基于改进YOLOX的变电站仪表外观缺陷检测算法.pdf
《基于改进YOLOX的变电站仪表外观缺陷检测算法.pdf》由会员分享,可在线阅读,更多相关《基于改进YOLOX的变电站仪表外观缺陷检测算法.pdf(10页珍藏版)》请在咨信网上搜索。
1、2023 年 10 月 图 学 学 报 October2023第 44 卷 第5期 JOURNAL OF GRAPHICS Vol.44No.5 收稿日期:2023-03-31;定稿日期:2023-06-26 Received:31 March,2023;Finalized:26 June,2023 基金项目:国家自然科学基金项目(61871182,U21A20486);河北省自然科学基金项目(F2020502009,F2021502008,F2021502013)Foundation items:National Natural Science Foundation of China(618
2、71182,U21A20486);Natural Science Foundation of Hebei Province(F2020502009,F2021502008,F2021502013)第一作者:赵振兵(1979),男,教授,博士。主要研究方向为电力视觉技术等。E-mail: First author:ZHAO Zhen-bing(1979),professor,Ph.D.His main research interests cover computer vision technology in electric power system,etc.E-mail: 基于改进 YOLO
3、X 的变电站仪表 外观缺陷检测算法 赵振兵1,2,3,马迪雅1,石颖1,李刚4(1.华北电力大学电子与通信工程系,河北 保定 071003;2.华北电力大学河北省电力物联网技术重点实验室,河北 保定 071003;3.华北电力大学复杂能源系统智能计算教育部工程研究中心,河北 保定 071003;4.华北电力大学控制与计算机工程学院,河北 保定 071003)摘要:针对变电站仪表外观缺陷检测任务中存在的缺陷分布广、缺陷外观特征变化多样与特征提取困难问题,提出了基于改进 YOLOX 的变电站仪表外观缺陷检测算法。通过对比样本策略寻找到各类外观缺陷中有判别力的特征并对其进行深入挖掘;接着在网络的骨干
4、部分加入全局上下文信息模块(GC-Model),增强模型对于外观缺陷特征的学习能力,提高网络性能;最后在预测部分使用 SIoU 损失函数,充分考虑方向框的角度问题对于模型优化的影响,从而提高对变电站仪表外观缺陷检测的准确率,减少漏检、误检情况发生。在实验中将选取 4 种典型的变电站仪表外观缺陷类型作为实验对象,通过实验结果分析,相较基线模型,平均精确率(mAP)提升了 6.2%,可以有效提升变电站仪表外观缺陷的检测效果,为无人变电站的智能监测提供了有利条件。关键词:变电站仪表;外观缺陷检测;YOLOX;对比样本策略;上下文信息模块;SIoU 中 图 分 类 号:TP 391 DOI:10.11
5、996/JG.j.2095-302X.2023050937 文 献 标 识 码:A 文 章 编 号:2095-302X(2023)05-0937-10 Appearance defect detection algorithm of substation instrument based on improved YOLOX ZHAO Zhen-bing1,2,3,MA Di-ya1,SHI Ying1,Li Gang4(1.Department of Electronic and Communication Engineering,North China Electric Power Univ
6、ersity,Baoding Hebei 071003,China;2.Hebei Key Laboratory of Power Internet of Things Technology,North China Electric Power University,Baoding Hebei 071003,China;3.Engineering Research Center of Intelligent Computing for Complex Energy Systems,Ministry of Education,North China Electric Power Universi
7、ty,Baoding Hebei 071003,China;4.School of Control and Computer Engineering,North China Electric Power University,Baoding Hebei 071003,China)Abstract:In response to the wide distribution of defects,the variety of appearance defect features,and the challenges in extracting features during the substati
8、on instrument appearance defect detection task,the appearance defect detection algorithm of substation instrument based on improved YOLOX was proposed.Through the contrast sample strategy,the discriminative features of various appearance defects could be identified and extracted in depth.Additionall
