基于YOLOv5s的繼電保護裝置型號自動識別方法研究

摘 要：【目的】在工業自動化和電力系統中，繼電保護裝置是確保電力系統安全穩定運行的關鍵組件。為保證設備的正常測試和維護，需要準確識別繼電器型號。因此，提出一種基于YOLOv5s的繼電保護裝置型號自動識別方法。【方法】通過自制數據集，并利用YOLOv5s的高效目標檢測能力，結合多尺度特征融合圖像處理技術，實現對繼電保護裝置型號的自動識別。【結果】對系統進行實驗測試，結果顯示，該方法在繼電器型號識別任務中的準確率和召回率分別為90.3%和85.6%，能滿足實際應用需求。【結論】該方法不僅提高了設備測試和維護的效率，還為電力系統的安全穩定運行提供了可靠的技術支持。

關鍵詞：繼保護裝置；YOLOv5s；目標檢測；型號識別；深度學習

中圖分類號：TM77" " "文獻標志碼：A" " 文章編號：1003-5168（2024）24-0023-05

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.24.005

Research on Type Automatic Identification Method of Relay Protection Device Based on YOLOv5s

Abstract： [Purposes] In industrial automation and power systems， relay protection devices are key components for ensuring the safe and stable operation of power systems. Accurate identification of relay models is crucial for the proper testing and maintenance of equipment. To address this need， this paper proposes a relay protection device model identification method based on YOLOv5s." [Methods] By using the highly efficient target detection capability of YOLOv5s and image processing technology such as multi-scale fusion， the automatic identification of the relay protection device model was realized in the self-made data set.[Findings] The experimental results show that the accuracy and recall rates of the method are 90.3% and 85.6% in the task of relay type identification， which can effectively meet the needs of practical applications.[Conclusions] This approach not only enhances the efficiency of equipment testing and maintenance but also provides reliable technical support for the safe and stable operation of power systems.

Keywords： relay protection device; YOLOv5s; object detection; model identification; deep learning

0 引言

繼電保護裝置在工業控制系統中起著至關重要的作用，其通過檢測電力系統中的故障，并及時做出響應，防止設備損壞和停機事故發生，從而保障系統安全穩定運行。在電力變電站、輸電線路及配電系統中，繼電保護裝置的應用廣泛。無論是在正常運行前的初次調試，還是在日常使用過程中的維護和檢修，繼電保護裝置的性能和可靠性測試是不可或缺的。對繼電保護裝置進行定期測試和維護［1］，能有效預防潛在的故障，確保電力系統的持續穩定運行［2］。準確識別出繼電保護裝置的型號對設備的測試、維護和故障排除等工作的開展具有重要意義。不同型號的繼電保護裝置在功能、參數和適用場景等方面存在顯著差異。因此，正確識別出不同型號的繼電保護裝置不僅能提高工作效率，還能確保維護工作的準確性和有效性。例如，在電力系統中，一些繼電保護裝置可能是專門用來保護特定類型的電力線路，而另一些則可能是用來保護變電站設備。如果無法準確識別和區分這些設備，在維護和故障排除過程中可能會浪費不必要的時間和資源，甚至會引發更大的系統風險。

隨著科技的進步，尤其是深度學習技術的發展，基于深度學習的目標檢測方法為繼電保護裝置型號識別提供了新的解決方案。使用大量的圖像數據對深度學習模型進行訓練，使其能自動提取特征，并進行準確的分類和檢測［3］。近年來，YOLO（You Only Look Once）系列模型因具有端到端的檢測能力和高效的實時性而得到廣泛應用。YOLO模型將目標檢測任務簡化為一個單階段的過程，通過一次前向傳播即可完成目標定位和分類，不僅能顯著提高檢測速度，還能在保持較高精度的同時，降低計算的復雜度。近年來，YOLO算法已被廣泛應用于多個領域，如無人駕駛［4-5］、人臉識別［6-7］、農業科技［8-10］等，表明其具有強大的適應性和實用性。

本研究提出一種基于YOLOv5的繼電保護裝置型號自動識別方法，利用YOLOv5的強大檢測能力，實現對繼電保護裝置型號的自動識別。首先，通過收集和標注大量繼電保護裝置的圖像數據，建立一個涵蓋多種型號的圖像數據庫。其次，利用這些數據對YOLOv5模型進行訓練，使其能自動提取圖像特征，并準確區分不同型號的繼電保護裝置。最后，在模型訓練過程中，采用數據增強技術，以增強訓練數據的多樣性和魯棒性，進而提高模型的泛化能力。實驗結果表明，基于YOLOv5的繼電保護裝置型號識別方法在準確率和實時性方面均表現優異，能有效應用于實際工業環境中。

1 圖像采集及標注

圖像采集及標注是機器學習的關鍵步驟之一。在對繼電保護裝置型號識別進行研究時，發現這一領域的研究相對較少，尚未有成熟的公開數據集可供使用。因此，本研究采用自制數據集進行研究。首先，需要收集包含不同型號繼電器的圖像數據。為了確保數據集的多樣性和數量充足，本研究通過視頻錄制的方式來獲取圖像數據，通過對不同型號的繼電器從各個角度進行拍攝，并選取合適的幀率，從視頻中提取出原始圖像。通過這種方法，共獲得485張原始圖像，這些圖像涵蓋了多種角度和狀態的不同型號繼電器。其次，對收集到的圖像進行標注，并對每張圖像中的繼電保護裝置進行識別和標記，記錄其型號信息。數據集的部分樣本圖像如圖1所示。

