基于YOLO v3的高壓開關設備異常發熱點目標檢測方法

王永平，張紅民，彭 闖，郭泓邑

基于YOLO v3的高壓開關設備異常發熱點目標檢測方法

王永平，張紅民，彭 闖，郭泓邑

（重慶理工大學 電氣與電子工程學院，重慶 400054）

針對高壓開關設備紅外圖像異常發熱點檢測中存在目標位置場景復雜和大小不均衡帶來的檢測準確率下降問題，基于YOLO v3算法，通過添加卷積模塊及調整部分超參數對其基礎網絡架構進行優化，以實現高壓開關設備異常發熱點的快速檢測、識別和定位。同時，建立了用于高壓開關設備紅外圖像異常發熱點的數據集，通過訓練得出合適的權重。實驗結果表明，該檢測方法識別速度快，準確率高且具有較強的泛化能力，測試準確率達到91.83%，可將其初步應用于高壓開關設備異常發熱點目標檢測中。

高壓開關設備；紅外圖像；YOLO v3；目標檢測

0 引言

高壓開關設備作為保護發電廠、變電所等各類配電裝置中不可缺少的電氣設備，在日常運行中常因氧化、銹蝕、接觸不良、臟污等因素導致的異常發熱造成嚴重損失。運用紅外測溫成像技術來顯示、監測高壓開關設備的熱異常運行狀況是一個非常好的解決方案。

近年來，深度學習技術已廣泛應用于電氣設備紅外圖像處理及識別領域并取得了較好的效果。2017年郭鵬程等人采用二值函數和高斯核函數對Chan-Vese模型進行了改進，使其能有效地分割出電力設備[1]。2018年賈鑫等基于GoogleNet卷積神經網絡對紅外圖像進行特征提取，然后采用softmax損失和centerloss損失函數較準確地識別出5種電氣設備及其故障[2]。2019年S. Rokrakthong等人首先用圖像處理技術確定設備零界溫度，再利用R-CNN對電氣設備類型進行識別，準確率達91%[3]。2018年Ying Lin等人則通過RPCA（robust principal component analysis）優化和位置統計，提取出標記的溫度范圍區域，然后分別對每個單個數字和符號進行分割[4]。2019年L. Lianqiao等人基于YOLO算法，對組合濾波器、絕緣瓷套、隔離開關、均衡環4種電氣設備紅外圖像進行目標檢測和器件溫度測量，識別準確率達到80%以上[5]。2019年R. Gitzel等人使用對抗生成性網絡對開關設備的紅外圖像進行改善和加強，提高了對開關設備故障或非故障狀態檢測的效率[6]。

目標檢測算法R-CNN（region with convolutional neural network）[7-8]是近年來深度學習領域中廣受關注的檢測方法，其對圖像生成可能包含目標的候選區域（region），然后用卷積神經網絡（CNN）對候選區域進行分類，精度很高，但在速度方面表現欠佳[9]。YOLO在目標檢測時，以整張圖作為輸入，在特征層輸出邊框位置和所屬的類別，從而轉變為一個回歸問題。文獻[10]指出One-stage檢測算法準確率低的原因之一是數據集中簡單易分的樣本與復雜難分的樣本之間存在嚴重的不均衡現象，使得算法出現誤檢測，而且也會影響損失函數的梯度更新方向。2019年，吳雙忱等人將弱小目標的檢測問題轉化為對小目標的位置分布的分類問題，通過使用全卷積網絡對紅外圖像進行背景抑制，再引入SENet對圖像特征進行提取以達到檢測目的，雖然其對小目標檢測效果較好，但實現步驟較為復雜[11]。針對以上問題，通過對高壓開關設備紅外圖像的分析，本文通過采用YOLO v3（You Only Look Once vision3）算法[12]并對其模型進行合理優化，實現了高壓開關設備異常發熱點目標快速準確檢測。

1 高壓開關設備紅外熱圖數據集構建

本文的紅外圖像數據采集來源于重慶電網公司紅外典型故障圖庫。數據集中異常發熱的高壓開關設備類型有：隔離開關、斷路器、熔斷器等，建立共計960張的數據集。圖1為數據集部分典型樣本。