9、y,the Global Context Feature Module was added to the network backbone to enhance the learning ability of the model for appearance defect features and improve the network performance.Finally,the SIoU loss function was 938 图像处理与计算机视觉 2023 年 1 integrated in the prediction part to fully consider the inf
10、luence of the direction frames angle on model optimization,thereby improving the accuracy of detecting appearance defects in substation instrument and reducing the occurrence of missed detection and false detection.In the experiment,four typical types of appearance defects of substation instruments
11、were selected as the experimental objects.The analysis of experimental results showed an average accuracy rate increase of 6.2%compared with the baseline model.This substantial improvement effectively enhanced the detection effect for appearance defects in substation instruments,thus creating favora
12、ble conditions for intelligent monitoring of unmanned substations.Keywords:substation instruments;appearance defect detection;YOLOX;contrast sample strategy;global context feature module;SIoU 随着智能电网建设进程的高速推进,智能变电站作为智能电网的重要组成部分,对变电站进行智能化监测已成为趋势1。电力仪表在电力系统状态检测和控制运行中发挥着重要作用,如变电站中大量高压电力设备的绝缘油位或气体压力等关键信息
13、均可通过仪表反映出来。对电力仪表实现智能检测,是保障电力系统工作在安全可靠环境的基础。然而变电站中大量仪表处于室外环境中,容易出现表盘破损、表盘脏污等外观缺陷。现阶段这些外观缺陷大多只能通过人工巡检的方式进行排查,其具有人员短缺、检查效率低、设备状态监测不足、事故处理时间长、对异常情况反应慢等诸多缺点2,而部分工作环境危险导致人工巡检无法触达。随着视觉监控系统、无人机和自动巡检机器人的广泛应用3-4,变电站已拥有大量固定和非固定摄像头,利用这些摄像头可以获取变电站内大量的仪表图像,有助于利用计算机视觉技术对仪表实现智能化检测,保障电力系统工作在安全可靠的环境。SHU 等5使用尺度不变特性变换方
14、法(scale invariant feature transform,SIFT)和高斯差分模型获取仪表定位,从而完成仪表识别任务。毛爱坤等6在 YOLOv5 的基础上引入深度可分离卷积和 Swin Transformer7,用于增强模型对于仪表图 像 特 征 的 提 取 能 力,并 采 用 轻 量 级 网 络ShuffleNet V28对基线模型进行轻量化,提升模型的检测速度。范新南等9采用迁移学习的训练策略克服模型训练困难问题,并利用 TensorRT 对改进后的模型进行重构和优化,实现变电站仪表检测算法的快速高效部署推理。然而上述方法仅可做到采集和筛选变电站仪表设备的图像数据,缺陷检测仍
15、需依靠人工筛查,难以实现新一代智能电网、无人值守变电站等发展需求。电力设备的运行环境极其复杂,种类众多,动态过程快,变电站设备故障严重影响社会稳定和经济发展10。针对变电站中存在的缺陷问题,CUI 等11构建了面向变电站场景的缺陷图像数据集,涉及到变电站现场包括仪表、绝缘子、箱门等多类问题,根据变电站监测设备的可视图像,训练了一个迁移学习模型,准确地检测出变电站设备的预设缺陷。LV 等12通过改进的 Faster R-CNN13对包括仪表玻璃破裂在内的 3 种变电站设备缺陷进行检测,极大地改善了缺陷检测任务中经常出现的小尺寸缺陷漏检、误检的问题。YING等14根据实际应用场景提出了类间采样、中
16、心引导 NMS 和类别自适应阈值的 3 种改进策略,解决了样本分布不均匀、存在冗余边界、漏检或误检等问题,实现工程中常见的 16 种变电站设备缺陷的准确、实时检测。WANG 和 ZHANG 15通过典型缺陷特征与变电站设备的关联性,提出了一种基于级联深度学习模型的变电站设备视觉缺陷检测策略,将设备特征与缺陷特征相结合,提高检测器的检测性能。现阶段上述针对变电站仪表外部缺陷检测方法是与变电站中存在的其他设备缺陷进行同步检测,需要大量的数据基础,并对于不同的仪表缺陷问题缺少针对性研究。电力设备的及时故障检测是保证变电设备正常运行的关键,变电站仪表在变电站设备监测和控制运行中发挥着重要作用。为了解决
17、变电站仪表外观缺陷检测任务中存在的缺陷分布广、缺陷外观特征变化多样和特征提取困难的问题,本文提出了一种面向变电站仪表的外观缺陷检测方法,利用对比样本策略,挖掘变电站仪表盘的正常样本与缺陷样本之间的关系,提取有判别力的缺陷特征;将全局上下文信息模块(global context feature module,GC-Model)16融合到骨干网络中,增强模型的特征提取能力;使用 SIoU17考虑所需回归之间的向量角度,减少漏检、误检的情况。第 5 期 赵振兵,等:基于改进 YOLOX 的变电站仪表外观缺陷检测算法 939 此外通过对比主流的 Faster R-CNN,YOLOF18和YOLOv61
