楊 雨，陳 服，陳柏青，張美勇，鄭依然，楊 超

（1.國網(wǎng)浙江省電力有限公司瑞安市供電公司，浙江 瑞安 325200；2.三峽大學(xué) 電氣與新能源學(xué)院，湖北 宜昌 443000）

隨著我國工業(yè)的快速發(fā)展，人們的生活水平迅速提高，對(duì)用電需求也日益增長，使得電力系統(tǒng)的安全運(yùn)行面臨更大的挑戰(zhàn)。因此，在該需求背景下，可以高效、穩(wěn)定運(yùn)行的智能變電站成為未來變電站建設(shè)的新標(biāo)準(zhǔn)。其中，保護(hù)壓板作為一種提高電力系統(tǒng)穩(wěn)定運(yùn)行的重要設(shè)備，一直是變電站巡檢過程中必不可少的一部分，結(jié)合當(dāng)下最新的計(jì)算機(jī)自動(dòng)化技術(shù)，實(shí)現(xiàn)對(duì)變電站保護(hù)壓板的智能化改造。

目前，變電站硬壓板遠(yuǎn)方投退重合閘裝置技術(shù)已經(jīng)日漸成熟，具有足夠的應(yīng)用價(jià)值，但針對(duì)變電站保護(hù)壓板的狀態(tài)識(shí)別仍由人工進(jìn)行讀取，極易造成視覺疲勞，誤檢和漏檢的情況時(shí)有發(fā)生，給電網(wǎng)運(yùn)行安全可靠運(yùn)行帶來隱患。因此，基于圖像識(shí)別技術(shù)的壓板檢測與狀態(tài)識(shí)別算法被應(yīng)用于壓板讀取識(shí)別之中，以代替?zhèn)鹘y(tǒng)人工低效率、高錯(cuò)誤率的讀取工作。

目前，基于圖像識(shí)別技術(shù)的壓板檢測與狀態(tài)識(shí)別算法主要分為三類，一類是基于傳統(tǒng)數(shù)字圖像處理的形態(tài)學(xué)與特征分析[1-6]，第二類則是基于機(jī)器學(xué)習(xí)的模式識(shí)別[7-8]，最后一類則是基于深度學(xué)習(xí)的圖像處理算法[9-11]。由于基于深度學(xué)習(xí)的方法具有實(shí)時(shí)性高、錯(cuò)誤率低等特點(diǎn)，因此，本文通過建立壓板數(shù)據(jù)集，利用YOLO v5算法實(shí)現(xiàn)對(duì)壓板的快速檢測與識(shí)別。

1 壓板開關(guān)數(shù)據(jù)集構(gòu)建

本文的壓板數(shù)據(jù)集采集于轄區(qū)范圍內(nèi)37座變電站各個(gè)保護(hù)屏、測控屏內(nèi)硬壓板，數(shù)據(jù)集共包含500張圖片。分辨率大小為640*640。圖1為數(shù)據(jù)集典型樣本（測試集樣本）。

由圖1可知，壓板開關(guān)圖像具有如下特點(diǎn)：由于攝像頭拍攝位置不固定，導(dǎo)致壓板開關(guān)的形狀和大小不規(guī)范；壓板開關(guān)的顏色存在多樣性；壓板背景復(fù)雜，存在大量的設(shè)備標(biāo)簽。部分壓板開關(guān)的顏色與背景存在相似性，前景與背景難以區(qū)分。以上因素均導(dǎo)致傳統(tǒng)算法和機(jī)器學(xué)習(xí)算法對(duì)壓板位置和狀態(tài)檢測識(shí)別困難。針對(duì)上述難點(diǎn)，我們收集了大量壓板圖像建立數(shù)據(jù)集，以提高網(wǎng)絡(luò)模型的性能，實(shí)現(xiàn)對(duì)壓板的快速檢測與識(shí)別。

本文所使用的標(biāo)注工具為LabelImg，通過回歸框進(jìn)行標(biāo)記，標(biāo)簽值和回歸框位置以TXT文件存儲(chǔ)，標(biāo)記后的圖像如圖1（右）所示。

