胡泰山，劉 浩，劉 剛，梅 琪，馬御棠，廖民傳

〈無(wú)損檢測(cè)〉

基于改進(jìn)YOLOv3的避雷器紅外圖像故障檢測(cè)方法

胡泰山1，劉 浩1，劉 剛1，梅 琪1，馬御棠2，廖民傳1

（1. 南方電網(wǎng)科學(xué)研究院有限責(zé)任公司 直流輸電技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510663；2. 云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，云南 昆明 650000）

針對(duì)現(xiàn)有的金屬氧化物避雷器（Metal Oxide Arrester，MOA）紅外圖像故障檢測(cè)方法存在識(shí)別精度低、檢測(cè)速度較慢的問(wèn)題，提出一種基于改進(jìn)YOLOv3的MOA紅外圖像故障檢測(cè)方法。首先，以Darknet19網(wǎng)絡(luò)代替YOLOv3原始的Darknet53網(wǎng)絡(luò)，并在特征學(xué)習(xí)時(shí)針對(duì)樣本中不同MOA長(zhǎng)寬比例，通過(guò)K-means聚類(lèi)算法對(duì)MOA圖像中的目標(biāo)幀進(jìn)行分析，重新聚類(lèi)樣本中心錨點(diǎn)框，得到合適的錨框數(shù)目和大小。最后，利用改進(jìn)YOLOv3模型完成MOA紅外圖像故障檢測(cè)。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的YOLOv3模型識(shí)別精度達(dá)到96.3%，識(shí)別速度為6.75ms。

金屬氧化物避雷器；YOLOv3；深度學(xué)習(xí)；紅外圖像；K-means聚類(lèi)

0 引言

輸電線(xiàn)路設(shè)備作為電力系統(tǒng)的重要部分，對(duì)輸電線(xiàn)路的安全穩(wěn)定運(yùn)行起著至關(guān)重要的作用。而金屬氧化物避雷器（MOA）是輸電線(xiàn)路中常用設(shè)備，其作用是防止電氣設(shè)備遭受過(guò)電壓侵害，是輸電線(xiàn)路中重要的結(jié)構(gòu)支撐件。由于MOA在潮濕環(huán)境下，存在污穢、老化和爆裂等情況，因此準(zhǔn)確地檢測(cè)MOA故障是目前電網(wǎng)亟待解決問(wèn)題之一[1]。

目前，傳統(tǒng)的檢測(cè)MOA故障方法主要有以下幾種：①全電流[2]；②諧波分析法[3]；③容性電流補(bǔ)償法[4]；④基波阻性電流法[5]；⑤基于溫度的測(cè)量法等[6]。但以上方法在MOA運(yùn)行過(guò)程中，MOA或監(jiān)測(cè)裝置表面污穢所產(chǎn)生的泄漏電流以及電網(wǎng)諧波對(duì)MOA在線(xiàn)監(jiān)測(cè)的影響，會(huì)對(duì)所監(jiān)測(cè)的特征量產(chǎn)生影響，進(jìn)而使測(cè)量的數(shù)值存在誤差，影響檢測(cè)精度，同時(shí)存在成本高以及檢測(cè)周期長(zhǎng)等問(wèn)題。而隨著深度學(xué)習(xí)相關(guān)技術(shù)快速發(fā)展，由于具有識(shí)別精度高，無(wú)需人工監(jiān)督，高效等優(yōu)點(diǎn)，更適用于解決圖像分類(lèi)、目標(biāo)識(shí)別等問(wèn)題，并且取得顯著效果[7]。

