基于改進(jìn)YOLOv7的電力設(shè)備紅外過熱缺陷檢測方法

林麗霞 吳悅園

基于改進(jìn)YOLOv7的電力設(shè)備紅外過熱缺陷檢測方法

林麗霞 吳悅園

（廣東電網(wǎng)有限責(zé)任公司湛江供電局，廣東 湛江 524000）

電力設(shè)備運(yùn)行時(shí)發(fā)生過熱缺陷容易引起電氣故障，嚴(yán)重威脅電力設(shè)備安全運(yùn)行。為了有效監(jiān)測電力設(shè)備運(yùn)行狀態(tài)，提出一種基于改進(jìn)YOLOv7的電力設(shè)備紅外過熱缺陷檢測方法。采用YOLOv7目標(biāo)檢測網(wǎng)絡(luò)作為基礎(chǔ)檢測網(wǎng)絡(luò)，使用CIoU衡量矩形框的損失，同時(shí)將原網(wǎng)絡(luò)的空間金字塔池化-跨階段局部網(wǎng)絡(luò)（SPPCSPC）結(jié)構(gòu)替換為快速空間金字塔池化-跨階段局部網(wǎng)絡(luò)（SPPFCSPC）結(jié)構(gòu)對模型進(jìn)行改進(jìn)，以增大模型感受野并提升對過熱缺陷的檢測性能。實(shí)驗(yàn)結(jié)果表明，基于改進(jìn)YOLOv7的檢測方法的準(zhǔn)確率達(dá)到90.39%、召回率達(dá)到78.95%、平均正確率達(dá)到89.64%，可為電力設(shè)備過熱缺陷紅外檢測提供參考。

電力設(shè)備；紅外圖像；缺陷檢測；改進(jìn)YOLOv7

0 引言

作為電力系統(tǒng)的重要組成部分，電力設(shè)備的安全穩(wěn)定性是電力系統(tǒng)運(yùn)行的基石[1-2]，其運(yùn)行狀態(tài)直接關(guān)系到供電的可靠性、安全性和持續(xù)性。過熱缺陷是電力設(shè)備最常見的缺陷類型，及時(shí)識別出電力設(shè)備過熱缺陷并采取措施進(jìn)行檢修，對保證電力系統(tǒng)的安全穩(wěn)定運(yùn)行具有重要意義[3-4]。

目前，電力設(shè)備過熱缺陷檢測主要通過人工對電力設(shè)備紅外圖像進(jìn)行分析與判斷，存在耗時(shí)長、工作量大等問題[5]。近年來，快速發(fā)展的深度學(xué)習(xí)方法不依靠人工提取圖像特征，憑借泛化性強(qiáng)、精度高與檢測速度快等優(yōu)點(diǎn)在電力設(shè)備過熱缺陷檢測領(lǐng)域得到大范圍應(yīng)用[6-10]。文獻(xiàn)[6]提出一種變電設(shè)備熱缺陷的分類識別方法，采用卷積核分解技術(shù)、多尺度卷積特征融合方法與基于約束改進(jìn)的貝葉斯優(yōu)化算法，對殘差網(wǎng)絡(luò)進(jìn)行參數(shù)自調(diào)整，模型的熱缺陷狀態(tài)識別準(zhǔn)確率達(dá)到94.53%。文獻(xiàn)[7]搭建了改進(jìn)的單發(fā)多框檢測（single shot multibox detector, SSD）目標(biāo)檢測網(wǎng)絡(luò)，對具有異常發(fā)熱區(qū)域的電力設(shè)備紅外圖像進(jìn)行識別，在測試集上的識別準(zhǔn)確率達(dá)到71.54%。文獻(xiàn)[8]引入帶色彩恢復(fù)的多尺度視網(wǎng)膜增強(qiáng)算法（multi-sccale retinex with color restore, MSRCR）與focal loss損失函數(shù)對YOLOv4（you only look once v4）目標(biāo)檢測算法進(jìn)行改進(jìn)，基于超像素分割方法對電力設(shè)備過熱缺陷進(jìn)行診斷，準(zhǔn)確率達(dá)到87.8%。文獻(xiàn)[9]采用改進(jìn)的具有特征細(xì)化的旋轉(zhuǎn)物體精細(xì)化單級檢測器（refined single-stage detector with feature refinement for rotating object, R3Det）與更快的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（faster region convolu- tional neural network, Faster RCNN）目標(biāo)檢測算法，通過自動(dòng)關(guān)聯(lián)同類設(shè)備、計(jì)算設(shè)備溫差實(shí)現(xiàn)了電力設(shè)備電壓致熱型缺陷的檢測，準(zhǔn)確率達(dá)到81.39%。文獻(xiàn)[10]采用基于區(qū)域的全卷積網(wǎng)絡(luò)（region-based fully convolutional network, R-FCN）算法與掩膜區(qū)域神經(jīng)網(wǎng)絡(luò)（mask region-based convolutional neural network, Mask RCNN）算法分別對電力設(shè)備進(jìn)行識別定位與設(shè)備結(jié)構(gòu)劃分，通過提取不同區(qū)域之間的溫度信息對過熱區(qū)域進(jìn)行準(zhǔn)確診斷。

