劉沖沖,張力平,,任錦飛,陳群元

(1.長(zhǎng)安大學(xué) 工程機(jī)械學(xué)院,陜西 西安 710064;2.長(zhǎng)安大學(xué)公路養(yǎng)護(hù)裝備國(guó)家工程實(shí)驗(yàn)室,陜西 西安 710068)

0 引言

隨著紅外技術(shù)和電力設(shè)備的不斷發(fā)展,紅外檢測(cè)技術(shù)已經(jīng)在電力設(shè)備故障診斷領(lǐng)域得到了普遍的應(yīng)用,是用來(lái)檢測(cè)電力設(shè)備故障的重要手段之一[1]。紅外檢測(cè)技術(shù)是一種根據(jù)物體發(fā)熱情況,檢測(cè)是否發(fā)生過(guò)熱(故障)現(xiàn)象的診斷技術(shù)。在進(jìn)行電力設(shè)備故障檢測(cè)時(shí),具有不需要將檢測(cè)設(shè)備與電力設(shè)備直接接觸、降低了安全事故發(fā)生概率和電力設(shè)備帶電工作、效率高等優(yōu)勢(shì)。在進(jìn)行故障診斷過(guò)程中,對(duì)于不同類別電力設(shè)備進(jìn)行精確的定位與識(shí)別,是進(jìn)行設(shè)備是否發(fā)生故障和進(jìn)行報(bào)警提示的關(guān)鍵[2]。雖然紅外檢測(cè)技術(shù)具有一定優(yōu)勢(shì),但是對(duì)于電力設(shè)備種類精確的定位與識(shí)別,還是需要依靠人工來(lái)完成,這對(duì)技術(shù)人員的專業(yè)性和經(jīng)驗(yàn)性要求極高,目前該方面的技術(shù)人員儲(chǔ)備較少。因此,對(duì)于紅外圖像數(shù)據(jù)進(jìn)行檢測(cè)后,自動(dòng)進(jìn)行電力設(shè)備種類的定位與識(shí)別成為電力設(shè)備故障紅外診斷研究的重點(diǎn)[3]。

隨著深度學(xué)習(xí)的發(fā)展,該領(lǐng)域的研究人員不斷嘗試將深度學(xué)習(xí)的目標(biāo)檢測(cè)模型應(yīng)用到電力設(shè)備故障紅外診斷領(lǐng)域中[4-6]。當(dāng)下比較流行的深度學(xué)習(xí)的目標(biāo)檢測(cè)算法主要有Two-stage(分兩步進(jìn)行工作)檢測(cè)算法和One-stage(分一步進(jìn)行工作)檢測(cè)算法。由于流程的不同,使得這兩種檢測(cè)算法各有各的優(yōu)點(diǎn),各有各的缺點(diǎn)。就檢測(cè)精度而言,Two-stage優(yōu)于One-stage;就檢測(cè)速度來(lái)說(shuō),One-stage比Two-stage更快。Two-stage中比較經(jīng)典的為Faster R-CNN;One-stage中比較具有代表性的有YOLOv3、SSD等[7]。文獻(xiàn)[8]利用Two-stage型目標(biāo)檢測(cè)對(duì)電力設(shè)備紅外圖像識(shí)別與定位,實(shí)現(xiàn)了7種電力設(shè)備的精準(zhǔn)定位和精準(zhǔn)識(shí)別,但是所消耗的時(shí)間較長(zhǎng),不滿足實(shí)時(shí)性要求。文獻(xiàn)[9]采用改進(jìn)后One-stage型目標(biāo)檢測(cè)算法對(duì)5種復(fù)雜背景下電力設(shè)備的紅外識(shí)別,識(shí)別速度較快,但是識(shí)別精度沒(méi)有太多提升,與改進(jìn)前精度幾乎相近。

本文在YOLOv4-tiny的基礎(chǔ)上,為了解決在電力設(shè)備密集、工作環(huán)境復(fù)雜不便識(shí)別等問(wèn)題:將水平矩形框變旋轉(zhuǎn)矩形框機(jī)制;用激活函數(shù)變Mish代替LeakyReLU,使得梯度在變化過(guò)程中平滑度得到提升,防止在小于零的區(qū)間范圍時(shí)出現(xiàn)梯度消失的現(xiàn)象;在特征提取部分,采用新的網(wǎng)絡(luò)進(jìn)行特征提取,即使用雙重網(wǎng)絡(luò)提取特征并進(jìn)行融合,充分利用多層特征圖的不同信息。最后,由實(shí)驗(yàn)得到的數(shù)據(jù)證明了新網(wǎng)絡(luò)具有一定的實(shí)用價(jià)值。

