摘 要：本文基于改進的YOLO算法，針對變電站人員防護設(shè)備的檢測問題進行研究。通過添加上采樣結(jié)構(gòu)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(jié)果表明，改進模型在檢測精度和準(zhǔn)確性方面明顯優(yōu)于其他經(jīng)典目標(biāo)檢測模型，mAP指標(biāo)提高了2.46%。該研究為變電站人員防護設(shè)備的檢驗提供了一種高效可靠的解決方案。

關(guān)鍵詞：改進YOLO算法；變電站；人員防護

中圖分類號： TP 274 文獻標(biāo)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(shè)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(yīng)用深度學(xué)習(xí)技術(shù)改進目標(biāo)檢測算法，實現(xiàn)對變電站人員防護設(shè)備的自動化檢測。通過引入先進的算法和結(jié)構(gòu)，提高模型的準(zhǔn)確性和檢測精度，為變電站的安全管理提供可靠的技術(shù)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(shè)備的檢驗中，針對每個防護設(shè)備，檢驗人員會選擇與其具有最高相關(guān)性的預(yù)測結(jié)果作為匹配對象。如果某個預(yù)測結(jié)果與實際防護設(shè)備的相關(guān)性大于設(shè)定的閾值，那么將其視為合格；如果相關(guān)性小于設(shè)定的閾值，那么將其視為不合格[3]。通過這種方式，更準(zhǔn)確地匹配預(yù)測結(jié)果和實際防護設(shè)備，從而更好地評估其質(zhì)量。在評估過程中，采用了一種基于相關(guān)性的損失函數(shù)。具體來說，針對每個合格的防護設(shè)備，模型會計算其預(yù)測結(jié)果與實際設(shè)備之間的相關(guān)性，并將其作為損失函數(shù)的一部分。這種基于相關(guān)性的損失函數(shù)能夠更好地反映預(yù)測結(jié)果與實際設(shè)備之間的差異，從而提高評估的準(zhǔn)確性。損失函數(shù)IOU如公式（1）所示。

（1）

式中：A為預(yù)測框；B為真實框。

默認(rèn)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(rèn)計算方法；lossIOU為改進計算方法。

在變電站人員防護設(shè)備的檢驗中，針對每個防護設(shè)備，YOLOX模型會根據(jù)預(yù)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(yù)測框與真實框的IOU大于設(shè)定的閾值，就將其視為正樣本；如果IOU小于設(shè)定的閾值，就將其視為負(fù)樣本。完成正負(fù)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(fù)樣本。通過優(yōu)化置信度的預(yù)測，模型能夠更好地判斷目標(biāo)的存在與否。在變電站人員防護設(shè)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(biāo)簽y（i）和YOLOX模型的置信度預(yù)測結(jié)果y（i）。這些置信度標(biāo)簽和預(yù)測結(jié)果都是介于0～1，用于表示樣本中是否存在目標(biāo)。當(dāng)計算置信度損失時，使用了Sigmoid函數(shù)σ來將預(yù)測結(jié)果y（i）轉(zhuǎn)化為一個概率值。Sigmoid函數(shù)能夠?qū)⑷我鈱崝?shù)映射到0～1的值，從而將預(yù)測結(jié)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(biāo)存在的預(yù)測。在變電站人員防護設(shè)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(yù)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(quán)重，模型將更關(guān)注預(yù)測框與真實框的匹配程度，從而提高對變電站人員防護設(shè)備尺寸大小變化的感知能力。在變電站人員防護設(shè)備的檢驗中，調(diào)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(yán)格地懲罰交并比較低的預(yù)測框，從而提高對變電站人員防護設(shè)備的準(zhǔn)確檢測。

1.2 注意力機制

在變電站人員防護設(shè)備的檢驗中，使用傳統(tǒng)的Darknet53網(wǎng)絡(luò)作為經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)，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(wǎng)絡(luò)，該網(wǎng)絡(luò)通過引入CSP結(jié)構(gòu)，對不同階段之間的特征進行融合。這種跨階段局部結(jié)構(gòu)的引入使模型能夠更好地捕捉變電站人員防護設(shè)備不同尺度和層次的特征信息，從而提高了檢測的準(zhǔn)確性[5]。

在變電站人員防護設(shè)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(guān)注輸入數(shù)據(jù)的顯著性特征，并對輸入信息進行精細(xì)分配和處理。為了更好地應(yīng)對變電站人員防護設(shè)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(jù)在通道維度上進行注意力加權(quán)，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(jù)壓縮成一維向量；β為對通道權(quán)重特征向量進行映射得到的權(quán)重值；F為在卷積神經(jīng)網(wǎng)絡(luò)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(quán)重相乘得到，用于加權(quán)強調(diào)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(quán)重。

1.3 多尺度特征融合

為了提升在變電站人員防護設(shè)備的檢驗中網(wǎng)絡(luò)對小目標(biāo)的檢測效果，對網(wǎng)絡(luò)的Neck部分中的PAFPN結(jié)構(gòu)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(xì)節(jié)表達能力，以增強整個模型對位置等細(xì)節(jié)信息的感知能力，并提高目標(biāo)檢測的檢出率。改進后的Neck結(jié)構(gòu)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(wǎng)絡(luò)能夠更好地捕捉變電站人員防護設(shè)備中小目標(biāo)的細(xì)節(jié)信息。