目前，電力設(shè)備過熱缺陷的熱圖像檢測方法主要通過提取溫度特征信息進(jìn)行診斷，直接在紅外圖像中進(jìn)行過熱缺陷的檢測與定位仍存在準(zhǔn)確率不高的問題。紅外圖像中過熱缺陷特征尺度大小不一，在圖像中占比小，以往模型難以在復(fù)雜的紅外背景環(huán)境下準(zhǔn)確提取出過熱缺陷的有效圖像特征信息。

因此，本文提出一種基于改進(jìn)YOLOv7（you only look once v7）的電力設(shè)備紅外過熱缺陷目標(biāo)檢測方法。首先，使用多尺度馬賽克數(shù)據(jù)增強(qiáng)方法對圖像進(jìn)行數(shù)據(jù)擴(kuò)充，通過多尺度變換電力設(shè)備過熱缺陷的特征尺度大小，增加模型的檢測魯棒性。其次，構(gòu)建YOLOv7目標(biāo)檢測模型，使用CIoU（complete intersection over union）衡量矩形框的損失，同時(shí)引入快速空間金字塔池化（spatial pyramid pooling-fast, SPPF）及跨階段局部網(wǎng)絡(luò)（cross-stage partial channel, CSPC）模塊相結(jié)合的SPPFCSPC結(jié)構(gòu)對模型進(jìn)行改進(jìn)，通過增大模型感受野，提高模型在復(fù)雜背景環(huán)境下對過熱缺陷特征信息的提取能力。改進(jìn)YOLOv7過熱缺陷檢測模型如圖1所示，使用訓(xùn)練后的YOLOv7目標(biāo)檢測模型實(shí)現(xiàn)對電力設(shè)備紅外過熱缺陷的檢測。

圖1 改進(jìn)YOLOv7過熱缺陷檢測模型

1 YOLOv7目標(biāo)檢測算法

YOLOv7[11]是一種基于錨框的單階段目標(biāo)檢測算法，使用不同大小和形狀的錨框?qū)δ繕?biāo)進(jìn)行回歸和分類。模型具體可分為主干特征提取網(wǎng)絡(luò)、特征融合網(wǎng)絡(luò)及檢測頭（YOLO Head）這3個(gè)部分。YOLOv7使用創(chuàng)新的高效層聚合網(wǎng)絡(luò)（efficient layer aggregation networks, ELAN）結(jié)構(gòu)、最大池化MaxPool與普通卷積相結(jié)合的MP結(jié)構(gòu)、空間金字塔池化（spatial pyramid pooling, SPP）及CSPC相結(jié)合的SPPCSPC結(jié)構(gòu)與重參數(shù)化（re-parameterized, REP）模塊，同時(shí)通過優(yōu)化訓(xùn)練策略，可實(shí)現(xiàn)對復(fù)雜物體的準(zhǔn)確檢測。

1.1 主干特征提取網(wǎng)絡(luò)

紅外圖像輸入尺寸設(shè)為640×640，經(jīng)過主干特征提取網(wǎng)絡(luò)Backbone后，傳輸?shù)?個(gè)CBS模塊進(jìn)行尺寸與通道數(shù)的變換，特征層由3通道變成128通道，其中，CBS模塊由卷積層（conv）、批量正則化（batch normalization, BN）層和激活函數(shù)（sigmoid linear unit, SiLU）層組成。之后依次通過ELAN與MP結(jié)構(gòu)，提取出80×80×512、40×40×512及20×20×1 024三個(gè)不同尺度大小的有效特征層。SPPCSPC結(jié)構(gòu)位于主干特征提取網(wǎng)絡(luò)的最后一個(gè)ELAN結(jié)構(gòu)后，通過將輸入特征并行通過卷積核為5×5、9×9、13×13大小的最大池化（maxpool）層，可有效增大網(wǎng)絡(luò)的感受野。

