基于改進(jìn)YOLOv8s的配電設(shè)備紅外目標(biāo)檢測模型

吳合風(fēng) 王國偉 萬造君 張 闊 姜世浩

基于改進(jìn)YOLOv8s的配電設(shè)備紅外目標(biāo)檢測模型

吳合風(fēng) 王國偉 萬造君 張 闊 姜世浩

（北京御航智能科技有限公司，北京 100080）

隨著電力巡檢技術(shù)的發(fā)展，利用無人機(jī)和紅外熱成像技術(shù)進(jìn)行巡檢逐漸成為電力巡檢作業(yè)的一個(gè)重要模式。針對(duì)當(dāng)前網(wǎng)絡(luò)模型對(duì)配電設(shè)備識(shí)別準(zhǔn)確度低、模型參數(shù)量大難以部署的問題，提出一種基于紅外圖像的配電設(shè)備目標(biāo)檢測方法。首先，針對(duì)原YOLOv8s模型參數(shù)量大、模型復(fù)雜的問題，提出在骨干網(wǎng)絡(luò)和Neck部分將部分傳統(tǒng)Conv卷積替換為GhostConv卷積，實(shí)現(xiàn)模型輕量化；然后，針對(duì)原YOLOv8s模型小目標(biāo)識(shí)別能力差的問題，提出增加小目標(biāo)檢測層，提升小目標(biāo)檢測能力；最后，針對(duì)原YOLOv8s模型損失函數(shù)不利于普通質(zhì)量樣本預(yù)測回歸的問題，提出使用Wise-IoUv3損失函數(shù)，聚焦訓(xùn)練過程中難以擬合的錨框的預(yù)測回歸。研究結(jié)果表明，改進(jìn)后模型的精確率達(dá)到87%，比原模型提升了4.1個(gè)百分點(diǎn)；召回率達(dá)到79.1%，比原模型提升了3個(gè)百分點(diǎn)；平均精確率均值達(dá)到83.5%，比原模型提升了1.5個(gè)百分點(diǎn)；推理速度為62ms/張，可有效應(yīng)用于配電設(shè)備的部件檢測。

配電部件檢測；YOLOv8s；紅外圖像；小目標(biāo)檢測層；GhostConv卷積；Wise-IoUv3

0 引言

配電網(wǎng)作為供電系統(tǒng)的主要組成部分，與人們的生產(chǎn)生活密切相關(guān)[1-2]，配電網(wǎng)的安全、穩(wěn)定運(yùn)行對(duì)保證電網(wǎng)的可靠性至關(guān)重要?？紤]到配電網(wǎng)發(fā)生故障的主要原因是繁雜的外部環(huán)境，因此有必要依據(jù)外部環(huán)境狀況對(duì)配電設(shè)備運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測，盡可能避免電網(wǎng)事故發(fā)生[3]。隨著科學(xué)技術(shù)的進(jìn)步，無人機(jī)技術(shù)和紅外熱成像技術(shù)的發(fā)展為構(gòu)建人工協(xié)同、高效安全的巡檢新模式提供了技術(shù)支撐。通過在無人機(jī)上搭載紅外熱成像設(shè)備，不僅能實(shí)現(xiàn)對(duì)較長線路的大范圍快速信息搜尋，還能以一種非接觸的檢測方式來獲取配電設(shè)備的熱狀態(tài)信息[4-5]，從而實(shí)現(xiàn)對(duì)配電系統(tǒng)中潛在故障、問題和異常的檢測，使電力設(shè)備的狀態(tài)檢測能在不斷電的情況下進(jìn)行。這一巡檢方式在很大程度上提高了配電設(shè)備巡檢的可行性和效率，因此被廣泛應(yīng)用于電力設(shè)備的帶電檢測中。

