基于YOLOv3的保護(hù)裝置指示燈狀態(tài)識別方法分析

云南電網(wǎng)有限責(zé)任公司紅河供電局 楊韻融

針對變電站控制室繼電保護(hù)裝置指示燈狀態(tài)難以識別的問題,本文提出了一種改進(jìn)的輕量級YOLOv3指示燈狀態(tài)識別方法。鑒于指示燈數(shù)據(jù)較少且難以獲取，使用了多種數(shù)據(jù)增強的方式將數(shù)據(jù)進(jìn)行擴充和優(yōu)化來自建指示燈數(shù)據(jù)集；然后將數(shù)據(jù)輸入到輕量級的YOLOv3-Mobilenetv3_large模型中實現(xiàn)多特征融合和處理，最終實現(xiàn)指示燈狀態(tài)檢測和識別，并將指示燈的狀態(tài)變化情況實時反饋給控制室工作人員，起到了實時掌握控制室設(shè)備工作情況和輔助值班的作用。實驗結(jié)果中，該方法的APIoU=0.5達(dá)到了0.998，表明該方法能夠準(zhǔn)確識別變電站保護(hù)裝置指示燈的亮、滅狀態(tài)，具有很大的工程應(yīng)用價值。

變電站控制室中為了了解電力設(shè)備的運行情況，會設(shè)置各種電力保護(hù)裝置的指示燈，指示燈的狀態(tài)變化實時反饋了電力設(shè)備的運行情況。為了能夠準(zhǔn)確了解控制室設(shè)備的工作情況，企業(yè)一般會耗費大量的人力來了解情況，而這種人工監(jiān)視工作容易出現(xiàn)疲乏，難以做到全面的實時的監(jiān)控，一旦出現(xiàn)工作上的失誤將會給企業(yè)和用戶造成難以估量的損失。

為了減少企業(yè)在人力上的耗費，及時準(zhǔn)確掌握實時監(jiān)控信息，提高變電站控制室工作效率，通過將控制捕獲到的圖像新數(shù)據(jù)通過結(jié)合視覺處理和深度學(xué)習(xí)算法來捕獲深層視頻信息，過濾掉噪音數(shù)據(jù)，將有效信息進(jìn)行智能化的處理后傳遞給監(jiān)控者，實現(xiàn)對智能化高效監(jiān)控[1]。通過計算機模擬人對采集到的視頻圖像進(jìn)行處理，獲得敏感信息，并進(jìn)行智能化信息處理，并將控制室工作情況及時準(zhǔn)確地反饋給工作人員。

本文針對變電站保護(hù)裝置的指示燈狀態(tài)視頻進(jìn)行分析和研究，為了能夠準(zhǔn)確識別變電站保護(hù)裝置的指示燈狀態(tài)識別，提出了一種基于深度學(xué)習(xí)的輕量級YOLOv3算法。通過將控制室指示燈視頻數(shù)據(jù)進(jìn)行預(yù)處理后，結(jié)合輕量級YOLOv3方法對視頻數(shù)據(jù)對指示燈進(jìn)行自動目標(biāo)檢測和識別，最后通過真實控制室指示燈數(shù)據(jù)來進(jìn)行模型可行性驗證。

1 相關(guān)研究

目前，傳統(tǒng)的目標(biāo)檢測方法在指示燈狀態(tài)識別中應(yīng)用廣泛。針對指示燈狀態(tài)識別時，考慮到指示燈的亮度、背景光和噪音情況，并設(shè)置指示燈閾值來對指示燈狀態(tài)進(jìn)行判別，進(jìn)而實現(xiàn)指示燈監(jiān)控預(yù)警。同時，也可以考慮在指示燈圖像預(yù)處理過程中進(jìn)行圖像邊緣信息強化，并結(jié)合圓檢測與圓心定位算法來進(jìn)行快速目標(biāo)定位和檢測，在一定程度上提高指示燈狀態(tài)識別準(zhǔn)確率。

近年來，深度學(xué)習(xí)方法被廣泛應(yīng)用于目標(biāo)檢測和識別任務(wù)中。深度學(xué)習(xí)模型通過模擬人腦的視覺感知系統(tǒng)，直接從原始圖像中提取特征，并逐層傳遞，以獲得圖像的高維信息。目前比較流行的基于深度學(xué)習(xí)的目標(biāo)檢測和識別方法主要是基于YOLO的方法，很多優(yōu)秀的目標(biāo)檢測方法都是在此基礎(chǔ)上進(jìn)行的一些改進(jìn)和研究。