數(shù)據(jù)集由以下兩部分組成，如表1所示，共分為訓(xùn)練集和測試集，以4：1的比例進(jìn)行劃分，進(jìn)行交叉驗(yàn)證。

表1 數(shù)據(jù)集設(shè)置

2 基于YOLO v5的深度學(xué)習(xí)算法

2.1 YOLO模型

與RCNN[12]、Fast-RCNN[13]、Faster-RCNN[14]等基于深度學(xué)習(xí)分類方法所不同的是，YOLO系列[15-18]是基于深度學(xué)習(xí)的回歸方法，YOLO共分為五個(gè)版本，本文所使用的是YOLO v5模型，相比于前幾個(gè)版本而言，其優(yōu)點(diǎn)在于具有更強(qiáng)的實(shí)時(shí)特性和更高的預(yù)測精度。其創(chuàng)新之處在于：（1）將自適應(yīng)的計(jì)算錨框添加到模型之中，以適應(yīng)針對(duì)不同數(shù)據(jù)集樣本分布的錨框計(jì)算功能。（2）通過自適應(yīng)的縮放圖片，減少信息冗余，加快推理速度。（3）推出了四種網(wǎng)絡(luò)結(jié)構(gòu)，以應(yīng)對(duì)不同場景的需求。

2.2 模型結(jié)構(gòu)

YOLO v5模型架構(gòu)如圖2所示，整體模型主要分為三個(gè)部分，BackBone特征提取網(wǎng)絡(luò)、Neck特征聚合網(wǎng)絡(luò)以及預(yù)測網(wǎng)絡(luò)Prediction。

圖2 YOLO v5整體結(jié)構(gòu)圖

BackBone特征提取網(wǎng)絡(luò)主要由Focus、CRL和CSP模塊組成，F(xiàn)ocus模塊用于對(duì)輸入的RGB圖像進(jìn)行特征融合與提取，獲取圖像中的基本特征。CRL模塊的組成如圖1所示，其包含一個(gè)卷積層、一個(gè)批歸一化層和一個(gè)Leaky relu激活層。CSP模塊通過特征映射增強(qiáng)網(wǎng)絡(luò)的學(xué)習(xí)能力，包含兩個(gè)分支結(jié)構(gòu)，第一分支包含兩個(gè)CBM模塊和x個(gè)殘差模塊，第二分支僅包含一個(gè)CBM模塊，兩個(gè)分支的輸出特征通過Concat操作拼接在一起，與其他的殘差模塊相同，第一分支中的x個(gè)殘差模塊是為了加快收斂和訓(xùn)練速度。其中CBM模塊包含一個(gè)卷積層，一個(gè)批歸一化層和一個(gè)Mish激活層。

圖1 數(shù)據(jù)集典型樣本

Neck中通過SPP模塊提取多尺度特征，并通過特征跳躍連接的方式，將來自于網(wǎng)絡(luò)不同深度的特征拼接在一起。如圖3所示，來自BackBone的輸出特征經(jīng)過兩個(gè)CRL模塊后通過SPP模塊提取到了多尺度特征，再通過兩個(gè)CRL模塊和一個(gè)CSP模塊融合局部和全局上下文信息，經(jīng)過線性上采樣使得空間分辨率與BackBone的輸出分辨率相同，兩者進(jìn)行Concat操作，經(jīng)過融合層后作為下一級(jí)的輸入特征。其中，融合層為級(jí)聯(lián)的CSP模塊和CRL模塊。

為了獲得多個(gè)等級(jí)的輸出特征，Neck網(wǎng)絡(luò)中將來自BackBone的中層特征和上級(jí)的輸入特征線性上采樣后Concat操作，經(jīng)過融合層后生成Prediction的上層輸入特征。并將得到的上層輸入特征經(jīng)過一個(gè)CRL模塊后作為下一層Concat操作的輸入之一，此外，上級(jí)的輸入特征被再次利用，與Prediction的上層輸入特征一起生成Prediction的中間層輸入特征。然后，中間層的特征再次作為Concat操作的輸入，結(jié)合BackBone網(wǎng)絡(luò)的輸出，生成Prediction的最下層輸入特征。這種結(jié)構(gòu)的設(shè)計(jì)，充分利用了來自網(wǎng)絡(luò)不同深度的特征信息，將上下文信息（開關(guān)位置）和語義信息（說明這是開關(guān)）充分融合。