深度學(xué)習(xí)算法已廣泛應(yīng)用在輸電線(xiàn)路設(shè)備故障檢測(cè)中。本文所研究的紅外圖像MOA故障檢測(cè)，可看作物體檢測(cè)問(wèn)題。主流的深度學(xué)習(xí)的目標(biāo)檢測(cè)算法包括兩類(lèi)：一類(lèi)是基于區(qū)域的目標(biāo)檢測(cè)算法如Faster RCNN（Faster-regions with Convolutional Network）[8]與RFCN（Region-based Fully Convolutional Networks）[9]等，其中文獻(xiàn)[10]基于Faster RCNN算法對(duì)變壓器、套管、斷路器等7種變電設(shè)備進(jìn)行目標(biāo)檢測(cè)，實(shí)現(xiàn)設(shè)備的精準(zhǔn)定位、識(shí)別。文獻(xiàn)[11]采用了深度學(xué)習(xí)算法體系中基于區(qū)域建議網(wǎng)絡(luò)的Faster RCNN算法實(shí)現(xiàn)對(duì)輸變電紅外圖像發(fā)熱故障的檢測(cè)、識(shí)別及定位。以上算法雖然檢測(cè)精度高，但速度相對(duì)較慢，不能滿(mǎn)足實(shí)時(shí)性的要求。另一類(lèi)是將檢測(cè)問(wèn)題轉(zhuǎn)變?yōu)榛貧w問(wèn)題求解如SSD（Single Shot MultiBox Detector）、YOLO（You Only Look Once）算法[12-13]。文獻(xiàn)[14]基于YOLOv3算法，通過(guò)添加卷積模塊及調(diào)整部分超參數(shù)對(duì)其基礎(chǔ)網(wǎng)絡(luò)架構(gòu)進(jìn)行優(yōu)化，以實(shí)現(xiàn)高壓開(kāi)關(guān)設(shè)備異常發(fā)熱點(diǎn)的快速檢測(cè)、識(shí)別和定位。文獻(xiàn)[15]提出了一種基于多尺度特征融合的端到端紅外小目標(biāo)檢測(cè)模型。文獻(xiàn)[16]以小轎車(chē)和公交車(chē)紅外圖像為研究對(duì)象，構(gòu)建了紅外圖像Pascal VOC數(shù)據(jù)集，訓(xùn)練了SSD網(wǎng)絡(luò)，并利用訓(xùn)練好的網(wǎng)絡(luò)檢測(cè)了紅外目標(biāo)圖像。以上算法雖提高了網(wǎng)絡(luò)的檢測(cè)效率，但是目標(biāo)定位的準(zhǔn)確率有所降低，而紅外圖像故障檢測(cè)對(duì)模型準(zhǔn)確率有較高的要求，選用Faster RCNN模型比較符合實(shí)際需求。但是已有實(shí)驗(yàn)證明Faster RCNN對(duì)中大型的目標(biāo)具有良好的檢測(cè)效果，但對(duì)小目標(biāo)的檢測(cè)效果不佳，如果直接使用原始的Faster RCNN模型，可能會(huì)造成漏檢。

基于上述問(wèn)題，本文提出一種基于改進(jìn)YOLOv3的MOA故障檢測(cè)方法。首先，將Darknet19網(wǎng)絡(luò)代替YOLOv3的原始Darknet53網(wǎng)絡(luò)。替換后的網(wǎng)絡(luò)訓(xùn)練難度更低，在保證高識(shí)別精度情況下，識(shí)別速度更快，減少了冗余的計(jì)算。特征學(xué)習(xí)時(shí)針對(duì)樣本中不同MOA長(zhǎng)寬比例，通過(guò)K-means聚類(lèi)算法對(duì)圖像中的目標(biāo)幀進(jìn)行分析，重新聚類(lèi)樣本中心錨點(diǎn)框，得到合適的錨框數(shù)目和大小，提高了網(wǎng)絡(luò)的檢測(cè)規(guī)模。最后，利用改進(jìn)YOLOv3模型完成MOA紅外圖像故障檢測(cè)。

1 MOA紅外圖像故障在線(xiàn)檢測(cè)方案

1.1 避雷器紅外檢測(cè)

