基于改進(jìn)YOLOv3的電力設(shè)備紅外診斷方法

陳同凡，劉云鵬，裴少通

(華北電力大學(xué) 電力工程系，河北 保定 071003)

在電氣、機械和化學(xué)等因素的綜合作用下，運行過程中的電力設(shè)備會出現(xiàn)包括機械損傷、溫度升高及局部電場改變等問題[1-2]。為了準(zhǔn)確測量和分析電氣設(shè)備在日常工作中存在的缺陷問題，國內(nèi)外專家研究制造很多檢測儀器(包括紅外測溫儀、紫外成像儀等)應(yīng)用于電氣設(shè)備的缺陷檢測，對于巡檢人員在巡檢過程中排查設(shè)備的缺陷及診斷故障工作具有重大意義[3-4]。電壓分布法、電暈檢測法、紅外成像法等檢測手段往往被用于研究電氣設(shè)備存在的發(fā)熱故障，其中紅外成像法是通過觀察紅外波段下待測物體的熱特性來判斷設(shè)備是否存在缺陷，該方法已經(jīng)成為目前變電站設(shè)備缺陷檢測的主要方式[5]。

隨著我國電網(wǎng)的不斷發(fā)展與建設(shè)，電網(wǎng)規(guī)模也隨之增大，依靠巡檢機器人自帶的紅外熱成像儀采集的紅外圖譜數(shù)據(jù)量以幾何倍數(shù)增長，如何及時處理海量紅外圖像數(shù)據(jù)從而對電力設(shè)備進(jìn)行迅速有效的紅外診斷成為運檢工作人員面對的難題：僅僅依靠傳統(tǒng)人工對比分析紅外圖譜顯然不現(xiàn)實；若使用Adaboost分類器[6]或邊緣檢測算子[7-8]結(jié)合梯度、紋理等表層特征，往往存在識別準(zhǔn)確率不高、模型的泛化水平較低等缺陷。類似的方法還包括采用梯度法進(jìn)行邊緣檢測從而識別輸電線路的發(fā)熱點[9]，以及用傳統(tǒng)的圖像處理法生成關(guān)于線路的像素-溫度分布曲線[10]，文獻(xiàn)[11]提出一種基于支持向量機提取待測目標(biāo)方向梯度直方圖特征的模型，用于絕緣子單一目標(biāo)的紅外圖像故障診斷，但對于多目標(biāo)的識別效果還沒有明確結(jié)論。

為解決上述問題，可采用深度學(xué)習(xí)方法對目標(biāo)進(jìn)行定位分類，作為深度學(xué)習(xí)方法中的最常見的經(jīng)典模型之一，深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network，CNN)對于目標(biāo)識別定位有著相當(dāng)不錯的效果[12]。目標(biāo)識別算法于2012年取得顯著進(jìn)展，以CNN為基礎(chǔ)進(jìn)行改進(jìn)的AlexNet[13]網(wǎng)絡(luò)橫空出世贏得ILSVRC比賽第1名，將目標(biāo)識別定位算法提升至新的高度[14]。2014年之后，目標(biāo)識別定位算法逐漸形成兩類檢測機制，一類是多發(fā)檢測網(wǎng)絡(luò)，另一類則是單發(fā)檢測網(wǎng)絡(luò)。多發(fā)檢測網(wǎng)絡(luò)包括以區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(region convolution neural network，R-CNN)[15]為基礎(chǔ)的檢測網(wǎng)絡(luò)，比如Faster R-CNN[16]等；單發(fā)檢測網(wǎng)絡(luò)則包括單步多框檢測(single shot multibox detector，SSD)[17]算法和YOLO[18]算法，其中YOLO算法的模型結(jié)構(gòu)較為簡單，運營速率和診斷能力較高，應(yīng)用于電力設(shè)備異常發(fā)熱區(qū)域的識別定位診斷，將大大提升目前紅外巡檢的數(shù)據(jù)處理能力和人員效率。