近年來，基于深度學(xué)習(xí)的目標(biāo)檢測算法已成為電力設(shè)備視覺檢測的研究熱點(diǎn)[6]。目前，比較常用的目標(biāo)檢測算法分為兩大類：一階段目標(biāo)檢測算法和二階段目標(biāo)檢測算法。一階段目標(biāo)檢測算法直接對(duì)整張圖片進(jìn)行分類和定位，常見的算法有YOLO（you only look once）、單步多框目標(biāo)檢測（single short multibox detector, SSD）、RetinaNet等[7-11]。二階段目標(biāo)檢測算法首先生成區(qū)域建議，再通過卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征分類和位置回歸。常見的二階段目標(biāo)檢測算法有區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（region with convolutional neural network feature, R-CNN）、空間金字塔池化網(wǎng)絡(luò)（spatial pyramid pooling networks, SPP-Net）、Fast R-CNN、基于區(qū)域的全卷積神經(jīng)網(wǎng)絡(luò)（region-based fully convolutional network, R-FCN）、Faster R-CNN等[12-14]。由于二階段目標(biāo)檢測算法檢測速度較慢，無法滿足日常生活中實(shí)時(shí)性的要求，所以選擇精確度更高、速度更快的YOLOv8s網(wǎng)絡(luò)，對(duì)紅外圖像中的配電部件進(jìn)行檢測。

在配電設(shè)備部件檢測方面，YOLOv8s基礎(chǔ)網(wǎng)絡(luò)仍面臨以下挑戰(zhàn)：

1）由于無人機(jī)巡檢設(shè)備簡單、邊緣計(jì)算平臺(tái)功耗低、計(jì)算資源有限，基于深度學(xué)習(xí)的紅外目標(biāo)檢測模型在部署時(shí)面臨網(wǎng)絡(luò)參數(shù)量過大、模型復(fù)雜的問題，能夠在PC端部署的算法模型無法部署到無人機(jī)上。

2）無人機(jī)拍攝的配電設(shè)備紅外目標(biāo)數(shù)據(jù)集中、小目標(biāo)數(shù)量多，缺乏明顯的紋理和幾何特征。由于YOLOv8s下采樣倍數(shù)較大，深層特征圖難以學(xué)習(xí)到小目標(biāo)的相關(guān)信息，從而降低了對(duì)小目標(biāo)的檢測準(zhǔn)確率。

3）由于配電設(shè)備紅外目標(biāo)數(shù)據(jù)集中的圖片包含多個(gè)檢測目標(biāo)，數(shù)據(jù)在人工標(biāo)注過程中可能會(huì)產(chǎn)生一些標(biāo)注錯(cuò)誤的低質(zhì)量樣本、加入背景等不相關(guān)的特征信息，影響模型檢測精度。YOLOv8s采用CIoU損失函數(shù)，致力于強(qiáng)化邊界框損失的擬合能力，但當(dāng)訓(xùn)練集中有標(biāo)注錯(cuò)誤的樣本時(shí)，強(qiáng)化邊界框?qū)@些樣本的回歸會(huì)使模型檢測性能降低。

為解決以上問題，本文提出一種基于改進(jìn)YOLOv8s的配電設(shè)備紅外目標(biāo)檢測模型，以提升模型的精確率、召回率等，實(shí)現(xiàn)對(duì)配電部件的準(zhǔn)確識(shí)別。

1 基于改進(jìn)YOLOv8s的紅外目標(biāo)檢測模型

1.1 YOLOv8s模型概述

YOLOv8s是一種目標(biāo)檢測模型，它是YOLO系列模型的最新版本，建立在原有YOLO版本的基礎(chǔ)上，引入了新的功能和改進(jìn)，提升了原模型的性能和靈活性。

