基于Protect-YOLO的變電站電力作業(yè)人員佩戴安全防護(hù)用具檢測(cè)

摘要：變電站事關(guān)電力供應(yīng)大局，站內(nèi)電力作業(yè)人員時(shí)刻面臨著觸電、電弧等諸多安全風(fēng)險(xiǎn)，正確佩戴安全防護(hù)用具是關(guān)鍵。因此，提出了一種基于Protect-YOLO的檢測(cè)模型，專注于檢測(cè)作業(yè)人員佩戴的安全帽、絕緣手套、絕緣鞋等防護(hù)用具，并構(gòu)建變電站電力作業(yè)實(shí)景數(shù)據(jù)集驗(yàn)證模型的檢測(cè)效果。實(shí)驗(yàn)結(jié)果表明，Protect-YOLO對(duì)安全防護(hù)用具檢測(cè)的mAP高達(dá)0.94，相比于YOLOv5、Faster RCNN等模型在各項(xiàng)指標(biāo)上更優(yōu)，檢測(cè)效果更好。

關(guān)鍵詞：變電站;作業(yè)人員;安全防護(hù)用具;Protect-YOLO

中圖分類(lèi)號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1671-0797（2024）18-0009-04

DOI：10.19514/j.cnki.cn32-1628/tm.2024.18.003

0 引言

變電站是電力系統(tǒng)的關(guān)鍵節(jié)點(diǎn)，承擔(dān)了電壓變換、電能分配、電能調(diào)度等功能，事關(guān)電力供應(yīng)穩(wěn)定性大局。由于變電站內(nèi)電壓等級(jí)高，電力設(shè)備復(fù)雜，作業(yè)人員在站內(nèi)進(jìn)行日常操作、檢修和維護(hù)時(shí)，時(shí)刻面臨著觸電、電弧、高溫等多種潛在危險(xiǎn)，而正確佩戴安全防護(hù)用具，例如安全帽、絕緣手套、絕緣鞋、絕緣棍等，能顯著降低意外發(fā)生時(shí)的傷亡風(fēng)險(xiǎn)[1]。

近年來(lái)，隨著計(jì)算機(jī)視覺(jué)技術(shù)的迅猛發(fā)展，特別是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）在目標(biāo)檢測(cè)、圖像分類(lèi)、分割等領(lǐng)域的成功應(yīng)用，學(xué)者們也開(kāi)始探索將其應(yīng)用于電力安全防護(hù)領(lǐng)域。例如，文獻(xiàn)[2]提出了結(jié)合人體姿態(tài)檢測(cè)AlphaPose和ResNet的電力作業(yè)人員著裝檢測(cè)模型，文獻(xiàn)[3]訓(xùn)練了CNN模型識(shí)別電力巡檢作業(yè)中的安全帽、安全繩、工作服等防護(hù)用具，文獻(xiàn)[4]提出了基于YOLO的輸電線路走廊隱患檢測(cè)模型。上述諸多CNN結(jié)構(gòu)模型（ResNet、YOLO、AlphaPose等）具有強(qiáng)大的特征學(xué)習(xí)能力，能夠自動(dòng)從電力作業(yè)場(chǎng)景中學(xué)習(xí)到具有辨識(shí)性的特征，而無(wú)須人為再提取，兼具了抗噪性和魯棒性的優(yōu)點(diǎn)。

鑒于此，本文建立了基于Protect-YOLO的電力作業(yè)人員佩戴安全防護(hù)用具檢測(cè)模型，將安全帽、安全鞋、安全手套等三種防護(hù)用具和作業(yè)人員作為檢測(cè)目標(biāo)，采集并標(biāo)注變電站作業(yè)實(shí)景圖像，送入網(wǎng)絡(luò)訓(xùn)練，并在反向傳播中更新模型參數(shù)，在保持較低模型復(fù)雜度的同時(shí)實(shí)現(xiàn)優(yōu)異的檢測(cè)性能，以提升作業(yè)人員的安全水平。

1 基于Protect-YOLO的電力作業(yè)人員安全防護(hù)模型

1.1 YOLOv5結(jié)構(gòu)

YOLOv5是目標(biāo)檢測(cè)領(lǐng)域的一種先進(jìn)模型，因其檢測(cè)速度快、精度高而被廣泛應(yīng)用于各類(lèi)實(shí)時(shí)監(jiān)測(cè)任務(wù)。

YOLOv5采用跨階段局部網(wǎng)絡(luò)（Cross Stage Partial Networks，CSPNet）[5]作為骨干網(wǎng)絡(luò)，通過(guò)卷積層和殘差模塊提取圖像中的多尺度特征，如圖1所示。其中，Conv卷積逐層提取特征，殘差連接實(shí)現(xiàn)了跨特征層的信息直達(dá)和特征復(fù)用。

