李东璐 蔡喜昌 谢国栋 侯梦龙 冯文嵛
摘要：随着红外图像采集和图像识别技术的发展，蓄能电站装置状态的日常巡检逐渐向智能化方式转变，基于无红外设备的自动巡检技术应用也愈加广泛；
但随着红外设备采集图像的大量增长，依靠传统人工方式进行装置设备的故障识别已经难以满足日常巡检工作的需求。鉴于红外图像数据的复杂背景和样本不均衡等问题，研究基于YOLOv5模型提出了改进措施，具体包括引入SE 注意力机制、优化定位损失函数和改进标签分配策略。结果表明：提出的改进YOLOv5模型在检测精度上提高了约15%，大大降低了蓄能电站装置故障漏检误检的概率。
关键词：红外图像；
电站装置；
YOLOv5；
故障识别；
仿真
中图分类号：TP391.9；
TM623.7文献标志码：A文章编号：1001-5922（2023）05-0147-05
Comparisonof simulationresultsbasedonYOLOv5 modelimprovementtechnology
LI Donglu，CAI Xichang，XIE Guodong，HOU Menglong，FENG Wenyu
（CSGES Operation Management Company，Qingyuan 511500，Guangdong China）
Abstract：With the development of infrared image acquisition and image recognition technology，the daily inspec? tion of the state of storage power plant devices has gradually shifted to intelligent methods，and the application of equipment automatic inspection technology based on non-infrared devices has become increasingly widespread. However，with the massive growth of infrared device image acquisition，relying on traditional manual methods to identify device equipment failures has become difficult to meet the needs of daily inspection work. Due to the com? plex background and sample imbalance of infrared image data，improvement measures based on the YOLOv5 mod? el was proposes in this paper，including the introduction of SE attention mechanism，optimization of location loss function，and improvement of label allocation strategy. The experimental results showed that the improved YOLOv5 model proposed in this paper improved the detection accuracy by about 15%，greatly reducing the probability of missed detection and false detection of energy storage power plant equipment.
Keywords：infrared image；
Power plant devices；
YOLOv5；
Fault identification
由于蓄能电站的设备工作场景环境复杂多变，但电站运行安全性方面又有着非常严苛的需求。因此，在日常巡检中不仅要有较高的检测精度，还要有尽可能快的检测速度。有研究了基于历史记录信息来规避层次分析法在设备柱上开关运行状态较为主观的问题[1]。在设备工作监测方面，引入了基于自适应温度修正机制进行电力设备红外图像特征的抓取，降低了测量距离、风速等因素的干扰[2]。在目标检测算法领域也出现了如R-CNN 系列和YOLO 系列[3]，它们都是在一般场景下和复杂环境下的目标检测，并不能完全满足蓄能电站运行环境下目标检测的性能要求，同时也需要人工对红外图像进行分级标识，且在复杂背景下目标特征识别精度低、训练样本不平衡和模型泛化能力差等问题。为了提高蓄能电站基于红外摄像机采集图像的故障检测性能，以YO? LOv5目标检测算法为基础进行改进。