YOLOv8s模型檢測網(wǎng)絡(luò)主要由三部分組成：Backbone、Neck、Head。模型對(duì)輸入圖像的處理分為特征提取和目標(biāo)檢測兩部分。特征提取部分采用CSPDarknet（cross stage partial darknet）的網(wǎng)絡(luò)結(jié)構(gòu)，將網(wǎng)絡(luò)分為兩個(gè)部分，每個(gè)部分都包含多個(gè)殘差塊。相較于前代模型YOLOv5，使用C2f模塊替換C3模塊。C2f模塊將輸入的特征圖分成兩個(gè)分支，每個(gè)分支分別經(jīng)過一個(gè)卷積層進(jìn)行降維，同時(shí)C2f模塊將Bottleneck層替換為v8_C2fBottleneck層，每個(gè)v8_C2fBottleneck層的輸出也被作為一個(gè)分支。這些分支堆疊起來，形成更高維度的特征圖，并通過一個(gè)卷積層進(jìn)行融合，使模型獲得更多的梯度流信息。YOLOv8s還使用一個(gè)更強(qiáng)大的特征金字塔網(wǎng)絡(luò)，即快速空間金字塔池化（space pyramid pooling fast, SPPF）結(jié)構(gòu)，用于提取不同尺度的特征，可有效減少模型的參數(shù)量和計(jì)算量，同時(shí)提高特征提取的效率。目標(biāo)檢測部分采用特征金字塔網(wǎng)絡(luò)（feature pyramid network, FPN）-路徑聚合網(wǎng)絡(luò)（path aggregation network, PAN）結(jié)構(gòu)，該結(jié)構(gòu)包含多個(gè)卷積層和池化層，用于處理和壓縮特征圖。通過多個(gè)卷積層和全連接層，將特征圖轉(zhuǎn)換為目標(biāo)檢測結(jié)果。YOLOv8s采用一種基于無錨框（Anchor-Free）的檢測方式，直接預(yù)測目標(biāo)的中心點(diǎn)和寬高比例，這種方式可減少Anchor框的數(shù)量，提高檢測速度和準(zhǔn)確度。

總之，YOLOv8s采用一種高效的特征提取和目標(biāo)檢測方式，具有更高的檢測準(zhǔn)確度和更快的檢測速度。

1.2 改進(jìn)YOLOv8s模型

針對(duì)紅外數(shù)據(jù)集檢測問題，本文在YOLOv8s模型基礎(chǔ)上提出一種新的配電設(shè)備紅外目標(biāo)檢測模型，該改進(jìn)模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，主要由三部分組成：Backbone、Neck、Head。Backbone是主干特征提取網(wǎng)絡(luò)，由Conv、C2f、GhostConv、SPPF模塊組成，這些模塊通常具有不同的濾波器尺寸和步長，以捕獲不同層次的視覺特征。Neck是特征融合網(wǎng)絡(luò)，將主干網(wǎng)絡(luò)提取的四個(gè)不同尺度的有效特征層進(jìn)行特征融合。Head是預(yù)測網(wǎng)絡(luò)，主要獲取目標(biāo)物體的類別和位置信息。本文算法模型與原模型相比主要有三部分改進(jìn)：①為了解決后續(xù)可能遇到的模型部署問題，本文采用GhostConv卷積來減少模型參數(shù)量，降低計(jì)算復(fù)雜度；②由于圖像中小目標(biāo)居多，為確保模型算法可以檢測小目標(biāo)，提出增加額外的小目標(biāo)檢測層來提升小目標(biāo)識(shí)別能力； ③為防止低質(zhì)量樣本產(chǎn)生較大的有害梯度、影響模型檢測性能，提出Wise-IoUv3損失函數(shù)。

圖1 改進(jìn)模型網(wǎng)絡(luò)結(jié)構(gòu)

1）GhostConv卷積

GhostConv[15]卷積是一種輕量化卷積模塊，可代替普通卷積，是一種用于模型壓縮的卷積操作。它通過使用更少的參數(shù)和計(jì)算來提取特征，降低模型的復(fù)雜性和訓(xùn)練難度。GhostConv卷積的結(jié)構(gòu)如圖2所示，為了減少計(jì)算量，GhostConv中的卷積操作分為兩步進(jìn)行，首先通過傳統(tǒng)的Conv卷積生成channel較小的特征圖，然后在得到的特征圖的基礎(chǔ)上進(jìn)行Cheap operation操作，生成新的冗余特征圖，最后將channel較小的特征圖和新的冗余特征圖進(jìn)行Concat拼接操作，形成完整的特征圖，最終得到輸出特征。這種方法可有效減少模型所需計(jì)算資源，同時(shí)設(shè)計(jì)簡單、易于實(shí)現(xiàn)。

圖2 GhostConv卷積結(jié)構(gòu)

2）小目標(biāo)檢測層

為了解決小目標(biāo)樣本尺寸較小、YOLOv8s下采樣倍數(shù)較大、較深的特征圖難以充分捕捉小目標(biāo)特征信息等問題，本文提出加入額外的小目標(biāo)檢測層，使YOLOv8s模型更加注意小目標(biāo)的特征信息，從而提升YOLOv8s檢測準(zhǔn)確度。