其次，YOLOv5的Neck采用PANet結(jié)構(gòu)融合不同層次的特征，提升了模型對(duì)目標(biāo)的感知能力和識(shí)別性能，如圖2所示。

最后，YOLOv5的Head端包含三個(gè)不同分辨率的輸出層，高/低分辨率層分別負(fù)責(zé)輸出小目標(biāo)/大目標(biāo)的類(lèi)別和邊界框坐標(biāo)。

1.2 Protect-YOLO模型結(jié)構(gòu)設(shè)計(jì)

Protect-YOLO在YOLOv5的基礎(chǔ)上，對(duì)于變電站內(nèi)電力作業(yè)人員是否正確佩戴防護(hù)用具進(jìn)行了針對(duì)性優(yōu)化，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

Protect-YOLO的創(chuàng)新點(diǎn)：

1）小目標(biāo)檢測(cè)分支。如圖3 Head部分所示，Protect-YOLO相比YOLOv5另外增添一個(gè)小目標(biāo)檢測(cè)分支。對(duì)于人員佩戴的小尺寸防護(hù)用具，如絕緣手套，其特征在經(jīng)過(guò)逐層卷積操作后，淺層信息容易丟失，導(dǎo)致漏檢發(fā)生。因此，Protect-YOLO額外利用了PANet結(jié)構(gòu)中160×160×128尺寸的高分辨率特征圖，來(lái)捕獲圖像中小目標(biāo)的細(xì)節(jié)信息，如紋理、邊界等，以提高小目標(biāo)的檢測(cè)精度。

2）損失函數(shù)改進(jìn)。Protect-YOLO優(yōu)化了YOLOv5損失函數(shù)，將CIOU邊界框回歸損失函數(shù)改進(jìn)為WIOU Loss，計(jì)算公式如下：

WIOU=ω1IOU+ω2+ω3v=ω1IOU+ω2+ωarctan-arctan2 （1）

式中：（x，y，w，h）是預(yù)測(cè)邊界框的中心點(diǎn)坐標(biāo)、寬、高;（，，，）是真實(shí)邊界框的中心點(diǎn)坐標(biāo)、寬、高;IOU是真實(shí)框和預(yù)測(cè)框交并集比例;c表示預(yù)測(cè)邊界框和真實(shí)邊界框最小閉包區(qū)域（最小外接矩形）的對(duì)角線長(zhǎng)度;v表示預(yù)測(cè)框和真實(shí)框的長(zhǎng)寬比之間的差異，使用反切函數(shù)將兩框的寬高比轉(zhuǎn)換為角度來(lái)表示;是角度差異平方歸一化系數(shù);ω1，ω2，ω3是IOU、中心點(diǎn)距離和長(zhǎng)寬比的權(quán)重因子。

相較于CIOU Loss，WIOU可根據(jù)目標(biāo)的大小和特性動(dòng)態(tài)調(diào)整損失權(quán)重因子，提升模型在不同目標(biāo)尺度、困難場(chǎng)景下的檢測(cè)性能。

2 案例分析

2.1 變電站電力作業(yè)實(shí)景數(shù)據(jù)集

本章通過(guò)變電站內(nèi)監(jiān)控截取、人工拍攝、數(shù)據(jù)增強(qiáng)等技術(shù)，構(gòu)建了變電站電力作業(yè)實(shí)景數(shù)據(jù)集。制作的數(shù)據(jù)標(biāo)簽有4個(gè)類(lèi)別：安全帽、絕緣手套、絕緣鞋、作業(yè)人員。考慮到惡劣天氣、晝夜變化、設(shè)備遮擋等干擾場(chǎng)景，數(shù)據(jù)集的覆蓋范圍包括雷雨大風(fēng)、烈日晨昏、雜物遮擋等各類(lèi)場(chǎng)景。最終，獲得變電站電力作業(yè)實(shí)景數(shù)據(jù)集1 000張，隨機(jī)按照80%和20%的比例劃分訓(xùn)練集和測(cè)試集。圖4節(jié)選了部分圖像數(shù)據(jù)。

2.2 模型評(píng)價(jià)指標(biāo)

為評(píng)估Protect-YOLO模型對(duì)電力作業(yè)人員佩戴防護(hù)用具的檢測(cè)效果，使用精度（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(biāo)來(lái)衡量，計(jì)算公式如下：