因此，本文采用基于CNN的YOLO版本3(version 3，v3)算法[19]識別4類電力設(shè)備，包括絕緣子、套管、隔離開關(guān)觸頭和線夾，并對原有YOLOv3的網(wǎng)絡(luò)結(jié)構(gòu)和部分參數(shù)進(jìn)行相應(yīng)調(diào)整，可保證模型在識別上述4類電力設(shè)備時兼顧準(zhǔn)確率和實時性，同時引入故障檢測框用來定位異常發(fā)熱區(qū)域，通過對已識別的電力設(shè)備區(qū)域與故障區(qū)域的重疊度(intersection over union，IOU)進(jìn)行計算，用于判定待檢測的電力設(shè)備是否存在異常發(fā)熱。目前采用YOLOv3模型用于多類電力設(shè)備紅外診斷的研究還比較少見，本文實現(xiàn)的改進(jìn)YOLOv3模型目標(biāo)檢測算法可為變電站巡檢機器人和巡檢工作人員提供一種穩(wěn)定、高效的電力設(shè)備異常發(fā)熱紅外診斷方法。

本文第1章闡述紅外成像檢測電力設(shè)備故障的基本原理，對變電設(shè)備紅外數(shù)據(jù)集進(jìn)行數(shù)據(jù)標(biāo)注工作，并按照一定比例劃定實驗所需的訓(xùn)練集與測試集；第2章主要介紹YOLOv3模型及其特征，為后續(xù)的模型改進(jìn)工作起到了理論指導(dǎo)的作用；第3章給出基于改進(jìn) YOLOv3 模型的變電設(shè)備紅外圖像故障診斷方法。

1 建立紅外樣本圖譜數(shù)據(jù)庫

1.1 電力設(shè)備發(fā)熱故障原因及檢測原理

電力設(shè)備異常發(fā)熱的主要成因[20]包括設(shè)備本身存在故障，設(shè)備面臨的氧化問題、電化學(xué)侵蝕問題，零部件未按要求緊固，以及設(shè)備承載的電流超過額定值引發(fā)設(shè)備發(fā)熱，以上原因都有可能導(dǎo)致設(shè)備無法處于正常工作狀態(tài)。當(dāng)自身存在問題時，設(shè)備在額定電壓、電流下工作也會出現(xiàn)異常發(fā)熱現(xiàn)象；設(shè)備出現(xiàn)電化學(xué)腐蝕和氧化問題，則會導(dǎo)致電阻升高從而帶來異常發(fā)熱問題；設(shè)備承載的電流超過一定限額，會使得設(shè)備出現(xiàn)發(fā)熱區(qū)域，在此情況下運行過久可能會影響電力系統(tǒng)的暫態(tài)穩(wěn)定性。

紅外成像儀獲取到熱分布圖像能夠反映被測物體溫度大小，判別有關(guān)設(shè)備故障與否[21]。紅外成像儀的工作原理為：紅外成像儀的光敏元件檢測待測目標(biāo)發(fā)出的紅外輻射，放大產(chǎn)生電信號并數(shù)字化，再通過紅外成像儀的信號處理器將紅外熱像圖呈現(xiàn)在顯示器上，如圖1所示，待測物體的紅外熱像圖與其熱場分布相對應(yīng)。

圖1 紅外成像儀工作原理Fig.1 Working principle of infrared imager

1.2 建立電力設(shè)備紅外圖像樣本數(shù)據(jù)庫

本文中建立的典型電力設(shè)備紅外圖像樣本數(shù)據(jù)庫，來源于運檢部門歷次采用紅外熱像儀采集的典型電氣設(shè)備(包括懸式絕緣子、隔離開關(guān)觸頭、套管、金具等)紅外圖譜數(shù)據(jù)，合計2 936張紅外圖像，經(jīng)過對樣本的篩選與剔除，最終得到2 679張典型電力設(shè)備紅外異常發(fā)熱圖像，然后將整理收集到的圖片批量做去噪、圖像增強預(yù)處理，并統(tǒng)一剪裁為416×416像素大小。

紅外圖譜存在多種類型的偽彩色機制，例如鐵紅、鐵青等，工作人員利用紅外成像儀拍攝的電氣設(shè)備背景復(fù)雜，現(xiàn)場拍攝的手法和位置不一致，以上特性會對部分圖像識別模型造成一定影響，對于相似形狀的電力設(shè)備會存在誤檢的情況?？紤]到Y(jié)OLOv3網(wǎng)絡(luò)具備復(fù)雜背景下識別多個目標(biāo)的能力，使用一定數(shù)目的訓(xùn)練樣本數(shù)據(jù)，并通過加載已有網(wǎng)絡(luò)參數(shù)的預(yù)訓(xùn)練的深度學(xué)習(xí)CNN，可以獲得平均識別率較高的目標(biāo)檢測結(jié)果。