1 改进YOLOv5的红外图像故障诊断
1.1引入SE 注意力机制
蓄能电站中设备故障检测中的注意力机制针对的是输入的红外图像信息，通过对不同位置的特征施加不同的权重，把有限的注意力资源放在待检测的目标上，而非无关的背景信息上[4-5]。为提升 YO? LOv5模型的设备故障检测性能，引入了基于SENet的SE 注意力机制，从通道域的角度赋予红外图像不同位置不同的权重，以得到更重要的特征信息；
SENet网络原理如图1所示。
SENet算法分3个步骤，首先是 Squeeze 压缩过程，即对经过卷积网络后得到的特征图 U 进行全局平均池化生成一个1×1× C 的向量，这样每个通道用一个数值表示，这个数值拥有该通道的全局感受野。其次是Excitation 激励过程，这一步通过2个全连接层完成，第1层全连接层的激活函数为ReLU；
第2层全连接层的激活函数为Sigmoid，通过权重W 生成表示不同通道的权重信息的权重向量，其中 W 是通过学习得到的。最后是Scale 过程，用上一步生成权重向量对特征图U 进行权重赋值，。
将 SE 注意力模块融入到YOLOv5主干网络的 CSP1_n模块中，改进后的模块命名为CSP1SE_n。用融入了SE 注意力机制的CSP1SE_n 结构替换掉原YO? LOv5骨干网络中的CSP1_n结构，具体如图2所示。
1.2优化定位损失函数
边界框回归是目标检测中的关键步骤，它直接影响了红外图像中异常目标检测模型的精度，而边界框回归的效果是由定位损失函数决定的，因而定义良好的损失函数能为模型带来性能提升。
YOLOv5-6.0采用定位损失函数CIoU Loss。CI? oU Loss 是在DIoU的基础上增加了检测框尺度损失，这样就会使预测框收敛加快且定位精度更高[6-7]。这包括CIoU Loss在内的大多数现有的定位损失函数关注的是边界框回归中的几何因素（如重叠面积、中心点距离和纵横比）；
但这有个前提，就是训练样本是高质量的、理想化的。实际上训练样本存在不平衡的问题，即由于图像中目标对象的稀疏性，具有小回归误差的高质量样例（锚框）的数量远远少于低质量样本。有研究表明，异常值会产生过大的梯度，这对训练过程是不利的。如果盲目的在低质量的样本上进行边界框回归训练，会使得训练的目标检测模型性能下降。因此，为了提升YOLOv5模型的性能，引入 Wise CIoU损失函数，用来取代原模型中的CIoU Loss 损失函数。
Wise IoU v1[8]构造了基于注意力的边界框损失；
Wise IoU v3是在此基础上通过构造梯度增益即聚焦系数的计算方法来附加聚焦机制，其损失函数计算公式：
式中：LWIoUv1、LWIoUv3分别为Wise IoUv1、Wise IoUv3的
损失计算公式；
β= L（L） oU（oU） e[0.+伪）为离群度，描述的是预测锚框的质量；
LIoU =1一IoU，x 、y 、xgt、ygt分别为预测框的中心坐标和真实框的中心坐标；
Wg、Hg 分别为预测框和真实框的最小外接矩形的宽、高。CIoU、Wise IoU的边界框回归损失在YOLOv5训练过程中的收敛情况如图3所示。
1.3改进标签分配策略
YOLOv5及其之前的YOLO 系列目标检测模型，在对所有Anchor 进行正负样本匹配时都按照“一刀切”的人工匹配规则进行取舍，所以并非每个有用的 Anchor 都能被分配到GT 标签[9-10]。一些框因为物体大小、形状遮挡等原因而被划为模糊框，这些特殊框正是能提高模型泛化能力的要素。然而，由于在训练过程中采取暴力舍弃的手段，这些框并没有得到有效的利用，所以训练完成的模型泛化能力有限。为了解决以上问题，提高YOLOv5红外图像装置故障检测模型的性能，引入了最优运输分配（OTA）标签分配策略。
OTA从全局角度重新审视标签分配，并提出将分配过程表述为优化理论中的最优传输（OT）问题。具体而言，将每个需求方（Anchor）和供应方（GT）对之间的单位运输成本定义为它们的分类损失和回归损失的加权和，将最优分配解转化为求解运输成本最小的最优运输方案，再通过Sinkhorn-Knopp算法迭代求解[11-15]。给定一张图片，假设有 m 个GT 目标和 n 个An? chors，将每个GT 视为一个持有 k 个正标签单位的供应方（即si = k . i =1.2.….m），每个 Anchor 作为需要一个标签单位的需求者（即dj =1. i =1.2.….n），则将一个正标签从GTi运到 Anchoraj的成本为，其计算公式如下：
