基于改进YOLOv7的电力设备红外过热缺陷检测方法

林丽霞 吴悦园

基于改进YOLOv7的电力设备红外过热缺陷检测方法

林丽霞 吴悦园

（广东电网有限责任公司湛江供电局，广东 湛江 524000）

电力设备运行时发生过热缺陷容易引起电气故障，严重威胁电力设备安全运行。为了有效监测电力设备运行状态，提出一种基于改进YOLOv7的电力设备红外过热缺陷检测方法。采用YOLOv7目标检测网络作为基础检测网络，使用CIoU衡量矩形框的损失，同时将原网络的空间金字塔池化-跨阶段局部网络（SPPCSPC）结构替换为快速空间金字塔池化-跨阶段局部网络（SPPFCSPC）结构对模型进行改进，以增大模型感受野并提升对过热缺陷的检测性能。实验结果表明，基于改进YOLOv7的检测方法的准确率达到90.39%、召回率达到78.95%、平均正确率达到89.64%，可为电力设备过热缺陷红外检测提供参考。

电力设备；红外图像；缺陷检测；改进YOLOv7

0 引言

作为电力系统的重要组成部分，电力设备的安全稳定性是电力系统运行的基石[1-2]，其运行状态直接关系到供电的可靠性、安全性和持续性。过热缺陷是电力设备最常见的缺陷类型，及时识别出电力设备过热缺陷并采取措施进行检修，对保证电力系统的安全稳定运行具有重要意义[3-4]。

目前，电力设备过热缺陷检测主要通过人工对电力设备红外图像进行分析与判断，存在耗时长、工作量大等问题[5]。近年来，快速发展的深度学习方法不依靠人工提取图像特征，凭借泛化性强、精度高与检测速度快等优点在电力设备过热缺陷检测领域得到大范围应用[6-10]。文献[6]提出一种变电设备热缺陷的分类识别方法，采用卷积核分解技术、多尺度卷积特征融合方法与基于约束改进的贝叶斯优化算法，对残差网络进行参数自调整，模型的热缺陷状态识别准确率达到94.53%。文献[7]搭建了改进的单发多框检测（single shot multibox detector, SSD）目标检测网络，对具有异常发热区域的电力设备红外图像进行识别，在测试集上的识别准确率达到71.54%。文献[8]引入带色彩恢复的多尺度视网膜增强算法（multi-sccale retinex with color restore, MSRCR）与focal loss损失函数对YOLOv4（you only look once v4）目标检测算法进行改进，基于超像素分割方法对电力设备过热缺陷进行诊断，准确率达到87.8%。文献[9]采用改进的具有特征细化的旋转物体精细化单级检测器（refined single-stage detector with feature refinement for rotating object, R3Det）与更快的区域卷积神经网络（faster region convolu- tional neural network, Faster RCNN）目标检测算法，通过自动关联同类设备、计算设备温差实现了电力设备电压致热型缺陷的检测，准确率达到81.39%。文献[10]采用基于区域的全卷积网络（region-based fully convolutional network, R-FCN）算法与掩膜区域神经网络（mask region-based convolutional neural network, Mask RCNN）算法分别对电力设备进行识别定位与设备结构划分，通过提取不同区域之间的温度信息对过热区域进行准确诊断。

目前，电力设备过热缺陷的热图像检测方法主要通过提取温度特征信息进行诊断，直接在红外图像中进行过热缺陷的检测与定位仍存在准确率不高的问题。红外图像中过热缺陷特征尺度大小不一，在图像中占比小，以往模型难以在复杂的红外背景环境下准确提取出过热缺陷的有效图像特征信息。

因此，本文提出一种基于改进YOLOv7（you only look once v7）的电力设备红外过热缺陷目标检测方法。首先，使用多尺度马赛克数据增强方法对图像进行数据扩充，通过多尺度变换电力设备过热缺陷的特征尺度大小，增加模型的检测鲁棒性。其次，构建YOLOv7目标检测模型，使用CIoU（complete intersection over union）衡量矩形框的损失，同时引入快速空间金字塔池化（spatial pyramid pooling-fast, SPPF）及跨阶段局部网络（cross-stage partial channel, CSPC）模块相结合的SPPFCSPC结构对模型进行改进，通过增大模型感受野，提高模型在复杂背景环境下对过热缺陷特征信息的提取能力。改进YOLOv7过热缺陷检测模型如图1所示，使用训练后的YOLOv7目标检测模型实现对电力设备红外过热缺陷的检测。