通過使用專門為YOLOv3網(wǎng)絡(luò)設(shè)計的Yolomark標(biāo)注工具對4類電力設(shè)備(絕緣子、套管、隔離開關(guān)觸頭和設(shè)備線夾)和異常發(fā)熱區(qū)域進(jìn)行框選，形成YOLOv3網(wǎng)絡(luò)紅外圖像訓(xùn)練數(shù)據(jù)的標(biāo)簽數(shù)據(jù)文件。樣本庫圖像共計2 679張紅外圖像，其中訓(xùn)練樣本集和測試樣本集占比分別為7∶3[22]，從中抽取1 874幅紅外圖片作為訓(xùn)練樣本集，剩下的805張圖像作為測試樣本集，具體劃分結(jié)果見表1。

表1 數(shù)據(jù)集分配表Tab.1 Allocation table of data set

2 YOLOv3目標(biāo)識別算法

2.1 YOLOv3的基本原理

YOLOv3 網(wǎng)絡(luò)結(jié)構(gòu)包含106 個網(wǎng)絡(luò)層。其中一部分為 Darknet-53 特征提取網(wǎng)絡(luò)，由一系列的1×1卷積層和3×3卷積層與RES層組成包含殘差塊的多層神經(jīng)網(wǎng)絡(luò)，共有53個卷積層；另一部分由卷積層與上采樣層構(gòu)成。

圖2為 YOLOv3 的網(wǎng)絡(luò)結(jié)構(gòu)圖，YOLOv3 網(wǎng)絡(luò)對每個卷積層進(jìn)行批歸一化(batch normalization，BN)和Leaky relu激活，從而獲得YOLOv3的基本組件——卷積正則化激活組件結(jié)構(gòu)(DarkNetconv2D-BN-Leaky，DBL)。殘差塊RES Unit層由1×1和3×3的卷積層通過跳躍連接與1個3×3的卷積連接構(gòu)成；殘差塊能夠緩解梯度消失，增加網(wǎng)絡(luò)的深度，提高模型的提取特征能力。殘差組合RESN是由零填充(Zero padding)和DBL以及N個殘差塊組成的串聯(lián)結(jié)構(gòu)。為了提高對輸入圖片特征的學(xué)習(xí)能力，網(wǎng)絡(luò)通過張量拼接(Concat)的方式結(jié)合提取深層特征和淺層特征，即將網(wǎng)絡(luò)中不同倍率降采樣的張量與當(dāng)前上采樣層的張量進(jìn)行拼接，從而得到更高維度的特征張量，這也是網(wǎng)絡(luò)實現(xiàn)多尺度融合預(yù)測的關(guān)鍵，生成識別特征圖的尺度分別為13×13、26×26、52×52；因此，可以讓模型獲取到待測目標(biāo)更全面精細(xì)的特征，在干擾下具備更強的魯棒性。

圖2 YOLOv3結(jié)構(gòu)Fig.2 Structure of YOLOv3

下面介紹關(guān)于YOLOv3算法的具體特性及計算方法。

a)端對端訓(xùn)練。通過向深度CNN輸入訓(xùn)練集圖像開展訓(xùn)練、輸出圖像以實現(xiàn)端到端處理，從而完成目標(biāo)檢測，由于YOLOv3網(wǎng)絡(luò)只關(guān)注模型的輸入端與模型的輸出端，沒有中間的區(qū)域建議環(huán)節(jié)，所以能夠顯著提高速度。

b)維度聚類。YOLOv3選擇K-means聚類算法用于邊界框的訓(xùn)練學(xué)習(xí)，并采取計算重疊度的數(shù)值作為邊界框的標(biāo)準(zhǔn)，以平均重疊度為基礎(chǔ)選擇9個錨點從而形成邊界框[23]，與傳統(tǒng)算法相比，K-means聚類方法避免了過往傳統(tǒng)算法中以人工選取邊界框為手段產(chǎn)生的低準(zhǔn)確率問題。

c)邊界框的計算。在YOLOv3模型的訓(xùn)練過程中，計算各個預(yù)測邊界框和先驗框交并比的數(shù)值，從中選取和預(yù)測邊界框存在最大交并比的先驗框用于實現(xiàn)目標(biāo)檢測，網(wǎng)絡(luò)使用K-means聚類來預(yù)測形成邊界框。

d)預(yù)測邊界框包含實際目標(biāo)的置信度計算，用于表示模型對柵格里物體的預(yù)測可信度，即物體落入柵格區(qū)域，以及坐標(biāo)預(yù)測在多大程度上可信。置信度

fCS=P(c)fIOU.

