基于ResNet50的變電站設備識別精度提升研究

摘 要：為提升變電站設備識別精度，本文采用改進ResNet50模型方法，并使用標注的變電站設備圖像數(shù)據(jù)集進行訓練和驗證。試驗結果顯示，改進后的模型在變電站設備識別任務中取得了顯著提升。特別是在識別困難的設備類別方面，改進后的模型表現(xiàn)出更高的準確率和魯棒性。因此得出結論，改進ResNet50模型可有效提升變電站設備識別的精度。本文研究對變電站的設備監(jiān)控、故障診斷和維護等應用具有重要作用。未來的研究將進一步探索其他深度學習模型和訓練策略，以進一步提升變電站設備識別的性能和效果。

關鍵詞：ResNet50；變電站；設備識別；SSD算法

中圖分類號：TM 63" " " 文獻標志碼：A

隨著電力行業(yè)發(fā)展，變電站設備的自動化和智能化程度越來越高。設備識別是變電站運行和維護的重要環(huán)節(jié)，而深度學習技術在圖像識別領域取得了顯著成果[1]。然而，傳統(tǒng)的深度學習模型在變電站設備識別任務中存在一定局限性，識別精度有待提高[2]。在實際應用中，變電站設備會面臨不同的環(huán)境條件和光照變化，因此模型需要具備良好的魯棒性和泛化能力。因此，本文旨在利用改進ResNet50模型提升變電站設備識別的精度。

1 SSD算法

SSD（Single Shot MultiBox Detector）是一種用于目標檢測的算法。它是一種基于深度學習的算法，利用在圖像中同時預測多個邊界框和類別進行目標檢測[3]。SSD算法的核心思想是將不同尺度的特征圖與不同大小的邊界框相結合，以便檢測不同大小的目標[4]。具體來說，SSD算法會在不同層次的特征圖上應用卷積濾波器，來檢測不同尺度的目標，再利用對這些特征圖進行預測，得到目標的位置和類別。

1.1 SSD網絡架構

基于ResNet50的變電站設備識別模型在識別精度方面表現(xiàn)出色。ResNet50是主干網絡，其深度殘差結構能夠提取更具判別性的特征，比傳統(tǒng)的卷積神經網絡具有更深的層數(shù)和更強的特征提取能力。因此ResNet50能夠更好地捕捉變電站設備的細節(jié)和特征，從而提高識別的準確性和可靠性。在變電站設備識別中，SSD網絡時目標檢測器，可根據(jù)輸入圖像的大小分為SSD300和SSD512共2種。其中，SSD300表示輸入圖像的大小為（300×300）ppi，而SSD512表示輸入圖像的大小為（512×512）ppi。SSD網絡的主干網絡將VGG16模型作為基礎。VGG16是一種經典的卷積神經網絡結構，由16個卷積層和3個全連接層組成。在SSD網絡中，VGG16被用作主干網絡，可提取輸入圖像的特征。將ResNet50和SSD網絡結合，能夠進行更高精度的變電站設備識別。ResNet50主干網絡能夠提取更具判別性的特征，SSD網絡能夠進行目標檢測和定位。這種結合能夠更準確地識別變電站設備，為變電站的安全管理和維護提供有力支持。變電站設備是電力系統(tǒng)的重要組成部分，其準確識別對保證電力系統(tǒng)的正常運行并保障其安全穩(wěn)定至關重要。

1.2 默認框機制

在每個特征圖上，根據(jù)變電站設備的尺寸范圍和形狀設置一組不同尺度和寬高比的默認框。這些默認框將作為候選框，用于檢測變電站設備。對于每個默認框，使用卷積濾波器進行目標檢測，并預測目標的位置和類別。同時，可以利用非極大值抑制（NMS）處理重疊的候選框，以保留最具代表性的目標框。可以設置閾值來過濾掉置信度較低的候選框。

在SSD網絡中，對于計算出的第k張?zhí)卣鲌D，默認框的大小用Sk表示。其中，k的取值范圍為1～m，m表示默認框的上限數(shù)量。為了適應不同層級的特征圖，SSD網絡引入了2個參數(shù)Smax和Smin。通常情況下，Smax取值為0.9，表示最高層特征圖的默認框大小；Smin取值為0.2，表示最低層特征圖的默認框大小，如公式（1）所示。

