基于改进YOLO算法的变电站人员防护设备的检验

摘 要：本文基于改进的YOLO算法，针对变电站人员防护设备的检测问题进行研究。通过添加上采样结构和引入先进的损失函数和注意力机制CBAM模块，提出了一种性能优越的改进模型。试验结果表明，改进模型在检测精度和准确性方面明显优于其他经典目标检测模型，mAP指标提高了2.46%。该研究为变电站人员防护设备的检验提供了一种高效可靠的解决方案。

关键词：改进YOLO算法；变电站；人员防护

中图分类号： TP 274 文献标志码：A

变电站是电力系统中重要的组成部分，为了保障工作人员的安全，针对人员防护设备的检验显得尤为重要[1]。传统的人工检验方式费时、费力且存在主观性较大的问题[2]。因此，本文旨在应用深度学习技术改进目标检测算法，实现对变电站人员防护设备的自动化检测。通过引入先进的算法和结构，提高模型的准确性和检测精度，为变电站的安全管理提供可靠的技术支持。

1 模型改进策略

1.1 损失函数

在变电站人员防护设备的检验中，针对每个防护设备，检验人员会选择与其具有最高相关性的预测结果作为匹配对象。如果某个预测结果与实际防护设备的相关性大于设定的阈值，那么将其视为合格；如果相关性小于设定的阈值，那么将其视为不合格[3]。通过这种方式，更准确地匹配预测结果和实际防护设备，从而更好地评估其质量。在评估过程中，采用了一种基于相关性的损失函数。具体来说，针对每个合格的防护设备，模型会计算其预测结果与实际设备之间的相关性，并将其作为损失函数的一部分。这种基于相关性的损失函数能够更好地反映预测结果与实际设备之间的差异，从而提高评估的准确性。损失函数IOU如公式（1）所示。

（1）

式中：A为预测框；B为真实框。

默认计算方法lossd、改进计算方法lossIOU如公式（2）所示。

lossd=1-IOU2

lossIOU=-log（IOU） （2）

式中：lossd为默认计算方法；lossIOU为改进计算方法。

在变电站人员防护设备的检验中，针对每个防护设备，YOLOX模型会根据预测框与真实框之间的交并比（IOU）来确定其所分配的样本类型。如果某个预测框与真实框的IOU大于设定的阈值，就将其视为正样本；如果IOU小于设定的阈值，就将其视为负样本。完成正负样本分配后，每个真实框所分配的样本都被定义为正样本，其余则为负样本。通过优化置信度的预测，模型能够更好地判断目标的存在与否。在变电站人员防护设备的检验中，通过计算lossobj来评估所有样本的置信度，如公式（3）所示。

（3）

式中：N为每个批次中的样本数量。

针对每个样本i，有置信度标签y（i）和YOLOX模型的置信度预测结果y（i）。这些置信度标签和预测结果都是介于0～1，用于表示样本中是否存在目标。当计算置信度损失时，使用了Sigmoid函数σ来将预测结果y（i）转化为一个概率值。Sigmoid函数能够将任意实数映射到0～1的值，从而将预测结果解释为一个概率。通过使用Sigmoid函数，更好地理解和解释模型对目标存在的预测。在变电站人员防护设备的检验中，使用losscls来表示类别损失。与此同时，IOU损失用于衡量预测框与真实框之间的重叠程度，如公式（4）所示。

（4）

通过增大IOU损失的权重，模型将更关注预测框与真实框的匹配程度，从而提高对变电站人员防护设备尺寸大小变化的感知能力。在变电站人员防护设备的检验中，调整比重时使用weight来表示加重交并比损失的惩罚力度，如公式（5）所示。

loss=weight×lossIOU+lossobj+losscls （5）

通过增大weight的值，模型将更严格地惩罚交并比较低的预测框，从而提高对变电站人员防护设备的准确检测。

1.2 注意力机制

在变电站人员防护设备的检验中，使用传统的Darknet53网络作为经典的卷积神经网络，用于提取图像的特征[4]。然而，为了进一步增强特征的表征能力，引入了CSPDarknet53网络，该网络通过引入CSP结构，对不同阶段之间的特征进行融合。这种跨阶段局部结构的引入使模型能够更好地捕捉变电站人员防护设备不同尺度和层次的特征信息，从而提高了检测的准确性[5]。

