變電站是電力系統(tǒng)的關(guān)鍵節(jié)點(diǎn) ,承擔(dān)了電壓變換、電能分配、電能調(diào)度等功能 ,事關(guān)電力供應(yīng)穩(wěn)定性大局 。由于變電站內(nèi)電壓等級(jí)高 ,電力設(shè)備復(fù)雜 ,作業(yè)人員在站內(nèi)進(jìn)行日常操作、檢修和維護(hù)時(shí) ,時(shí)刻面臨著觸電、電弧、高溫等多種潛在危險(xiǎn) ,而正確佩戴安全防護(hù)用具 ,例如安全帽、絕緣手套、絕緣鞋、絕緣棍等 ,能顯著降低意外發(fā)生時(shí)的傷亡風(fēng)險(xiǎn)^[1]。

近年來(lái) ,隨著計(jì)算機(jī)視覺(jué)技術(shù)的迅猛發(fā)展 ,特別是 卷 積 神 經(jīng) 網(wǎng) 絡(luò) (Convolutional  Neural  Network , CNN)在目標(biāo)檢測(cè)、圖像分類(lèi)、分割等領(lǐng)域的成功應(yīng)用 , 學(xué)者們也開(kāi)始探索將其應(yīng)用于電力安全防護(hù)領(lǐng)域。例如,文獻(xiàn)[2]提出了結(jié)合人體姿態(tài)檢測(cè)AlphaPose和ResNet的電力作業(yè)人員著裝檢測(cè)模型 ,文獻(xiàn)[3]訓(xùn)練了CNN模型識(shí)別電力巡檢作業(yè)中的安全帽、安全繩、工作服等防護(hù)用具 ,文獻(xiàn)[4]提出了基于YOLO的輸電線路走廊隱患檢測(cè)模型 。上述諸多CNN結(jié)構(gòu)模型(ResNet、YOLO、AlphaPose等)具有強(qiáng)大的特征學(xué)習(xí)能力 , 能夠自動(dòng)從電力作業(yè)場(chǎng)景中學(xué)習(xí)到具有辨識(shí)性的特征 ,而無(wú)須人為再提取 ,兼具了抗噪性和魯棒性的優(yōu)點(diǎn)。

鑒于此 , 本文建立了基于protect—YOLO的電力作業(yè)人員佩戴安全防護(hù)用具檢測(cè)模型 ,將安全帽、安全鞋、安全手套等三種防護(hù)用具和作業(yè)人員作為檢測(cè)目標(biāo) ,采集并標(biāo)注變電站作業(yè)實(shí)景圖像 ,送入網(wǎng)絡(luò)訓(xùn)練 ,并在反向傳播中更新模型參數(shù) ,在保持較低模型復(fù)雜度的同時(shí)實(shí)現(xiàn)優(yōu)異的檢測(cè)性能 , 以提升作業(yè)人員的安全水平。

1    基于Protect—Y0L0的電力作業(yè)人員安全防護(hù)模型

1.1    YOLOv5結(jié)構(gòu)

YOLOv5是目標(biāo)檢測(cè)領(lǐng)域的一種先進(jìn)模型 , 因其檢測(cè)速度快、精度高而被廣泛應(yīng)用于各類(lèi)實(shí)時(shí)監(jiān)測(cè)任務(wù)。

YOLOv5采用跨階段局部網(wǎng)絡(luò)(Cross Stage Partial Networks,CSPNet)[5]作為骨干網(wǎng)絡(luò) ,通過(guò)卷積層和殘差模塊提取圖像中的多尺度特征 ,如圖1所示。其中 ,Conv卷積逐層提取特征 ,殘差連接實(shí)現(xiàn)了跨特征層的信息直達(dá)和特征復(fù)用。

其次 ,YOLOv5的Neck采用PANet結(jié)構(gòu)融合不同 層次的特征 ,提升了模型對(duì)目標(biāo)的感知能力和識(shí)別性能 ,如圖2所示。

最后 ,YOLOv5的Head端包含三個(gè)不同分辨率的輸出層 , 高/低分辨率層分別負(fù)責(zé)輸出小目標(biāo)/大目標(biāo)的類(lèi)別和邊界框坐標(biāo)。

1.2    Protect—YOLO模型結(jié)構(gòu)設(shè)計(jì)

Protect—YOLO在YOLOv5的基礎(chǔ)上 ,對(duì)于變電站內(nèi)電力作業(yè)人員是否正確佩戴防護(hù)用具進(jìn)行了針對(duì)性?xún)?yōu)化 , 網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

