基于改進YOLOv3的避雷器紅外圖像故障檢測方法

胡泰山，劉 浩，劉 剛，梅 琪，馬御棠，廖民傳

〈無損檢測〉

基于改進YOLOv3的避雷器紅外圖像故障檢測方法

胡泰山1，劉 浩1，劉 剛1，梅 琪1，馬御棠2，廖民傳1

（1. 南方電網科學研究院有限責任公司 直流輸電技術國家重點實驗室，廣東 廣州 510663；2. 云南電網有限責任公司電力科學研究院，云南 昆明 650000）

針對現有的金屬氧化物避雷器（Metal Oxide Arrester，MOA）紅外圖像故障檢測方法存在識別精度低、檢測速度較慢的問題，提出一種基于改進YOLOv3的MOA紅外圖像故障檢測方法。首先，以Darknet19網絡代替YOLOv3原始的Darknet53網絡，并在特征學習時針對樣本中不同MOA長寬比例，通過K-means聚類算法對MOA圖像中的目標幀進行分析，重新聚類樣本中心錨點框，得到合適的錨框數目和大小。最后，利用改進YOLOv3模型完成MOA紅外圖像故障檢測。實驗結果表明，改進的YOLOv3模型識別精度達到96.3%，識別速度為6.75ms。

金屬氧化物避雷器；YOLOv3；深度學習；紅外圖像；K-means聚類

0 引言

輸電線路設備作為電力系統的重要部分，對輸電線路的安全穩定運行起著至關重要的作用。而金屬氧化物避雷器（MOA）是輸電線路中常用設備，其作用是防止電氣設備遭受過電壓侵害，是輸電線路中重要的結構支撐件。由于MOA在潮濕環境下，存在污穢、老化和爆裂等情況，因此準確地檢測MOA故障是目前電網亟待解決問題之一[1]。

目前，傳統的檢測MOA故障方法主要有以下幾種：①全電流[2]；②諧波分析法[3]；③容性電流補償法[4]；④基波阻性電流法[5]；⑤基于溫度的測量法等[6]。但以上方法在MOA運行過程中，MOA或監測裝置表面污穢所產生的泄漏電流以及電網諧波對MOA在線監測的影響，會對所監測的特征量產生影響，進而使測量的數值存在誤差，影響檢測精度，同時存在成本高以及檢測周期長等問題。而隨著深度學習相關技術快速發展，由于具有識別精度高，無需人工監督，高效等優點，更適用于解決圖像分類、目標識別等問題，并且取得顯著效果[7]。

深度學習算法已廣泛應用在輸電線路設備故障檢測中。本文所研究的紅外圖像MOA故障檢測，可看作物體檢測問題。主流的深度學習的目標檢測算法包括兩類：一類是基于區域的目標檢測算法如Faster RCNN（Faster-regions with Convolutional Network）[8]與RFCN（Region-based Fully Convolutional Networks）[9]等，其中文獻[10]基于Faster RCNN算法對變壓器、套管、斷路器等7種變電設備進行目標檢測，實現設備的精準定位、識別。文獻[11]采用了深度學習算法體系中基于區域建議網絡的Faster RCNN算法實現對輸變電紅外圖像發熱故障的檢測、識別及定位。以上算法雖然檢測精度高，但速度相對較慢，不能滿足實時性的要求。另一類是將檢測問題轉變為回歸問題求解如SSD（Single Shot MultiBox Detector）、YOLO（You Only Look Once）算法[12-13]。文獻[14]基于YOLOv3算法，通過添加卷積模塊及調整部分超參數對其基礎網絡架構進行優化，以實現高壓開關設備異常發熱點的快速檢測、識別和定位。文獻[15]提出了一種基于多尺度特征融合的端到端紅外小目標檢測模型。文獻[16]以小轎車和公交車紅外圖像為研究對象，構建了紅外圖像Pascal VOC數據集，訓練了SSD網絡，并利用訓練好的網絡檢測了紅外目標圖像。以上算法雖提高了網絡的檢測效率，但是目標定位的準確率有所降低，而紅外圖像故障檢測對模型準確率有較高的要求，選用Faster RCNN模型比較符合實際需求。但是已有實驗證明Faster RCNN對中大型的目標具有良好的檢測效果，但對小目標的檢測效果不佳，如果直接使用原始的Faster RCNN模型，可能會造成漏檢。