18、9 3 种目标检测算法,本文方法针对变电站复杂场景下存在的外观缺陷问题进行检测,快速准确地诊断出各类仪表的外观缺陷,提升了变电站仪表检测的准确率和针对性,降低了漏检率和误检率,验证了该方法在变电站仪表外观缺陷检测中的有效性。1 研究背景 在变电站仪表外观缺陷检测领域,样本不足问题非常突出。在电网公司的日常巡检中,虽然可以获得大量的变电站仪表图像,但是由于其在大部分时间处于正常工作状态,因此在这些图像中,缺陷图像所占比例很小,使得模型缺陷检测困难。仪表上外在缺陷一般包括表盘脏污、表盘破损、表盘凝露、示数不清晰等问题,这些外在缺陷普遍表现于变电站中的各种类型的仪表上,造成仪表损坏,影响变电站的正常
19、工作。图 1 展示的是缺陷数据集中的部分仪表示例,均来自电网公司对变电站进行的日常巡检,在变电站现场使用搭载图像采集设备的变电站巡检机器人以及固定机位拍摄,实地采集到的缺陷仪表。从图 1 中 图 1 缺陷数据集中的部分仪表示例(a)表盘脏污;(b)表盘破损;(c)表盘凝露;(d)示数不清晰)Fig.1 Example of some instruments in defect dataset (a)Dial dirty;(b)Dial obscure;(c)Dial condensation;(d)Indicator confusion)可以发现,同一种外观缺陷中会出现在多种类型的仪表中,同一
20、类型仪表中会存在多种类型的外观缺陷,干扰因素过多,对模型识别造成极大地困难。2 研究方法 图 2 为本文总体网络架构图,首先将变电站仪表缺陷图像与正常图像通过对比样本策略处理后,输入到模型的特征提取网络中,在特征提取网络部分使用增加 GC-Model 的 Darknet53 网络,用于获取完整的全局上下文特征信息与缺陷基础特征,随后的特征融合网络部分使用 FPN 结构,将高层的特征信息,通过上采样的方式进行传递融合得到预测特征图,最后将特征融合部分得到的预测特征图输入到检测头网络中,通过损失函数计算损失,更新网络参数,指导网络更好地学习变电站仪表缺陷特征,完成变电站仪表缺陷的检测任务。2.1
21、YOLOX 模型 YOLOX 算法20是由旷视科技提出的单阶段目标检测模型。其创新性使用解耦头将分类任务和回归任务进行了解耦处理,由此训练时的收敛速度获得了大幅提升;将更先进的标签分配策略整合到深度网络中,为目标动态匹配正样本,由此得到更快的运算速度同时也避免了额外的超参数。其中,损失函数部分主要由分类损失、回归损失和置信度损失 3 个部分组成,其中使用 IoU 损失函数训练回归损失部分,使用交叉熵损失(BCE loss)训练分类损失和置信度损失两部分。此算法具有速度快的优点,能够做到实时目标检测。2.2 对比样本策略 在巡检人员对变电站仪表进行巡检的过程中可以不受仪表类型的影响,利用极少数的
22、仪表示例就能提取到不同外观缺陷所表现出独特特征,准确识别出变电站仪表的外观缺陷问题。究其原因发现,人类可以通过对比发现正常仪表与缺陷仪表之间的不同,找出缺陷的所属特征,从而对其外观缺陷位置与类型进行快速判断。在对比学习中,最核心的是将相似样本靠近,不相似样本靠远21。受其启发,本文研究了一种对比样本策略,在原本仅有缺陷样本的数据集上添加大量正常样本,丰富正常仪表的特征,使模型可以对正常样本与缺陷样本的特征进行对比,通过样本本身显然的相似性,减少仪表特征 940 图像处理与计算机视觉 2023 年 对于模型产生的干扰,使模型更好的学习缺陷样本中真正属于缺陷的特征。由于缺陷样本较少以及缺陷特征不明
23、显,缺陷样本属于难分样本,正常样本属于易分样本,本文利用焦点损失(Focal loss)22函数替换基线模型中的分类损失部分使用到的交叉熵损失,降低易分样本的权重,提高难分样本的权重,使得模型检测性能得以提升。交叉熵损失函数为 ()log()ttCE pp (1)其中,pt为正确预测样本的概率。焦点损失函数在交叉熵损失函数的基础上增加了权重调节因子,即 ()(1)log()tttFL ppp (2)其中,为权重参数;为调制因子,用于调节正负样本对于总损失的贡献能力。图 2 整体网络架构 Fig.2 Overall network architecture 2.3 全局上下文信息模块 GC-Mo
24、del通过对全局上下文进行有效建模,形成长距离依赖关系,在远距离位置之间传递特征信息,提升模型的检测精度。采用11卷积和softmax函数来获取注意力权值,通过执行注意力池化来获得全局上下文特征形成上下文建模(Context modeling)部分;采用两级瓶颈层(Bottleneck layer)结构,在瓶颈变换内添加了层归一化进行特征转换形成Transform部分,降低卷积复杂度,提高卷积运算效率,最后进行特征聚合操作,采用相加操作将全局上下文特征聚合到每个位置的特征上,通过聚合其他位置的信息来加强查询位置信息,建模远程依赖,增强学习过程中对缺陷特征的全局理解能力。GC-Model整体结构
25、如图3所示,并定义公式为 2111ReLu LNjppmxNiijNjxmezxxekkWvvWWW(3)其中,x 为输入;z 为输出;Wk和 Wv分别为线性转化矩阵;Np为不同位置的特征图;LN为层归一化;ReLu为激活函数。在变电站仪表外观缺陷检测任务中,缺陷特征提取是否准确很大程度影响了模型的缺陷检测能力。通过将GC-Model应用于YOLOX模型的特征提取主干网络部分的末端,可以增强特征表达能力,提高主干网络对缺陷特征区域的特征提取能力,降低其他无关特征的干扰。将得到的全局上下文特征信息进行聚合,指导模型对变电站仪表外观缺陷进行检测,进一步提高检测精度。第 5 期 赵振兵,等:基于改进
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 YOLOX 变电站 仪表 外观 缺陷 检测 算法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。