(1)

式中：P(c)為實際目標(biāo)出現(xiàn)的概率，c為實際目標(biāo)，當(dāng)區(qū)域存在實際目標(biāo)時P(c)為1，否則為0；fIOU為真實框和預(yù)測邊界框的重疊度。

e)類別預(yù)測。采用交叉熵作為損失值用于類別的預(yù)測，交叉熵

(2)

2.2 YOLOv3的損失函數(shù)

以深度學(xué)習(xí)CNN為基礎(chǔ)的YOLOv3算法需要通過對大量樣本進(jìn)行學(xué)習(xí)，實現(xiàn)提取到的特征輸出符合預(yù)期輸出，得到參數(shù)更優(yōu)的模型[24]。訓(xùn)練過程中，可以將原模型的參數(shù)隨機初始化或者采用已提前訓(xùn)練過的模型參數(shù)，使用數(shù)據(jù)標(biāo)注工具標(biāo)注數(shù)據(jù)集，經(jīng)歷多輪訓(xùn)練迭代后得到最終模型，輸入測試圖片可以得到模型的檢測結(jié)果。

損失函數(shù)依據(jù)其特點分為3個模塊，包括目標(biāo)坐標(biāo)預(yù)測損失Lcoord、置信度損失Lcon和類別預(yù)測損失Lclass。這里YOLOv3模型選取交叉熵作為損失值用于類別預(yù)測，即作為電力設(shè)備目標(biāo)檢測模型的損失函數(shù)；而針對模型的目標(biāo)置信水平和類別預(yù)測選取的是邏輯回歸函數(shù)，再通過對坐標(biāo)、置信度和類別預(yù)測賦予不一樣的權(quán)重，修改關(guān)于Lcoord、Lclass、Lcon這三者的系數(shù)，得到最終的綜合損失函數(shù)。

下面將含有待測物體的區(qū)域命名為前景(obj)；不含待測物體的區(qū)域命名為背景(noobj)表示。針對背景設(shè)置閾值：當(dāng)預(yù)測框和邊界框交并比的最大值超過背景設(shè)置閾值時，不計置信度損失；當(dāng)預(yù)測框和邊界框交并比的最大值小于背景設(shè)置閾值時，置信度損失記為

(3)

前景預(yù)測框的置信度損失

(4)

前景預(yù)測框的類別預(yù)測損失

(5)

前景預(yù)測框的坐標(biāo)預(yù)測損失

(6)

在對坐標(biāo)、置信度和類別預(yù)測賦予不同權(quán)重，并修改關(guān)于Lcoord、Lclass、Lcon的系數(shù)后，得到最終的YOLOv3模型綜合損失函數(shù)

(7)

2.3 改進(jìn)的YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)

由于四類電力設(shè)備中線夾的實際尺寸小、絕緣子等實際拍攝距離較遠(yuǎn)，得到的現(xiàn)場紅外圖像存在待檢測目標(biāo)尺寸小和識別難度大的問題，如果仍采用原來的網(wǎng)絡(luò)結(jié)構(gòu)中8倍降采樣方式進(jìn)行小目標(biāo)的定位識別，將出現(xiàn)檢測困難、設(shè)備識別準(zhǔn)確率低等情況；因此，本文在原有YOLOv3模型的基礎(chǔ)上進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)上的改進(jìn)，提出新的目標(biāo)檢測模型。改進(jìn)后的模型解決了降采樣次數(shù)過多引起的檢測困難問題、增強特征的使用，能夠較好地處理紅外樣本中小目標(biāo)識別準(zhǔn)確度低的難題。

對YOLOv3 網(wǎng)絡(luò)模型而言，同一目標(biāo)在不同尺度下提取的特征由于感受野的不同而有所差異，感受野[25]是指特征圖元素映射回原圖里相應(yīng)的區(qū)域大小，由Hubel在1962年提出，計算公式為

Rl=sl×(Rl-1-1)+kl.