基于上述問題，本文提出一種基于改進YOLOv3的MOA故障檢測方法。首先，將Darknet19網絡代替YOLOv3的原始Darknet53網絡。替換后的網絡訓練難度更低，在保證高識別精度情況下，識別速度更快，減少了冗余的計算。特征學習時針對樣本中不同MOA長寬比例，通過K-means聚類算法對圖像中的目標幀進行分析，重新聚類樣本中心錨點框，得到合適的錨框數目和大小，提高了網絡的檢測規模。最后，利用改進YOLOv3模型完成MOA紅外圖像故障檢測。

1 MOA紅外圖像故障在線檢測方案

1.1 避雷器紅外檢測

如圖1(a)所示，當避雷器正常運行時，MOA紅外熱像僅有輕微的發熱且整體分布均勻，沒有明顯溫差變化。而且同一MOA不同部位的最大溫差不會超過1K，相間溫差也很小。然而當發生故障時，往往會伴隨著異常的溫升現象。MOA常見的故障主要包括閥片老化和受潮。通過避雷器泄露電流中的有功分量會使閥片發熱導致老化，閥片由于老化繼續升溫，而溫升又進一步使閥片電阻下降導致損耗加大，最終形成惡性循環。MOA由于呼吸作用受潮，造成閥片電導率增大，從而導致阻性泄露電流增大，引起局部發熱?？傊?，閥片老化和受潮的紅外熱像都表現為局部發熱，特征熱像圖如圖1(b)所示，220kV MOA上節存在明顯局部過熱。

根據標準[17]規定，圖像特征判斷法適用于如氧化鋅避雷器電壓致熱型設備。在排除環境等因素影響后，通過對同類設備不同狀態下的紅外熱像圖進行對比分析，判斷設備是否存在異常。

圖1 不同狀態MOA紅外圖像

1.2 避雷器故障檢測架構

如圖2所示，為本文MOA紅外圖像故障檢測模型整體框架圖。整個MOA紅外圖像故障檢測流程如下：首先，通過無人機采集MOA紅外圖像，對采集的MOA紅外圖像分類，分為正負樣本。由于拍攝的紅外圖像會受背景環境的影響，如光照、樹等。因此，采用中值濾波法對MOA紅外圖像進行預處理。處理后的MOA紅外圖像對改進的YOLOv3模型進行訓練，最后調用訓練好的MOA紅外故障檢測模型對預處理后的MOA紅外圖像進行故障檢測。檢測流程先是對數據進行聚類分析，得到合適的錨框數目和大小，其次采用深層次特征提取網絡進行特征提取，最后通過多尺度預測得到MOA檢測結果。

圖2 MOA紅外故障檢測模型框架圖

1.3 圖像預處理

由于在拍攝紅外圖像過程中受到大氣輻射噪聲以及拍攝背景的影響。這些噪聲會降低圖像對比度。因此，需對MOA紅外圖像進行降噪處理。本文采用中值濾波法[18]。將模板中的像素從小到大排序，并將當前像素值替換為排序序列的中間值。主要步驟如下：移動圖片中的濾鏡模板，將模板中心位置對應的像素作為當前像素。讀取模板中每個像素的灰度值。將灰度值從小到大排序。取最終排序結果的中值像素，而不是當前像素值。在3×3濾波模板下，原始圖像對應像素的灰度值如圖3所示。