1.2 特征融合網(wǎng)絡(luò)

YOLOv7中的特征融合網(wǎng)絡(luò)從不同尺度的特征圖中提取豐富的語義信息，通過在不同層之間添加上采樣層和跨層連接來實(shí)現(xiàn)多個(gè)尺度的特征圖融合，以提高檢測的準(zhǔn)確性和穩(wěn)定性。其中，上采樣層將較低分辨率的特征圖上采樣到與較高分辨率的特征圖相同的大小，以保留更多的空間信息。跨層連接通過特征層融合模塊結(jié)構(gòu)將不同層的特征圖進(jìn)行融合，使網(wǎng)絡(luò)可以在不同尺度上進(jìn)行目標(biāo)檢測。ELAN-H結(jié)構(gòu)中的殘差連接通過將低層的特征圖與高層的特征圖相加，使網(wǎng)絡(luò)可以學(xué)習(xí)殘差信息，進(jìn)而提高特征的表示能力。

1.3 預(yù)測網(wǎng)絡(luò)

YOLOv7的檢測頭用于對圖像提取的特征信息進(jìn)行分類，是算法模型的關(guān)鍵組成部分之一。YOLOv7是基于錨框的目標(biāo)檢測算法，錨框是一組預(yù)定義的邊界框，用于表示不同類別的目標(biāo)，通過與錨框進(jìn)行匹配，可以準(zhǔn)確地預(yù)測目標(biāo)的位置和類別。檢測頭采用三個(gè)不同尺度的特征圖來檢測不同大小的目標(biāo)，每個(gè)尺度的特征圖都會(huì)生成一組邊界框，每個(gè)邊界框都包含一個(gè)目標(biāo)的位置和類別信息，使模型能夠檢測到不同大小的目標(biāo)，并且在處理密集目標(biāo)時(shí)表現(xiàn)出色。同時(shí)，非極大值抑制技術(shù)可以提高檢測的準(zhǔn)確性，消除重疊的邊界框。

2 模型訓(xùn)練優(yōu)化方法

2.1 多尺度馬賽克數(shù)據(jù)增強(qiáng)

深度學(xué)習(xí)的數(shù)據(jù)增廣是一種通過對原始圖像數(shù)據(jù)進(jìn)行變換和擴(kuò)充，從而生成新的訓(xùn)練樣本的技術(shù)。深度學(xué)習(xí)模型通常需要大量的訓(xùn)練數(shù)據(jù)來學(xué)習(xí)有效的特征和提高泛化能力，而數(shù)據(jù)增廣在深度學(xué)習(xí)任務(wù)中可以有效增加訓(xùn)練數(shù)據(jù)量，還可以緩解過擬合問題，提升模型的泛化能力。

傳統(tǒng)馬賽克數(shù)據(jù)增強(qiáng)將4張圖片隨機(jī)拼接到一張馬賽克圖片上，并進(jìn)行灰邊填充。為進(jìn)一步平衡數(shù)據(jù)分布和增強(qiáng)魯棒性，改善深度學(xué)習(xí)模型的性能和效果，本文采用一種融合圖像翻轉(zhuǎn)、裁剪、縮放、角度旋轉(zhuǎn)與馬賽克增強(qiáng)的多尺度馬賽克數(shù)據(jù)增強(qiáng)（multi-scale mosaic, MS-Mosaic）方法。首先通過引入隨機(jī)性和變換操作，對數(shù)據(jù)集圖像進(jìn)行圖像增廣方式的隨機(jī)組合變換，擴(kuò)充基礎(chǔ)圖像，然后將擴(kuò)充后的基礎(chǔ)圖像在一張馬賽克圖像中進(jìn)行12張圖像的隨機(jī)組合。MS-Mosaic方法在減少填充面積的同時(shí)，可以幫助模型學(xué)習(xí)更一般化的特征，降低過擬合的風(fēng)險(xiǎn)。MS-Mosaic數(shù)據(jù)增廣圖像如圖2所示，經(jīng)過處理后的圖片中，發(fā)熱缺陷的尺寸會(huì)更接近小目標(biāo)的尺寸。

