團(tuán)隊(duì)介紹

鄭含博，副教授，研究生導(dǎo)師。全國絕緣材料標(biāo)準(zhǔn)化技術(shù)委員會(huì)（SAC/TC 51）委員，中國電工技術(shù)學(xué)會(huì)人工智能及電氣應(yīng)用專委會(huì)委員，IEEE Std C57.93標(biāo)準(zhǔn)修訂工作組秘書，IEEE PES中國區(qū)電動(dòng)汽車服務(wù)與運(yùn)營技術(shù)分委會(huì)常務(wù)理事，中國電機(jī)工程學(xué)會(huì)、電工技術(shù)學(xué)會(huì)高級(jí)會(huì)員，美國田納西大學(xué)Visiting Scholar，國際期刊Advances in Fuzzy Systems客座主編。

主要從事電氣設(shè)備狀態(tài)監(jiān)測(cè)與故障智能診斷、電工絕緣新材料、智能配電網(wǎng)及新能源應(yīng)用等研究。近三年主持國家自然科學(xué)基金、廣西自然科學(xué)基金、國家重點(diǎn)實(shí)驗(yàn)室、電網(wǎng)公司及企業(yè)等科技項(xiàng)目10余項(xiàng)。主要參與起草和制定IEEE國際標(biāo)準(zhǔn)及國家標(biāo)準(zhǔn)、能源及電力行業(yè)標(biāo)準(zhǔn)等8項(xiàng)。獲省部級(jí)科技進(jìn)步二等獎(jiǎng)1項(xiàng)、電網(wǎng)公司科技進(jìn)步獎(jiǎng)勵(lì)7項(xiàng)，在IEEE Trans.等公開發(fā)表學(xué)術(shù)論文60余篇，已授權(quán)國家發(fā)明專利10余項(xiàng)、實(shí)用新型專利30余項(xiàng)，合作出版著作5部。國家自然科學(xué)基金及本專業(yè)領(lǐng)域多份國際期刊通信評(píng)審專家。

李金恒，碩士研究生，研究方向包括電氣設(shè)備的智能檢測(cè)、診斷與智能終端開發(fā)等。參與廣西科技基地和人才專項(xiàng)課題（基于紅外熱像分析的電力設(shè)備狀態(tài)信息智能識(shí)別）及廣西自然科學(xué)基金等。

本文對(duì)YOLOv3模型的網(wǎng)絡(luò)架構(gòu)及損失函數(shù)進(jìn)行了改進(jìn)，以實(shí)現(xiàn)對(duì)電力設(shè)備紅外圖像快速準(zhǔn)確地識(shí)別與檢測(cè)。與幾種主流檢測(cè)模型在電力設(shè)備紅外數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)對(duì)比，表明了改進(jìn)后的模型不僅能以最高的準(zhǔn)確率識(shí)別出紅外圖像中的電力設(shè)備，而且能快速精確地定位到設(shè)備所在位置，為后續(xù)電力設(shè)備的帶電檢測(cè)評(píng)估與智能狀態(tài)診斷奠定了基礎(chǔ)。

研究背景

電力設(shè)備的異常工作狀態(tài)和絕緣劣化極有可能導(dǎo)致局部熱量積聚，從而誘發(fā)設(shè)備出現(xiàn)故障。紅外熱成像技術(shù)提供了一種非接觸的檢測(cè)方式來獲取電力設(shè)備的熱狀態(tài)信息，使電力設(shè)備的狀態(tài)檢測(cè)能在不停電的情況下進(jìn)行。圖1展示了電力設(shè)備的紅外圖像。

但目前對(duì)電力設(shè)備紅外圖像數(shù)據(jù)的分析與診斷仍需依賴經(jīng)驗(yàn)豐富的電力工程師，這無疑消耗了大量的人力和時(shí)間成本，極大降低了電力設(shè)備狀態(tài)檢測(cè)與診斷的效率。因此有必要研究更快、更準(zhǔn)確的電力設(shè)備狀態(tài)自動(dòng)檢測(cè)方法，而對(duì)設(shè)備快速精確地定位及識(shí)別是實(shí)現(xiàn)其自動(dòng)檢測(cè)與診斷的前提和關(guān)鍵。