圖3 中值濾波處理后圖像灰度值結果

2 改進YOLOv3網絡模型

2.1 YOLOv3網絡結構修改

YOLOv3算法是Joseph Redmon等在2018年新提出的目標檢測算法[19]。YOLOv3借鑒殘差網絡提出了Darknet53網絡，利用殘差結構降低了訓練難度。此外，采用大量1×1的卷積核和步長為2，大小為3×3的卷積核來代替最大池，從而減少了參數的數目。由于Darknet53網絡實現的檢測類別眾多，單個目標的檢測復雜且冗余，而本文針對MOA紅外圖像進行目標檢測。過多的參數會導致訓練過于復雜，影響訓練速度。

針對MOA，本文借鑒YOLOv3的多尺度檢測部分，提出了一種參數少、計算復雜度低的目標檢測網絡，以降低訓練難度，提高模型速度，同時也具有較高的識別精度。

用Darknet19網絡代替YOLOv3的骨干網Darknet53，并對應用于多尺度預測的卷積層。與Darknet53網絡相比，由于不在Darknet19中加入殘差網絡，訓練速度得到了很大地提高。Darknet19的網絡結構如表1所示。

表1 Darknet19網絡結構

卷積神經網絡將預測每個單元中每個邊界框的4個值，即坐標(,)、目標寬度、高度，分別表示為t、t、t和t。如果目標中心與單元格中圖像的左上角有偏差(c,c)，并且錨框的高度和寬度為P和P，則修改后的邊界框為：

b＝(t)＋c(1)

b＝(t)＋c(2)

在YOLOv3中，引入了FPN網絡。同時利用低層特征的高分辨率和高層次特征的信息，通過上采樣對多尺度特征進行融合，檢測出3個不同尺度的特征層上的目標。本文保留YOLOv3網絡的多尺度預測，利用多尺度卷積層對不同尺度的目標進行檢測，如表2所示。

2.2 錨框的聚類分析

錨框是通過對數據集的目標幀進行聚類和分析得到的一組固定寬度和高度的初始候選幀。YOLOv3使用邏輯回歸來預測錨框中包含對象的概率。如果錨框（Anchor Box）與真實目標包圍盒之間的重疊率大于任何其他錨盒，則該錨框的概率為1。如果真實目標的錨框和邊界框之間的重疊大于0.5，但不是最大值，則忽略預測。錨框的數量和大小直接影響網絡結構對目標檢測的精度和速度。YOLOv3使用K-means聚類算法[20]對目標幀進行聚類，并使用平均重疊平均IOU作為目標聚類的度量。目標函數如式(5)所示：

式中：是真實的地面目標；是簇的中心；n是K簇中心的樣本數；是樣本總數；為簇數；IOU(,)表示簇中心盒和簇盒的交點。

表2 YOLOv3的先驗框尺寸

選取＝0～20，分別對兩個數據集進行聚類分析。錨框數（即值）與平均IOU之間的曲線關系如圖4所示。隨著值的增大，目標函數的變化越來越慢，變化線的拐點可以看作是最優的錨框數目。通過這種多尺度檢測，可以增強各尺度特征層的信息，對多幅圖像中的小目標檢測有較好的效果。多尺度檢測的最終網絡模型如圖5所示。

圖4 K-means聚類分析結果

圖5 修改后的YOLOv3網絡結構圖

經過修改，在608×608尺度下，本文采用的Yolov3-Darknet19網絡為74.963BFLOPS，基于Darknet53的YOLOv3網絡為139.481BFLOPS。因此，Darknet19訓練速度優于Darknet53。