由圖1可以發現高壓開關設備紅外圖像具有以下特點：采集到的紅外圖像中不可避免地存在其他非目標電力設備；采集到的高壓開關設備紅外圖像會因為熱像儀拍攝角度、遠近的不固定，導致設備在圖像中的形狀和大小不規范。以上因素導致傳統的紅外圖像目標識別對熱異常的檢測比較困難。針對這些難點，收集了大量的高壓開關設備紅外圖像（960張）建立數據集，使用現有深度學習的網絡的訓練模型，以實現較為滿意的熱異常目標檢測。

本文使用圖片標注工具（label Img）對數據集進行標注：若高壓開關設備紅外圖像存在異常發熱的情況，則將紅外熱像圖中發熱點用矩形框標記，標記后的紅外圖片以XML文件存儲，作為對應訓練圖片的標簽（如圖2所示）。

圖1 典型高壓開關設備熱故障

圖2 異常發熱點標注示意圖

數據由訓練集、測試集、驗證集3部分組成（如表1所示），共使用960張圖片進行訓練，對已標記好的異常發熱的高壓開關設備紅外圖像進行整理，以XLM文件作為對應紅外圖片訓練的標簽，存儲了3個屬性：Label、Pixels、Usage。

表1 數據的訓練集組成

2 基于YOLO v3的深度學習算法

2.1 YOLO v3模型

YOLO v3[12]是一種在對目標進行識別和定位算法過程中，將問題轉化為了回歸問題，把輸入圖片中提取出的特征圖劃分為不同大小的各類網格，在每個網格上通過候選框檢測，最后輸出每個候選框檢測的置信度、類別概率和坐標。其特點是運行速度快，可以用于實時系統。不僅具有檢測速度快速的性質，而且還在檢測精度方面得到提升，同時還具備檢測大、中、小目標的能力，這與高壓開關設備熱故障診斷的應用極為契合。

YOLO v3提取紅外圖像特征時，采用的是Darknet-53網絡結構，如表2所示，它含有53個卷積層，同時借鑒殘差網絡（residual network）[13]，在卷積層之間設置了快捷鏈路（shortcut connections）。

表2 YOLO v3模型參數

Darknet-53為特征提取網絡，首先以416×416×3的紅外圖像作為輸入，然后采用殘差結構使得網絡更深，同時采用了short cut機制解決梯度消失問題，恒等變換（identity mapping）使得網絡更加容易優化，收斂能力加快，最后用feature 1、feature 2、feature 3進行多尺度的回歸檢測，如圖3所示。

圖3 YOLO v3目標檢測

2.2 YOLO v3算法的優化

高壓開關設備紅外圖像異常發熱點目標檢測存在的問題如下，有些高壓開關設備紅外圖像采集時距離近，背景單一，干擾因素較少，容易找到異常發熱點；而有一些在采集圖像時距離遠，干擾因素較多，屬于待檢測難定位目標。因此，在目標檢測時存在著待檢測目標復雜度不均衡問題。針對以上問題，對YOLO v3算法進行了如下方面的優化：

1）參數優化

在參數優化中使用了Adam Optimizer算法和Momentum Optimizer算法進行嘗試。

Momentum Optimizer在更新參數時，利用了超參數，參數更新公式為：

p＝1p－1＋(－1) (1)

－1＝－1－p(2)

式中：1為超參數；為學習率（初始值為0.001）；為參數；(－1)為損失函數的梯度。

Momentum算法計算了梯度的指數加權平均，減少了縱軸的震蕩，加快了橫軸的迭代速度，但其收斂較慢。

Adam Optimizer通過利用梯度的一階矩陣估計和二階矩陣估計，為不同的參數設計了獨立的自適應學習率，而且能夠存儲之前衰減的平均梯度，是一種尋找全局最優的優化算法，集成了動量梯度算法和RMS（root mean square）梯度下降算法的優點。因此，參數優化使用Adam優化器在訓練過程中進行優化（初始學習率為0.001）。

2）損失函數優化

YOLO v3的優化后的損失函數由公式(3)中的兩部分組成，分別是置信度損失函數和位置回歸損失函數：

式中：(c,x,y,w,h)為優化后的YOLO v3損失函數；為匹配到目標區域的Default Box的數量；為用于調整Confidence loss和Location loss的比例（初＝1）。