图1 改进YOLOv7过热缺陷检测模型

1 YOLOv7目标检测算法

YOLOv7[11]是一种基于锚框的单阶段目标检测算法，使用不同大小和形状的锚框对目标进行回归和分类。模型具体可分为主干特征提取网络、特征融合网络及检测头（YOLO Head）这3个部分。YOLOv7使用创新的高效层聚合网络（efficient layer aggregation networks, ELAN）结构、最大池化MaxPool与普通卷积相结合的MP结构、空间金字塔池化（spatial pyramid pooling, SPP）及CSPC相结合的SPPCSPC结构与重参数化（re-parameterized, REP）模块，同时通过优化训练策略，可实现对复杂物体的准确检测。

1.1 主干特征提取网络

红外图像输入尺寸设为640×640，经过主干特征提取网络Backbone后，传输到4个CBS模块进行尺寸与通道数的变换，特征层由3通道变成128通道，其中，CBS模块由卷积层（conv）、批量正则化（batch normalization, BN）层和激活函数（sigmoid linear unit, SiLU）层组成。之后依次通过ELAN与MP结构，提取出80×80×512、40×40×512及20×20×1 024三个不同尺度大小的有效特征层。SPPCSPC结构位于主干特征提取网络的最后一个ELAN结构后，通过将输入特征并行通过卷积核为5×5、9×9、13×13大小的最大池化（maxpool）层，可有效增大网络的感受野。

1.2 特征融合网络

YOLOv7中的特征融合网络从不同尺度的特征图中提取丰富的语义信息，通过在不同层之间添加上采样层和跨层连接来实现多个尺度的特征图融合，以提高检测的准确性和稳定性。其中，上采样层将较低分辨率的特征图上采样到与较高分辨率的特征图相同的大小，以保留更多的空间信息。跨层连接通过特征层融合模块结构将不同层的特征图进行融合，使网络可以在不同尺度上进行目标检测。ELAN-H结构中的残差连接通过将低层的特征图与高层的特征图相加，使网络可以学习残差信息，进而提高特征的表示能力。

1.3 预测网络

YOLOv7的检测头用于对图像提取的特征信息进行分类，是算法模型的关键组成部分之一。YOLOv7是基于锚框的目标检测算法，锚框是一组预定义的边界框，用于表示不同类别的目标，通过与锚框进行匹配，可以准确地预测目标的位置和类别。检测头采用三个不同尺度的特征图来检测不同大小的目标，每个尺度的特征图都会生成一组边界框，每个边界框都包含一个目标的位置和类别信息，使模型能够检测到不同大小的目标，并且在处理密集目标时表现出色。同时，非极大值抑制技术可以提高检测的准确性，消除重叠的边界框。

2 模型训练优化方法

2.1 多尺度马赛克数据增强

深度学习的数据增广是一种通过对原始图像数据进行变换和扩充，从而生成新的训练样本的技术。深度学习模型通常需要大量的训练数据来学习有效的特征和提高泛化能力，而数据增广在深度学习任务中可以有效增加训练数据量，还可以缓解过拟合问题，提升模型的泛化能力。

传统马赛克数据增强将4张图片随机拼接到一张马赛克图片上，并进行灰边填充。为进一步平衡数据分布和增强鲁棒性，改善深度学习模型的性能和效果，本文采用一种融合图像翻转、裁剪、缩放、角度旋转与马赛克增强的多尺度马赛克数据增强（multi-scale mosaic, MS-Mosaic）方法。首先通过引入随机性和变换操作，对数据集图像进行图像增广方式的随机组合变换，扩充基础图像，然后将扩充后的基础图像在一张马赛克图像中进行12张图像的随机组合。MS-Mosaic方法在减少填充面积的同时，可以帮助模型学习更一般化的特征，降低过拟合的风险。MS-Mosaic数据增广图像如图2所示，经过处理后的图片中，发热缺陷的尺寸会更接近小目标的尺寸。

