基于改進YOLOv8s的配電設備紅外目標檢測模型

吳合風 王國偉 萬造君 張 闊 姜世浩

基于改進YOLOv8s的配電設備紅外目標檢測模型

吳合風 王國偉 萬造君 張 闊 姜世浩

（北京御航智能科技有限公司，北京 100080）

隨著電力巡檢技術的發展，利用無人機和紅外熱成像技術進行巡檢逐漸成為電力巡檢作業的一個重要模式。針對當前網絡模型對配電設備識別準確度低、模型參數量大難以部署的問題，提出一種基于紅外圖像的配電設備目標檢測方法。首先，針對原YOLOv8s模型參數量大、模型復雜的問題，提出在骨干網絡和Neck部分將部分傳統Conv卷積替換為GhostConv卷積，實現模型輕量化；然后，針對原YOLOv8s模型小目標識別能力差的問題，提出增加小目標檢測層，提升小目標檢測能力；最后，針對原YOLOv8s模型損失函數不利于普通質量樣本預測回歸的問題，提出使用Wise-IoUv3損失函數，聚焦訓練過程中難以擬合的錨框的預測回歸。研究結果表明，改進后模型的精確率達到87%，比原模型提升了4.1個百分點；召回率達到79.1%，比原模型提升了3個百分點；平均精確率均值達到83.5%，比原模型提升了1.5個百分點；推理速度為62ms/張，可有效應用于配電設備的部件檢測。

配電部件檢測；YOLOv8s；紅外圖像；小目標檢測層；GhostConv卷積；Wise-IoUv3

0 引言

配電網作為供電系統的主要組成部分，與人們的生產生活密切相關[1-2]，配電網的安全、穩定運行對保證電網的可靠性至關重要。考慮到配電網發生故障的主要原因是繁雜的外部環境，因此有必要依據外部環境狀況對配電設備運行狀態進行實時監測，盡可能避免電網事故發生[3]。隨著科學技術的進步，無人機技術和紅外熱成像技術的發展為構建人工協同、高效安全的巡檢新模式提供了技術支撐。通過在無人機上搭載紅外熱成像設備，不僅能實現對較長線路的大范圍快速信息搜尋，還能以一種非接觸的檢測方式來獲取配電設備的熱狀態信息[4-5]，從而實現對配電系統中潛在故障、問題和異常的檢測，使電力設備的狀態檢測能在不斷電的情況下進行。這一巡檢方式在很大程度上提高了配電設備巡檢的可行性和效率，因此被廣泛應用于電力設備的帶電檢測中。

近年來，基于深度學習的目標檢測算法已成為電力設備視覺檢測的研究熱點[6]。目前，比較常用的目標檢測算法分為兩大類：一階段目標檢測算法和二階段目標檢測算法。一階段目標檢測算法直接對整張圖片進行分類和定位，常見的算法有YOLO（you only look once）、單步多框目標檢測（single short multibox detector, SSD）、RetinaNet等[7-11]。二階段目標檢測算法首先生成區域建議，再通過卷積神經網絡進行特征分類和位置回歸。常見的二階段目標檢測算法有區域卷積神經網絡（region with convolutional neural network feature, R-CNN）、空間金字塔池化網絡（spatial pyramid pooling networks, SPP-Net）、Fast R-CNN、基于區域的全卷積神經網絡（region-based fully convolutional network, R-FCN）、Faster R-CNN等[12-14]。由于二階段目標檢測算法檢測速度較慢，無法滿足日常生活中實時性的要求，所以選擇精確度更高、速度更快的YOLOv8s網絡，對紅外圖像中的配電部件進行檢測。

在配電設備部件檢測方面，YOLOv8s基礎網絡仍面臨以下挑戰：

1）由于無人機巡檢設備簡單、邊緣計算平臺功耗低、計算資源有限，基于深度學習的紅外目標檢測模型在部署時面臨網絡參數量過大、模型復雜的問題，能夠在PC端部署的算法模型無法部署到無人機上。

2）無人機拍攝的配電設備紅外目標數據集中、小目標數量多，缺乏明顯的紋理和幾何特征。由于YOLOv8s下采樣倍數較大，深層特征圖難以學習到小目標的相關信息，從而降低了對小目標的檢測準確率。

3）由于配電設備紅外目標數據集中的圖片包含多個檢測目標，數據在人工標注過程中可能會產生一些標注錯誤的低質量樣本、加入背景等不相關的特征信息，影響模型檢測精度。YOLOv8s采用CIoU損失函數，致力于強化邊界框損失的擬合能力，但當訓練集中有標注錯誤的樣本時，強化邊界框對這些樣本的回歸會使模型檢測性能降低。