3）檢測框的優化

在高壓開關設備紅外圖像中Ground truth（GT）是非常少的，Default_box是非常多的，因此采用以下步驟對其抑制：

Step 1：取IOU最高的pre_box與GT匹配，保證Feature map上的Default_box至少有一個與GT匹配；

Step 2：若剩余Default_box的IOU大于閾值，則GT對應多個Default_box。采用模塊對正負樣本進行選擇，使其正負樣本比例控制在1:3；

Step 3：采用非極大值抑制模塊（non-maximum suppression，NMS）檢測，得分最高的框保留，其他與被選中框有明顯重疊的檢測框被抑制。

經改進后的YOLO v3使得數據集中占少數的樣本對損失函數的貢獻度將得到提升，同時目標標定框的準確率有所提升。

3 實驗結果與分析

實驗環境：本文在Linux系統下使用Ubuntu 16.04的系統平臺，在Python2.7.15下使用Tensorflow 1.3.0，計算機配置如表3所示。

表3 實驗硬件設備

3.1 模型效果展示

在新建的高壓開關設備紅外圖像數據集中，隨機抽取8張異常發熱故障測試圖像，對遷移學習加載權重訓練出來的模型，進行測試，測試效果如圖4所示。

圖4中可以看出，具有異常發熱的高壓開關設備的亮白區域，不論存在單個異常發熱區域，還是存在多個異常發熱區域均能被正確的標定，同時矩形框的大小符合目標區域的大小。

實驗測試結果表明，優化后的YOLO v3能夠從復雜的紅外圖像中比較準確地識別和定位出高壓開關設備的異常發熱故障點，同時具有較高的檢測精度。

圖4 模型測試效果圖

3.2 實驗結果分析

Loss曲線是用來表示預測的目標值與實際的目標值的差距。在卷積神經網絡訓練時，網絡中的所有參數不斷地被優化，使得損失函數的值連續減小，從而得到表現更加優異的卷積神經網絡模型。圖5顯示出，該模型在學習率方面因被修改后的損失函數而表現良好。

圖5 Loss曲線圖

IOU（intersection-over-union）是一個衡量我們的模型檢測故障目標好壞的重要指標，預測的框與標注的框的差異性越接近越好，這樣才會使得標注框與預測框的重合程度提高。從圖6可以看出，隨著batches的增加，矩形框能夠與目標完美地重合。

圖6 IOU曲線圖

使用平均精度（mean average precision，mAP）作為評價指標，對算法進行評估，由表4可以看出，優化后的YOLO v3的mAP值達到91.83%，與Faster R-CNN效果接近，較一次性回歸檢測算法SSD300、RetinaNet和YOLO v3分別提升了0.1011、0.1215、0.0818。SSD300采用多層特征圖作為預測輸出，在網絡加深時，目標的特征進一步弱化，網絡無法對其進行有效表征。RetinaNet采用了Focalloss，有效地提升了正負樣本不平衡問題，然而由于其處理基礎網絡較為簡單，相比較YOLO v3所采用的DarkNet-53網絡依舊缺乏對紅外目標的特征提取，而優化后YOLO v3在高壓開關設備異常發熱點檢測時平均精度相對較高。

表4 實驗結果及算法對比

4 總結

高壓開關設備是保護電氣設備的重要一環。在系統的日常運行、維護或更換過程中可能會出現發熱故障，從而可能引發系統故障問題。此時使用紅外圖像故障診斷識別技術是一個很好的解決方案。本文提出了基于YOLO v3的高壓開關設備紅外圖像異常發熱點目標檢測方法，通過對該算法參數、Loss函數和檢測框的優化，使得檢測的速度和誤差在高壓開關設備異常發熱點檢測中得到了大大的改善。實驗測試結果表明，優化后的YOLO v3，能夠弱化干擾信息，使得紅外圖像中的異常發熱故障點被準確地定位和識別出來，應用效果較為理想，具有較高的實際應用價值。

需要特別說明的是，實驗時如果測試集得出的準確率很高，實際目標檢測的準確率上不去，要考慮圖片噪聲是否過大，若是則應先進行圖片預處理，使預處理后的輸入圖片盡量接近測試集中的圖片。因為測試集和訓練集是相對獨立的，測試集得出的準確率對模型是有意義的。

[1] 顧鵬程, 黃福珍. 基于改進Chan-Vese模型的電力設備紅外圖像分割[J]. 計算機工程與應用, 2017, 53(10): 193-196, 212.

