• 头条广西大学郑含博、李金恒 等:自动检测电力设备红外目标的方法
    2021-08-16 作者:郑含博 李金恒 等  |  来源:《电工技术学报》  |  点击率:
    分享到:
    导语本文对YOLOv3模型的网络架构及损失函数进行了改进,以实现对电力设备红外图像快速准确地识别与检测。与几种主流检测模型在电力设备红外数据集上进行了实验对比,表明了改进后的模型不仅能以最高的准确率识别出红外图像中的电力设备,而且能快速精确地定位到设备所在位置,为后续电力设备的带电检测评估与智能状态诊断奠定了基础。

    团队介绍

     

    广西大学郑含博、李金恒 等:自动检测电力设备红外目标的方法

     

    郑含博,副教授,研究生导师。全国绝缘材料标准化技术委员会(SAC/TC 51)委员,中国电工技术学会人工智能及电气应用专委会委员,IEEE Std C57.93标准修订工作组秘书,IEEE PES中国区电动汽车服务与运营技术分委会常务理事,中国电机工程学会、电工技术学会高级会员,美国田纳西大学Visiting Scholar,国际期刊Advances in Fuzzy Systems客座主编。

    主要从事电气设备状态监测与故障智能诊断、电工绝缘新材料、智能配电网及新能源应用等研究。近三年主持国家自然科学基金、广西自然科学基金、国家重点实验室、电网公司及企业等科技项目10余项。主要参与起草和制定IEEE国际标准及国家标准、能源及电力行业标准等8项。获省部级科技进步二等奖1项、电网公司科技进步奖励7项,在IEEE Trans.等公开发表学术论文60余篇,已授权国家发明专利10余项、实用新型专利30余项,合作出版著作5部。国家自然科学基金及本专业领域多份国际期刊通信评审专家。

     

    广西大学郑含博、李金恒 等:自动检测电力设备红外目标的方法

     

    李金恒,硕士研究生,研究方向包括电气设备的智能检测、诊断与智能终端开发等。参与广西科技基地和人才专项课题(基于红外热像分析的电力设备状态信息智能识别)及广西自然科学基金等。

     

    本文对YOLOv3模型的网络架构及损失函数进行了改进,以实现对电力设备红外图像快速准确地识别与检测。与几种主流检测模型在电力设备红外数据集上进行了实验对比,表明了改进后的模型不仅能以最高的准确率识别出红外图像中的电力设备,而且能快速精确地定位到设备所在位置,为后续电力设备的带电检测评估与智能状态诊断奠定了基础。

     

    研究背景

    电力设备的异常工作状态和绝缘劣化极有可能导致局部热量积聚,从而诱发设备出现故障。红外热成像技术提供了一种非接触的检测方式来获取电力设备的热状态信息,使电力设备的状态检测能在不停电的情况下进行。图1展示了电力设备的红外图像。

    但目前对电力设备红外图像数据的分析与诊断仍需依赖经验丰富的电力工程师,这无疑消耗了大量的人力和时间成本,极大降低了电力设备状态检测与诊断的效率。因此有必要研究更快、更准确的电力设备状态自动检测方法,而对设备快速精确地定位及识别是实现其自动检测与诊断的前提和关键。

    广西大学郑含博、李金恒 等:自动检测电力设备红外目标的方法

    图1 不同场景下电力设备的红外图像

    论文方法及创新点

    本文主要对YOLOv3模型的输入端、骨干网络、颈部及检测头分别进行了改进,首先是网络结构的两处改进:

    1)在YOLOv3骨干网络DarkNet53的每个残差块中加上跨阶段局部模块(CSP),CSP模块能有效提升卷积神经网络的学习能力,减少计算量,在轻量化的同时进一步提高模型的分类精度;

    2)在原模型的特征金字塔网络(FPN)后加入自底向上的特征融合模块路径聚合网络(PAN),PAN是对FPN的补充,它能较好地保存浅层特征信息,自底向上传递强定位特征。

    FPN与PAN的组合模块能从不同的主干层对不同的检测层进行参数聚合,进一步提高了检测模型的特征提取能力。除此之外,本文还在模型的输入端增加了Mosaic技术,以增强模型的训练效果;CIoU损失函数被用作新模型检测头部分的定位损失,能让模型在边框回归时取得更好的收敛速度和精度。改进后的模型架构如图2所示。

     

    广西大学郑含博、李金恒 等:自动检测电力设备红外目标的方法

    图2 改进YOLOv3模型的网络架构

    为了验证本文模型的有效性,分别将Faster R-CNN、SSD、YOLOv3和本文提出的模型在四类电力设备红外数据集上进行测试评估。在上述四种模型的训练开始阶段,均采用迁移学习来初始化模型的权重,以加速模型的训练并提高模型的性能。图3显示了提出方法在训练过程中平均损失值(Avg_loss)与平均精度均值(mAP)随迭代次数(Iterations)增加而变化的曲线图。

     

    广西大学郑含博、李金恒 等:自动检测电力设备红外目标的方法

    图3 训练期间的平均损失曲线和mAP曲线

    表1给出了4种模型在不同阈值下(IoU=0.5和0.75)测试相同数据集得到的AP、mAP和FPS三个指标的比较结果。

    广西大学郑含博、李金恒 等:自动检测电力设备红外目标的方法

    表1 不同检测模型的测试结果

    图4展示了本文模型在随机挑选的测试集图像上的检测结果。可以看出,提出模型不仅能在特定场景下精确地检测到设备目标,而且在目标重叠、背景遮挡以及复杂背景环境情况下(如图4(c)、4(e)、4(f)),均能以较高的准确率预测设备类别,并精确地定位到设备所在位置。

     

    广西大学郑含博、李金恒 等:自动检测电力设备红外目标的方法

    图4 提出方法在测试集中部分图像的检

    总结

    文章提出了一种改进YOLOv3的电力设备红外图像检测新模型。通过对原模型的输入端、骨干网络、颈部及检测头四部分进行改进,提高了模型的训练效果及检测准确率;将原定位损失替换为CIoU损失,使模型在边框回归时获得更好的收敛速度和精度,产提高了模型定位精度。

    最后在构建的电力设备红外数据集上进行训练和测试,验证了提出方法不仅能准确识别电力设备类别,而且能快速精确地定位到设备所在位置,为后续电力设备的智能状态评估与诊断奠定了基础。

    引用本文

    郑含博, 李金恒, 刘洋, 崔耀辉, 平原. 基于改进YOLOv3的电力设备红外目标检测模型[J]. 电工技术学报, 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.