基于PCBAM-YOLOv5网络的变电站表计缺陷检测_高志国.pdf

电子设计工程Electronic Design Engineering第31卷Vol.31第4期No.42023年2月Feb.2023收稿日期：2021-11-08稿件编号：202111052基金项目：国网安徽电力2021年科技项目（5212J02000LB）作者简介：高志国（1990），男，安徽庐江人，工程师。研究方向：图像处理。变电站中的设备包括变压器、电力电缆、表计等，每一类设备出现故障都会对电网运行造成不良影响。例如，表计出现故障（如表盘模糊、表盘破损与外壳破损）会使工作人员读取表计数据出现误差，使电力设备的运行情况不能被完善监控，为事故埋下了隐患。因此，需要对变电设备进行定期巡检。传统的变电设备巡视检查是值班人员根据外观、颜色、声音、气味、温度等条件判断当前设备运行是否正常。这种巡检方式耗时耗力，对巡检人员的经验要求非常高，同时环境因素也很容易导致误判1，基于PCBAM-YOLOv5网络的变电站表计缺陷检测高志国1，袁 牧2，童 旸3，倪修峰1，程汪刘1（1.国网安徽省电力有限公司铜陵供电公司，安徽 铜陵 244000；2.安徽大学 电子信息工程学院，安徽 合肥230000；3.安徽南瑞继远电网技术有限公司，安徽 合肥 230000）摘要：准确检测变电站中表计缺陷并及时更换是保证电力系统安全运行的重要措施。文中针对表计缺陷图像背景复杂、目标尺寸不一、表计部分遮挡等问题，设计了一种端到端的PCBAM-YOLOv5网络用于表计缺陷检测。为了使网络模型关注复杂背景下表计关键区域，在YOLOv5的基础上，加入并联型混合注意力模块，将通道注意力模块、空间注意力模块和输入特征图并联，在聚焦表计特征的同时突出表计缺陷特征。实验结果表明，PCBAM-YOLOv5在电表缺陷检测测试集上的 mAP可达到78%，相对于YOLOv5提高了1.6%。关键词：表计；YOLOv5；缺陷检测；注意力机制中图分类号：TP391.41；TM75文献标识码：A文章编号：1674-6236（2023）04-0077-05DOI：10.14022/j.issn1674-6236.2023.04.016Defect detection of substation meter based on PCBAM-YOLOv5 networkGAO Zhiguo1，YUAN Mu2，TONG Yang3，NI Xiufeng1，CHENG Wangliu1（1.Tongling Power Supply Company of State Grid Anhui Electric Power Limited Company，Tongling244000，China；2.School of Electronic Information Engineering，Anhui University，Hefei 230000，China；3.Anhui Nari Jiyuan Power Grid Technology Limited Company，Hefei 230000，China）Abstract:Accurate detection of meter defects in substation and timely replacement are important measures to ensure the safe operation of power system.Aiming at the problems of complex background，different target size and partial occlusion of meter defect image，an end to end PCBAM-YOLOv5network is designed for meter defect detection.In order to make the network model pay attention to thekey areas of the meter under the complex background，a parallel hybrid attention module is added on thebasis of YOLOv5，which parallels the channel attention module，spatial attention module and the inputcharacteristic diagram to highlight the meter defect characteristics while focusing on the metercharacteristics.The experimental results show that the mAP of PCBAM-YOLOv5 in the test set of meterdefect detection can reach 78%，which is 1.6%higher than that of YOLOv5.Keywords:meter；YOLOv5；defect detection；attention mechanis-77电子设计工程 2023年第4期无法提前发现安全隐患。在全国大量分布的变电站中，专业巡检工人的需求缺口很大，近些年来，随着计算机技术与图像视频技术的发展，无人值守变电站建设逐渐提上了日程。随着智能变电站的推广，基于计算机视觉技术的检测机器人逐渐应用于仪表的自动识别2-5。文献6通过 SSD（Single Shot MultiBox Detector）模块和 CNN（Convolutional Neural Network）模块对图像中的主变压器定位并提取的缺陷信息进行解析，同时利用VGG-Net（Visual Geometry Group-Net）迁移算法对缺陷样本进行扩充，结果表明，该方法能较为准确地识别出变压器外观缺陷。