如圖1(a)所示，當(dāng)避雷器正常運(yùn)行時(shí)，MOA紅外熱像僅有輕微的發(fā)熱且整體分布均勻，沒(méi)有明顯溫差變化。而且同一MOA不同部位的最大溫差不會(huì)超過(guò)1K，相間溫差也很小。然而當(dāng)發(fā)生故障時(shí)，往往會(huì)伴隨著異常的溫升現(xiàn)象。MOA常見(jiàn)的故障主要包括閥片老化和受潮。通過(guò)避雷器泄露電流中的有功分量會(huì)使閥片發(fā)熱導(dǎo)致老化，閥片由于老化繼續(xù)升溫，而溫升又進(jìn)一步使閥片電阻下降導(dǎo)致?lián)p耗加大，最終形成惡性循環(huán)。MOA由于呼吸作用受潮，造成閥片電導(dǎo)率增大，從而導(dǎo)致阻性泄露電流增大，引起局部發(fā)熱?？傊y片老化和受潮的紅外熱像都表現(xiàn)為局部發(fā)熱，特征熱像圖如圖1(b)所示，220kV MOA上節(jié)存在明顯局部過(guò)熱。

根據(jù)標(biāo)準(zhǔn)[17]規(guī)定，圖像特征判斷法適用于如氧化鋅避雷器電壓致熱型設(shè)備。在排除環(huán)境等因素影響后，通過(guò)對(duì)同類(lèi)設(shè)備不同狀態(tài)下的紅外熱像圖進(jìn)行對(duì)比分析，判斷設(shè)備是否存在異常。

圖1 不同狀態(tài)MOA紅外圖像

1.2 避雷器故障檢測(cè)架構(gòu)

如圖2所示，為本文MOA紅外圖像故障檢測(cè)模型整體框架圖。整個(gè)MOA紅外圖像故障檢測(cè)流程如下：首先，通過(guò)無(wú)人機(jī)采集MOA紅外圖像，對(duì)采集的MOA紅外圖像分類(lèi)，分為正負(fù)樣本。由于拍攝的紅外圖像會(huì)受背景環(huán)境的影響，如光照、樹(shù)等。因此，采用中值濾波法對(duì)MOA紅外圖像進(jìn)行預(yù)處理。處理后的MOA紅外圖像對(duì)改進(jìn)的YOLOv3模型進(jìn)行訓(xùn)練，最后調(diào)用訓(xùn)練好的MOA紅外故障檢測(cè)模型對(duì)預(yù)處理后的MOA紅外圖像進(jìn)行故障檢測(cè)。檢測(cè)流程先是對(duì)數(shù)據(jù)進(jìn)行聚類(lèi)分析，得到合適的錨框數(shù)目和大小，其次采用深層次特征提取網(wǎng)絡(luò)進(jìn)行特征提取，最后通過(guò)多尺度預(yù)測(cè)得到MOA檢測(cè)結(jié)果。

圖2 MOA紅外故障檢測(cè)模型框架圖

1.3 圖像預(yù)處理

由于在拍攝紅外圖像過(guò)程中受到大氣輻射噪聲以及拍攝背景的影響。這些噪聲會(huì)降低圖像對(duì)比度。因此，需對(duì)MOA紅外圖像進(jìn)行降噪處理。本文采用中值濾波法[18]。將模板中的像素從小到大排序，并將當(dāng)前像素值替換為排序序列的中間值。主要步驟如下：移動(dòng)圖片中的濾鏡模板，將模板中心位置對(duì)應(yīng)的像素作為當(dāng)前像素。讀取模板中每個(gè)像素的灰度值。將灰度值從小到大排序。取最終排序結(jié)果的中值像素，而不是當(dāng)前像素值。在3×3濾波模板下，原始圖像對(duì)應(yīng)像素的灰度值如圖3所示。

圖3 中值濾波處理后圖像灰度值結(jié)果

2 改進(jìn)YOLOv3網(wǎng)絡(luò)模型

2.1 YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)修改

YOLOv3算法是Joseph Redmon等在2018年新提出的目標(biāo)檢測(cè)算法[19]。YOLOv3借鑒殘差網(wǎng)絡(luò)提出了Darknet53網(wǎng)絡(luò)，利用殘差結(jié)構(gòu)降低了訓(xùn)練難度。此外，采用大量1×1的卷積核和步長(zhǎng)為2，大小為3×3的卷積核來(lái)代替最大池，從而減少了參數(shù)的數(shù)目。由于Darknet53網(wǎng)絡(luò)實(shí)現(xiàn)的檢測(cè)類(lèi)別眾多，單個(gè)目標(biāo)的檢測(cè)復(fù)雜且冗余，而本文針對(duì)MOA紅外圖像進(jìn)行目標(biāo)檢測(cè)。過(guò)多的參數(shù)會(huì)導(dǎo)致訓(xùn)練過(guò)于復(fù)雜，影響訓(xùn)練速度。