Protect—YOLO的創(chuàng)新點(diǎn):

1)小目標(biāo)檢測(cè)分支 。如 圖 3 Head部分所示 ,Protect—YOLO相比YOLOv5另外增添一個(gè)小目標(biāo)檢測(cè)分支。對(duì)于人員佩戴的小尺寸防護(hù)用具 ,如絕緣手套 ,其特征在經(jīng)過(guò)逐層卷積操作后 ,淺層信息容易丟失 ,導(dǎo)致漏檢發(fā)生 。 因此 ,Protect—YOLO額外利用了PANet結(jié)構(gòu)中160×160×128尺寸的高分辨率特征圖 ,來(lái)捕獲圖像中小目標(biāo)的細(xì)節(jié)信息 ,如紋理、邊界等 , 以提高小目標(biāo)的檢測(cè)精度。

2)損失函數(shù)改進(jìn)。Protect—YOLO優(yōu)化了YOLOv5 損失函數(shù) , 將CIOU邊界框回歸損失函數(shù)改進(jìn)為 WIOU Loss ,計(jì)算公式如下:

式中: (x , y , w , h)是預(yù)測(cè)邊界框的中心點(diǎn)坐標(biāo) 、寬 、高 ; (x' , y' , w' , h')是真實(shí)邊界框的中心點(diǎn)坐標(biāo)、寬、高 ;IOU是真實(shí)框和預(yù)測(cè)框交并集比例;c表示預(yù)測(cè)邊界框和真實(shí)邊界框最小閉包區(qū)域(最小外接矩形)的 角線長(zhǎng)度;v表示預(yù)測(cè)框和真實(shí)框的長(zhǎng)寬比之間的差 異 ,使用反切函數(shù)將兩框的寬高比轉(zhuǎn)換為角度來(lái)表示;4/Π²是角度差異平方歸一化系數(shù);w1,w2,w3是IOU、中心點(diǎn)距離和長(zhǎng)寬比的權(quán)重因子。

相較于CIOU Loss,WIOU可根據(jù)目標(biāo)的大小和特性動(dòng)態(tài)調(diào)整損失權(quán)重因子 ,提升模型在不同目標(biāo)尺度、困難場(chǎng)景下的檢測(cè)性能。

2    案例分析

2.1    變電站電力作業(yè)實(shí)景數(shù)據(jù)集

本章通過(guò)變電站內(nèi)監(jiān)控截取、人工拍攝、數(shù)據(jù)增強(qiáng)等技術(shù) ,構(gòu)建了變電站電力作業(yè)實(shí)景數(shù)據(jù)集。制作的數(shù)據(jù)標(biāo)簽有4個(gè)類(lèi)別:安全帽、絕緣手套、絕緣鞋、作業(yè)人員 ?？紤]到惡劣天氣、晝夜變化、設(shè)備遮擋等干擾場(chǎng)景 ,數(shù)據(jù)集的覆蓋范圍包括雷雨大風(fēng)、烈日晨昏、雜物遮擋等各類(lèi)場(chǎng)景 。最終 ,獲得變電站電力作業(yè)實(shí)景數(shù)據(jù)集1 000張 , 隨機(jī)按照80%和20%的比例劃分訓(xùn)練集和測(cè)試集 。圖4節(jié)選了部分圖像數(shù)據(jù)。

2.2    模型評(píng)價(jià)指標(biāo)

為評(píng)估Protect—YOLO模型對(duì)電力作業(yè)人員佩戴 防護(hù)用具的檢測(cè)效果 ,使用精度(Precision,P)、召回率(Recall,R)、平均精度(Average Precision,AP)、平 均精度均值(Mean Average Precision,mAP)等指標(biāo)來(lái) 衡量 ,計(jì)算公式如下:

式中:Pi 為第i類(lèi)目標(biāo)的準(zhǔn)確率;Ri 為召回率;TPi 為正確預(yù)測(cè)為第i類(lèi)目標(biāo)的正樣本數(shù);FPi為錯(cuò)誤預(yù)測(cè)為第i 類(lèi)目標(biāo)的正樣本數(shù);FNi 為錯(cuò)誤預(yù)測(cè)為除第i類(lèi)目標(biāo)外的正樣本數(shù);APi 綜合考慮了檢測(cè)模型對(duì)第i類(lèi) 目 標(biāo)的準(zhǔn)確率和召回率 ,是在不同置信度閾值下計(jì)算 的精度—召回率曲線下的面積;mAP則是所有類(lèi)別AP 的平均值。