YOLOv8s原始模型的輸入圖像大小為640×640像素，在三個(gè)不同尺度的特征圖上做檢測，并為每個(gè)尺度的特征圖設(shè)置三種不同規(guī)格的先驗(yàn)框。在YOLOv8s中，用于目標(biāo)檢測的特征圖能感知到原圖的最小范圍是8×8像素的區(qū)域，所以原始模型能檢測的最小目標(biāo)為8×8像素。當(dāng)原始圖像中的目標(biāo)寬、高都小于8像素時(shí)，原網(wǎng)絡(luò)就很難識(shí)別網(wǎng)格內(nèi)的目標(biāo)特征信息，因此在原網(wǎng)絡(luò)的基礎(chǔ)上增加160×160像素尺度的小目標(biāo)檢測層，用于檢測寬、高在4～8像素的小目標(biāo)。

增加的小目標(biāo)檢測層如圖3所示，首先將Backbone中的第五層C2f層與Neck中的Upsample層進(jìn)行Concat操作，之后通過C2f和Upsample層的處理，得到包含小目標(biāo)特征信息的深層語義特征層，該層繼續(xù)與Backbone中第三層的C2f層進(jìn)行Concat操作，補(bǔ)充完善160×160像素尺度融合特征層對(duì)小目標(biāo)語義特征及位置信息的表達(dá)能力，最后經(jīng)過C2f送至Head中的一個(gè)額外的解耦頭[16]。這一解耦頭分辨率更高，用于檢測更小的物體。

圖3 小目標(biāo)檢測層

小目標(biāo)檢測層的引入使小目標(biāo)的特征信息可以傳遞到其他三個(gè)尺度特征層，從而加強(qiáng)了網(wǎng)絡(luò)對(duì)小目標(biāo)信息的特征融合能力，使網(wǎng)絡(luò)可以有效識(shí)別出配電設(shè)備中的細(xì)小部件，提升小目標(biāo)檢測準(zhǔn)確度。

3）損失函數(shù)Wise-IoUv3

Wise-IoUv3是一種用于評(píng)估邊界框回歸損失的方法[17]。它通過動(dòng)態(tài)非單調(diào)的聚焦機(jī)制，使用離群度來評(píng)估錨框的質(zhì)量，其定義為

綜上所述，Wise-IoUv3損失定義為

式中：Wise-IoU為距離度量；IoU為IoU損失函數(shù)值。

Wise-IoUv3損失函數(shù)的引入，使模型聚焦于預(yù)測框和真實(shí)框難以擬合及真實(shí)框置信度低的樣本的預(yù)測回歸，減少了這些樣本產(chǎn)生的有害梯度，提高了目標(biāo)檢測的靈活性和魯棒性，以及模型的整體性能。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)平臺(tái)和訓(xùn)練參數(shù)

實(shí)驗(yàn)環(huán)境配置見表1。在使用YOLOv8s模型和改進(jìn)模型對(duì)配電設(shè)備進(jìn)行檢測的過程中，圖片輸入尺寸為640×640像素，初始學(xué)習(xí)率為0.01，每次訓(xùn)練迭代300次，采用隨機(jī)梯度下降（stochastic gradient descend, SGD）法更新網(wǎng)絡(luò)參數(shù)，學(xué)習(xí)動(dòng)量設(shè)置為0.937，權(quán)重衰減設(shè)置為0.000 5。

表1 實(shí)驗(yàn)環(huán)境配置

2.2 數(shù)據(jù)集

本文采用的數(shù)據(jù)集由某電網(wǎng)公司使用無人機(jī)對(duì)帶電設(shè)備拍攝所得，共計(jì)3 086張紅外圖像，本文實(shí)驗(yàn)將其中2 160張圖像作為訓(xùn)練集，308張圖像作為驗(yàn)證集，618張圖像作為測試集。圖片中共包含五類部件，分別為jyzx、jyz、jyzt、xjt、bgxj。利用LabelImg圖像標(biāo)注工具對(duì)這五類部件進(jìn)行標(biāo)注。

2.3 模型評(píng)價(jià)指標(biāo)

本文實(shí)驗(yàn)使用精確率recision、召回率ecall、平均精確率均值（mean average precision, mAPAP，以及1分?jǐn)?shù)對(duì)模型進(jìn)行評(píng)估。