YOLOv3[2]使用DarkNet53[3]結(jié)合殘差網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)，加快了模型預(yù)測和識別的速度，并且能夠?qū)崟r準(zhǔn)確地進(jìn)行高精度的數(shù)據(jù)運算。徐融等[4]將YOLOv3進(jìn)行優(yōu)化，應(yīng)用于小目標(biāo)目標(biāo)檢測中，在網(wǎng)絡(luò)層中結(jié)合聯(lián)級RFB和密集連接來進(jìn)行特征強化和獲取。李妮妮等[1]將YOLOv4的主干網(wǎng)絡(luò)替換成Mobilenet，并結(jié)合聚類算法和焦點損失來對數(shù)據(jù)進(jìn)行優(yōu)化，有效緩解了目標(biāo)檢測與定位準(zhǔn)確率低的問題。邵偉平等[5]提出了一種以MobileNet為基礎(chǔ)構(gòu)架的YOLO-Slim輕量化網(wǎng)絡(luò)，能夠支持其在小型計算機設(shè)備。薛俊韜等[6]提出了一種基于MobileNet的輕量級多目標(biāo)檢測跟蹤算法，通過簡化網(wǎng)絡(luò)模型在一定程度上加快了模型的訓(xùn)練速度，同時模型的性能也有所提升。

在指示燈狀態(tài)識別的研究過程中發(fā)現(xiàn)，結(jié)合深度學(xué)習(xí)算法來進(jìn)行指示燈狀態(tài)的研究比較少。同時考慮到Y(jié)OLOv3_mobilenet在目標(biāo)檢測任務(wù)中的優(yōu)勢，本文將變電站指示燈目標(biāo)識別任務(wù)與YOLOv3_mobilenetv3相結(jié)合起來，提出了一種輕量級的繼電保護(hù)裝置指示燈狀態(tài)識別方法。該方法有效緩解了YOLOv3模型參數(shù)龐大計算復(fù)雜的問題，大幅度減少了模型復(fù)雜度，加快了模型訓(xùn)練速度。同時，通過實驗結(jié)果發(fā)現(xiàn)，模型在繼電保護(hù)裝置指示燈狀態(tài)識別任務(wù)上效果顯著。

2 基于YOLOv3的保護(hù)裝置指示燈狀態(tài)識別方法

YOLOv3使用Darknet53來作為分類器，分類效果表現(xiàn)優(yōu)異，但是考慮到Y(jié)OLOv3網(wǎng)絡(luò)太過龐大，雖然能夠很好的檢測并識別出保護(hù)裝置的指示燈狀態(tài)情況，但是計算耗時，在進(jìn)行移植后無法滿足實時使用的應(yīng)用需求。基于此，可以考慮將深度學(xué)習(xí)方法進(jìn)行壓縮得到輕量級模型，以減少模型計算量，如：MobileNet[7]。考慮到在變電站控制室指示燈識別的實際應(yīng)用中，模型對于資源的消耗高，模型在YOLOv3的基礎(chǔ)上結(jié)合了MobileNetv3-large來進(jìn)行設(shè)計。

模型網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，主要描述一下模型的主干網(wǎng)絡(luò)部分和預(yù)測網(wǎng)絡(luò)部分：（1）主干網(wǎng)絡(luò)：將龐大的Darknet53網(wǎng)絡(luò)進(jìn)行輕量化，利用輕量級的網(wǎng)絡(luò)MobileNetv3_large來作為改進(jìn)模型的主干網(wǎng)絡(luò)。（2）預(yù)測網(wǎng)絡(luò)部分。首先將YOLOv3預(yù)測網(wǎng)絡(luò)部分，將原有的1×1卷積層替換為Inverted-bneck-shortcut結(jié)構(gòu)。由于該結(jié)構(gòu)由深度可分離卷積和shortcut殘差連接構(gòu)成，它在改變特征圖通道的同時能夠盡可能地保留特征圖的特征信息；然后在YOLOv3生成尺寸為256×256的輸出特征圖部分，融合了多個尺度的輸出特征圖信息，使得特征圖中包含更多的目標(biāo)特征信息，從而提升模型的預(yù)測精度。

3 實驗結(jié)果與分析

3.1 實驗數(shù)據(jù)準(zhǔn)備

目前公開的指示燈數(shù)據(jù)集比較少，本文使用的變電站保護(hù)裝置指示燈數(shù)據(jù)為自建數(shù)據(jù)集，數(shù)據(jù)共計電力系統(tǒng)保護(hù)裝置指示燈圖10000條，其中訓(xùn)練集、測試集與驗證集的比例為8:1:1。