图2 MS-Mosaic数据增广图像

2.2 CIoU损失函数

CIoU损失函数是一种用于目标检测算法的损失函数，主要用于衡量候选边界框与真实边界框之间的相似度。与传统IoU（intersection over union）损失函数相比，CIoU损失函数考虑了边界框之间的空间位置和形状信息，能够更准确地衡量两个边界框之间的相似程度，可用于训练模型以提高目标检测的准确性。此外，CIoU损失函数同时考虑了两框的宽高比，将重叠面积、中心点距离、宽高比同时加入计算，综合考虑边界框的相似度和欧氏距离两个因素，在损失函数中引入位置相关的惩罚项，从而达到加速优化训练的收敛速度和保证稳定性的目的。损失函数为

2.3 SPPFCSPC结构

变电站环境复杂，遮挡较多，同时红外图像中电力设备远近不一、大小不一，模型难以采集到具体有效特征。SPP结构的作用是提高全局感受野，提升模型有效特征提取能力，帮助模型在复杂环境中分离出电力设备过热缺陷，增强模型对电力设备过热缺陷的检测能力。原网络的SPPCSPC结构并行经过5×5、9×9、13×13的最大池化，通过特征层融合模块结构进行通道的堆叠。图3所示的SPPFCSPC结构结合了SPPF思想，采用串联经过3个5×5大小的最大池化的改进方法，可使模型输入与输出特征尺寸不发生变化，同时有效降低池化尺度的计算成本，提高模型检测效率。

图3 SPPFCSPC结构

3 实验研究

3.1 电力设备红外过热缺陷图像数据集

根据某变电站所拍摄的红外图像及互联网电力设备红外图像共同搭建电力设备红外过热缺陷目标检测数据集，通过MS-Mosaic数据增广方式对图像进行扩充。增广后红外图像样本共1 906张，使用Labelimg标签工具软件，按照PASCAL VOC数据集格式要求对电力设备图像进行标注，在标注过程中，仅对电力设备过热缺陷进行标注，其中过热缺陷目标的标签设为“abnormal”，得到包含过热区域的中心点坐标（,）与标注框宽度、高度（,）信息的xml文件。

3.2 实验配置与模型参数

基于Visual Studio Code 2016开发软件，开展电力设备红外过热缺陷目标检测，实验环境配置见表1。

对红外图像进行图像归一化，设置为640×640像素大小。使用改进后的YOLOv7网络对VOC图像数据集进行预训练，迁移预训练权重，采用分阶段训练方法。模型训练参数见表2，两个阶段的训练轮次均为50，总计训练100轮，数据集中训练集与测试集的比例为9:1，训练集中选出10%作为验 证集。

表1 实验环境配置

表2 模型训练参数

3.3 评估指标

采用准确率（precision）、召回率（recall），平均准确率（average precision, AP）作为模型的评估指标，其中准确率与召回率的计算式分别为

式中：P为正确检测为正样本的数量；P为被错误检测为正样本的数量；N为被错误检测为负样本的数量。

AP为准确率与召回率组成的-曲线与坐标轴所围成的面积。AP值越大，算法对检测目标的检测效果越好。

3.4 实验结果分析

为验证模型的最优边界框损失函数，分别与目前主流的边框损失函数方法进行对比。其中，边框损失函数分别为GIoU（generalized intersection over union）、DIoU（distance intersection over union）、CIoU与CIoU-alpha。不同损失函数下模型损失曲线如图4所示，结果表明，模型在100轮后基本收敛，采用CIoU损失函数时，模型的收敛效果最优。