精確率又叫查準(zhǔn)率，計(jì)算公式為

式中：P為圖片中正確預(yù)測部件的數(shù)量；P為圖片中錯(cuò)誤預(yù)測部件的數(shù)量。

召回率又叫查全率，計(jì)算公式為

式中，N為圖片中漏檢的數(shù)量。

平均精確率（average precision, AP）P是通過精確率-召回率曲線進(jìn)行積分得到的，而平均精確率均值A(chǔ)P是對(duì)所有類別的平均精確率取平均得到的。平均精確率均值越高，代表算法的性能越好，計(jì)算公式為

式中：為待檢測目標(biāo)的分類數(shù)量；P()為第個(gè)分類的平均精確率。

1分?jǐn)?shù)指標(biāo)兼顧分類模型的精確率和召回率，是兩者的加權(quán)平均，其取值范圍為[0, 1]，其值越大表示模型越好。1分?jǐn)?shù)的計(jì)算公式為

2.4 對(duì)比實(shí)驗(yàn)結(jié)果

為驗(yàn)證改進(jìn)算法對(duì)紅外數(shù)據(jù)集目標(biāo)檢測的優(yōu)越性，與原始YOLOv8s對(duì)比，以精確率recision、召回率ecall、平均精確率均值A(chǔ)P、1分?jǐn)?shù)作為評(píng)價(jià)指標(biāo)，在同一平臺(tái)進(jìn)行訓(xùn)練，并采用相同的訓(xùn)練集、驗(yàn)證集和測試集。對(duì)比實(shí)驗(yàn)結(jié)果見表2，其中，AP@50為IoU閾值為0.5時(shí)的平均精確率均值，AP@50-95為IoU閾值為0.5～0.95時(shí)的平均精確率均值。

表2 對(duì)比實(shí)驗(yàn)結(jié)果

由表2可知，與原模型相比，改進(jìn)模型的精確率、召回率、平均精確率均值及1分?jǐn)?shù)均有所提升，改進(jìn)模型的精確率提升了4.1個(gè)百分點(diǎn)，召回率提升了3個(gè)百分點(diǎn)，平均精確率均值提升了1.5個(gè)百分點(diǎn)，1分?jǐn)?shù)提升了3.51。為直觀地展示本文改進(jìn)模型的效果，使用部分紅外數(shù)據(jù)集對(duì)原模型和改進(jìn)模型的效果進(jìn)行對(duì)比。YOLOv8s和改進(jìn)YOLOv8s效果對(duì)比如圖4、圖5所示，在檢測結(jié)果中，所有的檢出目標(biāo)都用邊框標(biāo)記其位置，并顯示該目標(biāo)的所屬類別和置信度值。

根據(jù)圖4可知，改進(jìn)模型未漏檢jyzx部件（圖4（b）中畫框部分），證明本文算法模型可以檢測出原YOLOv8s算法模型漏檢的目標(biāo)，可在一定程度上緩解原算法模型定位不準(zhǔn)確和目標(biāo)特征表達(dá)不充分的問題。根據(jù)圖5可知，原模型檢測jyz和jyzt部件的置信度分別為0.3、0.4，而改進(jìn)模型檢測jyz和jyzt部件的置信度分別為0.8、0.8（圖5中畫框部分），證明本文算法模型具有更高的識(shí)別準(zhǔn)確度，能夠正確識(shí)別出紅外圖像中的小目標(biāo)，可以有效提高對(duì)較小配電部件的識(shí)別能力。

圖4 YOLOv8s和改進(jìn)YOLOv8s效果對(duì)比1

圖5 YOLOv8s和改進(jìn)YOLOv8s效果對(duì)比2

2.5 消融實(shí)驗(yàn)結(jié)果

為了驗(yàn)證對(duì)YOLOv8s模型引入GhostConv、小目標(biāo)檢測層、損失函數(shù)Wise-IoUv3的有效性，本文利用相同數(shù)據(jù)集對(duì)YOLOv8s模型設(shè)計(jì)消融實(shí)驗(yàn)來驗(yàn)證每部分改進(jìn)方法的效果。消融實(shí)驗(yàn)結(jié)果見表3。