針對(duì)MOA，本文借鑒YOLOv3的多尺度檢測(cè)部分，提出了一種參數(shù)少、計(jì)算復(fù)雜度低的目標(biāo)檢測(cè)網(wǎng)絡(luò)，以降低訓(xùn)練難度，提高模型速度，同時(shí)也具有較高的識(shí)別精度。

用Darknet19網(wǎng)絡(luò)代替YOLOv3的骨干網(wǎng)Darknet53，并對(duì)應(yīng)用于多尺度預(yù)測(cè)的卷積層。與Darknet53網(wǎng)絡(luò)相比，由于不在Darknet19中加入殘差網(wǎng)絡(luò)，訓(xùn)練速度得到了很大地提高。Darknet19的網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。

表1 Darknet19網(wǎng)絡(luò)結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)將預(yù)測(cè)每個(gè)單元中每個(gè)邊界框的4個(gè)值，即坐標(biāo)(,)、目標(biāo)寬度、高度，分別表示為t、t、t和t。如果目標(biāo)中心與單元格中圖像的左上角有偏差(c,c)，并且錨框的高度和寬度為P和P，則修改后的邊界框?yàn)椋?/p>

b＝(t)＋c(1)

b＝(t)＋c(2)

在YOLOv3中，引入了FPN網(wǎng)絡(luò)。同時(shí)利用低層特征的高分辨率和高層次特征的信息，通過(guò)上采樣對(duì)多尺度特征進(jìn)行融合，檢測(cè)出3個(gè)不同尺度的特征層上的目標(biāo)。本文保留YOLOv3網(wǎng)絡(luò)的多尺度預(yù)測(cè)，利用多尺度卷積層對(duì)不同尺度的目標(biāo)進(jìn)行檢測(cè)，如表2所示。

2.2 錨框的聚類(lèi)分析

錨框是通過(guò)對(duì)數(shù)據(jù)集的目標(biāo)幀進(jìn)行聚類(lèi)和分析得到的一組固定寬度和高度的初始候選幀。YOLOv3使用邏輯回歸來(lái)預(yù)測(cè)錨框中包含對(duì)象的概率。如果錨框（Anchor Box）與真實(shí)目標(biāo)包圍盒之間的重疊率大于任何其他錨盒，則該錨框的概率為1。如果真實(shí)目標(biāo)的錨框和邊界框之間的重疊大于0.5，但不是最大值，則忽略預(yù)測(cè)。錨框的數(shù)量和大小直接影響網(wǎng)絡(luò)結(jié)構(gòu)對(duì)目標(biāo)檢測(cè)的精度和速度。YOLOv3使用K-means聚類(lèi)算法[20]對(duì)目標(biāo)幀進(jìn)行聚類(lèi)，并使用平均重疊平均IOU作為目標(biāo)聚類(lèi)的度量。目標(biāo)函數(shù)如式(5)所示：

式中：是真實(shí)的地面目標(biāo)；是簇的中心；n是K簇中心的樣本數(shù)；是樣本總數(shù)；為簇?cái)?shù)；IOU(,)表示簇中心盒和簇盒的交點(diǎn)。