針對(duì)Neck網(wǎng)絡(luò)的三個(gè)輸出，將用于上層預(yù)測的特征和來自網(wǎng)絡(luò)中間層的特征拼接，再通過CSP和CRL模塊進(jìn)行特征融合。在Prediction部分，來自Neck的三個(gè)輸入將分別通過一個(gè)卷積層，生成用于預(yù)測的三個(gè)特征圖。

2.3 網(wǎng)絡(luò)設(shè)置

YOLO v5根據(jù)網(wǎng)絡(luò)深度和寬度的不同可分為四種網(wǎng)絡(luò)結(jié)構(gòu)，分別是YOLO v5s、YOLO v5m、YOLO v5l和YOLO v5x。其中通過修改CSP模塊的殘差模塊的個(gè)數(shù)改變網(wǎng)絡(luò)的深度，修改圖1中編號(hào)①-⑤模塊中的卷積核個(gè)數(shù)改變網(wǎng)絡(luò)的寬度。具體參數(shù)設(shè)置如表2、表3所示。

表2 不同模型CSP模塊具體參數(shù)設(shè)置

表3 不同模型卷積核數(shù)具體參數(shù)設(shè)置

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)設(shè)置

本文所采用的深度學(xué)習(xí)框架為Pytorch1.5，所有訓(xùn)練與測試均在單張RTX 3090上進(jìn)行，所使用的優(yōu)化算法為Adam，其參數(shù)設(shè)置為β1=0.9，β2=0.999，學(xué)習(xí)率設(shè)置為0.01，針對(duì)四種不同的網(wǎng)絡(luò)結(jié)構(gòu)，其訓(xùn)練大小分別設(shè)置為12，6，6，2，訓(xùn)練周期設(shè)置為1000。

3.2 評(píng)估指標(biāo)

為了能夠直觀地展示本文中所用算法的性能，本文將會(huì)從以精確度P和召回率R對(duì)網(wǎng)絡(luò)進(jìn)行模型評(píng)估，反映模型對(duì)壓板的誤檢和漏檢。具體定義如下所示：

式（1）中，P為模型的預(yù)測精確度，TP為壓板真實(shí)狀態(tài)為on時(shí)，預(yù)測結(jié)果也為on的樣本數(shù)，即為預(yù)測正確。FP為壓板真實(shí)狀態(tài)為off時(shí)，預(yù)測結(jié)果為on的樣本數(shù)，即為預(yù)測錯(cuò)誤。FP越大，則預(yù)測精度越低。

式（2）中，R為模型的預(yù)測召回率，F(xiàn)N為壓板真實(shí)狀態(tài)為on時(shí)，預(yù)測結(jié)果為off的樣本數(shù)，即為預(yù)測錯(cuò)誤。

同時(shí)，為了能夠?qū)⑸疃葘W(xué)習(xí)算法與傳統(tǒng)算法進(jìn)行更加全面的比較，本文還引入了漏檢率和推理速度t對(duì)算法的性能進(jìn)行評(píng)估。

式（3）中，M為對(duì)壓板檢測的漏檢率，MD為壓板開關(guān)漏檢數(shù)，TD為壓板開關(guān)可以被檢測到的個(gè)數(shù)。

3.3 結(jié)果分析與討論

傳統(tǒng)算法對(duì)保護(hù)壓板的識(shí)別過程主要分為以下幾個(gè)步驟：閾值分割、圖像二值化、位置檢測（邊緣提取）、狀態(tài)識(shí)別。如圖3、圖4所示，分別展示了傳統(tǒng)算法對(duì)壓板開關(guān)的閾值分割和狀態(tài)識(shí)別結(jié)果。由圖3可以看到，閾值分割不能很好地提取灰色開關(guān)的有效區(qū)域，從而使得該類顏色壓板開關(guān)的位置不被獲取，出現(xiàn)大量漏檢，如圖4所示。這種漏檢需要人工復(fù)檢才可以對(duì)結(jié)果進(jìn)行補(bǔ)充，雖然該種計(jì)算機(jī)與人工結(jié)合的方式高于純?nèi)斯ぷR(shí)別的效率和準(zhǔn)確率，但并不符合變電站智能化的要求和發(fā)展趨勢。