Pi= （2）

Ri= （3）

APi=Pi（Ri）dRi （4）

mAP=APi （5）

式中：Pi為第i類(lèi)目標(biāo)的準(zhǔn)確率;Ri為召回率;TPi為正確預(yù)測(cè)為第i類(lèi)目標(biāo)的正樣本數(shù);FPi為錯(cuò)誤預(yù)測(cè)為第i類(lèi)目標(biāo)的正樣本數(shù);FNi為錯(cuò)誤預(yù)測(cè)為除第i類(lèi)目標(biāo)外的正樣本數(shù);APi綜合考慮了檢測(cè)模型對(duì)第i類(lèi)目標(biāo)的準(zhǔn)確率和召回率，是在不同置信度閾值下計(jì)算的精度-召回率曲線下的面積;mAP則是所有類(lèi)別AP的平均值。

此外，作業(yè)人員必須將安全帽、絕緣手套、絕緣鞋穿戴齊全，才可認(rèn)為防護(hù)用具佩戴規(guī)范，換言之，圖像中檢測(cè)到一位作業(yè)人員，必須要同時(shí)檢測(cè)到其他三類(lèi)目標(biāo)才算防護(hù)合格，否則視為不規(guī)范。

2.3 實(shí)驗(yàn)結(jié)果及對(duì)比實(shí)驗(yàn)

在Python3.8、PyTorch1.12.1環(huán)境下編寫(xiě)基于Protect-YOLO的電力作業(yè)人員佩戴安全防護(hù)用具檢測(cè)模型。表1和圖5展示了Protect-YOLO在訓(xùn)練集上的評(píng)價(jià)指標(biāo)和檢測(cè)效果。為了與其他經(jīng)典的目標(biāo)檢測(cè)模型做性能對(duì)比，另外使用了Faster RCNN、YOLOv5對(duì)相同數(shù)據(jù)集做反復(fù)實(shí)驗(yàn)，并在測(cè)試集上驗(yàn)證模型的檢測(cè)效果，獲得各類(lèi)目標(biāo)和總體指標(biāo)。

由表1可知，Protect-YOLO模型在測(cè)試集上總體精度（P）為0.93，召回率（R）為0.91，mAP@0.5為0.94，在所有檢測(cè)模型中表現(xiàn)出的效果最佳。可見(jiàn)，該模型在檢測(cè)變電站中的電力作業(yè)人員、安全帽、絕緣鞋、絕緣手套方面表現(xiàn)優(yōu)異，具有較高的準(zhǔn)確率和穩(wěn)健性，這對(duì)督促作業(yè)人員規(guī)范佩戴防護(hù)用具、確保安全生產(chǎn)具有重要意義。

3 結(jié)束語(yǔ)

本文提出了一種基于Protect-YOLO的變電站電力作業(yè)人員佩戴安全防護(hù)用具檢測(cè)模型，通過(guò)優(yōu)化YOLOv5結(jié)構(gòu)，引入小目標(biāo)檢測(cè)分支和WIOU Loss，模型具備了困難、遮擋和復(fù)雜作業(yè)場(chǎng)景中的檢測(cè)能力。實(shí)驗(yàn)結(jié)果表明，Protect-YOLO在檢測(cè)安全帽、絕緣鞋和絕緣手套等防護(hù)用具方面的性能優(yōu)于其他經(jīng)典檢測(cè)模型，用其識(shí)別電力作業(yè)人員的安全防護(hù)用具佩戴是否規(guī)范是可行的。

[參考文獻(xiàn)]

[1] 張伍康，潘立志，郭志彬，等.電力場(chǎng)景下基于RetinaNet的絕緣手套異常狀態(tài)視覺(jué)檢測(cè)方法[J].湖南科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，37（1）：85-91.

[2] 黃文杰，徐文峰，張春鳳，等.一種結(jié)合Alphapose和ResNet的電力施工人員著裝檢測(cè)模型[J].電力信息與通信技術(shù)，2022，20（3）：40-47.

[3] 李堅(jiān)，吳佳，任啟.基于特征識(shí)別與云邊協(xié)同的安全智能檢測(cè)技術(shù)研究[J].電子設(shè)計(jì)工程，2024，32（10）：78-82.

[4] 鄭含博，胡思佳，梁炎燊，等.基于YOLO-2MCS的輸電線路走廊隱患目標(biāo)檢測(cè)方法[J].電工技術(shù)學(xué)報(bào)，2024，39（13）：4164-4175.

[5] LI C Y，LI L L，GENG Y F，et al.YOLOv6 v3.0：A Full-

Scale Reloading[EB/OL].（2023-01-13）[2024-05-11]. https：//arxiv.org/abs/2301.05586.

收稿日期：2024-05-22

作者簡(jiǎn)介：花磊（1998—），男，安徽滁州人，碩士研究生，助理工程師，研究方向：電網(wǎng)安全技術(shù)。

米奕萱（1999—），女，河北唐山人，助理工程師，研究方向：新能源并網(wǎng)系統(tǒng)的穩(wěn)定性。