表2 YOLOv3的先驗(yàn)框尺寸

選取＝0～20，分別對(duì)兩個(gè)數(shù)據(jù)集進(jìn)行聚類(lèi)分析。錨框數(shù)（即值）與平均IOU之間的曲線(xiàn)關(guān)系如圖4所示。隨著值的增大，目標(biāo)函數(shù)的變化越來(lái)越慢，變化線(xiàn)的拐點(diǎn)可以看作是最優(yōu)的錨框數(shù)目。通過(guò)這種多尺度檢測(cè)，可以增強(qiáng)各尺度特征層的信息，對(duì)多幅圖像中的小目標(biāo)檢測(cè)有較好的效果。多尺度檢測(cè)的最終網(wǎng)絡(luò)模型如圖5所示。

圖4 K-means聚類(lèi)分析結(jié)果

圖5 修改后的YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)圖

經(jīng)過(guò)修改，在608×608尺度下，本文采用的Yolov3-Darknet19網(wǎng)絡(luò)為74.963BFLOPS，基于Darknet53的YOLOv3網(wǎng)絡(luò)為139.481BFLOPS。因此，Darknet19訓(xùn)練速度優(yōu)于Darknet53。

3 實(shí)驗(yàn)結(jié)果與分析

紅外目標(biāo)檢測(cè)是實(shí)現(xiàn)MOA紅外故障目標(biāo)檢測(cè)系統(tǒng)的核心環(huán)節(jié)，該方案采用改進(jìn)的YOLOv3算法的目標(biāo)檢測(cè)方案。通過(guò)運(yùn)用Darknet19深度學(xué)習(xí)框架進(jìn)行樣本訓(xùn)練。

3.1 數(shù)據(jù)采集及擴(kuò)展

由于所采集的MOA紅外圖像數(shù)量有限，因此，本文通過(guò)對(duì)原始圖像水平翻轉(zhuǎn)、水平移動(dòng)、縮放和亮度級(jí)別轉(zhuǎn)換為人工圖像，增加樣本數(shù)量。增加的圖像類(lèi)標(biāo)簽沒(méi)有改變，變換是在圖像上隨機(jī)進(jìn)行的。在訓(xùn)練模型的過(guò)程中使用新的變換圖像和原始圖像。數(shù)據(jù)擴(kuò)充的目的是為了提高模型的泛化能力。擴(kuò)充后的數(shù)據(jù)集包含5602幅圖片，并將圖片的注釋轉(zhuǎn)換成相應(yīng)的格式，得到圖片的標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練。

將實(shí)驗(yàn)數(shù)據(jù)按8:1:1的比例隨機(jī)劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集。在訓(xùn)練階段，動(dòng)量參數(shù)設(shè)置為0.9，采用批量隨機(jī)梯度下降法進(jìn)行優(yōu)化，初始學(xué)習(xí)率為0.0001，衰減為0.0005，前1000次訓(xùn)練中，采樣學(xué)習(xí)率為0.001，以穩(wěn)定網(wǎng)絡(luò)。隨后，在40000和45000次訓(xùn)練中，采用steps策略根據(jù)衰減系數(shù)改變學(xué)習(xí)率，防止梯度消失問(wèn)題。

本文采用多尺度訓(xùn)練策略來(lái)增強(qiáng)不同尺度下的魯棒性。每10批訓(xùn)練集為一組，每組隨機(jī)選取新的圖像大小進(jìn)行訓(xùn)練，訓(xùn)練范圍為320×320～608×608，采樣間隔為32。

如表3所示，為YOLOv3-Darknet19訓(xùn)練環(huán)境。本文的評(píng)價(jià)依據(jù)主要是訓(xùn)練過(guò)程中的損失圖像和兩個(gè)模型訓(xùn)練后的實(shí)際檢測(cè)效果。

表3 YOLOv3-Darknet19訓(xùn)練環(huán)境

3.2 實(shí)驗(yàn)對(duì)比

本文對(duì)YOLOv3-Darknet19算法和YOLOv3- Darknet53算法進(jìn)行了比較。同一數(shù)據(jù)集的訓(xùn)練時(shí)間分別為70h和14h。訓(xùn)練期間的兩個(gè)網(wǎng)絡(luò)損失變化曲線(xiàn)如圖6和圖7所示。從圖8所示的數(shù)據(jù)比較可以看出，Darknet19網(wǎng)絡(luò)的損耗下降較快，數(shù)據(jù)波動(dòng)較小，最終穩(wěn)定值相對(duì)較小。

