基于特征增强和筛选机制的遥感电力目标检测_张弢.pdf

第 44 卷第 3 期2023 年 3 月激光杂志LASE JOUNALVol.44，No.3March，2023http /www laserjournal cn收稿日期:20220927基金项目:国家自然科学基金青年项目(No 61702050)、中央高校基本科研业 务 费 专 项 资 金 资 助(重 点 科 研 平 台 水 平 提 升 项 目，No300102321504)、河南省交通运输厅科技项目(No 2019G25)作者简介:王艺霖(1997)，男，硕士研究生，主要研究方向为深度学习和电力视觉技术。通讯作者:张弢(1984)，女，副教授，硕导，博士，CCF 专业会员(B8039M)，主要研究方向为电力大数据技术以及图像处理技术。Email:zt chd edu cn基于特征增强和筛选机制的遥感电力目标检测张弢，王艺霖，田喆文长安大学电子与控制工程学院，西安710064摘要:电力遥感目标检测对电网安全有着重要意义。针对电力遥感目标检测精度低的问题，提出了一种基于特征增强和筛选机制的 YOLOv5 目标检测算法。数据预处理方面，通过同态滤波和 etinex 去雾算法进行数据增强，降低遥感影像大气折射和光照不均匀影响，增强目标特征;网络模型方面，将 CBAM 融合注意力模块添加到网络骨干层之前，通过 kmeans 聚类特征增强和筛选机制，减少卷积核深度和网络参数;预测网络方面，将预测框中心坐标和真实框中心坐标之间的欧式距离作为代价函数添加到回归损失函数中。在 google 电力遥感数据集上进行对比实验，结果表明:检测平均精度均值可达 83.7%，相比于基线算法以及其他检测算法，平均精度值提升了 9%，速度提高了 45.7%。关键词:图像处理;电力视觉;目标检测;特征筛选中图分类号:TN249文献标识码:Adoi:10.14016/j cnki jgzz.2023.03.087emote sensing power target detection based onfeature enhancement and screening mechanismsZHANG Tao，WANG Yilin，TIAN ZhewenSchool of Electronic and Control Engineering，Chang an university，Xi an 710064，ChinaAbstract:Electric power remote sensing target detection is of great significance to power grid security Aiming atthe problem of low detection accuracy of remote sensing targets，a YOLOv5 target detection algorithm based on featurescreening is proposed In terms of data preprocessing，through homomorphic filtering and etinex dehazing algorithm，the influence of atmosphere and illumination is solved，and the target features are enhanced;As for the network mod-el，in terms of network model，the CBAM fusion attention module is added before the network backbone layer;Through the kmeans clustering feature enhancement and screening mechanism，the depth of convolution kernel andnetwork parameters are reduced;In forecasting networks，the prediction network introduces a reward factor，addingthe Euclidean distance between the predicted box and the groundtruth box as a cost function to the regression lossfunction Comparative experiments are arranged on Google power remote sensing data set The results show that aver-age precision can reach 83.7%Compared with the baseline algorithm and other algorithms，the average precision isincreased by 9%，and the speed is increased by 45.7%Key words:image processing;power computer vision;target detection;feature screening1引言火电厂电力设备的稳定运行对于电网安全至关重要。导致其故障的原因除了其自身的设备缺陷，还有天气、自然灾害等，因此，对其设备状态及周围环境的检测及分析有着明确的需求。其中特定类型的小型电力设备可以通过红外、热成像等方式实时检测安全状态，而包含多种小型设备的大型电力设备例如冷http /www laserjournal cn凝塔、机组等，由于其空间复杂度高，不易被视野角度较窄的图像采集设备所检测到，因此，需要借助覆盖范围较广的遥感采集设备获取源图像。