此外 ,作業(yè)人員必須將安全帽 、絕緣手套 、絕緣 鞋穿戴齊全 ,才可認(rèn)為防護(hù)用具佩戴規(guī)范 ,換言之 , 圖像中檢測(cè)到一位作業(yè)人員 ,必須要同時(shí)檢測(cè)到其他三類(lèi)目標(biāo)才算防護(hù)合格 ,否則視為不規(guī)范。

2.3    實(shí)驗(yàn)結(jié)果及對(duì)比實(shí)驗(yàn)

在 Python3.8、PyTorch1. 12. 1 環(huán) 境 下 編 寫(xiě) 基 于Protect—YOLO的電力作業(yè)人員佩戴安全防護(hù)用具檢 測(cè)模型 。表1和圖5展示了Protect—YOLO在訓(xùn)練集上 的評(píng)價(jià)指標(biāo)和檢測(cè)效果。為了與其他經(jīng)典的目標(biāo)檢測(cè) 模型做性能對(duì)比 ,另外使用了Faster RCNN、YOLOv5 對(duì)相同數(shù)據(jù)集做反復(fù)實(shí)驗(yàn) , 并在測(cè)試集上驗(yàn)證模型 的檢測(cè)效果 ,獲得各類(lèi)目標(biāo)和總體指標(biāo)。

由表1可知 ,Protect—YOLO模型在測(cè)試集上總體精度(P)為0.93 ,召回率(R)為0.91 ,mAP@0.5為0.94 ,在所有檢測(cè)模型中表現(xiàn)出的效果最佳?？梢?jiàn) ,該模型在檢測(cè)變電站中的電力作業(yè)人員、安全帽、絕緣鞋、 絕緣手套方面表現(xiàn)優(yōu)異 , 具有較高的準(zhǔn)確率和穩(wěn)健性 ,這對(duì)督促作業(yè)人員規(guī)范佩戴防護(hù)用具、確保安全生產(chǎn)具有重要意義。

3    結(jié)束語(yǔ)

本文提出了一種基于Protect—YOLO的變電站電力作業(yè)人員佩戴安全防護(hù)用具檢測(cè)模型 ,通過(guò)優(yōu)化YOLOv5結(jié)構(gòu) , 引入小 目標(biāo)檢測(cè)分支和WIOU Loss , 模型具備了困難、遮擋和復(fù)雜作業(yè)場(chǎng)景中的檢測(cè)能 力 。實(shí)驗(yàn)結(jié)果表明 ,Protect—YOLO在檢測(cè)安全帽、絕 緣鞋和絕緣手套等防護(hù)用具方面的性能優(yōu)于其他經(jīng) 典檢測(cè)模型 ,用其識(shí)別電力作業(yè)人員的安全防護(hù)用 具佩戴是否規(guī)范是可行的。

[參考文獻(xiàn)]

[1]  張伍康 ,潘立志 , 郭志彬 ,等 . 電力場(chǎng)景下基于RetinaNet 的絕緣手套異常狀態(tài)視覺(jué)檢測(cè)方法[J].湖南科技大學(xué)學(xué) 報(bào)(自然科學(xué)版),2022 ,37(1):85-91.

[2]  黃文杰 , 徐文峰 , 張春鳳 , 等 . 一種結(jié)合Alphapose和 ResNet的電力施工人員著裝檢測(cè)模型[J]. 電力信息與通 信技術(shù) ,2022 ,20(3):40-47.

[3]  李堅(jiān) ,吳佳 ,任啟.基于特征識(shí)別與云邊協(xié)同的安全智能 檢測(cè)技術(shù)研究[J]. 電子設(shè)計(jì)工程 ,2024 ,32(10):78-82.

[4]  鄭含博 , 胡思佳 ,梁炎槳 ,等 .基于YOLO-2MCS的輸電線路 走廊隱患 目標(biāo)檢測(cè)方法[J] . 電工技術(shù)學(xué)報(bào) , 2024 , 39(13):4164-4175.

[5]  LI  C  Y,LI  L  L,GENG  Y  F,et  al.YOLOv6  v3.0:A  Full- Scale  Reloading[EB/OL]. (2023-01-13) [2024-05-11]. https://arxiv.org/abs/2301.05586.

2024年第18期第3篇