在变电站人员防护设备的检验中，采用了一种名为卷积块注意力模块（Convolutional Block Attention Module，CBAM）的混合域注意力机制。CBAM算法流程如图1所示，CBAM能够有效地关注输入数据的显著性特征，并对输入信息进行精细分配和处理。为了更好地应对变电站人员防护设备的检验需求，CBAM模块由2个子模块组成：通道注意力模块（Channel Attention Module）和空间注意力模块（Spatial Attention Module）。通道注意力模块用于对输入数据在通道维度上进行注意力加权，以提取最重要的通道特征，如公式（6）所示。

（6）

式中：Fc为通过通道注意力模块计算得到的一维向量，用于表示每个通道的重要性；Mc为全连接层将输入数据压缩成一维向量；β为对通道权重特征向量进行映射得到的权重值；F为在卷积神经网络中的某一层中提取的特征；Fa为特征图与通道注意力模块计算得到的特征权重相乘得到，用于加权强调特征图中重要的通道特征；Ms为在空间注意力模块中通过2次卷积操作得到的空间特征，用于计算空间权重。

1.3 多尺度特征融合

为了提升在变电站人员防护设备的检验中网络对小目标的检测效果，对网络的Neck部分中的PAFPN结构进行改进。这个改进包括2种增强策略，旨在提升特征图的形状和细节表达能力，以增强整个模型对位置等细节信息的感知能力，并提高目标检测的检出率。改进后的Neck结构如图2所示，具体来说，对原有的PAFPN输出的3个特征图（大小为20×20、40×40、80×80）进行上采样，并将上采样后的特征图与原有的特征图进行融合。通过这样的增强策略，最终得到了3个大小为40×40、80×80、160×160的特征图。这种增强策略的目的是增加特征图的分辨率，使网络能够更好地捕捉变电站人员防护设备中小目标的细节信息。

2 试验结果与分析

2.1 试验环境及参数设置

在变电站人员防护设备的检验中，采用了不同阶段的训练策略。在冻结阶段，每个epoch中，将数据集中的全部样本按照batchsize分成小批次进行训练，每个batch包括16个样本。使用Adam优化器来更新模型的参数，并设置初始学习率为0.001。在每个epoch结束时，将学习率乘以0.92进行衰减。在解冻阶段，将数据集中的全部样本按照batchsize分成小批次进行训练，每个batch包括8个样本。仍然使用Adam优化器来更新模型的参数，并设置初始学习率为0.0001。与冻结阶段相似，每个epoch结束时，将学习率乘以0.92进行衰减。通过这样的训练策略，能够在冻结阶段和解冻阶段分别对模型进行训练，并根据不同阶段的需求进行学习率的调整。这有助于提高模型对变电站人员防护设备的检验能力，并适应不同阶段的训练需求。

2.2 数据集与评价指标

为了提升模型的检测效果，本文采用了迁移学习的方法。基于互联网和实际工作环境拍摄，建立3500张数据集，包括工人防护设备，即安全帽、绝缘手套和操作杆等，使用YOLOX模型，并加载了VOC2012公用数据集中的预训练权重。通过这种方式，模型利用VOC2012数据集中的丰富信息和预训练权重，从而更好地适应本文的工人防护设备数据集。为了评估模型的性能，本文选取了精准率P、召回率R、平均精准率AP和平均精准率均值mAP作为评价指标，如公式（7）所示。