圖1 不同場(chǎng)景下電力設(shè)備的紅外圖像

論文方法及創(chuàng)新點(diǎn)

本文主要對(duì)YOLOv3模型的輸入端、骨干網(wǎng)絡(luò)、頸部及檢測(cè)頭分別進(jìn)行了改進(jìn)，首先是網(wǎng)絡(luò)結(jié)構(gòu)的兩處改進(jìn)：

1）在YOLOv3骨干網(wǎng)絡(luò)DarkNet53的每個(gè)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(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，減少計(jì)算量，在輕量化的同時(shí)進(jìn)一步提高模型的分類精度；

2）在原模型的特征金字塔網(wǎng)絡(luò)（FPN）后加入自底向上的特征融合模塊路徑聚合網(wǎng)絡(luò)（PAN），PAN是對(duì)FPN的補(bǔ)充，它能較好地保存淺層特征信息，自底向上傳遞強(qiáng)定位特征。

FPN與PAN的組合模塊能從不同的主干層對(duì)不同的檢測(cè)層進(jìn)行參數(shù)聚合，進(jìn)一步提高了檢測(cè)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(shù)，以增強(qiáng)模型的訓(xùn)練效果；CIoU損失函數(shù)被用作新模型檢測(cè)頭部分的定位損失，能讓模型在邊框回歸時(shí)取得更好的收斂速度和精度。改進(jìn)后的模型架構(gòu)如圖2所示。

圖2 改進(jìn)YOLOv3模型的網(wǎng)絡(luò)架構(gòu)

為了驗(yàn)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(shè)備紅外數(shù)據(jù)集上進(jìn)行測(cè)試評(píng)估。在上述四種模型的訓(xùn)練開始階段，均采用遷移學(xué)習(xí)來初始化模型的權(quán)重，以加速模型的訓(xùn)練并提高模型的性能。圖3顯示了提出方法在訓(xùn)練過程中平均損失值（Avg_loss）與平均精度均值（mAP）隨迭代次數(shù)（Iterations）增加而變化的曲線圖。

圖3 訓(xùn)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(cè)試相同數(shù)據(jù)集得到的AP、mAP和FPS三個(gè)指標(biāo)的比較結(jié)果。

表1 不同檢測(cè)模型的測(cè)試結(jié)果

圖4展示了本文模型在隨機(jī)挑選的測(cè)試集圖像上的檢測(cè)結(jié)果?？梢钥闯?，提出模型不僅能在特定場(chǎng)景下精確地檢測(cè)到設(shè)備目標(biāo)，而且在目標(biāo)重疊、背景遮擋以及復(fù)雜背景環(huán)境情況下（如圖4（c）、4（e）、4（f）），均能以較高的準(zhǔn)確率預(yù)測(cè)設(shè)備類別，并精確地定位到設(shè)備所在位置。

圖4 提出方法在測(cè)試集中部分圖像的檢

總結(jié)

文章提出了一種改進(jìn)YOLOv3的電力設(shè)備紅外圖像檢測(cè)新模型。通過對(duì)原模型的輸入端、骨干網(wǎng)絡(luò)、頸部及檢測(cè)頭四部分進(jìn)行改進(jìn)，提高了模型的訓(xùn)練效果及檢測(cè)準(zhǔn)確率；將原定位損失替換為CIoU損失，使模型在邊框回歸時(shí)獲得更好的收斂速度和精度，產(chǎn)提高了模型定位精度。

最后在構(gòu)建的電力設(shè)備紅外數(shù)據(jù)集上進(jìn)行訓(xùn)練和測(cè)試，驗(yàn)證了提出方法不僅能準(zhǔn)確識(shí)別電力設(shè)備類別，而且能快速精確地定位到設(shè)備所在位置，為后續(xù)電力設(shè)備的智能狀態(tài)評(píng)估與診斷奠定了基礎(chǔ)。

引用本文

鄭含博， 李金恒， 劉洋， 崔耀輝， 平原. 基于改進(jìn)YOLOv3的電力設(shè)備紅外目標(biāo)檢測(cè)模型[J]. 電工技術(shù)學(xué)報(bào)， 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.