GU Pengcheng, HUANG Fuzhen. Power equipment infrared image segmentation based on improved Chan-Vesemodel[J]., 2017, 53(10): 193-196, 212.

[2] 賈鑫, 張驚雷, 溫顯斌. 雙監督信號深度學習的電氣設備紅外故障識別[J]. 紅外與激光工程, 2018, 47(7): 32-38.

JIA Xin, ZHANG Jinglei, WEN Xianbin. Infrared faults recognition for electrical equipments based on dual supervision signals deep learning[J]., 2018, 47(7): 32-38.

[3] Rokrakthong S, Suesut T, Tumrukwatthana N. Applying CNN to infrared thermography for preventive maintenance of electrical equipment [C/OL][2019-03-15]//, 2019: http://www.iaeng.org/ publication/IMECS2019/IMECS2019_pp367-370.pdf.

[4] LIN Y, QIN J, ZHANG W. Rpca based temperature digit extraction for electrical equipment infrared images[C]//, 2018: 7.

[5] LI Lianqiao, CHEN Xiai, ZHEN Huili, et al. Recognition and application of infrared thermal image among power facilities based on Yolo[C] //2019, 2019: DOI: 10.1109/CCDC.2019.8833160.

[6] Gitzel R, Amihai I, Perez M S G. Towards robust Ml-algorithms for the condition monitoring of switchgear[C]//2019,, 2019: 1-4.

[7] Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//2014, 2014: 580-587.

[8] Uijlings J R R, K E A van de Sande, Gevers T, et al. Selective search for object recognition[J]., 2013, 104(2): 154-171.

[9] REN S, HE K, Girshick R, et al. Faster R-cnn: towards real-time object detection with region proposal networks[J]., 2017, 39(6): 1137-1149.

[10] LIN T, Goyal P, Girshick R, et al. Focal loss for dense object detection[J]., 2020, 42(2): 318-327.

[11] 吳雙忱, 左崢嶸. 基于深度卷積神經網絡的紅外小目標檢測[J]. 紅外與毫米波學報, 2019, 38(3): 371-380.

WU Shuangchen, ZUO Zhengrong. Small target detection in infrared images using deep convolutional neural networks[J]., 2019, 38(3): 371-380.

[12] Redmon J, Farhadi A. Yolo v3: an Incremental Improvement[R/OL]. Computer Vision and Pattern Recognition, 2018: https:// arxiv.org/ abs/1804.02767.

[13] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]//2016, 2016: 770-778.

The Target Detection Method for Abnormal Heating Point of High-Voltage Switchgear Based on YOLO v3

WANG Yongping，ZHANG Hongmin，PENG Chuang，GUO Hongyi

(College of Electrical and Electronic Engineering, Chongqing University of Technology, Chongqing 400054, China)

This study aims to solve the problem of reduced detection accuracy caused by a complex target -position scene and an uneven size in the detection of the abnormal heating point in an infrared image of a high-voltage switchgear. According to the YOLO v3 algorithm, the basic network architecture was optimized by including a convolution module and adjusting some hyper-parameters to realize rapid detection and identification of abnormal heating points in high-voltage switchgears. Simultaneously, a dataset for abnormal heating points of infrared images in high-voltage switchgears was established, and appropriate weights were obtained through training. The experimental results indicated that the detection method had a fast recognition speed, high accuracy, and strong generalization ability. The test accuracy reached 91.83%, indicating that the method can be initially applied to the detection of abnormal heating-point targets in high-voltage switchgears.

high voltage switchgear, infrared image, YOLO v3, target detection

TP391

A

1001-8891(2020)10-0983-05

2020-03-08；

2020-06-20.

王永平（1990-），男，碩士，研究領域為電氣設備紅外圖像故障診斷，E-mail：ypwang0001@126.com。

張紅民（1970-），男，博士，教授，研究領域為圖像處理與模式識別，E-mail：hmzhang@cqut.edu.cn。

重慶市基礎與前沿研究計劃項目（cstc2015jcyjA40051，cstc2016jcyjA0497，cstc2016jcyjA0447）。