（7）

在变电站人员防护设备的检验中，使用了一系列评价指标来客观地评估模型的检测能力和性能。这些指标包括精准率、召回率、平均精准率和平均精准率均值。精准率衡量了模型在预测中的准确性，即模型预测为正样本的样本中真正为正样本的比例。召回率衡量了模型对正样本的识别能力，即模型能够正确预测出多少正样本。平均精准率是对精准率在不同召回率下的平均值，用于综合评价模型的性能。而平均精准率均值是对所有类别的AP进行平均得到的指标，用于评估整体的检测性能。通过使用这些评价指标，能够客观地评估模型在变电站人员防护设备数据集上的检测能力和性能。这些指标能够提供对模型准确性、识别能力和整体性能的综合评估，帮助研究者了解模型的优劣和改进方向。

2.3 消融试验

为探讨以上改进策略对网络模型的贡献程度，本文以YOLOX为基础模型，试验参数设置及试验环境设置维持不变，完成对比消融试验。

改进策略消融试验的每一类别AP及mAP见表1。通过改进损失函数，本文成功提高了mAP指标，使其提高了1.02%。改进的损失函数使网络在对防护设备进行检测时能够更精准地进行判断。通过优化损失函数，模型能够更好地学习目标的特征和边界信息，从而提高检测的准确性和稳定性。此外，本文还在原有模型中添加了注意力机制CBAM模块，试验结果表明，添加CBAM模块后，与未改进的模型相比，mAP指标增加了1.64%。这说明添加CBAM模块使模型在防护设备检测任务上更集中和关注，从而提高了模型的检测性能。CBAM模块自适应地调整特征图的权重，使模型能够更准确地捕捉目标的关键特征，提高检测的准确性和鲁棒性。

2.4 与已有目标检测算法的性能对比

为验证所改进策略在防护设备检测中的性能优势，将改进后模型与其他具有代表性的检测模型进行性能对比，结果见表2。

与其他经典具有代表性的目标检测模型相比，针对变电站人员防护设备的检验，提出的改进模型展现出了明显的性能优势。与原来的YOLOX检测算法相比，改进模型在mAP指标上提高了2.46%。这说明改进模型具有更好的准确性和检测精度，能够更准确地捕捉目标并减少误检和漏检的情况。YOLOX及改进后检测效果如图3所示，与其他经典目标检测模型相比，改进模型在性能上的优势归因于以下几个方面。首先，采用了先进的损失函数和注意力机制CBAM模块，这使模型能够更好地学习目标特征和边界信息，并更准确地进行目标检测。其次，添加了上采样结构，进一步提高了模型的细节表现能力，使其能够更好地捕捉图像中的细节信息，从而提高了检测的准确性。最后，改进模型在防护设备检测任务上更专注，能够更好地集中于该任务，从而提高了检测的精度。

3 结语

本文的成果对实际应用具有重要意义。通过自动化的目标检测技术，提高了变电站人员防护设备的检验效率和准确性，减少人力资源的浪费。同时，该研究的方法和思路也为其他相关领域的研究和应用提供借鉴和参考。未来的研究进一步优化算法和模型结构，提高检测的性能和鲁棒性。希望本文能够为变电站安全管理和工人的个人安全提供借鉴。

参考文献

[1]王兵，林龙福，林海，等.基于AI学习的变电站边坡滑坡监测系统设计[J].电力设备管理，2023（10）：105-107.

[2]刘森，李红彦，徐华雷，等.某220kV变电站职业危害因素检测与评价[J].吉林电力，2023，51（1）：43-46.

[3]方勇，孔晨华，张建军.基于数字和智能化的变电站安全工器具管理模式研究[J].机械与电子，2022，40（4）：4.

[4]王键.探讨110kV智能变电站二次系统设计与实现[J].通讯世界，2022，29（5）：67-69.

[5]于希永，尹亮，刘嘉奇.浅谈智能变电站网络安全风险与防护建议[J].工业信息安全，2023（3）：76-82.