(8)

式中：s為卷積的步長；R為感受野的大??；k為卷積的核尺寸；l為卷積層層數(shù)。

由于降采樣對原圖像信息進(jìn)行縮略能夠提升感受野的大小，但同時也會丟失原圖像中大量的空間信息，進(jìn)而對邊界預(yù)測框產(chǎn)生影響；因此，針對以小目標(biāo)為檢測對象的圖像，需要選擇合適的降采樣方式，否則將導(dǎo)致小目標(biāo)的圖像信息由于降采樣倍數(shù)過大而喪失，使得小目標(biāo)物體難以被模型檢測到。本文將 YOLOv3中原有的8倍降采樣方式改進(jìn)為2倍降采樣方式，從而提升網(wǎng)絡(luò)的輸出尺寸，保證不會因為遺失大量空間信息引發(fā)小目標(biāo)的漏檢率和誤檢率升高。為了避免由于降采樣倍數(shù)降低導(dǎo)致的空間信息計算量提高、感受野減小的問題，可降低采樣后的隱藏層通道數(shù)，然后利用增加殘差單元的策略來提升感受野的尺寸。

圖 3所示為改進(jìn)后YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)，在原YOLOv3模型算法基礎(chǔ)上，對8倍降采樣采用4倍的上采樣得到2倍降采樣特征，再和網(wǎng)絡(luò)里殘差塊輸出的2倍降采樣特征進(jìn)行拼接，最終得到2倍降采樣的檢測特征。另一方面，為了確保充分利用小目標(biāo)物體特征，采用增加殘差單元的方式，去掉模型輸出層前原有的4個DBL單元，保留2個DBL單元，增加2個殘差單元用于提升特征的提取效果。所采用的殘差單元一方面提升原有感受野的尺寸，另一方面，小目標(biāo)物體特征(例如細(xì)節(jié)和坐標(biāo)信息)得到充分的利用，從而解決梯度消失的現(xiàn)象。本文提出的預(yù)測方式能夠避免降采樣所引起的空間信息過多流失，提高YOLOv3模型的檢測準(zhǔn)確率，更適應(yīng)待測電力設(shè)備的異常發(fā)熱區(qū)域檢測。

圖3 改進(jìn)后YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Improved YOLOv3 network structure

3 實驗評估

3.1 實驗環(huán)境

實驗硬件環(huán)境為Intel i7處理器(4核、2.5 GHz)，8 GB內(nèi)存，Geforce GTX 1080TI顯卡；開發(fā)環(huán)境為Python3.7、VS2015、opencv3.1、YOLOv3、cuda9.0。

3.2 訓(xùn)練過程

在改進(jìn)YOLOv3算法的訓(xùn)練過程中，網(wǎng)絡(luò)將數(shù)據(jù)集圖片裁剪為416×416像素大小，以原YOLOv3的預(yù)訓(xùn)練模型文件為基礎(chǔ)開始訓(xùn)練。整個訓(xùn)練過程中，單批處理圖像的批次數(shù)目為64，權(quán)值衰減正則項為0.000 5，動量項為0.9，經(jīng)過10 000次迭代后得到最終模型。由于模型在訓(xùn)練學(xué)習(xí)的過程中會趨近于收斂狀態(tài)，如果一直保持較高的學(xué)習(xí)速率，通常會導(dǎo)致模型振蕩發(fā)散；因此，本文在前8 000個訓(xùn)練輪次將學(xué)習(xí)速率定為0.005，中間1 000個訓(xùn)練輪次學(xué)習(xí)速率定為0.001，最后1 000個訓(xùn)練輪次的學(xué)習(xí)速率設(shè)置為0.000 1，累計10 000次迭代共耗時10 h后，損失值大致收斂。生成的網(wǎng)絡(luò)模型可用于下一步的檢測階段，圖4為改進(jìn)YOLOv3模型整個過程的損失曲線。

圖4 YOLOv3模型損失曲線圖Fig.4 Loss curves of YOLOv3 model

由圖4可以看出：在全部樣本迭代至8 000次以后，損失值已經(jīng)趨近于0.5左右；從損失值數(shù)值的收斂情況來看，在迭代10 000輪以后損失值數(shù)值最終收斂于0.361。訓(xùn)練得到的模型較為理想，可以用在接下來的模型驗證及效果測試環(huán)節(jié)。

