用于判斷輸電線路是否存在缺陷,其平均精度可達84.3%,單幅圖像的檢測時間約為539 ms.基于深度學習的電力系統設備缺陷檢測算法[13],使用具備學習能力的卷積神經網絡(convolutional neural networks,簡稱CNN)從圖像中自主提取部件缺陷特征,有效補償人工提取特征產生的信息損失,提高了缺陷檢測的效率.文獻[14]提出一種改進的Faster R-CNN(faster region-CNN),用于檢測無人機拍攝的輸電線路中的絕緣子、防震錘和鳥巢,檢測單幅圖像的時間約為676 ms.文獻[15]提出一種基于改進RetinaNet(retina networks)的輸電線路缺陷檢測算法,該算法有較好的實時性,但精度不高.文獻[16]提出一種基于YOLO(you only look once)和SPP-Net(spatial pyramid pooling-networks)的絕緣子缺陷檢測算法,根據定位框進行裁剪,將裁剪后的圖像送入SPP-Net網絡進行缺陷檢測,檢測精度可達89%.文獻[17]提出一種基于生成對抗網絡的缺陷智能檢測算法,通過生成器和鑒別器間的相互博弈增強圖片質量,能智能識別提取準確特征,提高了檢測精度.為了解決變電站表計缺陷圖像背景復雜、目標尺寸不一、外形差別大等問題,該文提出一種基于改進YOLOv5(you only look once的第5個版本)[18]的變電站表計缺陷檢測算法,通過對比實驗證明該文算法的優越性.

1 改進的YOLOv5

YOLOv5是在YOLOv4(you only look once的第4個版本)[19]的基礎上進行改進的,檢測精度和速度顯著提高.由于變電站表計缺陷圖像背景復雜、目標尺寸不一、外形差別大,且受拍攝角度和光照強度影響較大,因此該文對YOLOv5進行改進,然后將其用于表計缺陷檢測.

1.1 改進YOLOv5s的網絡結構

該文改進YOLOv5s的網絡結構如圖1所示,包括特征提取的主干部分、特征融合的頸部和預測部分.為了在復雜背景下提取表計缺陷特征,該文在主干部分添加坐標注意力(coordinate attention,簡稱CA)[20].CA的加入可提升對缺陷特征聚焦的能力,減小無用背景信息的權重輸入.在頸部,FPN(feature pyramid networks)利用上采樣融合不同層的語義信息,PAN(path aggregation network)拼接底層語義信息和高層語義信息,解決了多尺度問題.預測部分可輸出80×80×255,40×40×255,20×20×255大小的特征圖.YOLOYv5將CIOU loos(complete intersection over union loss)[21]作為邊界損失函數,但CIOU loss具有模糊性,為此該文將EDIOU loss(effective distance intersection over union loss))代替CIOU loss,以提高檢測準確度.

圖1 改進YOLOv5的網絡結構

1.2 CA機制

為了提取復雜背景下表計缺陷的關鍵信息并抑制其他無用信息,該文引入一種輕量型的CA 機制,該模塊的結構如圖2所示.

圖2 CA模塊的結構

沿水平、豎直方向分別使用大小為(H,1),(1,W)的卷積核,對輸入特征圖進行平均池化.高度為h的第c個通道、寬度為w的第c個通道的輸出分別為

對式(1)～(2)進行相關變換后可獲得全局感受野和精確位置信息.對進行concatenate及相關操作后,得到輸出

其中:[·,·]表示concatenate操作,F1為變換函數,δ為非線性激活函數H-Swish.

將f分解為2個獨立fh和fw.利用卷積運算Fh,Fw分別將fh和fw變換為gh和gw,其表達式為

其中:σ為激活函數sigmoid.將gh和gw與輸入特征圖進行加權計算后,最終得到CA.

1.3 EDIOU loss

IOU loss(intersection over union loss)[22]的表達式為

其中:b表示預測框,bgt表示真實框.

白化病患者由于外表的異常，內心的自卑感使其長期處于孤立、封閉的環境，進而影響工作、學習及社交活動。 且目前白化病尚無有效的治療手段，臨床診斷因部分白化病表型存在交叉、重疊，也無法做出分型，因此明確致病基因、指導產前診斷是目前預防此類患兒出生唯一有效途徑。然而白化病相關基因及編碼區眾多，傳統的測序方法效率低下，應用于臨床診斷費時費力，難以常規開展，二代測序技術因其檢測覆蓋范圍廣、高效，隨著生物信息學分析能力的提高以及測序成本的下降，這一技術為白化病等具有高度遺傳異質性的單基因病的快速檢測提供了可能。

為了使邊界框回歸更加快速準確,該文在DIOU loss(distance intersection over union loss)[23]的基礎上添加寬高損失,得到EDIOU loss(effective distance intersection over union loss),其表達式為

其中:w,wgt分別表示預測框、真實框中心的橫坐標;h,hgt分別表示預測框、真實框中心的縱坐標;cw,ch分別表示連接二者(預測框和真實框)的最小外接矩形的寬、高;ρ(·,·)表示兩點間的歐幾里得距離.