為解決以上問題，本文提出一種基于改進YOLOv8s的配電設備紅外目標檢測模型，以提升模型的精確率、召回率等，實現對配電部件的準確識別。

1 基于改進YOLOv8s的紅外目標檢測模型

1.1 YOLOv8s模型概述

YOLOv8s是一種目標檢測模型，它是YOLO系列模型的最新版本，建立在原有YOLO版本的基礎上，引入了新的功能和改進，提升了原模型的性能和靈活性。

YOLOv8s模型檢測網絡主要由三部分組成：Backbone、Neck、Head。模型對輸入圖像的處理分為特征提取和目標檢測兩部分。特征提取部分采用CSPDarknet（cross stage partial darknet）的網絡結構，將網絡分為兩個部分，每個部分都包含多個殘差塊。相較于前代模型YOLOv5，使用C2f模塊替換C3模塊。C2f模塊將輸入的特征圖分成兩個分支，每個分支分別經過一個卷積層進行降維，同時C2f模塊將Bottleneck層替換為v8_C2fBottleneck層，每個v8_C2fBottleneck層的輸出也被作為一個分支。這些分支堆疊起來，形成更高維度的特征圖，并通過一個卷積層進行融合，使模型獲得更多的梯度流信息。YOLOv8s還使用一個更強大的特征金字塔網絡，即快速空間金字塔池化（space pyramid pooling fast, SPPF）結構，用于提取不同尺度的特征，可有效減少模型的參數量和計算量，同時提高特征提取的效率。目標檢測部分采用特征金字塔網絡（feature pyramid network, FPN）-路徑聚合網絡（path aggregation network, PAN）結構，該結構包含多個卷積層和池化層，用于處理和壓縮特征圖。通過多個卷積層和全連接層，將特征圖轉換為目標檢測結果。YOLOv8s采用一種基于無錨框（Anchor-Free）的檢測方式，直接預測目標的中心點和寬高比例，這種方式可減少Anchor框的數量，提高檢測速度和準確度。

總之，YOLOv8s采用一種高效的特征提取和目標檢測方式，具有更高的檢測準確度和更快的檢測速度。

1.2 改進YOLOv8s模型

針對紅外數據集檢測問題，本文在YOLOv8s模型基礎上提出一種新的配電設備紅外目標檢測模型，該改進模型的網絡結構如圖1所示，主要由三部分組成：Backbone、Neck、Head。Backbone是主干特征提取網絡，由Conv、C2f、GhostConv、SPPF模塊組成，這些模塊通常具有不同的濾波器尺寸和步長，以捕獲不同層次的視覺特征。Neck是特征融合網絡，將主干網絡提取的四個不同尺度的有效特征層進行特征融合。Head是預測網絡，主要獲取目標物體的類別和位置信息。本文算法模型與原模型相比主要有三部分改進：①為了解決后續可能遇到的模型部署問題，本文采用GhostConv卷積來減少模型參數量，降低計算復雜度；②由于圖像中小目標居多，為確保模型算法可以檢測小目標，提出增加額外的小目標檢測層來提升小目標識別能力； ③為防止低質量樣本產生較大的有害梯度、影響模型檢測性能，提出Wise-IoUv3損失函數。

圖1 改進模型網絡結構

1）GhostConv卷積

GhostConv[15]卷積是一種輕量化卷積模塊，可代替普通卷積，是一種用于模型壓縮的卷積操作。它通過使用更少的參數和計算來提取特征，降低模型的復雜性和訓練難度。GhostConv卷積的結構如圖2所示，為了減少計算量，GhostConv中的卷積操作分為兩步進行，首先通過傳統的Conv卷積生成channel較小的特征圖，然后在得到的特征圖的基礎上進行Cheap operation操作，生成新的冗余特征圖，最后將channel較小的特征圖和新的冗余特征圖進行Concat拼接操作，形成完整的特征圖，最終得到輸出特征。這種方法可有效減少模型所需計算資源，同時設計簡單、易于實現。

圖2 GhostConv卷積結構

2）小目標檢測層

為了解決小目標樣本尺寸較小、YOLOv8s下采樣倍數較大、較深的特征圖難以充分捕捉小目標特征信息等問題，本文提出加入額外的小目標檢測層，使YOLOv8s模型更加注意小目標的特征信息，從而提升YOLOv8s檢測準確度。

YOLOv8s原始模型的輸入圖像大小為640×640像素，在三個不同尺度的特征圖上做檢測，并為每個尺度的特征圖設置三種不同規格的先驗框。在YOLOv8s中，用于目標檢測的特征圖能感知到原圖的最小范圍是8×8像素的區域，所以原始模型能檢測的最小目標為8×8像素。當原始圖像中的目標寬、高都小于8像素時，原網絡就很難識別網格內的目標特征信息，因此在原網絡的基礎上增加160×160像素尺度的小目標檢測層，用于檢測寬、高在4～8像素的小目標。

