摘 要：本文基于改進的YOLO算法，針對變電站人員防護設備的檢測問題進行研究。通過添加上采樣結構和引入先進的損失函數(shù)和注意力機制CBAM模塊，提出了一種性能優(yōu)越的改進模型。試驗結果表明，改進模型在檢測精度和準確性方面明顯優(yōu)于其他經典目標檢測模型，mAP指標提高了2.46%。該研究為變電站人員防護設備的檢驗提供了一種高效可靠的解決方案。

關鍵詞：改進YOLO算法；變電站；人員防護

中圖分類號： TP 274 文獻標志碼：A

變電站是電力系統(tǒng)中重要的組成部分，為了保障工作人員的安全，針對人員防護設備的檢驗顯得尤為重要[1]。傳統(tǒng)的人工檢驗方式費時、費力且存在主觀性較大的問題[2]。因此，本文旨在應用深度學習技術改進目標檢測算法，實現(xiàn)對變電站人員防護設備的自動化檢測。通過引入先進的算法和結構，提高模型的準確性和檢測精度，為變電站的安全管理提供可靠的技術支持。

1 模型改進策略

1.1 損失函數(shù)

在變電站人員防護設備的檢驗中，針對每個防護設備，檢驗人員會選擇與其具有最高相關性的預測結果作為匹配對象。如果某個預測結果與實際防護設備的相關性大于設定的閾值，那么將其視為合格；如果相關性小于設定的閾值，那么將其視為不合格[3]。通過這種方式，更準確地匹配預測結果和實際防護設備，從而更好地評估其質量。在評估過程中，采用了一種基于相關性的損失函數(shù)。具體來說，針對每個合格的防護設備，模型會計算其預測結果與實際設備之間的相關性，并將其作為損失函數(shù)的一部分。這種基于相關性的損失函數(shù)能夠更好地反映預測結果與實際設備之間的差異，從而提高評估的準確性。損失函數(shù)IOU如公式（1）所示。

（1）

式中：A為預測框；B為真實框。

默認計算方法lossd、改進計算方法lossIOU如公式（2）所示。

lossd=1-IOU2

lossIOU=-log（IOU） （2）

式中：lossd為默認計算方法；lossIOU為改進計算方法。

在變電站人員防護設備的檢驗中，針對每個防護設備，YOLOX模型會根據預測框與真實框之間的交并比（IOU）來確定其所分配的樣本類型。如果某個預測框與真實框的IOU大于設定的閾值，就將其視為正樣本；如果IOU小于設定的閾值，就將其視為負樣本。完成正負樣本分配后，每個真實框所分配的樣本都被定義為正樣本，其余則為負樣本。通過優(yōu)化置信度的預測，模型能夠更好地判斷目標的存在與否。在變電站人員防護設備的檢驗中，通過計算lossobj來評估所有樣本的置信度，如公式（3）所示。

（3）

式中：N為每個批次中的樣本數(shù)量。

針對每個樣本i，有置信度標簽y（i）和YOLOX模型的置信度預測結果y（i）。這些置信度標簽和預測結果都是介于0～1，用于表示樣本中是否存在目標。當計算置信度損失時，使用了Sigmoid函數(shù)σ來將預測結果y（i）轉化為一個概率值。Sigmoid函數(shù)能夠將任意實數(shù)映射到0～1的值，從而將預測結果解釋為一個概率。通過使用Sigmoid函數(shù)，更好地理解和解釋模型對目標存在的預測。在變電站人員防護設備的檢驗中，使用losscls來表示類別損失。與此同時，IOU損失用于衡量預測框與真實框之間的重疊程度，如公式（4）所示。

（4）

通過增大IOU損失的權重，模型將更關注預測框與真實框的匹配程度，從而提高對變電站人員防護設備尺寸大小變化的感知能力。在變電站人員防護設備的檢驗中，調整比重時使用weight來表示加重交并比損失的懲罰力度，如公式（5）所示。

loss=weight×lossIOU+lossobj+losscls （5）

通過增大weight的值，模型將更嚴格地懲罰交并比較低的預測框，從而提高對變電站人員防護設備的準確檢測。

1.2 注意力機制

在變電站人員防護設備的檢驗中，使用傳統(tǒng)的Darknet53網絡作為經典的卷積神經網絡，用于提取圖像的特征[4]。然而，為了進一步增強特征的表征能力，引入了CSPDarknet53網絡，該網絡通過引入CSP結構，對不同階段之間的特征進行融合。這種跨階段局部結構的引入使模型能夠更好地捕捉變電站人員防護設備不同尺度和層次的特征信息，從而提高了檢測的準確性[5]。