3.3 模型驗證

為了驗證基于改進(jìn)YOLOv3的電氣設(shè)備目標(biāo)檢測框架的實際識別效果，本文在測試集上通過準(zhǔn)確率、召回率和檢測速度來對改進(jìn)的YOLOv3算法進(jìn)行評估，用于判斷目標(biāo)檢測算法的優(yōu)劣。

準(zhǔn)確率反映的是網(wǎng)絡(luò)對正樣本預(yù)測的準(zhǔn)確程度，定義為

(9)

召回率反映的是網(wǎng)絡(luò)對正樣本的檢索效果，定義為

(10)

式(9)、(10)中：TP為電氣設(shè)備被判別準(zhǔn)確的數(shù)量；TN為非電氣設(shè)備被判別準(zhǔn)確的數(shù)量；FP為非電氣設(shè)備誤判為電氣設(shè)備的數(shù)量；FN為將電氣設(shè)備誤判為非電氣設(shè)備的數(shù)量。

測試數(shù)據(jù)集包括805張紅外圖像，使用準(zhǔn)確率、檢測速度、召回率對YOLOv3、改進(jìn)YOLOv3和Faster R-CNN進(jìn)行評估對比，結(jié)果見表2。

表2 實驗對比結(jié)果Tab.2 Comparisons of experimental results

由表2可以看出，本文提出的YOLOv3算法盡管與原算法相比在召回率方面降低了1.36%，但精確率比原模型升高了0.83%，改進(jìn)后的YOLOv3算法檢測速度能夠達(dá)到23.91 ms/幀。這是由于改進(jìn)后的損失函數(shù)能夠使網(wǎng)絡(luò)模型更快地擬合數(shù)據(jù)集并加快收斂速度，這對于模型的實時性能有著很大的幫助。

采用改進(jìn)的YOLOv3模型對四類電力設(shè)備測試集共805張圖片的識別結(jié)果見表3。可以看出：識別絕緣子的準(zhǔn)確率最高，達(dá)到96.73%；其次分別為套管和隔離開關(guān)；識別設(shè)備線夾的準(zhǔn)確率最低，為80.91%。這是因為設(shè)備線夾的訓(xùn)練集數(shù)目在四類電力設(shè)備中最少，并且由于設(shè)備線夾自身屬于小目標(biāo)，會受到拍攝角度、設(shè)備遮擋等影響識別的準(zhǔn)確率。四類電力設(shè)備的綜合檢測準(zhǔn)確率能夠達(dá)到88.76%。

表3 電力設(shè)備檢測準(zhǔn)確率Tab.3 Power equipment testing accuracy

3.4 效果測試

使用改進(jìn)YOLOv3模型對測試樣本庫中的圖像進(jìn)行效果測試。圖5為改進(jìn)前后對紅外測試集的檢測效果圖，其中圖5(a)為原YOLOv3模型的識別效果圖，圖5(b)為改進(jìn)后YOLOv3模型的識別效果圖。圖中的error、cable、insulator分別表示預(yù)測框?qū)υ撃繕?biāo)的分類為異常發(fā)熱、套管和絕緣子，預(yù)測分類之后的數(shù)字代表該目標(biāo)為預(yù)測框?qū)?yīng)分類的置信度，反映了待檢測目標(biāo)被判定為對應(yīng)類別目標(biāo)的概率，能夠體現(xiàn)模型對于圖像中不同目標(biāo)檢測分類能力。從圖5中可以看出：原有的YOLOv3模型在識別套管時，錯誤地將其分類為絕緣子，并且對于圖中的多個套管未能完全識別出來；而改進(jìn)的YOLOv3能夠?qū)D中所有的套管進(jìn)行準(zhǔn)確的分類定位，預(yù)測框框選區(qū)域更加匹配套管的實際尺寸，相應(yīng)的置信度也更高，相比于原模型在檢測定位能力方面有明顯提升。

圖5 改進(jìn)前后檢測效果對比圖Fig.5 Comparisons of detection results before and after improvement

圖6為電力設(shè)備多目標(biāo)識別效果圖，圖中insulator表示該目標(biāo)被識別分類為絕緣子，switch則表示該目標(biāo)被識別分類為隔離開關(guān)觸頭。從圖6中可以看出，訓(xùn)練得到的模型可實現(xiàn)多目標(biāo)準(zhǔn)確定位及分類，可以識別出紅外圖譜中存在的多個絕緣子和隔離開關(guān)觸頭的位置并顯示類別。