式中：θ为模型参数；
Pjcls、Pjbox分别为对Anchoraj所预测的类别和边界框；
Gi（c）ls 、Gi（b）ox 分别为GTi所对应的类别和边界框；
Lcls、Lreg为交叉熵损失和边界框IoU损失；
a 为2种损失间的平衡系数。
此外，大量Anchor 是负样本，所以还有一个负样本供应者，将一个负标签从负样本供应者运到An?choraj的成本为cj（b）g ，计算公式为：
式中：⑦为背景类。将cij（f）g 和cj（b）g 联立起来可以得到运送代价矩阵 c eR（m+1）xn，有了代价矩阵就可以通过现有的Sinkhorn-Knopp迭代来解决这个OT 问题，通过将每个锚框分配给运送标签最多的GT 供应商，可以得到标签分配的最优解[16-18]。
2 实验分析
2.1實验环境搭建
卷积神经网络模型都是在特定的软硬件环境的支持下才能进行训练和推理的，文中提出模型的软硬件环境配置如表1所示。
2.2仿真结果对比
通过在自由数据集上进行仿真分析得到引入SE 注意力机制、优化定位损失函数和改进标签分配策略的性能对比，对比的性能指标采用平均精度（meanAverage Precision，mAP），其中引入 SE 注意力机制、优化定位损失函数和改进标签分配策略的实验结果依次如表2～表4所示。
由表2～表4可知，在原YOLOv5模型上融入了 SE 注意力机制，并采用Wise IoU作为定位损失函数且引入了OTA 标签分配策略后，在自建验证集和测试集上的检测效果都得到了显著提升，不过训练时间（300 epochs）要比原模型多出0.69 h，但不影响推理速度。
2.3训练结果对比
2.3.1参数设置
为验证基于红外摄像机图像的蓄能电站装置故障检测模型算法改进的效果，在自制的数据集上进行了一系列的对比实验，数据集的划分比例也都是7∶2∶1，训练集、验证集、测试集图片数量分别为1384、396、199；
各模型训练过程的主要参数设置如表5所示。
另外，为了网络的训练过程，使用了迁移学习的方法，各模型训练时都采用了相同的预训练权重，这样各模型都从同样的起点开始训练[19-20]。
2.3.2 结果分析
以YOLOv5l（r6.1）为基础模型，在自建数据集上进行了一系列实验，最终的对比结果如表6、图4所示。
由表6、图4可知，改进后的YOLOv5l 模型在几乎不增加模型参数量的基础上使检测精度显著提升。在测试集上IoU阈值为0.5时的平均精度 mAP50达到了83.86%，相比原YOLOv5l 模型提升了3.45%;在测试集上IoU阈值为0.5～0.95时的平均精度均值 mAP50：95达到了56.90%，相比原YOLOv5l 模型提升了2.99%。不过相比原模型，改进后的模型推理速度略有下降，平均每张图片的推理时间从4.1 ms增加到了4.4 ms，但是推理速度仍有227 fps，这足够满足红外图像下的设备故障检测速度需求了。
YOLOv5l 改进前后对比在各类别AP 值在c-nuI? mages验证集上的对比情况如表7所示。
由表7可知，各个类别的检测精度均有不同程度的提高，说明了改进后的YOLOv5l 检测性能有了显著提升。
图5展示了不同场景下原YOLOv5l 和改进后的红外图像故障检测效果对比，左侧为原YOLOv5l 故障检测效果，右侧为改进后效果。
从图5可以看出，上部绝缘子检测中原YOLOv5l 出现了漏检情况，而改进后的算法则完成了2个异常故障点的识别；
图下部原YOLOv5l 出现了故障位置误检情况，改进后的YOLOv5l 算法则更加精确的识别出故障区域。
3 结语
针对蓄能电站装置状态在红外图像下的故障检测问题，研究基于YOLOv5进行了红外图像故障检测模型的优化。首先为了把有限的注意力资源放在待检测的目标上，而非无关的背景信息上引入了基于SENet的SE 注意力机制，从通道域的角度赋予红外图像不同位置不同的权重，以得到更重要的特征信息，其次由于实际上训练样本存在不平衡和小回归误差的高质量样例（锚框）的数量远远少于低质量样本的问题，提出了Wise CloU定位损失函数，最后因此改进标签分配策略以提高模型泛化能力。最终通过仿真对比和实验分析，文中提出的改进YOLOv5模型在检测性能上得到了较大提升，相比较于原生YOLOv5模型降低了蓄能电站装置故障漏检误检的概率。
【参考文献】
[1] 卫少华，申晓波.变电站电气设备在线监测的方法[J].陕西电力，2005，33（2）：60-61.