圖6 YOLOv3-Darknet53訓(xùn)練損失變化

圖7 YOLOv3-Darknet19訓(xùn)練損失變化

圖8 不同網(wǎng)絡(luò)訓(xùn)練損失對(duì)比

從實(shí)驗(yàn)結(jié)果可知，本文分別對(duì)兩個(gè)網(wǎng)絡(luò)訓(xùn)練的同一圖像的權(quán)值進(jìn)行測(cè)試，測(cè)試實(shí)例效果如圖9所示。通過(guò)本文所提出的YOLOv3-Darknet19可精準(zhǔn)地對(duì)MOA紅外故障圖像進(jìn)行識(shí)別檢測(cè)。

基于以上兩點(diǎn)的分析，本文提出的改進(jìn)算法在使用相同訓(xùn)練集的情況下，在速度和識(shí)別率上有一定的保證，不存在未識(shí)別或錯(cuò)誤情況。在識(shí)別單個(gè)目標(biāo)時(shí)，網(wǎng)絡(luò)結(jié)構(gòu)的簡(jiǎn)化提高了訓(xùn)練速度，采用AP（Average Precision）值作為評(píng)價(jià)指標(biāo)，識(shí)別精度可達(dá)96.3%。在檢測(cè)速度方面，以圖片為例，YOLOv3-Darknet53的識(shí)別速度為25.41ms，YOLOv3- Darknet19的識(shí)別速度為6.75ms，因此簡(jiǎn)化網(wǎng)絡(luò)后，識(shí)別速度更快，幀數(shù)顯著增加。在訓(xùn)練時(shí)間上，Darknet19網(wǎng)絡(luò)的訓(xùn)練速度也更快，約為原網(wǎng)絡(luò)的1/5，為參數(shù)和網(wǎng)絡(luò)的微調(diào)提供了方便。

4 總結(jié)

本文將YOLOv3目標(biāo)檢測(cè)算法應(yīng)用到輸電線(xiàn)路中，提出一種基于改進(jìn)的YOLOv3算法用于MOA故障檢測(cè)，由于本文只用于檢測(cè)MOA，對(duì)YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)以及錨框大小進(jìn)行了修改，采用Darknet19網(wǎng)絡(luò)代替原有的Darknet53網(wǎng)絡(luò)，實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的YOLOv3網(wǎng)絡(luò)在識(shí)別效果上沒(méi)有下降，與原有的YOLOv3算法相比識(shí)別速度更快。YOLOv3-Darknet19的識(shí)別速度為6.75ms，識(shí)別精度可達(dá)96.3%。因此簡(jiǎn)化網(wǎng)絡(luò)后，識(shí)別速度更快，幀數(shù)顯著增加。

[1] 任大江, 葉海鵬, 李建萍, 等. 一起500kV金屬氧化鋅避雷器故障原因分析[J].電瓷避雷器, 2020(3): 127-132. REN Dajiang, YE Haipeng, LI Jianping, et al. Analysis of the causes of a 500kV metal zinc oxide arrester fault[J]., 2020(3): 127-132.

[2] 張明龍, 錢(qián)健, 王健, 等. 基于配電避雷器全電流監(jiān)測(cè)的系統(tǒng)過(guò)電壓告警研究[J]. 高壓電器, 2020, 56(8): 256-260, 267. ZHANG Minglong, QIAN Jian, WANG Jian, et al. Research on over-voltage alarm based on full current monitoring of distribution arrester[J]., 2020, 56(8): 256-260, 267.

[3] 何貴先, 行鴻彥, 季鑫源, 等. 金屬氧化物避雷器在線(xiàn)監(jiān)測(cè)的諧波校正及研究[J]. 電子測(cè)量與儀器學(xué)報(bào), 2017, 31(10): 1549-1554. HE Guixian, XING Hongyan, JI Xinyuan, et al. Harmonic correction and study for MOA on-line monitoring algorithm[J]., 2020(3): 127-132.