2 基于改進YOLOv5的變電站表計缺陷檢測算法

該文提出基于改進YOLOv5的變電站表計缺陷檢測算法.圖3為該文算法的缺陷檢測流程.

圖3 該文算法的缺陷檢測流程

具體的缺陷檢測步驟為:

(1)根據人工巡檢過程中獲取的圖像,構建變電站表計缺陷數據集.

(2)按8∶2的比例將數據集隨機劃分為訓練集和測試集,對訓練集中的外殼破損圖像進行增廣.

(3)將原始圖像和標簽文件輸入模型,通過模型預測圖像的預測框,計算損失值,并利用損失值優化權重參數.

(4)通過測試集檢驗模型訓練效果,保存準確度最高的預訓練權重.

(5)使用測試集測試模型性能,給出檢測結果.

3 數據采集與處理

變電站表計常見的缺陷有:表盤模糊、表盤破損及外殼破損.圖4為表計缺陷數據集中的部分圖像.

圖4 表計缺陷數據集中的部分圖像

為了提升泛化能力、避免過擬合、解決訓練集中外殼破損樣本數量較少的問題,該文通過對比度增強和旋轉,擴充訓練集中外殼破損的圖像.

在專業人員指導下使用LabelImg軟件對數據進行人工標注.若表盤模糊,則將其標注為“bj_bpmu”;若表盤破損,則將其標注為“bj_bpps”;若外殼破損,則將其標注為“bj_wkps”.將標注的數據嚴格按照公開數據集Pascal VOC格式進行制作,文件為xml格式.該文通過日常人工巡檢圖像,構建了表計缺陷數據集,共計1 843幅圖像,其中表盤模糊圖像786幅、表盤破損圖像682幅、外殼破損圖像375幅.將圖像按8∶2的比例隨機分為訓練集和測試集.

4 實 驗

4.1 實驗環境及參數

操作系統為Ubuntu18.04 LTS 64,顯卡型號為NVIDIA GTX 2080Ti.編程語言為Python3.7,深度學習框架為Pytorch1.5.圖片輸入尺寸為640×640×3,初始學習率為0.01,總訓練次數為150次,訓練和測試的Batch size均為16.

4.2 性能評價指標

準確率、召回率的表達式分別為

其中:TP表示預測為正類實際為正類的樣本數,FP表示預測為正類實際為負類的樣本數,FN 表示預測為負類實際為正類的樣本數.

AP(average precision)為準確率P的平均值.平均準確率均值(mean average precision,簡稱m AP)的表達式為

其中:N表示檢測的類別數.

4.3 實驗結果分析

為了證明該文提出的基于改進YOLOv5 的變電站表計缺陷檢測算法的優越性,將該文改進YOLOv5算法實驗結果與5個主流目標檢測算法(SSD(single shot multibox detector)[24],Faster RCNN[25],YOLOv3(you only look once的第3個版本)[26],YOLOv4)實驗結果進行對比,如表1所示.由表1可知,6種算法中,該文算法的準確度、召回率和m AP均最高,分別達85.1%,86.6%,87.3%.因此,該文算法更適合復雜環境下的變電站表計缺陷檢測.

表1 該文改進YOLOv5算法實驗結果與5種主流算法實驗結果的對比 %

5 結束語

為了解決變電站智能巡檢中表計缺陷圖像背景復雜、目標尺寸不一、外形差別大的問題,該文通過CA和EDIOU loss對YOLOv5進行改進,提出了基于改進YOLOv5的變電站表計缺陷檢測算法.通過人工巡檢圖像構建變電站表計缺陷數據集.為了提升泛化能力、避免過擬合、解決訓練集中外殼破損樣本數量較少的問題,該文通過對比度增強和旋轉,擴充訓練集中外殼破損的圖像.為了提取復雜背景下表計缺陷的關鍵信息并抑制其他無用信息,該文引入一種輕量型的CA機制.為了使邊界框回歸更快速準確,將EDIOU loss代替CIOU loss,以提高檢測精度.實驗結果表明:該文算法在變電站表計缺陷圖像檢測中的m AP可達87.3%,相對于原始的YOLOv5提高了2.4%.