（1）

在目標檢測算法中，為了能夠識別不同大小的目標，通常會設置默認框的多種長寬比，以滿足這一需求。具體而言，設置多個長寬比為αk，其中αk的取值范圍為{1，2，3，1/2，1/3}，生成不同形狀的默認框，分別如公式（2）、公式（3）所示。

（2）

（3）

式中：hk和wk分別為所選默認框的高度和寬度。

當αk取值為1時，表明默認框的長寬比為1，即默認框是正方形。然而，在其他長寬比（αk≠1）的情況下，由于默認框的長寬比與1不同，因此需要新增一個寬高的默認框，如公式（4）所示。

（4）

2 基于ResNet50的改進SSD算法

2.1 殘差單元

在基于ResNet50的變電站設備識別精度提升中，殘差單元是關鍵的組成部分，可幫助提高變電站設備的識別精度。ResNet50采用深度殘差結構，并引入殘差單元來解決深度網絡訓練中的梯度消失和模型退化問題。在增加網絡深度的情況下，ResNet50更好地學習到更豐富和抽象的特征表示，從而提高網絡對目標的檢測能力。

基于ResNet50的改進SSD算法如圖1所示。在ResNet50中，基本塊是殘差單元的基本構建單元。一個基本塊由2個卷積層和1個跳躍連接組成。跳躍連接將輸入直接添加到卷積層的輸出，使信息可以直接傳遞到后續(xù)層。這種結構有助于避免梯度消失問題，并可以更好地保留和傳遞細粒度的特征。在基本塊內部，利用殘差連接將輸入直接添加到卷積層的輸出。這種連接方式允許信息在網絡中直接傳遞，避免了深層網絡中的信息丟失。殘差連接可以幫助網絡更好地學習變電站設備特征，從而提高識別精度。在ResNet50中，多個基本塊堆疊在一起形成深層網絡。這種堆疊方式允許網絡學習更復雜的特征表示，從而提高變電站設備的識別能力。殘差單元如圖2所示。

設xl和xl+1分別為第個殘差結構的輸入和輸出，F(xiàn)（xl，Wl）為包括權重和偏置的函數(shù)，它將輸入xl映射到輸出xl+1。該函數(shù)是一個卷積層、全連接層或其他類型的層，其具體參數(shù)用Wl表示。f（*）表示ReLU激活函數(shù)。ReLU是一種常用的非線性激活函數(shù)，其定義為f（x）=max（0，x），其中x為輸入。ReLU函數(shù)在深度學習中具有廣泛應用，能夠引入非線性，增加網絡的表達能力，如公式（5）所示。

y1=h（xl）+F（xl，Wl）

xl+1=f（yl） （5）

在公式（5）中，f（*）作用于F（xl，Wl）的輸出，將負值變?yōu)榱悖３终挡蛔儭＿@樣的跨級連接可表示為公式（6）。

（6）

2.2 殘差網絡

殘差網絡用于改進SSD網絡的ResNet50網絡結構的不同層的配置和參數(shù)。用于ResNet50的殘差單元如圖3所示。Conv1層使用7×7的卷積核，輸入通道數(shù)為64，激活函數(shù)為ReLU，輸出大小為300×300。此外，還有2個3×3的卷積核，通道數(shù)為64，激活函數(shù)為ReLU，輸出大小為150×150。Conv2×x層包括多個殘差單元，每個殘差單元由2個3×3的卷積核組成。殘差單元結構見表1。第一個卷積核的通道數(shù)為64，激活函數(shù)為ReLU，輸出大小為75×75。第二個卷積核的通道數(shù)為256，輸出大小不明確。還有一個1×1的卷積核，通道數(shù)為128，但輸出大小未給出。Conv3×x層包括多個殘差單元，每個殘差單元由2個3×3的卷積核組成。第一個卷積核的通道數(shù)為128，激活函數(shù)為ReLU，輸出大小為38×38。第二個卷積核的通道數(shù)為512，輸出大小不明確。還有一個1×1的卷積核，通道數(shù)為256，但輸出大小未給出。Conv4×x層包括多個殘差單元，每個殘差單元由2個3×3的卷積核組成。第一個卷積核的通道數(shù)為256，激活函數(shù)為ReLU，輸出大小為38×38。第二個卷積核的通道數(shù)為1024，輸出大小不明確。