1 YOLOv4-tiny目標(biāo)檢測(cè)模型

YOLOv4-tiny屬于One-stage方法,是一個(gè)深度復(fù)雜的目標(biāo)檢測(cè)。YOLOv4-tiny模型是YOLOv4的簡(jiǎn)化版,其網(wǎng)絡(luò)參數(shù)量為600萬(wàn),只有YOLOv4的十分之一,使得檢測(cè)速度大大提高。YOLOv4-tiny網(wǎng)絡(luò)總體上可分為三個(gè)部分,第一部分主干特征提取網(wǎng)絡(luò)CSP Darknet53-tiny(簡(jiǎn)化CSP Darknet53):該部分與YOLOv4的相似,都是在原始的Darknet53結(jié)構(gòu)上加入CSPnet結(jié)構(gòu),不同的是YOLOv4-tiny該部分的殘差網(wǎng)絡(luò)不在進(jìn)行堆疊;第二部分加強(qiáng)特征提取網(wǎng)絡(luò):該部分采用的是FPN結(jié)構(gòu),相比于YOLOv4的加強(qiáng)提取網(wǎng)絡(luò)SPP+PANet結(jié)構(gòu),YOLOv4-tiny的加強(qiáng)提取網(wǎng)絡(luò)更輕量化;第三部分Yolov Head:該部分對(duì)提取到的特征進(jìn)行卷積和預(yù)測(cè)操作。YOLOv4-tiny結(jié)構(gòu)框圖如圖1所示,當(dāng)圖片輸入后,在主干特征提取網(wǎng)絡(luò)中首先進(jìn)行卷積和激活函數(shù)操作;然后進(jìn)行殘差操作;之后進(jìn)行卷積+激活函數(shù)操作,最終得到兩個(gè)有效特征層即26×26×256特征層和13×13×512特征層;將得到的有效特征層送入加強(qiáng)特征提取網(wǎng)絡(luò),進(jìn)行一系列卷積和上采樣操作,最終得到兩個(gè)帶有更多可靠信息的有效特征層;最后把帶有可靠信息的特征層送入Yolov Head進(jìn)行預(yù)測(cè)。

圖1 YOLOv4-tiny的結(jié)構(gòu)框圖

表1展示了YOLOv4-tiny和YOLOv4在同一數(shù)據(jù)集下進(jìn)行工作的性能對(duì)比。從多組數(shù)據(jù)分析中可以看出,YOLOv4-tiny的模型為YOLOv4的十分之一左右,但是識(shí)別速度卻快了至少七倍。因此,YOLOv4-tiny模型更適合電力設(shè)備紅外過(guò)熱故障診斷過(guò)程中的設(shè)備種類識(shí)別,實(shí)現(xiàn)實(shí)時(shí)的電力設(shè)備種類檢測(cè),為過(guò)熱故障識(shí)別做好準(zhǔn)備。

表1 YOLOv4-tiny與YOLOv4性能對(duì)比

YOLOy4-tiny結(jié)構(gòu)簡(jiǎn)單使其檢測(cè)速度快,能夠適應(yīng)電力設(shè)備紅外故障檢測(cè)實(shí)時(shí)性要求,但也帶來(lái)了特征融合不充分、利用率低以及顯著性不突出等缺點(diǎn),大大降低了檢測(cè)精度,影響電力設(shè)備紅外故障診斷的結(jié)果。

2 改進(jìn)YOLOV4-tiny電力設(shè)備目標(biāo)識(shí)別模型

YOLOv4-tiny結(jié)構(gòu)精簡(jiǎn)、檢測(cè)速度快,但檢測(cè)精度不高,無(wú)法對(duì)復(fù)雜場(chǎng)景中的電力設(shè)備目標(biāo)進(jìn)行精確檢測(cè)。針對(duì)電力設(shè)備紅外診斷的需求,以原始YOLOv4-tiny為基礎(chǔ)對(duì)其進(jìn)行改進(jìn):①引入旋轉(zhuǎn)框機(jī)制代替矩形框機(jī)制,實(shí)現(xiàn)復(fù)雜場(chǎng)景下的電氣設(shè)備精準(zhǔn)定位;②在特征提取網(wǎng)絡(luò)引入 Mish 激活函數(shù),使梯度在變化過(guò)程中平滑度得到提升,防止在小于零的區(qū)間范圍時(shí)梯度消散;③使用兩層網(wǎng)絡(luò)(FPN+PAN)對(duì)主干部分獲得的特征層進(jìn)行特征提取并進(jìn)行融合,使多層特征圖的不同信息被充分利用。