圖2 MS-Mosaic數(shù)據(jù)增廣圖像

2.2 CIoU損失函數(shù)

CIoU損失函數(shù)是一種用于目標(biāo)檢測算法的損失函數(shù)，主要用于衡量候選邊界框與真實(shí)邊界框之間的相似度。與傳統(tǒng)IoU（intersection over union）損失函數(shù)相比，CIoU損失函數(shù)考慮了邊界框之間的空間位置和形狀信息，能夠更準(zhǔn)確地衡量兩個(gè)邊界框之間的相似程度，可用于訓(xùn)練模型以提高目標(biāo)檢測的準(zhǔn)確性。此外，CIoU損失函數(shù)同時(shí)考慮了兩框的寬高比，將重疊面積、中心點(diǎn)距離、寬高比同時(shí)加入計(jì)算，綜合考慮邊界框的相似度和歐氏距離兩個(gè)因素，在損失函數(shù)中引入位置相關(guān)的懲罰項(xiàng)，從而達(dá)到加速優(yōu)化訓(xùn)練的收斂速度和保證穩(wěn)定性的目的。損失函數(shù)為

2.3 SPPFCSPC結(jié)構(gòu)

變電站環(huán)境復(fù)雜，遮擋較多，同時(shí)紅外圖像中電力設(shè)備遠(yuǎn)近不一、大小不一，模型難以采集到具體有效特征。SPP結(jié)構(gòu)的作用是提高全局感受野，提升模型有效特征提取能力，幫助模型在復(fù)雜環(huán)境中分離出電力設(shè)備過熱缺陷，增強(qiáng)模型對電力設(shè)備過熱缺陷的檢測能力。原網(wǎng)絡(luò)的SPPCSPC結(jié)構(gòu)并行經(jīng)過5×5、9×9、13×13的最大池化，通過特征層融合模塊結(jié)構(gòu)進(jìn)行通道的堆疊。圖3所示的SPPFCSPC結(jié)構(gòu)結(jié)合了SPPF思想，采用串聯(lián)經(jīng)過3個(gè)5×5大小的最大池化的改進(jìn)方法，可使模型輸入與輸出特征尺寸不發(fā)生變化，同時(shí)有效降低池化尺度的計(jì)算成本，提高模型檢測效率。

圖3 SPPFCSPC結(jié)構(gòu)

3 實(shí)驗(yàn)研究

3.1 電力設(shè)備紅外過熱缺陷圖像數(shù)據(jù)集

根據(jù)某變電站所拍攝的紅外圖像及互聯(lián)網(wǎng)電力設(shè)備紅外圖像共同搭建電力設(shè)備紅外過熱缺陷目標(biāo)檢測數(shù)據(jù)集，通過MS-Mosaic數(shù)據(jù)增廣方式對圖像進(jìn)行擴(kuò)充。增廣后紅外圖像樣本共1 906張，使用Labelimg標(biāo)簽工具軟件，按照PASCAL VOC數(shù)據(jù)集格式要求對電力設(shè)備圖像進(jìn)行標(biāo)注，在標(biāo)注過程中，僅對電力設(shè)備過熱缺陷進(jìn)行標(biāo)注，其中過熱缺陷目標(biāo)的標(biāo)簽設(shè)為“abnormal”，得到包含過熱區(qū)域的中心點(diǎn)坐標(biāo)（,）與標(biāo)注框?qū)挾取⒏叨龋?）信息的xml文件。

3.2 實(shí)驗(yàn)配置與模型參數(shù)

基于Visual Studio Code 2016開發(fā)軟件，開展電力設(shè)備紅外過熱缺陷目標(biāo)檢測，實(shí)驗(yàn)環(huán)境配置見表1。

對紅外圖像進(jìn)行圖像歸一化，設(shè)置為640×640像素大小。使用改進(jìn)后的YOLOv7網(wǎng)絡(luò)對VOC圖像數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，遷移預(yù)訓(xùn)練權(quán)重，采用分階段訓(xùn)練方法。模型訓(xùn)練參數(shù)見表2，兩個(gè)階段的訓(xùn)練輪次均為50，總計(jì)訓(xùn)練100輪，數(shù)據(jù)集中訓(xùn)練集與測試集的比例為9:1，訓(xùn)練集中選出10%作為驗(yàn) 證集。