表3 消融實(shí)驗(yàn)結(jié)果

加入小目標(biāo)檢測層后，模型的精確率較YOLOv8s有所提升，參數(shù)量降低，但召回率、平均精確率均值和1分?jǐn)?shù)有所下降；在此基礎(chǔ)上加入GhostConv卷積，與YOLOv8s+小目標(biāo)檢測層相比，模型的精確率、召回率、平均精確率均值和1分?jǐn)?shù)分別提高了3.4個(gè)百分點(diǎn)、0.5個(gè)百分點(diǎn)、1.2個(gè)百分點(diǎn)、1.69，參數(shù)量降低了0.5×106，但與YOLOv8s相比，模型的精確率和1分?jǐn)?shù)均有所提高，召回率降低；加入Wise-IoUv3后得到最終模型，與YOLOv8s+小目標(biāo)檢測層+GhostConv相比，模型的精確率降低了2.5個(gè)百分點(diǎn)，召回率提高了6.2個(gè)百分點(diǎn)，平均精確率均值提高了1.5個(gè)百分點(diǎn)，1分?jǐn)?shù)提高了2.51。與原YOLOv8s相比，最終改進(jìn)模型的精確率增長了4.1個(gè)百分點(diǎn)，召回率增長了3個(gè)百分點(diǎn)，平均精確率均值增長了1.5個(gè)百分點(diǎn)，1分?jǐn)?shù)增長了3.51，該結(jié)果驗(yàn)證了本文改進(jìn)模型的有效性。

3 結(jié)論

本文提出了一種基于改進(jìn)YOLOv8s的配電設(shè)備紅外目標(biāo)檢測模型。在YOLOv8s的基礎(chǔ)上，引入GhostConv卷積，降低模型參數(shù)量，實(shí)現(xiàn)了模型輕量化；添加額外的小目標(biāo)檢測層，提升了對(duì)小目標(biāo)的檢測能力；使用Wise-IoUv3損失函數(shù)，防止低質(zhì)量樣本產(chǎn)生較大的有害梯度，影響模型檢測性能。改進(jìn)后網(wǎng)絡(luò)模型的精確率、召回率、平均精確率均值和1分?jǐn)?shù)比原始網(wǎng)絡(luò)模型分別增長了4.1個(gè)百分點(diǎn)、3個(gè)百分點(diǎn)、1.5個(gè)百分點(diǎn)、3.51，并且網(wǎng)絡(luò)的參數(shù)量相較于原始模型降低了0.8×106，有效提升了算法模型的檢測準(zhǔn)確度和速度，兼顧了模型部署的要求，具有一定的泛化能力。在未來的工作中，將繼續(xù)對(duì)模型進(jìn)行改進(jìn)優(yōu)化，并在實(shí)際應(yīng)用中進(jìn)行算法完善。

[1] 夏得青, 向星宇, 李寬龍, 等. 農(nóng)村配電網(wǎng)低電壓治理研究進(jìn)展[J]. 電氣技術(shù), 2023, 24(6): 1-5.

[2] 林華梁, 彭松. 配電終端絕緣性能自動(dòng)測試系統(tǒng)的研究與應(yīng)用[J]. 電氣技術(shù), 2023, 24(5): 65-70.

[3] 董章, 李思堯, 陳雅旎, 等. 計(jì)及罕見變量的配電電纜線路故障風(fēng)險(xiǎn)預(yù)警方法[J]. 電氣技術(shù), 2023, 24(5): 35-40.

[4] 楊帆, 王夢珺, 譚天, 等. 基于目標(biāo)像素寬度識(shí)別的電力設(shè)備紅外成像單目測距改進(jìn)算法[J]. 電工技術(shù)學(xué)報(bào), 2023, 38(8): 2244-2254.

[5] 鄭含博, 李金恒, 劉洋, 等. 基于改進(jìn)YOLOv3的電力設(shè)備紅外目標(biāo)檢測模型[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(7): 1389-1398.

[6] 俞峰. 基于深度學(xué)習(xí)的配電設(shè)備視覺識(shí)別技術(shù)研究[D]. 杭州: 浙江大學(xué), 2021.

[7] 陳明, 趙連飛, 苑立民, 等. 基于特征選擇YOLOv3網(wǎng)絡(luò)的紅外圖像絕緣子檢測方法[J]. 紅外與激光工程, 2020, 49(增刊2): 262-267.