2.1 旋轉(zhuǎn)矩形框機(jī)制

在YOLOV4-tiny網(wǎng)絡(luò)中,采用的是矩形框機(jī)制,為了提高其在電力設(shè)備故障診斷領(lǐng)域的檢測(cè)精度,在原本的檢測(cè)網(wǎng)絡(luò)中將需要的旋轉(zhuǎn)框機(jī)制進(jìn)入,實(shí)現(xiàn)在電力設(shè)備過(guò)大、相互重疊和背景復(fù)雜場(chǎng)景下的電力設(shè)備紅外目標(biāo)精細(xì)化定位,以達(dá)到提高檢測(cè)精度的效果。

用來(lái)替換矩形框的旋轉(zhuǎn)矩形框如圖2所示,對(duì)于圖中每個(gè)旋轉(zhuǎn)矩形框的兩條相鄰的邊進(jìn)行定義,分別定義為邊m與邊n:邊m指與坐標(biāo)x軸正方向成角大于零度小于90度的邊,同時(shí)將成角定義為角度θ,并規(guī)定其取值范圍為[-π/2,0),圖中-30度和-60度指的就是角度θ;與邊m相鄰的邊就是邊n。通過(guò)位置向量(x,y,m,n,θ)表示出旋轉(zhuǎn)矩形框的位置,旋轉(zhuǎn)矩形框位置的確定主要依靠中心點(diǎn)與其高度寬度,其中中心點(diǎn)用x、y表示,框的寬度和高度用w、h來(lái)表示。

圖2 旋轉(zhuǎn)矩形框示意圖

旋轉(zhuǎn)框與水平框定位效果對(duì)比如圖3所示,通過(guò)對(duì)比可以發(fā)現(xiàn),旋轉(zhuǎn)矩形框?qū)⒅翱蜻x到的其他設(shè)備去除,這有利于檢測(cè)精度的提高。

圖3 旋轉(zhuǎn)框與水平框定位效果對(duì)比圖

2.2 激活函數(shù)

YOLOv4-tiny使用LeakyReLU作為激活函數(shù)(圖4),其表達(dá)式為:

圖4 LeakyReLU函數(shù)

LeakyReLU函數(shù)在小于零的區(qū)間范圍內(nèi)梯度容易消失的,因而導(dǎo)致梯度更新過(guò)程的中斷,模型的神經(jīng)元部分出現(xiàn)神經(jīng)元死亡現(xiàn)象,針對(duì)這一不足之處,可以采用Mish函數(shù)(圖5)來(lái)替換,其表達(dá)式為:

圖5 Mish函數(shù)

圖6 FPN+PAN結(jié)構(gòu)

Mish=x*tanh(ln(1+ex))

之所以采用Mish函數(shù)來(lái)進(jìn)行替換,是因?yàn)镸ish函數(shù)在小于零的區(qū)間范圍內(nèi)梯度的更新并非完全被中斷,Mish函數(shù)允許部分小于零的梯度存在,保證了網(wǎng)絡(luò)梯度流的穩(wěn)定,在進(jìn)行訓(xùn)練的過(guò)程中,相比較于LeakyReLU函數(shù),提高了梯度下降的效果。Mish函數(shù)替代LeakyReLU函數(shù)這一舉措可以提高測(cè)試的準(zhǔn)確率和訓(xùn)練的穩(wěn)定性。

2.3 FPN+PAN結(jié)構(gòu)

在進(jìn)行預(yù)測(cè)工作之前,還需要對(duì)特征層進(jìn)一步優(yōu)化,在原始的YOLOv4-tiny中,使用FPN結(jié)構(gòu)對(duì)前一階段獲得的特征層進(jìn)行進(jìn)一步的特征提取,經(jīng)過(guò)FPN模塊的處理后深、淺層特征層疊加合并在一起,使得淺層特征層可以傳遞深層特征的目的,但這個(gè)過(guò)程中存在目標(biāo)位置信息未傳遞到深層特征層的問(wèn)題,這個(gè)問(wèn)題將會(huì)嚴(yán)重影響后期診斷的質(zhì)量。為了解決這個(gè)問(wèn)題,提出了將PAN結(jié)構(gòu)后添加到FPN,PAN結(jié)構(gòu)信息提取的過(guò)程彌補(bǔ)了FPN的不足。FPN結(jié)構(gòu)與PAN結(jié)構(gòu)的合理配合,解決了無(wú)法表達(dá)多個(gè)特征這一不足之處,有利于復(fù)雜環(huán)境下對(duì)電氣設(shè)備紅外圖像的充分利用。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)環(huán)境與平臺(tái)