3 實驗結果與分析

紅外目標檢測是實現MOA紅外故障目標檢測系統的核心環節，該方案采用改進的YOLOv3算法的目標檢測方案。通過運用Darknet19深度學習框架進行樣本訓練。

3.1 數據采集及擴展

由于所采集的MOA紅外圖像數量有限，因此，本文通過對原始圖像水平翻轉、水平移動、縮放和亮度級別轉換為人工圖像，增加樣本數量。增加的圖像類標簽沒有改變，變換是在圖像上隨機進行的。在訓練模型的過程中使用新的變換圖像和原始圖像。數據擴充的目的是為了提高模型的泛化能力。擴充后的數據集包含5602幅圖片，并將圖片的注釋轉換成相應的格式，得到圖片的標注數據進行訓練。

將實驗數據按8:1:1的比例隨機劃分為訓練集、測試集和驗證集。在訓練階段，動量參數設置為0.9，采用批量隨機梯度下降法進行優化，初始學習率為0.0001，衰減為0.0005，前1000次訓練中，采樣學習率為0.001，以穩定網絡。隨后，在40000和45000次訓練中，采用steps策略根據衰減系數改變學習率，防止梯度消失問題。

本文采用多尺度訓練策略來增強不同尺度下的魯棒性。每10批訓練集為一組，每組隨機選取新的圖像大小進行訓練，訓練范圍為320×320～608×608，采樣間隔為32。

如表3所示，為YOLOv3-Darknet19訓練環境。本文的評價依據主要是訓練過程中的損失圖像和兩個模型訓練后的實際檢測效果。

表3 YOLOv3-Darknet19訓練環境

3.2 實驗對比

本文對YOLOv3-Darknet19算法和YOLOv3- Darknet53算法進行了比較。同一數據集的訓練時間分別為70h和14h。訓練期間的兩個網絡損失變化曲線如圖6和圖7所示。從圖8所示的數據比較可以看出，Darknet19網絡的損耗下降較快，數據波動較小，最終穩定值相對較小。

圖6 YOLOv3-Darknet53訓練損失變化

圖7 YOLOv3-Darknet19訓練損失變化

圖8 不同網絡訓練損失對比

從實驗結果可知，本文分別對兩個網絡訓練的同一圖像的權值進行測試，測試實例效果如圖9所示。通過本文所提出的YOLOv3-Darknet19可精準地對MOA紅外故障圖像進行識別檢測。

基于以上兩點的分析，本文提出的改進算法在使用相同訓練集的情況下，在速度和識別率上有一定的保證，不存在未識別或錯誤情況。在識別單個目標時，網絡結構的簡化提高了訓練速度，采用AP（Average Precision）值作為評價指標，識別精度可達96.3%。在檢測速度方面，以圖片為例，YOLOv3-Darknet53的識別速度為25.41ms，YOLOv3- Darknet19的識別速度為6.75ms，因此簡化網絡后，識別速度更快，幀數顯著增加。在訓練時間上，Darknet19網絡的訓練速度也更快，約為原網絡的1/5，為參數和網絡的微調提供了方便。

4 總結

本文將YOLOv3目標檢測算法應用到輸電線路中，提出一種基于改進的YOLOv3算法用于MOA故障檢測，由于本文只用于檢測MOA，對YOLOv3網絡結構以及錨框大小進行了修改，采用Darknet19網絡代替原有的Darknet53網絡，實驗結果表明，改進后的YOLOv3網絡在識別效果上沒有下降，與原有的YOLOv3算法相比識別速度更快。YOLOv3-Darknet19的識別速度為6.75ms，識別精度可達96.3%。因此簡化網絡后，識別速度更快，幀數顯著增加。

[1] 任大江, 葉海鵬, 李建萍, 等. 一起500kV金屬氧化鋅避雷器故障原因分析[J].電瓷避雷器, 2020(3): 127-132. REN Dajiang, YE Haipeng, LI Jianping, et al. Analysis of the causes of a 500kV metal zinc oxide arrester fault[J]., 2020(3): 127-132.

[2] 張明龍, 錢健, 王健, 等. 基于配電避雷器全電流監測的系統過電壓告警研究[J]. 高壓電器, 2020, 56(8): 256-260, 267. ZHANG Minglong, QIAN Jian, WANG Jian, et al. Research on over-voltage alarm based on full current monitoring of distribution arrester[J]., 2020, 56(8): 256-260, 267.