借助可视化手段分析火电厂电力设备的状态，不仅需要依赖遥感采集设备获取源图像，还需要相应的视觉处理手段得出分析结论。近年来，基于深度学习的视觉技术开始应用于电力设备中1。电力视觉技术主要是通过传统图像与深度学习方法相结合来进行电力设备故障与分析。从发电侧到输电侧，例如，陈梅林等人构建了基于自监督学习的电力线实时分割网络2，邱志斌等人对输电线路中涉鸟事故进行识别3 以及谭宇璇等人对变压器热像进行检测等4。面对日益复杂的电力目标检测需求，有学者提出借助遥感采集的源图像对大型电力设备的设备故障和环境安全状态进行检测。例如，Wu 等提出了添加注意力机制5，针对电力遥感图像的预处理开展研究，并指出其预处理结果与电力设备故障和环境安全状态分析的紧密联系6。不同于数字图像，电力遥感图像的外观、结构和尺寸具有复杂、密集和巨大的特点。电力目标图像的特征区域较小，空间复杂度高，导致在特征图上无法有效地捕捉到目标分布，为了有效地检测到电力目标，彭新月提出多锚框回归的概念7，重新聚类了 12个用于将不同尺度的特征进行匹配的锚框，使目标的检测精度获得了提升。基于此，Li 采用窗口滑动分割和多级特征提取，融合大尺度的特征图，用于提升目标检测的能力8。王施云等人从语义方面入手，提出了基于 UNet 特征融合优化策略的分割方法9，在Potsdam 和 Vaihingen 数据集上提高了检测精度。Xu等人利用混合特征模块，在特征金字塔 P2 处进行上采样操作，获得了更大尺寸的特征图，用于小目标样本的匹配10。此外，谢俊章等人改进了 YOLOv4 网络模型，用于匹配大尺寸的遥感图像11，然而，对于火电厂的目标检测，仍然面临一些挑战:(1)遥感图像受到云雾烟以及冷凝气体的遮挡，特征显著性不高;(2)遥感小目标仍然缺乏泛化能力，无法适应多尺度对象;(3)输入信息过于庞大12，需要降低参数量的同时优化网络性能，设计一个不受客观因素影响的高效轻量网络13。针对上述问题，以大型电力设备为目标检测任务，选取 YOLOv5 网络模型为主体，提出了一种基于特征增强和筛选机制的目标检测算法(HTFS YOLOv5:Homomorphic etinex Threshold FeatureScreening)。首先，采用图像去雾和滤波算法，消除大气折射和不均匀光照视觉效果;在深度网络模型优化中，设计了阈值特征筛选机制，通过阈值判断特征提取的有效性，剔除无效特征图。其次，融合了通道注意力14 和空间注意力机制15，进一步降低网络计算量;最后在损失函数中，添加了基于对数梯度收敛的回归项，对模型进行加速收敛，用于提升锚框的回归精度和模型的训练速度。通过大量实验表明，改进后的网络算法精度明显提升，可以满足下行任务进一步故障分析的需求。2算法改进策略2.1电力遥感图像去雾增强从卫星获得的遥感图像通常会受到云雾的影响，常表现为厚云、薄云、薄雾以及通过高温气体折射形成的色差。对于电厂来说，烟囱和冷凝塔在工作时释放的大量的烟尘和高温水蒸气，会造成电力目标的遮挡。此外，由于成像的时间关系以及当太阳光照角度与成像角度过大等因素，也会造成光照不均匀的现象，导致遥感图像质量变差。因此，需要对原始图像进行增强处理。采用将同态滤波和 etinex 融合算法，将图像划分为照度分量和反射分量两个部分16，通过减小照度分量，加强反射分量，达到揭示阴影区细节特征的目的。对于输入图像 f(x，y)可以表示成照射分量 I(x，y)和反射分量(x，y)的乘积的形式，即:f(x，y)=I(x，y)(x，y)(1)求其对数形式并进行傅里叶变换得到下式:lnf(x，y)=lnI(x，y)+ln(x，y)(2)F(u，v)=I(u，v)+(u，v)(3)使用如图 1 所示的高斯滤波器函数 H(u，v)，左侧为原始图像的高斯系数示意图，以 33 的窗口与高斯核函数所生成的权重表进行卷积操作。经过提升高频分量的比例和降低低频分量的比例，再经过傅里叶逆变换后即可得到滤波后的图像。式中 g(x，y)为处理后的目标图像，hi(x，y)为照射分量傅里叶变换后的结果，hr(x，y)为反射分量傅里叶变换后的结果。H(u，v)F=H(u，v)I(u，v)+H(u，v)(u，v)(4)g(x，y)=exp(hi(x，y)exp(hr(x，y)(5)同态滤波可以达到除云雾的目的，将云雾看作低频噪声去除干扰后，再进行特征增强操作。利用 et-inex 可以突出图像细节，消除光照不均匀的影响。由图 2 可以看出，消除了由于光照带来的雾化效果(b)，原本被影子所遮挡的目标经过图像增强操作变得清晰(c)。88张弢，等:基于特征增强和筛选机制的遥感电力目标检测http /www laserjournal cn图 1高斯滤波原理图(a)(b)(c)图 2增强预处理结果2.2CBAM 串行注意力模块为了进一步提高网络检测小目标特征的能力，将电力遥感特征先后通过通道注意力和空间注意力，使得特征覆盖到待检测物体的更多部位，用于提高目标检测的精度。将 CBAM 注意力机制替换网络的第一个卷积层 CBP_116，设输入特征空间下的秩为 2 的任意张量输入为X=x1，x2，xn，1nC(6)输入特征张量 xn先通过最大池化层矩阵 Mm和平均池化层池化矩阵 MA，再通过两层的神经网络进行全连接降维，得到一维特征张量 sigmo id(xn)，将sigmo id(xn)升高维度到与输入相同的通道数后，进行归一化处理，得到通道注意力模块(CAM)。同样将输入张量经过平均池化与最大池化后进行加性拼接，再经过一个 77 的标准卷积层增大感受野，得到空间注意力模块(SAM)，输入矩阵经 CBAM 处理后与进行残差连接。CBAM 网络结构如图 3 所示。Y=y1，y2，yn，=(MLP(MmX)(f77(MLP(MmX)+MLP(MAX)(7)图 3CBAM 模块结构其中，MaxPool 和 AvgPool 分别代表最大池化运算和平均池化运算，MLPFC 为两层神经网络，ConCat 为通道拼接