圖6 電力設(shè)備多目標(biāo)識別效果Fig.6 Multi-objective recognition effect of power equipment

3.5 故障診斷

為保證改進(jìn)YOLOv3模型能夠?qū)崿F(xiàn)故障診斷，將2 679張典型電力設(shè)備紅外異常發(fā)熱圖像中的1 874幅紅外圖片作為訓(xùn)練樣本集，對其中異常發(fā)熱區(qū)域使用Yolomark標(biāo)注工具進(jìn)行標(biāo)記框選，最終訓(xùn)練得到的YOLOv3模型可以實現(xiàn)電力設(shè)備目標(biāo)檢測，同時也能夠檢測出異常發(fā)熱區(qū)域。

圖7為改進(jìn)的YOLOv3模型對絕緣子發(fā)熱區(qū)域的檢測結(jié)果，圖中 insulator框圈選絕緣子，error框圈選發(fā)熱區(qū)域。目標(biāo)識別算法可以識別出異常結(jié)果并顯示發(fā)熱區(qū)域存在的位置，通過判斷發(fā)熱區(qū)域與絕緣子區(qū)域的重疊度，可以判斷絕緣子是否存在發(fā)熱故障。

圖7 絕緣子異常發(fā)熱區(qū)域識別效果Fig.7 Recognition results of abnormal heating areas of insulator

通過計算已識別的電力設(shè)備區(qū)域與發(fā)熱區(qū)域的重疊度，來診斷待檢測的電力設(shè)備是否存在故障。重疊度指的是YOLOv3模型產(chǎn)生的電力設(shè)備目標(biāo)窗口與發(fā)熱區(qū)域目標(biāo)窗口的交疊率，即二者檢測框選區(qū)域的交集比上它們的并集，即為故障診斷的準(zhǔn)確率重疊度。對于故障診斷而言，當(dāng)重疊度低于一定值X時，可認(rèn)為電力設(shè)備存在異常發(fā)熱的可能性較小，或異常發(fā)熱區(qū)域在電力設(shè)備的占比較小，通常需要進(jìn)行二次人工診斷；當(dāng)重疊度為0時，可基本判斷電力設(shè)備上不存在異常發(fā)熱區(qū)域，或紅外樣本中無異常發(fā)熱點，此時無需進(jìn)行二次診斷；當(dāng)重疊度大于一定值X時，可判定電力設(shè)備存在異常發(fā)熱區(qū)域，將其歸類為故障設(shè)備。

圖8所示為故障診斷流程。具體步驟為：首先提取目標(biāo)檢測框的坐標(biāo)，將電力設(shè)備和發(fā)熱區(qū)域每一行的坐標(biāo)信息分兩類保存到矩陣中；再提取兩類矩陣的坐標(biāo)求重疊度，并對應(yīng)每一類電力設(shè)備故障類型和正常情況進(jìn)行坐標(biāo)文件的自動歸類，最終得到故障診斷結(jié)果。由于本文中的YOLOv3模型可識別四類電力設(shè)備并輸出對應(yīng)目標(biāo)框的坐標(biāo)與標(biāo)簽，因此可以迅速判別在所涉及的紅外圖像中哪一類電力設(shè)備為故障設(shè)備，大大節(jié)省故障診斷的時間。

圖8 故障診斷流程Fig.8 Fault diagnosis process

4 結(jié)束語

基于深度學(xué)習(xí)CNN提出一種改進(jìn)的YOLOv3算法用于電力設(shè)備紅外圖譜故障診斷，在YOLOv3算法基礎(chǔ)上對網(wǎng)絡(luò)結(jié)構(gòu)和部分參數(shù)進(jìn)行修改，使得訓(xùn)練模型在識別絕緣子、套管、隔離開關(guān)觸頭和設(shè)備線夾四類電力設(shè)備具有較高的準(zhǔn)確率和更快的識別速度，可在多尺度環(huán)境下精確識別電氣設(shè)備。通過對紅外缺陷故障圖片訓(xùn)練集進(jìn)行異常發(fā)熱特征提取與電力設(shè)備多目標(biāo)特征提取訓(xùn)練，可以有效地對復(fù)雜環(huán)境下多類電氣設(shè)備的紅外圖譜進(jìn)行故障診斷，具有實際的工程意義，但目前對于部分檢測目標(biāo)如線夾的平均識別準(zhǔn)確率有待進(jìn)一步提升，將作為之后的研究工作。