3 算例分析

3.1 算例設計

訓練環(huán)境見表2。將收集的1 134張變電設備圖像劃分為訓練集和測試集，比例為8∶2。訓練集包括908張圖像，測試集包括226張圖像。使用LabelImg工具對圖像進行標注，標注目標物體的位置和類別。本文主要關注套管、變壓器和散熱器這3種主要目標。搭建基于ResNet50的SSD網絡，將其作為基準模型。SSD網絡是一種用于目標檢測的單階段網絡，具有較快的速度和較好的準確性。本文將ResNet50作為主干網絡，并添加額外的卷積層和預測層來進行多尺度目標檢測。根據(jù)本文的研究目標，對SSD網絡進行改進，將訓練集帶入算法公式（1）～公式（6）中，在ResNet50的主干網絡中添加額外的卷積層，以進一步提取和增強特征表示。根據(jù)套管、變壓器和散熱器的尺寸范圍和形狀特點，設置一組適當?shù)哪J框。這些默認框將作為候選框用于檢測目標。對于每個默認框，使用卷積濾波器進行目標檢測，并預測目標的位置和類別。使用非極大值抑制（Non-Maximum Suppression，NMS）處理重疊的候選框，保留最具代表性的目標框。將訓練集和測試集的圖像數(shù)據(jù)分別輸入SSD網絡和改進的SSD網絡中進行試驗。比較2個網絡的性能和結果，評估改進的SSD網絡在目標識別任務中的有效性。使用評價指標如精確率、召回率和F1分數(shù)來衡量算法的性能。

3.2 算例結果

改進算法識別結果如圖4所示。改進后的SSD算法在目標識別任務中的平均精度為84.3%。使用相同數(shù)據(jù)集的原始SSD網絡的平均精度僅為78.2%。比較這2個結果可看出改進方法對精度的提升效果。改進SSD算法在變電設備目標識別任務中表現(xiàn)出更高的準確性和可靠性。改進的SSD算法采用了改進網絡結構、調整參數(shù)或者引入新的特征提取方法等，能夠更好地捕捉到目標設備的特征，從而提高目標識別的準確率，對變電站的設備監(jiān)控和故障診斷等應用具有重要意義。

在圖像檢測速度方面，改進SSD網絡的計算速率為17.63 f/s-1，而原始SSD網絡的計算速率為18.53 f/s-1。改進的SSD算法在保持較高目標識別精度的同時，能夠以較快的速度進行圖像檢測。此外，對于散熱器這類特征較明顯且固定的設備，改進SSD算法的平均識別精度為91.2%。改進算法在這類目標設備的識別任務中表現(xiàn)出較高的準確性。散熱器通常具有獨特的形狀和紋理特征，這些特征使改進的SSD算法能夠更好地捕捉散熱器的特征并準確識別。

4 結語

試驗結果表明，改進后的ResNet50模型在變電站設備識別任務中取得了顯著提升。與傳統(tǒng)的ResNet50模型相比，改進后的模型在識別精度方面具有明顯提高。特別是在識別困難的設備類別方面，例如高壓開關和變壓器等，改進后的模型具有更高的準確率和魯棒性。本文通過改進ResNet50模型，成功提升了變電站設備識別精度，對變電站的設備監(jiān)控、故障診斷和維護等應用具有重要的意義。未來的研究將進一步探索其他深度學習模型和訓練策略，以進一步提升變電站設備識別的性能和效果。

參考文獻

[1]熊凱飛，樊紹勝，吳靜.基于改進YOLOv4的霧天變電站電力設備識別方法[J].無線電工程，2022（8）：1504-1512.

[2]張云翔，李智誠.基于特征匹配的變電站巡檢機器人設備識別[J].工業(yè)加熱，2022，51（12）：62-65.

[3]陶冠男，劉華.基于HTTP流量的變電站惡意設備檢測[J].自動化與儀表，2022，37（1）：76-80.

[4]林秋燕，鐘躍.基于改進遷移學習的變電站異常智能決策模型構建[J].中國設備工程，2023（11）：37-39.