在變電站人員防護設備的檢驗中，采用了一種名為卷積塊注意力模塊（Convolutional Block Attention Module，CBAM）的混合域注意力機制。CBAM算法流程如圖1所示，CBAM能夠有效地關注輸入數(shù)據的顯著性特征，并對輸入信息進行精細分配和處理。為了更好地應對變電站人員防護設備的檢驗需求，CBAM模塊由2個子模塊組成：通道注意力模塊（Channel Attention Module）和空間注意力模塊（Spatial Attention Module）。通道注意力模塊用于對輸入數(shù)據在通道維度上進行注意力加權，以提取最重要的通道特征，如公式（6）所示。

（6）

式中：Fc為通過通道注意力模塊計算得到的一維向量，用于表示每個通道的重要性；Mc為全連接層將輸入數(shù)據壓縮成一維向量；β為對通道權重特征向量進行映射得到的權重值；F為在卷積神經網絡中的某一層中提取的特征；Fa為特征圖與通道注意力模塊計算得到的特征權重相乘得到，用于加權強調特征圖中重要的通道特征；Ms為在空間注意力模塊中通過2次卷積操作得到的空間特征，用于計算空間權重。

1.3 多尺度特征融合

為了提升在變電站人員防護設備的檢驗中網絡對小目標的檢測效果，對網絡的Neck部分中的PAFPN結構進行改進。這個改進包括2種增強策略，旨在提升特征圖的形狀和細節(jié)表達能力，以增強整個模型對位置等細節(jié)信息的感知能力，并提高目標檢測的檢出率。改進后的Neck結構如圖2所示，具體來說，對原有的PAFPN輸出的3個特征圖（大小為20×20、40×40、80×80）進行上采樣，并將上采樣后的特征圖與原有的特征圖進行融合。通過這樣的增強策略，最終得到了3個大小為40×40、80×80、160×160的特征圖。這種增強策略的目的是增加特征圖的分辨率，使網絡能夠更好地捕捉變電站人員防護設備中小目標的細節(jié)信息。

2 試驗結果與分析

2.1 試驗環(huán)境及參數(shù)設置

在變電站人員防護設備的檢驗中，采用了不同階段的訓練策略。在凍結階段，每個epoch中，將數(shù)據集中的全部樣本按照batchsize分成小批次進行訓練，每個batch包括16個樣本。使用Adam優(yōu)化器來更新模型的參數(shù)，并設置初始學習率為0.001。在每個epoch結束時，將學習率乘以0.92進行衰減。在解凍階段，將數(shù)據集中的全部樣本按照batchsize分成小批次進行訓練，每個batch包括8個樣本。仍然使用Adam優(yōu)化器來更新模型的參數(shù)，并設置初始學習率為0.0001。與凍結階段相似，每個epoch結束時，將學習率乘以0.92進行衰減。通過這樣的訓練策略，能夠在凍結階段和解凍階段分別對模型進行訓練，并根據不同階段的需求進行學習率的調整。這有助于提高模型對變電站人員防護設備的檢驗能力，并適應不同階段的訓練需求。

2.2 數(shù)據集與評價指標

為了提升模型的檢測效果，本文采用了遷移學習的方法?；诨ヂ?lián)網和實際工作環(huán)境拍攝，建立3500張數(shù)據集，包括工人防護設備，即安全帽、絕緣手套和操作桿等，使用YOLOX模型，并加載了VOC2012公用數(shù)據集中的預訓練權重。通過這種方式，模型利用VOC2012數(shù)據集中的豐富信息和預訓練權重，從而更好地適應本文的工人防護設備數(shù)據集。為了評估模型的性能，本文選取了精準率P、召回率R、平均精準率AP和平均精準率均值mAP作為評價指標，如公式（7）所示。