[3] 何貴先, 行鴻彥, 季鑫源, 等. 金屬氧化物避雷器在線監測的諧波校正及研究[J]. 電子測量與儀器學報, 2017, 31(10): 1549-1554. HE Guixian, XING Hongyan, JI Xinyuan, et al. Harmonic correction and study for MOA on-line monitoring algorithm[J]., 2020(3): 127-132.

[4] 陳登義, 周雪會, 李鵬. 電涌保護器老化監測指標對比研究[J].電瓷避雷器, 2016(5): 90-93. CHEN Dengyi, ZHOU Xuehui, LI Peng, et al. Comparative study about index of SPD aging monitoring[J]., 2016(5): 90-93.

[5] 陳丹, 傅中君, 柳益君, 等. 一種氧化鋅避雷器阻性電流的提取方法[J]. 電測與儀表, 2019, 56(13): 117-122. CHEN Dan, FU Zhongjun, LIU Yijun, et al. A method for the resistive current extraction of metal oxide surge arresters[J]., 2019, 56(13): 117-122.

[6] 李艷鵬, 晉濤, 梁基重, 等. 紅外技術在避雷器絕緣缺陷檢測中的應用[J]. 電測與儀表, 2019, 56(20): 87-90. LI Yanpeng, JIN Tao, LIANG Jichong, et al. The application of infrared diagnosis in detection of lightning arrester insulation defects[J]., 2019, 56(20): 87-90.

[7] 李紅光, 于若男, 丁文銳. 基于深度學習的小目標檢測研究進展[J/OL]. 航空學報: 1-19, [2020-12-19] .http://kns.cnki.net/kcms/ detail/11.1929.V. 20201026.0947.004.html. LI Hongguang, YU Ruonan, DING Wenrui. Research development of small object tracking based on deep learning[J/OL].: 1-19, [2020-12-19]. http://kns.cnki.net/kcms/detail/ 11.1929.V. 20201026.0947.004.html.

[8] 黃繼鵬, 史穎歡, 高陽. 面向小目標的多尺度Faster-RCNN檢測算法[J]. 計算機研究與發展, 2019, 56(2): 319-327. HUANG Jipeng, SHI Yinhuan, GAO Yang. Multi-scale faster-RCNN algorithm for small object detection[J]., 2019, 56(2): 319-327.

[9] 趙振兵, 崔雅萍, 戚銀城, 等. 基于改進的R-FCN航拍巡線圖像中的絕緣子檢測方法[J].計算機科學, 2019, 46(3): 159-163. ZHAO Zhenbing, CUI Yaping, QI Yincheng, et al. Detection method of insulator in aerial inspection image based on modified R-FCN[J]., 2019, 46(3): 159-163.

[10] 李文璞, 謝可, 廖逍, 等. 基于Faster RCNN變電設備紅外圖像缺陷識別方法[J]. 南方電網技術, 2019, 13(12): 79-84. LI Wenpu, XIE Ke, LIAO Yao, et al. Intelligent diagnosis method of infrared image for transformer equipment based on improved faster RCNN[J]., 2019, 13(12): 79-84.

[11] 劉云鵬, 裴少通, 武建華, 等. 基于深度學習的輸變電設備異常發熱點紅外圖片目標檢測方法[J]. 南方電網技術, 2019, 13(2): 27-33. LIU Yunpeng, PEI Shaotong, WU Jianhua, et al. Deep learning based target detection method for abnormal hot spots infrared images of transmission and transformation equipment[J]., 2019, 13(2): 27-33.

[12] 趙琰, 劉荻, 趙凌君. 基于YOLOv3的復雜環境紅外弱小目標檢測[J]. 航空兵器, 2019, 26(6): 29-34. ZHAO Yan, LIU Di, ZHAO Lingjun. Infrared dim and small target detection based on YOLOv3 in complex environment[J]., 2019, 26(6): 29-34.