表1 實(shí)驗(yàn)環(huán)境配置

表2 模型訓(xùn)練參數(shù)

3.3 評估指標(biāo)

采用準(zhǔn)確率（precision）、召回率（recall），平均準(zhǔn)確率（average precision, AP）作為模型的評估指標(biāo)，其中準(zhǔn)確率與召回率的計(jì)算式分別為

式中：P為正確檢測為正樣本的數(shù)量；P為被錯(cuò)誤檢測為正樣本的數(shù)量；N為被錯(cuò)誤檢測為負(fù)樣本的數(shù)量。

AP為準(zhǔn)確率與召回率組成的-曲線與坐標(biāo)軸所圍成的面積。AP值越大，算法對檢測目標(biāo)的檢測效果越好。

3.4 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證模型的最優(yōu)邊界框損失函數(shù)，分別與目前主流的邊框損失函數(shù)方法進(jìn)行對比。其中，邊框損失函數(shù)分別為GIoU（generalized intersection over union）、DIoU（distance intersection over union）、CIoU與CIoU-alpha。不同損失函數(shù)下模型損失曲線如圖4所示，結(jié)果表明，模型在100輪后基本收斂，采用CIoU損失函數(shù)時(shí)，模型的收斂效果最優(yōu)。

圖4 不同損失函數(shù)下模型損失曲線

對測試集中的圖像進(jìn)行發(fā)熱缺陷檢測，不同損失函數(shù)下模型檢測結(jié)果見表3。檢測準(zhǔn)確率最高的為CIoU-alpha損失函數(shù)，達(dá)到91.49%，但召回率為最低，僅為70.05%，AP值為86.62%；GIoU與DIoU檢測效果接近，優(yōu)于CIoU-alpha損失函數(shù)，但均弱于CIoU損失函數(shù)；CIoU損失函數(shù)檢測召回率達(dá)到79.07%，同時(shí)準(zhǔn)確率也維持在較高水平，達(dá)到90.27%，AP值為89.23%。

表3 不同損失函數(shù)下模型檢測結(jié)果

在采用CIoU損失函數(shù)的基礎(chǔ)上，進(jìn)一步添加SPPFCSPC結(jié)構(gòu)對模型進(jìn)行改進(jìn)，并與初始YOLOv7-L，YOLOv7-X網(wǎng)絡(luò)進(jìn)行對比，不同方法的檢測結(jié)果見表4。YOLOv7-L的準(zhǔn)確率為87.52%，召回率為73.81%，AP值為86.02%；初始YOLOv7-X的準(zhǔn)確率為90.33%，召回率為78.45%，AP值為88.95%，整體檢測效果優(yōu)于YOLOv7-L。在YOLOv7-X算法模型的基礎(chǔ)上，改進(jìn)邊框損失函數(shù)為CIoU后，召回率與AP值均有所提升。進(jìn)一步添加SPPFCSPC結(jié)構(gòu)后，模型在所用數(shù)據(jù)集上的檢測準(zhǔn)確率達(dá)到90.39%，召回率達(dá)到78.95%，AP值達(dá)到89.64%。

表4 不同方法檢測結(jié)果

本文的改進(jìn)YOLOv7目標(biāo)檢測模型對紅外圖像中電力設(shè)備發(fā)熱缺陷目標(biāo)檢測效果良好。電力設(shè)備過熱缺陷檢測結(jié)果如圖5所示，可以看出，所提模型能準(zhǔn)確檢測出紅外圖像中過熱缺陷所在的位置，模型檢測框的置信度均為0.80以上，對不同尺度大小的過熱缺陷在不同背景復(fù)雜程度下的紅外圖像也有較好的檢測效果。

圖5 電力設(shè)備過熱缺陷檢測結(jié)果

4 結(jié)論

1）通過電力設(shè)備過熱缺陷紅外數(shù)據(jù)集進(jìn)行算例實(shí)驗(yàn)，結(jié)果表明本文模型能夠有效檢測電力設(shè)備過熱缺陷，準(zhǔn)確率為90.39%，召回率為78.95%，AP值為89.64%，具有良好的識別效果。

2）參照檢測準(zhǔn)確率、召回率與AP值，與不同損失函數(shù)、不同尺度算法模型進(jìn)行對比分析，結(jié)果表明本文改進(jìn)方法能有效提升過熱缺陷檢測性能。

3）經(jīng)過變電站復(fù)雜場景檢測驗(yàn)證，所提方法具有較高的檢測精度，可為電力設(shè)備過熱缺陷紅外檢測提供參考。

[1] 律方成, 牛雷雷, 王勝輝, 等. 基于優(yōu)化YOLOv4的主要電氣設(shè)備智能檢測及調(diào)參策略[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(22): 4837-4848.