2 YOLOv5s的繼電保護裝置型號檢測模型

2.1 YOLOv5s模型

YOLOv5系列有四種模型，分別為YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x。盡管這些模型的配置文件相同，但在模型大小和計算復雜度上卻有所不同。從模型大小和復雜度上來說，YOLOv5s是YOLOv5系列中最小的版本，計算復雜度最低。由于YOLOv5s具有輕量化的特性，使其非常適合資源有限的設備和需要實時檢測的應用場景。相較于 YOLOv5m、YOLOv5l和YOLOv5x，YOLOv5s的精度較低，但其檢測速度最快。盡管精度不如其他型號，但在許多實際應用中，YOLOv5s的性能仍然非常出色。總體來說，YOLOv5s 在保持較高檢測性能的同時，通過減少模型復雜度，實現更高速度和更低資源消耗，非常適合需要快速響應和計算資源有限的應用場景。YOLOv5s 網絡沿用了YOLO系列的整體布局，整個網絡結構依次分為輸入端、骨干網絡（Backbone）、頸部網絡（Neck）及輸出端 。其中，輸入端用于預處理輸入圖像，并將其調整為適合網絡處理的尺寸；Backbone用于提取圖像的基本特征，YOLOv5s使用的是一種輕量化的骨干網絡，可減少計算復雜度；Neck用于進一步處理Backbone提取到的特征，并進行多尺度特征融合，提高檢測的魯棒性；輸出端負責生成最終的檢測結果，包括目標的邊界框、類別和置信度。具體網絡結構如圖2所示。

2.2 損失函數選擇

本研究選擇CIOU_Loss為損失函數，其中，IOU為交并比，即預測框與真值框之前的相交區域與合并區域的面積之比，具體計算見式（1）。

式中：A為預測框；B為真值框。當IOU值為1時，表示預測框與真值框完全吻合。

而CIOU_Loss是在IOU的基礎上，引入修正因子[v]，使得損失函數對不同形狀的目標框更具魯棒性。相較于傳統的IOU Loss，CIOU_Loss因包含了更多的幾何信息能更快地收斂，從而得到最優解。其具體的計算見式（2）。

式中：[d]為目標框中心點與預測框中心點的歐式距離；[c]為對角線距離；[wg、hg、wp、hp]分別為預測框和真值框的長與寬。 CIOU損失函數示意如圖3所示。

3 實驗結果與分析

3.1 實驗環境

實驗基于PyTorch深度學習框架，具體實驗參數見表1。

3.2 評價指標

實驗采用精確率（Precision，P）、召回率（Recall，R）、平均精度（average precision，AP）、平均精度均值（mean Average Precision，mAP）等指標來評價模型效果。精確率P具體的計算見式（3）。

式中：TP為識別出正確的正樣本個數； FN為識別出錯誤的負樣本的個數；FP為識別出錯誤的正樣本的個數。

召回率R表示模型分類器預測是正樣本且真實是正樣本的比例占所有真實是正樣本的比例，具體計算見式（4）。

AP是精確率—召回率曲線下面積的度量，反映在各個召回率水平下的平均精確率。針對每個類別，可計算出其對應的Precision-Recall曲線，并計算該曲線下面積，即為該類別的AP值。AP值的取值范圍為0～1，數值越接近1，表示模型在該類別上性能越好。而mAP是所有類別的AP值的平均值，用來綜合評估模型在多類別目標檢測或識別任務中的整體性能表現，二者具體的計算見式（5）、式（6）。

3.3 實驗結果

首先，按照4∶1的比例將數據集分成訓練集和測試集。其次，以輸入圖像分辨率640 px×640 px，訓練總輪數為300輪的參數進行訓練。最后，將訓練好的模型在驗證集上進行驗證。其準確率和召回率分別為90.3%和85.6%。在測試集上的識別效果如圖4所示。

4 結語

本研究提出一種基于YOLOv5s的繼電保護裝置型號識別方法，從而滿足工業自動化和電力系統中對繼電器型號準確識別的需求。利用YOLOv5s的高效目標檢測能力，并結合圖像處理技術，實現對不同型號繼電器的自動識別。實驗結果顯示，該方法在繼電器型號識別任務中有著較高的準確率和實時性，能有效滿足實際應用的需求。本研究為提升繼電保護裝置的測試和維護效率提供了有力的技術支持。

參考文獻：

［1］郭兆琪.繼電保護自動化裝置的故障檢修與改進措施研究［J］.城市建設理論研究（電子版），2024（18）：7-9.

［2］常建.電力系統自動化繼電保護裝置及其測試研究［J］.光源與照明，2023（12）：74-76.

［3］金瑋，孟曉曼，武益超.深度學習在圖像分類中的應用綜述［J］.現代信息科技，2022，6（16）：29-31，35.

［4］楊明瑞，古玉鋒.基于改進YOLOv5的無人駕駛農業車輛視覺檢測［J］.南方農機，2024，55（1）：21-23，37.

［5］王亮，張超.一種基于YOLOv5的輕量型行人檢測方法［J］.工業控制計算機，2023，36（4）：84-86，89.

［6］張瑞民，李宇涵，申海杰.基于YOLO的智能門禁系統設計［J］.電子制作，2023，31（6）：74-77.

［7］宋傳旗.YOLOv5算法的人臉識別檢測方法研究［J］.計算機時代，2023（7）：15-19.

［8］岳耀華，張偉，亓立強.基于改進YOLOv5的田間大豆花朵生長狀態識別方法研究［J］.中國農機化學報，2024，45（7）：188-193，2.

［9］蔡易南，肖小玲.基于改進YOLOv5n的葡萄葉病蟲害檢測模型輕量化方法［J］.江蘇農業科學，2024，52（7）：198-205.

［10］王帥，王利眾，朱麗平，等.基于改進YOLOv5s的蘋果病害檢測技術研究［J］.山西農業大學學報（自然科學版），2024，44（4）：118-129.