增加的小目標檢測層如圖3所示，首先將Backbone中的第五層C2f層與Neck中的Upsample層進行Concat操作，之后通過C2f和Upsample層的處理，得到包含小目標特征信息的深層語義特征層，該層繼續與Backbone中第三層的C2f層進行Concat操作，補充完善160×160像素尺度融合特征層對小目標語義特征及位置信息的表達能力，最后經過C2f送至Head中的一個額外的解耦頭[16]。這一解耦頭分辨率更高，用于檢測更小的物體。

圖3 小目標檢測層

小目標檢測層的引入使小目標的特征信息可以傳遞到其他三個尺度特征層，從而加強了網絡對小目標信息的特征融合能力，使網絡可以有效識別出配電設備中的細小部件，提升小目標檢測準確度。

3）損失函數Wise-IoUv3

Wise-IoUv3是一種用于評估邊界框回歸損失的方法[17]。它通過動態非單調的聚焦機制，使用離群度來評估錨框的質量，其定義為

綜上所述，Wise-IoUv3損失定義為

式中：Wise-IoU為距離度量；IoU為IoU損失函數值。

Wise-IoUv3損失函數的引入，使模型聚焦于預測框和真實框難以擬合及真實框置信度低的樣本的預測回歸，減少了這些樣本產生的有害梯度，提高了目標檢測的靈活性和魯棒性，以及模型的整體性能。

2 實驗結果與分析

2.1 實驗平臺和訓練參數

實驗環境配置見表1。在使用YOLOv8s模型和改進模型對配電設備進行檢測的過程中，圖片輸入尺寸為640×640像素，初始學習率為0.01，每次訓練迭代300次，采用隨機梯度下降（stochastic gradient descend, SGD）法更新網絡參數，學習動量設置為0.937，權重衰減設置為0.000 5。

表1 實驗環境配置

2.2 數據集

本文采用的數據集由某電網公司使用無人機對帶電設備拍攝所得，共計3 086張紅外圖像，本文實驗將其中2 160張圖像作為訓練集，308張圖像作為驗證集，618張圖像作為測試集。圖片中共包含五類部件，分別為jyzx、jyz、jyzt、xjt、bgxj。利用LabelImg圖像標注工具對這五類部件進行標注。

2.3 模型評價指標

本文實驗使用精確率recision、召回率ecall、平均精確率均值（mean average precision, mAPAP，以及1分數對模型進行評估。

精確率又叫查準率，計算公式為

式中：P為圖片中正確預測部件的數量；P為圖片中錯誤預測部件的數量。

召回率又叫查全率，計算公式為

式中，N為圖片中漏檢的數量。

平均精確率（average precision, AP）P是通過精確率-召回率曲線進行積分得到的，而平均精確率均值AP是對所有類別的平均精確率取平均得到的。平均精確率均值越高，代表算法的性能越好，計算公式為

式中：為待檢測目標的分類數量；P()為第個分類的平均精確率。

1分數指標兼顧分類模型的精確率和召回率，是兩者的加權平均，其取值范圍為[0, 1]，其值越大表示模型越好。1分數的計算公式為

2.4 對比實驗結果

為驗證改進算法對紅外數據集目標檢測的優越性，與原始YOLOv8s對比，以精確率recision、召回率ecall、平均精確率均值AP、1分數作為評價指標，在同一平臺進行訓練，并采用相同的訓練集、驗證集和測試集。對比實驗結果見表2，其中，AP@50為IoU閾值為0.5時的平均精確率均值，AP@50-95為IoU閾值為0.5～0.95時的平均精確率均值。

表2 對比實驗結果

由表2可知，與原模型相比，改進模型的精確率、召回率、平均精確率均值及1分數均有所提升，改進模型的精確率提升了4.1個百分點，召回率提升了3個百分點，平均精確率均值提升了1.5個百分點，1分數提升了3.51。為直觀地展示本文改進模型的效果，使用部分紅外數據集對原模型和改進模型的效果進行對比。YOLOv8s和改進YOLOv8s效果對比如圖4、圖5所示，在檢測結果中，所有的檢出目標都用邊框標記其位置，并顯示該目標的所屬類別和置信度值。

根據圖4可知，改進模型未漏檢jyzx部件（圖4（b）中畫框部分），證明本文算法模型可以檢測出原YOLOv8s算法模型漏檢的目標，可在一定程度上緩解原算法模型定位不準確和目標特征表達不充分的問題。根據圖5可知，原模型檢測jyz和jyzt部件的置信度分別為0.3、0.4，而改進模型檢測jyz和jyzt部件的置信度分別為0.8、0.8（圖5中畫框部分），證明本文算法模型具有更高的識別準確度，能夠正確識別出紅外圖像中的小目標，可以有效提高對較小配電部件的識別能力。