[2] 葉劍濤, 楊為, 柯艷國, 等. 基于紅外圖像實(shí)例分割的敞開式開關(guān)設(shè)備發(fā)熱缺陷智能診斷方法[J]. 高壓電器, 2021, 57(12): 201-208.

[3] 陳同凡, 劉云鵬, 裴少通. 基于改進(jìn)YOLOv3的電力設(shè)備紅外診斷方法[J]. 廣東電力, 2021, 34(6): 21-29.

[4] 劉建月, 張志東. 一起避雷器爆炸事故分析[J]. 電氣技術(shù), 2023, 24(7): 73-76.

[5] 臧國強(qiáng), 劉曉莉, 徐穎菲, 等. 深度學(xué)習(xí)在電力設(shè)備缺陷識別中的應(yīng)用進(jìn)展[J]. 電氣技術(shù), 2022, 23(6): 1-7.

[6] 王有元, 李后英, 梁玄鴻, 等. 基于紅外圖像的變電設(shè)備熱缺陷自調(diào)整殘差網(wǎng)絡(luò)診斷模型[J]. 高電壓技術(shù), 2020, 46(9): 3000-3007.

[7] 王旭紅, 李浩, 樊紹勝, 等. 基于改進(jìn)SSD的電力設(shè)備紅外圖像異常自動(dòng)檢測方法[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(增刊1): 302-310.

[8] 張雨明. 基于深度學(xué)習(xí)的電力設(shè)備紅外圖像異常檢測研究[D]. 西安: 西安建筑科技大學(xué), 2022.

[9] 李文璞, 毛穎科, 廖逍, 等. 基于旋轉(zhuǎn)目標(biāo)檢測的變電設(shè)備紅外圖像電壓致熱型缺陷智能診斷方法[J].高電壓技術(shù), 2021, 47(9): 3246-3253.

[10] 托婭, 王偉, 毛華敏, 等. 基于機(jī)器學(xué)習(xí)的電力設(shè)備故障紅外智能診斷方法[J]. 河南理工大學(xué)學(xué)報(bào)(自然科學(xué)版), 2022, 41(5): 121-126.

[11] WANG C Y, BOCHKOVSKIY A, LIAO H Y M, et al. YOLOv7: trainable bag-of-freebies sets new state- of-the-art for real-time object detectors[C]//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Vancouver, BC, Canada, 2023: 7464-7475.

Infrared overheating defect detection method for power equipment based on improved YOLOv7

LIN Lixia WU Yueyuan

(Zhanjiang Power Supply Bureau of Guangdong Power Grid Co., Ltd, Zhanjiang, Guangdong 524000)

Overheating defects in power equipment during operation can easily cause electrical faults, posing a serious threat to the safe operation of power equipment. In order to effectively monitor the operation status of power equipment, a method for detecting infrared overheating defects in power equipment based on improved you only look once v7 (YOLOv7) is proposed. YOLOv7 object detection network is used as the basic detection network, and the loss of rectangular boxes is measured by using complete intersection over union (CIoU). At the same time, the spatial pyramid pooling-cross-stage partial channel (SPPCSPC) structure is replaced by the spatial pyramid pooling-fast-cross-stage partial channel (SPPFCSPC) structure of the original network to improve the model, while increasing the receptive field of the model and improving the overheating defects detection performance. The experimental results show that the precision rate of this method based on improved YOLOv7 reaches 90.39%, the recall rate reaches 78.95%, and the average precision value reaches 89.64%, which can provide technical reference for infrared detection of overheating defects in power equipment.

power equipment; infrared image; defect detection; improved YOLOv7

2023-08-30

2023-10-28

林麗霞（1989—），女，海南省儋州市人，本科，工程師，主要從事電氣設(shè)備電氣試驗(yàn)與檢測工作。