[13] 羅元, 王薄宇, 陳旭. 基于深度學習的目標檢測技術的研究綜述[J]. 半導體光電, 2020, 41(1): 1-10. LUO Yuan, WANG Boyu, CHEN Xu. Research progress of target detection technology based on deep learning[J]., 2020, 41(1): 1-10.

[14] 王永平, 張紅民, 彭闖, 等. 基于YOLO v3的高壓開關設備異常發熱點目標檢測方法[J]. 紅外技術, 2020, 42(10): 983-987. WANG Yongping, ZHANG Hongmin, PENG Chuang, et al. The target detection method for abnormal heating point of high-voltage switchgear based on YOLO v3[J]., 2020, 42(10): 983-987.

[15] 王芳, 李傳強, 伍博, 等. 基于多尺度特征融合的紅外小目標檢測方法[J]. 紅外技術, 2021, 43(7): 688-695. WANG Fang, LI Chuanqiang, WU Bo, et al. Infrared small target detection method based on multi-scale feature fusion[J]., 2021, 43(7): 688-695.

[16] 劉云鵬, 張喆, 裴少通, 等. 基于深度學習的紅外圖像中劣化絕緣子片的分割方法[J]. 電測與儀表, 2022, 59(9): 63-68. LIU Yunpeng, ZHANG Zhe, PEI Shaotong, et al. Faulty insulator segmentation method in infrared image based on deep learning[J]., 2022, 59(9): 63-68.

[17] 中華人民共和國國家發展和改革委員會. 帶電設備紅外診斷應用規范[S]. DL/T 664-2008, [2008-11-01]. National Development and Reform Commission. Application Rules of infrared diagnosis for live electrical equipment[S]. DL/T 664-2008, [2008-11-01].

[18] 汪烈兵, 姜雄飛, 石春光, 等. 基于圖像濾波與Hough變換的紅外弱小目標檢測[J]. 紅外技術, 2020, 42(7): 683-687. WANG Liebing, JIANG Xiongfei, SHI Chunguang, et al. Infrared small target detection based on image filtering and hough transform[J]., 2020, 42(7): 683-687.

[19] Redmon J, Farhadi A. YOLOv3: An incremental improvement [J/OL]//, 2018 https://arxiv.org/abs/1804.02767

[20] CHENG G, LIU L. Survey of image segmentation methods based on clustering[C]//(ICIBA), 2020: 1111-1115.

Infrared Image Fault Detection Method of Arrester Based on Improved YOLOv3

HU Taishan1，LIU Hao1，LIU Gang1，MEI Qi1，MA Yutang2，LIAO Minchuan1

(1.,,,510663,;2.,650000,)

Aiming at the problems of low recognition accuracy and slow detection speed of existing metal oxide arrester (MOA) infrared image fault detection methods, a MOA infrared image fault detection method based on improved YOLOv3 is proposed. Firstly, darknet19 network is used to replace the original darknet53 network of YOLOv3. During feature learning, the target frames in MOA images are analyzed by K-means clustering algorithm according to different MOA length width ratios in samples. The anchor frames in the center of samples are re clustered to get the appropriate number and size of anchor frames. Finally, the improved YOLOv3 model is used to complete the MOA infrared image fault detection. The experimental results show that the recognition accuracy of the improved model reaches 96.3%, and the recognition speed is 6.75ms.

metal oxide arrester, YOLOv3, deep learning; infrared image; K-means clustering

TP391.41

A

1001-8891(2023)11-1256-06

2021-06-07；

2021-08-20.

胡泰山（1990-），男，湖北監利人，碩士，工程師，研究方向：電力系統過電壓及絕緣配合研究工作。E-mail: artist_hts@163.com。

南方電網公司科技項目（YNKJXM20191243）。