實(shí)驗(yàn)平臺(tái)的搭建包括計(jì)算機(jī)硬件、計(jì)算機(jī)軟件及環(huán)境,具體配置如表2和表3所示。

表2 計(jì)算機(jī)硬件配置表

表3 計(jì)算機(jī)軟件及環(huán)境

表4 紅外圖像數(shù)據(jù)集各設(shè)備數(shù)量

3.2 電力設(shè)備紅外圖像數(shù)據(jù)集

實(shí)驗(yàn)所使用的數(shù)據(jù)集為自建數(shù)據(jù)集,來(lái)源于電網(wǎng)公司巡檢過(guò)程中獲得的電力設(shè)備紅外圖像以及上網(wǎng)搜集的電力設(shè)備紅外圖像,數(shù)據(jù)集紅外圖像包括變壓器、電壓互感器、隔離開(kāi)關(guān)、電流互感器、絕緣子共5類變電站常見(jiàn)設(shè)備,合計(jì)2400張紅外圖像。

在進(jìn)行實(shí)驗(yàn)之前,要進(jìn)行模型的訓(xùn)練,需要對(duì)紅外相機(jī)采集到的紅外圖像進(jìn)行標(biāo)注,利用圖像標(biāo)注的部分設(shè)備圖像如圖7所示。

圖7 數(shù)據(jù)集標(biāo)注

為了較好地評(píng)估模型性能,將標(biāo)注好的紅外數(shù)據(jù)按照 3∶1 隨機(jī)劃分訓(xùn)練集和測(cè)試集。

3.3 結(jié)果與分析

為了綜合評(píng)估模型性能,采用每個(gè)類別的精度的平均值(AP)、AP的均值(mAP)以及檢測(cè)到目標(biāo)物體的速度(Speed)作為衡量模型的評(píng)估指標(biāo)。同時(shí),為了驗(yàn)證所提方法的有效性,采用YOLOv3、SSD、YOLOv4、YOLOv4-tiny作為對(duì)比方法。具體結(jié)果如表5和表6所示。

表5 改進(jìn)算法對(duì)不同電力設(shè)備的測(cè)試結(jié)果

表6 不同方法的性能對(duì)比

結(jié)合表5與表6可以得出:相較于原YOLOv4網(wǎng)絡(luò),所提方法的平均檢測(cè)精度均值提高1.89個(gè)百分點(diǎn),表明所提方法在電力設(shè)備紅外圖像識(shí)別中具備一定應(yīng)用價(jià)值;在檢測(cè)速度方面,所提方法的檢測(cè)速度略有下降,但相比其他方法,明顯具備優(yōu)勢(shì)。

4 結(jié)論

本文在YOLOv4-tiny檢測(cè)模型的基礎(chǔ)上,依照電力設(shè)備故障紅外檢測(cè)的需求,對(duì)該檢測(cè)模型進(jìn)行優(yōu)化,優(yōu)化后的模型實(shí)現(xiàn)了在進(jìn)行電力設(shè)備紅外診斷過(guò)程中的電力設(shè)備的識(shí)別,為電力設(shè)備的故障診斷提供了有利保障。通過(guò)引入旋轉(zhuǎn)框機(jī)制、改變激活函數(shù)和改進(jìn)特征提取框架對(duì)YOLOV4-tiny進(jìn)行了優(yōu)化。實(shí)驗(yàn)結(jié)果表明,改進(jìn)YOLOv4-tiny模型的mAP值比YOLOv4-tiny模型提高了1.89%,具有較好的綜合性能。因此改進(jìn)YOLOv4-tiny模型有利于電力設(shè)備紅外診斷過(guò)程中的電力設(shè)備的識(shí)別,對(duì)電力設(shè)備的故障診斷具有一定的現(xiàn)實(shí)意義。