（7）

在變電站人員防護設備的檢驗中，使用了一系列評價指標來客觀地評估模型的檢測能力和性能。這些指標包括精準率、召回率、平均精準率和平均精準率均值。精準率衡量了模型在預測中的準確性，即模型預測為正樣本的樣本中真正為正樣本的比例。召回率衡量了模型對正樣本的識別能力，即模型能夠正確預測出多少正樣本。平均精準率是對精準率在不同召回率下的平均值，用于綜合評價模型的性能。而平均精準率均值是對所有類別的AP進行平均得到的指標，用于評估整體的檢測性能。通過使用這些評價指標，能夠客觀地評估模型在變電站人員防護設備數(shù)據集上的檢測能力和性能。這些指標能夠提供對模型準確性、識別能力和整體性能的綜合評估，幫助研究者了解模型的優(yōu)劣和改進方向。

2.3 消融試驗

為探討以上改進策略對網絡模型的貢獻程度，本文以YOLOX為基礎模型，試驗參數(shù)設置及試驗環(huán)境設置維持不變，完成對比消融試驗。

改進策略消融試驗的每一類別AP及mAP見表1。通過改進損失函數(shù)，本文成功提高了mAP指標，使其提高了1.02%。改進的損失函數(shù)使網絡在對防護設備進行檢測時能夠更精準地進行判斷。通過優(yōu)化損失函數(shù)，模型能夠更好地學習目標的特征和邊界信息，從而提高檢測的準確性和穩(wěn)定性。此外，本文還在原有模型中添加了注意力機制CBAM模塊，試驗結果表明，添加CBAM模塊后，與未改進的模型相比，mAP指標增加了1.64%。這說明添加CBAM模塊使模型在防護設備檢測任務上更集中和關注，從而提高了模型的檢測性能。CBAM模塊自適應地調整特征圖的權重，使模型能夠更準確地捕捉目標的關鍵特征，提高檢測的準確性和魯棒性。

2.4 與已有目標檢測算法的性能對比

為驗證所改進策略在防護設備檢測中的性能優(yōu)勢，將改進后模型與其他具有代表性的檢測模型進行性能對比，結果見表2。

與其他經典具有代表性的目標檢測模型相比，針對變電站人員防護設備的檢驗，提出的改進模型展現(xiàn)出了明顯的性能優(yōu)勢。與原來的YOLOX檢測算法相比，改進模型在mAP指標上提高了2.46%。這說明改進模型具有更好的準確性和檢測精度，能夠更準確地捕捉目標并減少誤檢和漏檢的情況。YOLOX及改進后檢測效果如圖3所示，與其他經典目標檢測模型相比，改進模型在性能上的優(yōu)勢歸因于以下幾個方面。首先，采用了先進的損失函數(shù)和注意力機制CBAM模塊，這使模型能夠更好地學習目標特征和邊界信息，并更準確地進行目標檢測。其次，添加了上采樣結構，進一步提高了模型的細節(jié)表現(xiàn)能力，使其能夠更好地捕捉圖像中的細節(jié)信息，從而提高了檢測的準確性。最后，改進模型在防護設備檢測任務上更專注，能夠更好地集中于該任務，從而提高了檢測的精度。

3 結語

本文的成果對實際應用具有重要意義。通過自動化的目標檢測技術，提高了變電站人員防護設備的檢驗效率和準確性，減少人力資源的浪費。同時，該研究的方法和思路也為其他相關領域的研究和應用提供借鑒和參考。未來的研究進一步優(yōu)化算法和模型結構，提高檢測的性能和魯棒性。希望本文能夠為變電站安全管理和工人的個人安全提供借鑒。

參考文獻

[1]王兵，林龍福，林海，等.基于AI學習的變電站邊坡滑坡監(jiān)測系統(tǒng)設計[J].電力設備管理，2023（10）：105-107.

[2]劉森，李紅彥，徐華雷，等.某220kV變電站職業(yè)危害因素檢測與評價[J].吉林電力，2023，51（1）：43-46.

[3]方勇，孔晨華，張建軍.基于數(shù)字和智能化的變電站安全工器具管理模式研究[J].機械與電子，2022，40（4）：4.

[4]王鍵.探討110kV智能變電站二次系統(tǒng)設計與實現(xiàn)[J].通訊世界，2022，29（5）：67-69.

[5]于希永，尹亮，劉嘉奇.淺談智能變電站網絡安全風險與防護建議[J].工業(yè)信息安全，2023（3）：76-82.