考慮到數(shù)據(jù)的質(zhì)量對模型的效果影響極大，在訓(xùn)練模型之前，需要對數(shù)據(jù)進(jìn)行增強。在指示燈數(shù)據(jù)采集過程中，可能會存在很多噪音無關(guān)數(shù)據(jù)，需要對一些數(shù)據(jù)進(jìn)行去除；數(shù)據(jù)為企業(yè)在控制室采集積累的數(shù)據(jù)，考慮到數(shù)據(jù)的安全性和其他因素，數(shù)據(jù)采集困難，數(shù)據(jù)量不足，采用過采樣來對數(shù)據(jù)進(jìn)行擴充。同時，為了保持?jǐn)?shù)據(jù)的多樣性，避免數(shù)據(jù)的過擬合，提高模型的泛化能力，將數(shù)據(jù)進(jìn)行平移、翻轉(zhuǎn)、旋轉(zhuǎn)等多種變換方式以及隨機尺度變化等方法來進(jìn)行數(shù)據(jù)增強。通過實驗也表明，數(shù)據(jù)增強后模型能夠從不同的圖像數(shù)據(jù)中學(xué)習(xí)到目標(biāo)特征，模型的檢測精度和泛化能力效果達(dá)到了企業(yè)的應(yīng)用要求。

3.2 實驗設(shè)置和評價指標(biāo)

實驗使用PaddlePaddle深度學(xué)習(xí)框架來進(jìn)行模型訓(xùn)練，實驗的操作系統(tǒng)為Windows10，CPU為I7-9700K，GPU為Nvidia RTX 2080Ti，內(nèi)存為32G。訓(xùn)練過程中，設(shè)置批次大小為16，最大迭代數(shù)為60，初始學(xué)習(xí)率為0.00001。在實驗過程中，輸出圖片的像素大小設(shè)置為[512,512]。

在目標(biāo)檢測任務(wù)中常用的實驗評價指標(biāo)為：平均檢測精度AP（Average Precision），平均召回率AR（Average Recall）。

3.3 實驗結(jié)果與分析

在實驗中，我們使用自建的繼電保護(hù)指示燈數(shù)據(jù)來驗證基于改進(jìn)的YOLOv3的目標(biāo)檢測模型，通過多次實驗后，得到實驗結(jié)果如表1所示。

表1 實驗結(jié)果Tab.1 Experimental results

從表1實驗結(jié)果中可以發(fā)現(xiàn)，在MaxDets=100時，AP的值在不斷變化。為了提高精度，在實驗中計算了IoU在（0.5,0.95）區(qū)間內(nèi)的平均Precesion值。當(dāng)IoU取值為0.50～0.95時，AP的平均值最大為0.852。在最后的實驗結(jié)果中，通過計算IoU=0.5時模型達(dá)到的AP值來展現(xiàn)模型效果的好壞。從實驗結(jié)果中可知，當(dāng)IoU=0.75時，AP值為0.995；當(dāng)IoU=0.50時，AP值達(dá)到最高0.998，模型效果達(dá)到最優(yōu)。結(jié)合以上實驗的所有結(jié)果，得到模型的最優(yōu)效果AP值為0.998。

實驗結(jié)果表明，模型預(yù)測的結(jié)果錯誤的概率很低。該模型通過準(zhǔn)確預(yù)測出繼電保護(hù)裝置指示燈狀態(tài)，并將指示燈變化情況及時傳遞給相關(guān)人員，起到指示燈狀態(tài)提醒作用，讓企業(yè)能夠在短時間內(nèi)快速掌握控制室的工作情況，滿足了企業(yè)的應(yīng)用要求。

4 結(jié)語

本文針對繼電保護(hù)裝置指示燈狀態(tài)識別任務(wù)，通過結(jié)合深度學(xué)習(xí)算法進(jìn)行目標(biāo)狀態(tài)檢測和識別。為了提高指示燈狀態(tài)識別的效果，提出了一種基于改進(jìn)的YOLOv3目標(biāo)檢測算法，該方法將YOLOv3和Mobilenetv3的優(yōu)勢相結(jié)合。模型能識別正常條件下指示燈狀態(tài)并提供指示燈狀態(tài)變化情況，實時準(zhǔn)確掌握控制室指示燈情況，并將識別結(jié)果給予監(jiān)控工作者狀態(tài)提醒，為控制室工作情況提供準(zhǔn)確實時數(shù)據(jù)，對控制室工作情況是否正常起提醒和防范作用。該方法在變電站保護(hù)裝置指示燈狀態(tài)識別中具有很大的應(yīng)用價值。