文献7通过决策树和聚类对电表异常数据进行分析，建立了仪表数据矩阵，通过矩阵方程的求解计算出仪表误差，并判断仪表故障。文献8利用 SSD 网络检测出仪表，利用关键点模型检测的中心点、零点、满刻度点和终点等关键点指标计算出不同的指针仪表。文献9基于区域的卷积网络（Faster R-CNN）检测目标仪表的位置，并通过霍夫变换检测到指针位置后获得读数。文献10使用 ResNet-50为主干网络提取体征，并融合注意力机制，使得变电站设备缺陷检测的mAP达到了 70.4%。文献11针对变电站设备缺陷问题，提出了改进 Faster R-CNN 模型，提高了模型的检测速度和精度，其 mAP 可达到 89.14%。文献12通过霍夫圆检测和感知哈希相似度算法，定位出圆型表计的位置。1数据集介绍表计破损是一种常见的变电站仪器缺陷。表计破损主要包括表盘模糊、表盘破损、外壳破损。文中的数据集图像均是变电站工人巡检时获得的，其中表盘模糊有 917张图像，表盘破损有 828张图像，外壳破损有419张图像，共计图像2 111张。文中使用 LabelImg 标注软件进行人工标注：若电表表盘模糊，则将其标注为 bj_bpmu；若电表表盘破损，则将其标注为 bj_bpps；若电表外壳破损，则将其标注为 bj_wkps。同时将标注的数据严格按照公开数据集 PascalVOC 格式进行制作，训练集和测试集比例为8 2，标注文件为xml格式。2PCBAM-YOLOv5网络模型2.1PCBAM模型CBAM（Convolutional Block Attention Module）13是一种轻量、通用的注意力模块，其通过空间和通道注意力模块串联的形式，依次结合通道和空间信息提取关键特征，模块结构如图 1 所示。但在串联形式下，一方面，由于表计缺陷图像背景较为复杂，若通道注意力没有达到最优解，则会进一步影响其串联结构后空间注意力的权重输出；另一方面，对于表计缺陷图像中较小的目标，经过串联结构下两次池化操作，小目标的特征也愈发微弱，易发生错检情况。图1CBAM模块结构图综上考虑，文中在CBAM基础上进行改进，提出了 PCBAM（Parallel Convolutional Block Attention Mo-dule）模块，结构如图2所示。首先将原始特征图F同时输入空间注意力模块和通道注意力模块，分别得到空间权重 MS(F)和通道权重 MC(F)。其次，将 MS(F)和 MC(F)分别与输入特征图做点乘得到空间注意力特征图 FS和通道注意力特征图 FC。然后，对原始输入特征 F 应用 33 卷积以增加感受野，增强小目标特征表征能力，得到特征图Fi。最后，将FS和FC相加生成的混合注意力特征图与原始输入特征的卷积结果 Fi相加，得到最终的特征图 FO。与传统 CBAM 相比，一方面，PCBAM避免了串联结构下的部分权重系数干扰，以并联的形式互补地给予关键缺陷特征更优的权重；另一方面，PCBAM对原始输入特征进行卷积并直接加权于最终的特征图，在保证丰富的小目标信息不丢失的同时增强了输出特征图的表征能力。2.2PCBAM-YOLOv5网络YOLOv514模型结构与其他 YOLO 算法系列相似，分为输入、主干、颈和预测四部分。YOLOv5的结构如图3所示。-78输入部分可实现数据增强、自适应锚框计算、自适应图像缩放。主干部分主要采用可以完成切片和卷积操作的 Focus结构和增强特征网络学习能力的CSP（Cross Stage Partial）结 构。由 于 不 同 网 络 的Focus 和 CBL(Conv+Bn+Leaky_relu)激活函数具有不同数量的卷积核，CSP的残差模块数量也不同，因此通过控制网络的宽度和深度，模型可以表现出不同的性能。颈部采用 FPN(Feature Pyramid Network)和PAN(Personal Area Networks)结构，利用主干部分提取的信息加强网络特征融合能力。将输出层分为三个卷积层通道，通过损耗函数进行计算，并对结果进行最大值抑制处理，得出预测结果。为了获得更多需要注意的目标的详细信息，抑制来自不同渠道的其他无用信息，文中在原YOLOv5的基础上加入PCABM。在原YOLOv5主干部分的每一个 CBL模块后加入 PCABM 模块，如图 4所示。由于电表缺陷图像背景复杂，CBL模块无法很好地提取缺陷特征，而加入PCABM模块可以有效提升模型对重要缺陷特征的提取，减少无用背景信息的权重输入。3实验结果与分析3.1实验室环境及参数文中基于Ubuntu18.04 LTS 64位操作系统实现，应用深度学习框架 PyTorch 实现和训练神经网络模型。实验硬件、软件环境配置如表1所示。3.2性能评估指标对于多分类目标检测模型而言，常用的性能评价指标主要有精确率(Precision,P)、召回率(Recall,R)、图2PCBAM模块结构图图3YOLOv5结构图高志国，等基于PCBAM-YOLOv5网络的变电站表计缺陷检测-79电子设计工程 2023年第4期平均精确率(Average Precision,AP)以及平均精确率均值(mean Average Precision,mAP)。其中，精确率表示预测框中预测正确的比例，召回率表示所有真实框中被预测出的比例，AP 为单个目标类别的平均精度，mAP用于衡量模型整体检测效果，其值越大表示该模型的定位与识别的准确率越高15，定义式分别如式（1）-（4）所示。文中使用 mAP作为评价指标来判断模型的效果。P=TPTP+FP（1）R=TPTP+FN（2）AP=01P(R)dR（3）mAP=i=1NAPN（4）3.3算法对比分析文中算法检测的 mAP 值为 78.0%，其中表盘模糊、表盘破损和外壳破损的 mAP 值分别为 89.5%、82.2%和 62.2%，如表 2所示。文中表计缺陷数据集背景复杂，检测目标尺寸不一、部分表计遮挡等原因，导