[4] 陳登義, 周雪會(huì), 李鵬. 電涌保護(hù)器老化監(jiān)測(cè)指標(biāo)對(duì)比研究[J].電瓷避雷器, 2016(5): 90-93. CHEN Dengyi, ZHOU Xuehui, LI Peng, et al. Comparative study about index of SPD aging monitoring[J]., 2016(5): 90-93.

[5] 陳丹, 傅中君, 柳益君, 等. 一種氧化鋅避雷器阻性電流的提取方法[J]. 電測(cè)與儀表, 2019, 56(13): 117-122. CHEN Dan, FU Zhongjun, LIU Yijun, et al. A method for the resistive current extraction of metal oxide surge arresters[J]., 2019, 56(13): 117-122.

[6] 李艷鵬, 晉濤, 梁基重, 等. 紅外技術(shù)在避雷器絕緣缺陷檢測(cè)中的應(yīng)用[J]. 電測(cè)與儀表, 2019, 56(20): 87-90. LI Yanpeng, JIN Tao, LIANG Jichong, et al. The application of infrared diagnosis in detection of lightning arrester insulation defects[J]., 2019, 56(20): 87-90.

[7] 李紅光, 于若男, 丁文銳. 基于深度學(xué)習(xí)的小目標(biāo)檢測(cè)研究進(jìn)展[J/OL]. 航空學(xué)報(bào): 1-19, [2020-12-19] .http://kns.cnki.net/kcms/ detail/11.1929.V. 20201026.0947.004.html. LI Hongguang, YU Ruonan, DING Wenrui. Research development of small object tracking based on deep learning[J/OL].: 1-19, [2020-12-19]. http://kns.cnki.net/kcms/detail/ 11.1929.V. 20201026.0947.004.html.

[8] 黃繼鵬, 史穎歡, 高陽(yáng). 面向小目標(biāo)的多尺度Faster-RCNN檢測(cè)算法[J]. 計(jì)算機(jī)研究與發(fā)展, 2019, 56(2): 319-327. HUANG Jipeng, SHI Yinhuan, GAO Yang. Multi-scale faster-RCNN algorithm for small object detection[J]., 2019, 56(2): 319-327.

[9] 趙振兵, 崔雅萍, 戚銀城, 等. 基于改進(jìn)的R-FCN航拍巡線(xiàn)圖像中的絕緣子檢測(cè)方法[J].計(jì)算機(jī)科學(xué), 2019, 46(3): 159-163. ZHAO Zhenbing, CUI Yaping, QI Yincheng, et al. Detection method of insulator in aerial inspection image based on modified R-FCN[J]., 2019, 46(3): 159-163.

[10] 李文璞, 謝可, 廖逍, 等. 基于Faster RCNN變電設(shè)備紅外圖像缺陷識(shí)別方法[J]. 南方電網(wǎng)技術(shù), 2019, 13(12): 79-84. LI Wenpu, XIE Ke, LIAO Yao, et al. Intelligent diagnosis method of infrared image for transformer equipment based on improved faster RCNN[J]., 2019, 13(12): 79-84.

[11] 劉云鵬, 裴少通, 武建華, 等. 基于深度學(xué)習(xí)的輸變電設(shè)備異常發(fā)熱點(diǎn)紅外圖片目標(biāo)檢測(cè)方法[J]. 南方電網(wǎng)技術(shù), 2019, 13(2): 27-33. LIU Yunpeng, PEI Shaotong, WU Jianhua, et al. Deep learning based target detection method for abnormal hot spots infrared images of transmission and transformation equipment[J]., 2019, 13(2): 27-33.

[12] 趙琰, 劉荻, 趙凌君. 基于YOLOv3的復(fù)雜環(huán)境紅外弱小目標(biāo)檢測(cè)[J]. 航空兵器, 2019, 26(6): 29-34. ZHAO Yan, LIU Di, ZHAO Lingjun. Infrared dim and small target detection based on YOLOv3 in complex environment[J]., 2019, 26(6): 29-34.