2 試驗結(jié)果與分析

2.1 試驗環(huán)境及參數(shù)設(shè)置

在變電站人員防護設(shè)備的檢驗中，采用了不同階段的訓(xùn)練策略。在凍結(jié)階段，每個epoch中，將數(shù)據(jù)集中的全部樣本按照batchsize分成小批次進行訓(xùn)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(shè)置初始學(xué)習(xí)率為0.001。在每個epoch結(jié)束時，將學(xué)習(xí)率乘以0.92進行衰減。在解凍階段，將數(shù)據(jù)集中的全部樣本按照batchsize分成小批次進行訓(xùn)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(shè)置初始學(xué)習(xí)率為0.0001。與凍結(jié)階段相似，每個epoch結(jié)束時，將學(xué)習(xí)率乘以0.92進行衰減。通過這樣的訓(xùn)練策略，能夠在凍結(jié)階段和解凍階段分別對模型進行訓(xùn)練，并根據(jù)不同階段的需求進行學(xué)習(xí)率的調(diào)整。這有助于提高模型對變電站人員防護設(shè)備的檢驗?zāi)芰Γ⑦m應(yīng)不同階段的訓(xùn)練需求。

2.2 數(shù)據(jù)集與評價指標(biāo)

為了提升模型的檢測效果，本文采用了遷移學(xué)習(xí)的方法?；诨ヂ?lián)網(wǎng)和實際工作環(huán)境拍攝，建立3500張數(shù)據(jù)集，包括工人防護設(shè)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(jù)集中的預(yù)訓(xùn)練權(quán)重。通過這種方式，模型利用VOC2012數(shù)據(jù)集中的豐富信息和預(yù)訓(xùn)練權(quán)重，從而更好地適應(yīng)本文的工人防護設(shè)備數(shù)據(jù)集。為了評估模型的性能，本文選取了精準(zhǔn)率P、召回率R、平均精準(zhǔn)率AP和平均精準(zhǔn)率均值mAP作為評價指標(biāo)，如公式（7）所示。

（7）

在變電站人員防護設(shè)備的檢驗中，使用了一系列評價指標(biāo)來客觀地評估模型的檢測能力和性能。這些指標(biāo)包括精準(zhǔn)率、召回率、平均精準(zhǔn)率和平均精準(zhǔn)率均值。精準(zhǔn)率衡量了模型在預(yù)測中的準(zhǔn)確性，即模型預(yù)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(yù)測出多少正樣本。平均精準(zhǔn)率是對精準(zhǔn)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(zhǔn)率均值是對所有類別的AP進行平均得到的指標(biāo)，用于評估整體的檢測性能。通過使用這些評價指標(biāo)，能夠客觀地評估模型在變電站人員防護設(shè)備數(shù)據(jù)集上的檢測能力和性能。這些指標(biāo)能夠提供對模型準(zhǔn)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(wǎng)絡(luò)模型的貢獻程度，本文以YOLOX為基礎(chǔ)模型，試驗參數(shù)設(shè)置及試驗環(huán)境設(shè)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(biāo)，使其提高了1.02%。改進的損失函數(shù)使網(wǎng)絡(luò)在對防護設(shè)備進行檢測時能夠更精準(zhǔn)地進行判斷。通過優(yōu)化損失函數(shù)，模型能夠更好地學(xué)習(xí)目標(biāo)的特征和邊界信息，從而提高檢測的準(zhǔn)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(jié)果表明，添加CBAM模塊后，與未改進的模型相比，mAP指標(biāo)增加了1.64%。這說明添加CBAM模塊使模型在防護設(shè)備檢測任務(wù)上更集中和關(guān)注，從而提高了模型的檢測性能。CBAM模塊自適應(yīng)地調(diào)整特征圖的權(quán)重，使模型能夠更準(zhǔn)確地捕捉目標(biāo)的關(guān)鍵特征，提高檢測的準(zhǔn)確性和魯棒性。

2.4 與已有目標(biāo)檢測算法的性能對比

為驗證所改進策略在防護設(shè)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(jié)果見表2。

與其他經(jīng)典具有代表性的目標(biāo)檢測模型相比，針對變電站人員防護設(shè)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(biāo)上提高了2.46%。這說明改進模型具有更好的準(zhǔn)確性和檢測精度，能夠更準(zhǔn)確地捕捉目標(biāo)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(jīng)典目標(biāo)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(xué)習(xí)目標(biāo)特征和邊界信息，并更準(zhǔn)確地進行目標(biāo)檢測。其次，添加了上采樣結(jié)構(gòu)，進一步提高了模型的細(xì)節(jié)表現(xiàn)能力，使其能夠更好地捕捉圖像中的細(xì)節(jié)信息，從而提高了檢測的準(zhǔn)確性。最后，改進模型在防護設(shè)備檢測任務(wù)上更專注，能夠更好地集中于該任務(wù)，從而提高了檢測的精度。

3 結(jié)語

本文的成果對實際應(yīng)用具有重要意義。通過自動化的目標(biāo)檢測技術(shù)，提高了變電站人員防護設(shè)備的檢驗效率和準(zhǔn)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(guān)領(lǐng)域的研究和應(yīng)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(jié)構(gòu)，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(xué)習(xí)的變電站邊坡滑坡監(jiān)測系統(tǒng)設(shè)計[J].電力設(shè)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(shè)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(wǎng)絡(luò)安全風(fēng)險與防護建議[J].工業(yè)信息安全，2023（3）：76-82.