[8] 楊波, 曹雪虹, 焦良葆, 等. 改進(jìn)實(shí)時(shí)目標(biāo)檢測算法的電力巡檢鳥巢檢測[J]. 電氣技術(shù), 2020, 21(5): 21- 27, 32.

[9] 馬麗萍, 贠鑫, 馬文哲, 等. 基于改進(jìn)YOLOv3模型的道路車輛多目標(biāo)檢測方法[J]. 西安工程大學(xué)學(xué)報(bào), 2021, 35(5): 64-73.

[10] 李燁, 顧晨峰. 基于注意力機(jī)制的多尺度小目標(biāo)交通標(biāo)志檢測[J]. 小型微型計(jì)算機(jī)系統(tǒng), 2022, 43(2): 381-386.

[11] 李瑞生, 張彥龍, 翟登輝, 等. 基于改進(jìn)SSD的輸電線路銷釘缺陷檢測[J]. 高電壓技術(shù), 2021, 47(11): 3795-3802.

[12] 單亞鋒, 趙天宇, 付昱, 等. 基于4層 R-CNN的輸電線路多目標(biāo)檢測[J]. 遼寧工程技術(shù)大學(xué)學(xué)報(bào)(自然科學(xué)版), 2022, 41(3): 270-276.

[13] 阮順領(lǐng), 阮炎康, 盧才武, 等. 基于紅外圖像的礦石傳送帶托輥異常檢測[J]. 黃金科學(xué)技術(shù), 2023, 31(1): 123-132.

[14] 臧國強(qiáng), 劉曉莉, 徐穎菲, 等. 深度學(xué)習(xí)在電力設(shè)備缺陷識(shí)別中的應(yīng)用進(jìn)展[J]. 電氣技術(shù), 2022, 23(6): 1-7.

[15] 徐正軍, 張強(qiáng), 許亮. 一種基于改進(jìn)YOLOv5s-Ghost網(wǎng)絡(luò)的交通標(biāo)志識(shí)別方法[J]. 光電子·激光, 2023, 34(1): 52- 61.

[16] 熊恩杰, 張榮芬, 劉宇紅, 等. 面向交通標(biāo)志的Ghost-YOLOv8檢測算法[J]. 計(jì)算機(jī)工程與應(yīng)用, 2023, 59(20): 200-207.

[17] 黃子杰, 歐陽, 江德港, 等. 面向牽引座焊縫表面質(zhì)量檢測的輕量型深度學(xué)習(xí)算法[J]. 計(jì)算機(jī)應(yīng)用, 2024, 44(3): 983-988.

Infrared target detection model for distribution equipment based on improved YOLOv8s

WU Hefeng WANG Guowei WAN Zaojun ZHANG Kuo JIANG Shihao

(Beijing Yuhang Intelligent Technology Co., Ltd, Beijing 100080)

With the development of power inspection technology, using drones and infrared thermal imaging technology for inspection has become an important mode of power inspection operations. A target detection method for distribution equipment based on infrared images is proposed to address the issues of low recognition accuracy and difficulty in deploying large model parameters in current network models. Firstly, to address the problem of large parameter count and complex model in the original YOLOv8s model, it is proposed to replace some traditional Conv convolutions with GhostConv convolutions in the backbone network and Neck section to achieve model lightweight. Aiming at the problem of poor small target recognition ability in the original YOLOv8s model, it is proposed to add a small target detection layer to improve the detection ability of small targets. Finally, in response to the problem that the original YOLOv8s model loss function is not conducive to the prediction and regression of ordinary quality samples, a Wise-IoUv3 loss function is used to focus on the prediction and regression of anchor boxes that are difficult to fit during the training process. The research results show that the improved model has an accuracy of 87% which is 4.1% higher than that of the original model, a recall rate of 79.1% which is 3% higher than that of the original model, and a mean average precision (mAP) of 83.5% which is 1.5% higher than that of the original model. The inference speed is 62 ms/sheet. It can be effectively used for component detection in distribution equipment.

power distribution component inspection; YOLOv8s; infrared images; small target detection layer; GhostConv convolution; Wise-IoUv3

2023-11-17

2023-12-05

吳合風(fēng)（1993—），男，山東省菏澤市單縣人，本科，主要從事計(jì)算機(jī)視覺和深度學(xué)習(xí)方面的研究工作。