圖3 傳統(tǒng)算法閾值分割結(jié)果

圖4 傳統(tǒng)算法狀態(tài)識(shí)別結(jié)果

如表4所示，展示了YOLO v5不同網(wǎng)絡(luò)結(jié)構(gòu)和傳統(tǒng)算法下的精確度P、召回率R、漏檢率M和推理時(shí)間t。隨著網(wǎng)絡(luò)深度與寬度的不斷增加，網(wǎng)絡(luò)的精確度和召回率也隨之提升，但網(wǎng)絡(luò)的計(jì)算量大大增加也導(dǎo)致了推理速度的降低，從表中可以看出，YOLO v5x的精確度高達(dá)93.63%，遠(yuǎn)遠(yuǎn)高于傳統(tǒng)算法的87.45%（注意，計(jì)算精確度時(shí)不考慮漏檢），且其推理時(shí)間僅有29ms，低于傳統(tǒng)算法的計(jì)算時(shí)間，滿足實(shí)時(shí)性需求。并且，基于深度學(xué)習(xí)的算法其漏檢率為0，而傳統(tǒng)算法受限于各種條件，漏檢率為12.69%，兩者相比，本文所使用的基于深度學(xué)習(xí)的算法優(yōu)勢明顯，更加適合應(yīng)用到保護(hù)壓板位置檢測與狀態(tài)識(shí)別之中。

表4 不同算法的精確度、召回率、漏檢率和推理時(shí)間

圖5從左到右依次為v5s，v5m，v5l，v5x的推理結(jié)果，從推理結(jié)果可以看出，YOLO v5的所有模型均都可以很好的對(duì)壓板的位置做出檢測并預(yù)測狀態(tài)，相比較于傳統(tǒng)算法不能有效的對(duì)前景和背景進(jìn)行準(zhǔn)確分割，基于深度學(xué)習(xí)的方法可以更多的基于空間特征而非顏色特征對(duì)壓板開關(guān)的位置進(jìn)行判斷。從預(yù)測的置信率可以看出，在杜絕漏檢的前提下，該類難以識(shí)別區(qū)域的置信率平均高達(dá)85%，與其他易于分割識(shí)別區(qū)域的置信率不相上下。

圖5 不同網(wǎng)絡(luò)結(jié)構(gòu)的推理結(jié)果圖

由于不同結(jié)構(gòu)的網(wǎng)絡(luò)均可對(duì)壓板狀態(tài)做出較好識(shí)別，在實(shí)際應(yīng)用中，我們可以根據(jù)不同場景使用不同級(jí)別的檢測網(wǎng)絡(luò)。其中v5s模型雖然在準(zhǔn)確率上略低于v5x模型，但前者的推理速度僅有后者的37.9%，適用于緊急的巡檢任務(wù)中。并且更小的模型更加易于與微型計(jì)算機(jī)設(shè)備的計(jì)算能力相匹配，相對(duì)于大型網(wǎng)絡(luò)而言更有優(yōu)勢，降低了計(jì)算成本，更加易于實(shí)現(xiàn)變電站檢測設(shè)備的智能化改造和應(yīng)用。

YOLO v5x模型在推理速度上遠(yuǎn)不及YOLO v5s模型，但前者的預(yù)測精度卻遠(yuǎn)高于后者。雖然部署該類模型在微型計(jì)算機(jī)上成本偏高，但可以將其部署在數(shù)據(jù)中心，通過互聯(lián)網(wǎng)將數(shù)據(jù)傳回預(yù)測并將結(jié)果返回，以滿足對(duì)高精度任務(wù)的需求。

4 結(jié)論

本文利用YOLO v5算法，可快速準(zhǔn)確地實(shí)現(xiàn)對(duì)變電站壓板的檢測和狀態(tài)識(shí)別，其識(shí)別速度可達(dá)90fps/s，精度最高可達(dá)93.63%，效率和準(zhǔn)確率遠(yuǎn)遠(yuǎn)高于當(dāng)下通過人工進(jìn)行校驗(yàn)讀取。接下來的目標(biāo)是將算法應(yīng)用于嵌入式設(shè)備中，實(shí)現(xiàn)與遠(yuǎn)程投退重合閘裝置的聯(lián)合運(yùn)用，以加快實(shí)現(xiàn)變電站智能化進(jìn)程。