[13] 羅元, 王薄宇, 陳旭. 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)的研究綜述[J]. 半導(dǎo)體光電, 2020, 41(1): 1-10. LUO Yuan, WANG Boyu, CHEN Xu. Research progress of target detection technology based on deep learning[J]., 2020, 41(1): 1-10.

[14] 王永平, 張紅民, 彭闖, 等. 基于YOLO v3的高壓開(kāi)關(guān)設(shè)備異常發(fā)熱點(diǎn)目標(biāo)檢測(cè)方法[J]. 紅外技術(shù), 2020, 42(10): 983-987. WANG Yongping, ZHANG Hongmin, PENG Chuang, et al. The target detection method for abnormal heating point of high-voltage switchgear based on YOLO v3[J]., 2020, 42(10): 983-987.

[15] 王芳, 李傳強(qiáng), 伍博, 等. 基于多尺度特征融合的紅外小目標(biāo)檢測(cè)方法[J]. 紅外技術(shù), 2021, 43(7): 688-695. WANG Fang, LI Chuanqiang, WU Bo, et al. Infrared small target detection method based on multi-scale feature fusion[J]., 2021, 43(7): 688-695.

[16] 劉云鵬, 張喆, 裴少通, 等. 基于深度學(xué)習(xí)的紅外圖像中劣化絕緣子片的分割方法[J]. 電測(cè)與儀表, 2022, 59(9): 63-68. LIU Yunpeng, ZHANG Zhe, PEI Shaotong, et al. Faulty insulator segmentation method in infrared image based on deep learning[J]., 2022, 59(9): 63-68.

[17] 中華人民共和國(guó)國(guó)家發(fā)展和改革委員會(huì). 帶電設(shè)備紅外診斷應(yīng)用規(guī)范[S]. DL/T 664-2008, [2008-11-01]. National Development and Reform Commission. Application Rules of infrared diagnosis for live electrical equipment[S]. DL/T 664-2008, [2008-11-01].

[18] 汪烈兵, 姜雄飛, 石春光, 等. 基于圖像濾波與Hough變換的紅外弱小目標(biāo)檢測(cè)[J]. 紅外技術(shù), 2020, 42(7): 683-687. WANG Liebing, JIANG Xiongfei, SHI Chunguang, et al. Infrared small target detection based on image filtering and hough transform[J]., 2020, 42(7): 683-687.

[19] Redmon J, Farhadi A. YOLOv3: An incremental improvement [J/OL]//, 2018 https://arxiv.org/abs/1804.02767

[20] CHENG G, LIU L. Survey of image segmentation methods based on clustering[C]//(ICIBA), 2020: 1111-1115.

Infrared Image Fault Detection Method of Arrester Based on Improved YOLOv3

HU Taishan1，LIU Hao1，LIU Gang1，MEI Qi1，MA Yutang2，LIAO Minchuan1

(1.,,,510663,;2.,650000,)

Aiming at the problems of low recognition accuracy and slow detection speed of existing metal oxide arrester (MOA) infrared image fault detection methods, a MOA infrared image fault detection method based on improved YOLOv3 is proposed. Firstly, darknet19 network is used to replace the original darknet53 network of YOLOv3. During feature learning, the target frames in MOA images are analyzed by K-means clustering algorithm according to different MOA length width ratios in samples. The anchor frames in the center of samples are re clustered to get the appropriate number and size of anchor frames. Finally, the improved YOLOv3 model is used to complete the MOA infrared image fault detection. The experimental results show that the recognition accuracy of the improved model reaches 96.3%, and the recognition speed is 6.75ms.

metal oxide arrester, YOLOv3, deep learning; infrared image; K-means clustering

TP391.41

A

1001-8891(2023)11-1256-06

2021-06-07；

2021-08-20.

胡泰山（1990-），男，湖北監(jiān)利人，碩士，工程師，研究方向：電力系統(tǒng)過(guò)電壓及絕緣配合研究工作。E-mail: artist_hts@163.com。

南方電網(wǎng)公司科技項(xiàng)目（YNKJXM20191243）。