图4 不同损失函数下模型损失曲线

对测试集中的图像进行发热缺陷检测，不同损失函数下模型检测结果见表3。检测准确率最高的为CIoU-alpha损失函数，达到91.49%，但召回率为最低，仅为70.05%，AP值为86.62%；GIoU与DIoU检测效果接近，优于CIoU-alpha损失函数，但均弱于CIoU损失函数；CIoU损失函数检测召回率达到79.07%，同时准确率也维持在较高水平，达到90.27%，AP值为89.23%。

表3 不同损失函数下模型检测结果

在采用CIoU损失函数的基础上，进一步添加SPPFCSPC结构对模型进行改进，并与初始YOLOv7-L，YOLOv7-X网络进行对比，不同方法的检测结果见表4。YOLOv7-L的准确率为87.52%，召回率为73.81%，AP值为86.02%；初始YOLOv7-X的准确率为90.33%，召回率为78.45%，AP值为88.95%，整体检测效果优于YOLOv7-L。在YOLOv7-X算法模型的基础上，改进边框损失函数为CIoU后，召回率与AP值均有所提升。进一步添加SPPFCSPC结构后，模型在所用数据集上的检测准确率达到90.39%，召回率达到78.95%，AP值达到89.64%。

表4 不同方法检测结果

本文的改进YOLOv7目标检测模型对红外图像中电力设备发热缺陷目标检测效果良好。电力设备过热缺陷检测结果如图5所示，可以看出，所提模型能准确检测出红外图像中过热缺陷所在的位置，模型检测框的置信度均为0.80以上，对不同尺度大小的过热缺陷在不同背景复杂程度下的红外图像也有较好的检测效果。

图5 电力设备过热缺陷检测结果

4 结论

1）通过电力设备过热缺陷红外数据集进行算例实验，结果表明本文模型能够有效检测电力设备过热缺陷，准确率为90.39%，召回率为78.95%，AP值为89.64%，具有良好的识别效果。

2）参照检测准确率、召回率与AP值，与不同损失函数、不同尺度算法模型进行对比分析，结果表明本文改进方法能有效提升过热缺陷检测性能。

3）经过变电站复杂场景检测验证，所提方法具有较高的检测精度，可为电力设备过热缺陷红外检测提供参考。

[1] 律方成, 牛雷雷, 王胜辉, 等. 基于优化YOLOv4的主要电气设备智能检测及调参策略[J]. 电工技术学报, 2021, 36(22): 4837-4848.

[2] 叶剑涛, 杨为, 柯艳国, 等. 基于红外图像实例分割的敞开式开关设备发热缺陷智能诊断方法[J]. 高压电器, 2021, 57(12): 201-208.

[3] 陈同凡, 刘云鹏, 裴少通. 基于改进YOLOv3的电力设备红外诊断方法[J]. 广东电力, 2021, 34(6): 21-29.

[4] 刘建月, 张志东. 一起避雷器爆炸事故分析[J]. 电气技术, 2023, 24(7): 73-76.

[5] 臧国强, 刘晓莉, 徐颖菲, 等. 深度学习在电力设备缺陷识别中的应用进展[J]. 电气技术, 2022, 23(6): 1-7.

[6] 王有元, 李后英, 梁玄鸿, 等. 基于红外图像的变电设备热缺陷自调整残差网络诊断模型[J]. 高电压技术, 2020, 46(9): 3000-3007.

[7] 王旭红, 李浩, 樊绍胜, 等. 基于改进SSD的电力设备红外图像异常自动检测方法[J]. 电工技术学报, 2020, 35(增刊1): 302-310.

[8] 张雨明. 基于深度学习的电力设备红外图像异常检测研究[D]. 西安: 西安建筑科技大学, 2022.

[9] 李文璞, 毛颖科, 廖逍, 等. 基于旋转目标检测的变电设备红外图像电压致热型缺陷智能诊断方法[J].高电压技术, 2021, 47(9): 3246-3253.

[10] 托娅, 王伟, 毛华敏, 等. 基于机器学习的电力设备故障红外智能诊断方法[J]. 河南理工大学学报(自然科学版), 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

林丽霞（1989—），女，海南省儋州市人，本科，工程师，主要从事电气设备电气试验与检测工作。