基于PCBAM-YOLOv5,网络的变电站表计缺陷检测
时间：2023-06-19 11:05:05 来源：雅意学习网 本文已影响 人 
高志国，袁 牧，童 旸，倪修峰，程汪刘
（1.国网安徽省电力有限公司铜陵供电公司，安徽铜陵 244000；
2.安徽大学电子信息工程学院，安徽合肥 230000；
3.安徽南瑞继远电网技术有限公司，安徽合肥 230000）
变电站中的设备包括变压器、电力电缆、表计等，每一类设备出现故障都会对电网运行造成不良影响。例如，表计出现故障（如表盘模糊、表盘破损与外壳破损）会使工作人员读取表计数据出现误差，使电力设备的运行情况不能被完善监控，为事故埋下了隐患。因此，需要对变电设备进行定期巡检。
传统的变电设备巡视检查是值班人员根据外观、颜色、声音、气味、温度等条件判断当前设备运行是否正常。这种巡检方式耗时耗力，对巡检人员的经验要求非常高，同时环境因素也很容易导致误判[1]，无法提前发现安全隐患。在全国大量分布的变电站中，专业巡检工人的需求缺口很大，近些年来，随着计算机技术与图像视频技术的发展，无人值守变电站建设逐渐提上了日程。
随着智能变电站的推广，基于计算机视觉技术的检测机器人逐渐应用于仪表的自动识别[2-5]。文献[6]通过SSD（Single Shot MultiBox Detector）模块和CNN（Convolutional Neural Network）模块对图像中的主变压器定位并提取的缺陷信息进行解析，同时利用VGG-Net（Visual Geometry Group-Net）迁移算法对缺陷样本进行扩充，结果表明，该方法能较为准确地识别出变压器外观缺陷。文献[7]通过决策树和聚类对电表异常数据进行分析，建立了仪表数据矩阵，通过矩阵方程的求解计算出仪表误差，并判断仪表故障。文献[8]利用SSD 网络检测出仪表，利用关键点模型检测的中心点、零点、满刻度点和终点等关键点指标计算出不同的指针仪表。文献[9]基于区域的卷积网络（Faster R-CNN）检测目标仪表的位置，并通过霍夫变换检测到指针位置后获得读数。文献[10]使用ResNet-50 为主干网络提取体征，并融合注意力机制，使得变电站设备缺陷检测的mAP 达到了70.4%。文献[11]针对变电站设备缺陷问题，提出了改进Faster R-CNN 模型，提高了模型的检测速度和精度，其mAP 可达到89.14%。文献[12]通过霍夫圆检测和感知哈希相似度算法，定位出圆型表计的位置。
表计破损是一种常见的变电站仪器缺陷。表计破损主要包括表盘模糊、表盘破损、外壳破损。文中的数据集图像均是变电站工人巡检时获得的，其中表盘模糊有917 张图像，表盘破损有828 张图像，外壳破损有419 张图像，共计图像2 111 张。
文中使用LabelImg 标注软件进行人工标注：若电表表盘模糊，则将其标注为bj_bpmu；
若电表表盘破损，则将其标注为bj_bpps；
若电表外壳破损，则将其标注为bj_wkps。同时将标注的数据严格按照公开数据集PascalVOC 格式进行制作，训练集和测试集比例为8∶2，标注文件为xml格式。
2.1 PCBAM模型
CBAM（Convolutional Block Attention Module）[13]是一种轻量、通用的注意力模块，其通过空间和通道注意力模块串联的形式，依次结合通道和空间信息提取关键特征，模块结构如图1 所示。但在串联形式下，一方面，由于表计缺陷图像背景较为复杂，若通道注意力没有达到最优解，则会进一步影响其串联结构后空间注意力的权重输出；
另一方面，对于表计缺陷图像中较小的目标，经过串联结构下两次池化操作，小目标的特征也愈发微弱，易发生错检情况。
图1 CBAM模块结构图
综上考虑，文中在CBAM 基础上进行改进，提出了PCBAM（Parallel Convolutional Block Attention Module）模块，结构如图2所示。首先将原始特征图F同时输入空间注意力模块和通道注意力模块，分别得到空间权重MS(F)和通道权重MC(F)。其次，将MS(F)和MC(F)分别与输入特征图做点乘得到空间注意力特征图FS和通道注意力特征图FC。然后，对原始输入特征F应用3×3 卷积以增加感受野，增强小目标特征表征能力，得到特征图Fi。最后，将FS和FC相加生成的混合注意力特征图与原始输入特征的卷积结果Fi相加，得到最终的特征图FO。与传统CBAM 相比，一方面，PCBAM 避免了串联结构下的部分权重系数干扰，以并联的形式互补地给予关键缺陷特征更优的权重；
另一方面，PCBAM 对原始输入特征进行卷积并直接加权于最终的特征图，在保证丰富的小目标信息不丢失的同时增强了输出特征图的表征能力。
图2 PCBAM模块结构图
2.2 PCBAM-YOLOv5网络
YOLOv5[14]模型结构与其他YOLO 算法系列相似，分为输入、主干、颈和预测四部分。YOLOv5 的结构如图3 所示。
图3 YOLOv5结构图