[2] 陈化军，张萍，贾寅飞，等.基于BP 神经网络的电力设备运行温度预测方法研究[J].电子世界，2018（10）：40-41.
[3] 苏志刚，付新阳，陈兵.基于红外热成像原理的变电设备在线监测系统[J].科技视界，2012（25）：40-41.
[4] 芦竹茂，王天正，俞华，等.基于红外图像分析的电力设备热故障检测技术研究[J].现代电子技术，2017（11）：123-126.
[5] 张凯元.基于红外成像技术的输电线路劣化瓷质绝缘子检测[D].保定：华北电力大学（保定校区），2017.
[6] 王鹏朝.变电设备在线测温故障诊断系统设计及应用[D].北京：华北电力大学，2015.
[7] 刘健，张志华，陈宜凯，等.适用于含 DG 配电网故障处理性能测试的主站注入测试技术[J].电力系统自动化，2017，41（13）：119-124.
[8] 王彦国，涂崎，孙天甲，等.基于对等通信的分散式配电网保护与自愈控制系统[J].供用电，2019，36（9）：9-17.
[9] 赵振兵，金思新，刘亚春.基于NSCT的航拍绝缘子图像边缘提取方法[J].仪器仪表学报，2012，33（9）：2045-2052.
[10] 裴少通，刘云鹏，陈同凡，等.基于BOA-SVM的劣化绝缘子红外图谱诊断方法[J].电测与仪表，2018，55（24）：11-16.
[11] 马临超，齐山成，刘毅，等.考虑分布式可再生能源的配电网电力调度优化模型研究[J].可再生能源，2022，40（5）：703-710.
[12] 周俊宇，陈岳，骆国铭，等.基于非线性优化的储能系统调度方法[J].微型电脑应用，2021，37（11）：94-96.
[13] 張旭，李阳，刘晓，等.含高渗透率新能源的新型交直流储能系统的配电网规划[J].南方电网技术，2022，16（4）：60-67.
[14] 谢珂，齐岩，李琛，等.基于测量阻抗加速的反时限过流保护新方案研究[J].能源与节能，2022（2）：109-112.
[15] 卢操，管霖，陈恒安，等.考虑储能调度的可再生能源独立微电网电源规划[J].电测与仪表，2021，58（4）：84-91.
[16] 汪伟，于洋.基于ASON 的电力系统调度数据网业务体系设计[J].机械与电子.2022，40（3）：17-20.
[17] 王立峰，马超，牛永光，等.基于大数据背景下电站设备状态监测及故障检修管理系统仿真设计[J].粘接.2022，49（10）：176-179.
[18] 张铭泽，李亦农，李新聪，等.含DG的主动配电网规划研究[J].电子测量技术，2019，42（20）：51-57.
[19] 董新涛，李文伟，李宝伟，等.基于补偿零序压差原理的110 kV线路纵向故障保护方案[J].智慧电力，2022，50（9）：110-117.
[20] 袁涤非，吴涵，范元亮，等.基于热电耦合模型的储能电站预制舱舱内热环境数值计算[J].粘接.2022，49（6）：163-167.
猜你喜欢仿真Proteus仿真软件在单片机原理及应用课程教学中的应用中国教育技术装备(2016年20期)2016-12-12工业机器人模拟仿真技术在职业教育中的应用浅析中小企业管理与科技·下旬刊(2016年10期)2016-11-18一种帮助幼儿车内脱险应急装置的仿真分析科技资讯(2016年18期)2016-11-15论虚拟仿真实训系统在口腔实验教学中的应用科技资讯(2016年18期)2016-11-15基于机电设备电气控制线路排故的仿真系统设计价值工程(2016年29期)2016-11-14Buck开关变换器的基本参数设计及仿真分析数字技术与应用(2016年9期)2016-11-09试析PLC控制下的自动化立体仓库仿真情况分析数字技术与应用(2016年9期)2016-11-09基于MADYMO的航空座椅约束系统优化设计科技视界(2016年18期)2016-11-03中国体态假人模型与FAA Hybrid Ⅲ 型假人模型冲击差异性分析科技视界(2016年18期)2016-11-03机械加工仿真技术研究企业导报(2016年6期)2016-04-21