输入部分可实现数据增强、自适应锚框计算、自适应图像缩放。主干部分主要采用可以完成切片和卷积操作的Focus 结构和增强特征网络学习能力的CSP（Cross Stage Partial）结构。由于不同网络的Focus 和CBL(Conv+Bn+Leaky_relu)激活函数具有不同数量的卷积核，CSP 的残差模块数量也不同，因此通过控制网络的宽度和深度，模型可以表现出不同的性能。颈部采用FPN(Feature Pyramid Network)和PAN(Personal Area Networks)结构，利用主干部分提取的信息加强网络特征融合能力。将输出层分为三个卷积层通道，通过损耗函数进行计算，并对结果进行最大值抑制处理，得出预测结果。
为了获得更多需要注意的目标的详细信息，抑制来自不同渠道的其他无用信息，文中在原YOLOv5 的基础上加入PCABM。在原YOLOv5 主干部分的每一个CBL 模块后加入PCABM 模块，如图4 所示。由于电表缺陷图像背景复杂，CBL 模块无法很好地提取缺陷特征，而加入PCABM 模块可以有效提升模型对重要缺陷特征的提取，减少无用背景信息的权重输入。
图4 PCBAM-YOLOv5结构图
3.1 实验室环境及参数
文中基于Ubuntu18.04 LTS 64 位操作系统实现，应用深度学习框架PyTorch 实现和训练神经网络模型。实验硬件、软件环境配置如表1 所示。
表1 硬件、软件环境配置
3.2 性能评估指标
对于多分类目标检测模型而言，常用的性能评价指标主要有精确率(Precision,P)、召回率(Recall,R)、平均精确率(Average Precision,AP)以及平均精确率均值(mean Average Precision,mAP)。其中，精确率表示预测框中预测正确的比例，召回率表示所有真实框中被预测出的比例，AP 为单个目标类别的平均精度，mAP 用于衡量模型整体检测效果，其值越大表示该模型的定位与识别的准确率越高[15]，定义式分别如式（1）-（4）所示。文中使用mAP 作为评价指标来判断模型的效果。
3.3 算法对比分析
文中算法检测的mAP 值为78.0%，其中表盘模糊、表盘破损和外壳破损的mAP 值分别为89.5%、82.2%和62.2%，如表2 所示。文中表计缺陷数据集背景复杂，检测目标尺寸不一、部分表计遮挡等原因，导致其平均mAP 值不高。表盘模糊和表盘破损特征相近，导致二者经常发生错检。造成外壳破损检测精度较低的主要原因是变电站的复杂背景，变电站表计外壳破损主要是由外壳腐蚀造成的，在变电站除了表计外，还有一些和表计形状相似的圆形器件，例如绝缘子等，这些圆形器件由于拍摄角度、光照和颜色的因素，导致其与锈蚀引起的外壳破损相似，经常会造成外壳破损错检。
表2 PCABM-YOLOv5检测结果
为了进一步验证文中算法对电表缺陷检测的有效性，将其与YOLOv4、SSD[16]等主流算法进行比较，同时将其与改进前的YOLOv5 和CAMB-YOLOv5 进行比较，实验结果如表3 所示。若以YOLOv5 为基线，首先与经典网络SSD 和YOLOv4 比较，YOLOv5的mAP 相对于YOLOv4 和SSD 分别提高了4.8%和4.4%。通过算法对比实验可知，针对于文中表计缺陷数据集，YOLOv5 的mAP 有着明显的优势。其次，在YOLOv5 的基础上，文中提出了PCBAM-YOLOv5，相对于CBAM-YOLOv5 和YOLOv5，文中所提出算法的mAP 分别提高了1.6%和1.2%。综述所述，针对文中表计缺陷图像数据集，所提出的算法PCBAMYOLOv5 是最优的。
表3 算法对比分析结果
为了解决变电站电表缺陷图像背景复杂、目标尺寸不一、表计部分遮挡等问题，文中结合PCABM注意力机制对YOLOv5 算法进行优化，提出了PCABM-YOLOv5 电表缺陷检测算法。在YOLOv5 的主干部分加入PCABM 模块，将通道注意力、空间注意力和输入特征的卷积进行并联，在互补地给与关键特征缺陷，同时丰富小目标信息。实验表明，PCABM-YOLOv5 在电表缺陷检测测试集的mAP 可达78%，相较于YOLOv5 提高了1.6%。
猜你喜欢 电表注意力卷积 巧判电表测量对象中学生数理化·中考版(2022年10期)2022-11-10让注意力“飞”回来小雪花·成长指南(2022年1期)2022-04-09电表“对”与“错”归类巧掌握中学生数理化·中考版(2021年10期)2021-11-22基于3D-Winograd的快速卷积算法设计及FPGA实现北京航空航天大学学报(2021年9期)2021-11-02卷积神经网络的分析与设计电子制作(2019年13期)2020-01-14从滤波器理解卷积电子制作(2019年11期)2019-07-04CartoonsSpecial Focus(2019年1期)2019-01-30基于傅里叶域卷积表示的目标跟踪算法北京航空航天大学学报(2018年1期)2018-04-20“扬眼”APP:让注意力“变现”传媒评论(2017年3期)2017-06-13A Beautiful Way Of Looking At Things第二课堂(课外活动版)(2016年2期)2016-10-21