圖4 YOLOv8s和改進YOLOv8s效果對比1

圖5 YOLOv8s和改進YOLOv8s效果對比2

2.5 消融實驗結果

為了驗證對YOLOv8s模型引入GhostConv、小目標檢測層、損失函數Wise-IoUv3的有效性，本文利用相同數據集對YOLOv8s模型設計消融實驗來驗證每部分改進方法的效果。消融實驗結果見表3。

表3 消融實驗結果

加入小目標檢測層后，模型的精確率較YOLOv8s有所提升，參數量降低，但召回率、平均精確率均值和1分數有所下降；在此基礎上加入GhostConv卷積，與YOLOv8s+小目標檢測層相比，模型的精確率、召回率、平均精確率均值和1分數分別提高了3.4個百分點、0.5個百分點、1.2個百分點、1.69，參數量降低了0.5×106，但與YOLOv8s相比，模型的精確率和1分數均有所提高，召回率降低；加入Wise-IoUv3后得到最終模型，與YOLOv8s+小目標檢測層+GhostConv相比，模型的精確率降低了2.5個百分點，召回率提高了6.2個百分點，平均精確率均值提高了1.5個百分點，1分數提高了2.51。與原YOLOv8s相比，最終改進模型的精確率增長了4.1個百分點，召回率增長了3個百分點，平均精確率均值增長了1.5個百分點，1分數增長了3.51，該結果驗證了本文改進模型的有效性。

3 結論

本文提出了一種基于改進YOLOv8s的配電設備紅外目標檢測模型。在YOLOv8s的基礎上，引入GhostConv卷積，降低模型參數量，實現了模型輕量化；添加額外的小目標檢測層，提升了對小目標的檢測能力；使用Wise-IoUv3損失函數，防止低質量樣本產生較大的有害梯度，影響模型檢測性能。改進后網絡模型的精確率、召回率、平均精確率均值和1分數比原始網絡模型分別增長了4.1個百分點、3個百分點、1.5個百分點、3.51，并且網絡的參數量相較于原始模型降低了0.8×106，有效提升了算法模型的檢測準確度和速度，兼顧了模型部署的要求，具有一定的泛化能力。在未來的工作中，將繼續對模型進行改進優化，并在實際應用中進行算法完善。

[1] 夏得青, 向星宇, 李寬龍, 等. 農村配電網低電壓治理研究進展[J]. 電氣技術, 2023, 24(6): 1-5.

[2] 林華梁, 彭松. 配電終端絕緣性能自動測試系統的研究與應用[J]. 電氣技術, 2023, 24(5): 65-70.

[3] 董章, 李思堯, 陳雅旎, 等. 計及罕見變量的配電電纜線路故障風險預警方法[J]. 電氣技術, 2023, 24(5): 35-40.

[4] 楊帆, 王夢珺, 譚天, 等. 基于目標像素寬度識別的電力設備紅外成像單目測距改進算法[J]. 電工技術學報, 2023, 38(8): 2244-2254.

[5] 鄭含博, 李金恒, 劉洋, 等. 基于改進YOLOv3的電力設備紅外目標檢測模型[J]. 電工技術學報, 2021, 36(7): 1389-1398.

[6] 俞峰. 基于深度學習的配電設備視覺識別技術研究[D]. 杭州: 浙江大學, 2021.

[7] 陳明, 趙連飛, 苑立民, 等. 基于特征選擇YOLOv3網絡的紅外圖像絕緣子檢測方法[J]. 紅外與激光工程, 2020, 49(增刊2): 262-267.

[8] 楊波, 曹雪虹, 焦良葆, 等. 改進實時目標檢測算法的電力巡檢鳥巢檢測[J]. 電氣技術, 2020, 21(5): 21- 27, 32.

[9] 馬麗萍, 贠鑫, 馬文哲, 等. 基于改進YOLOv3模型的道路車輛多目標檢測方法[J]. 西安工程大學學報, 2021, 35(5): 64-73.

[10] 李燁, 顧晨峰. 基于注意力機制的多尺度小目標交通標志檢測[J]. 小型微型計算機系統, 2022, 43(2): 381-386.

[11] 李瑞生, 張彥龍, 翟登輝, 等. 基于改進SSD的輸電線路銷釘缺陷檢測[J]. 高電壓技術, 2021, 47(11): 3795-3802.

[12] 單亞鋒, 趙天宇, 付昱, 等. 基于4層 R-CNN的輸電線路多目標檢測[J]. 遼寧工程技術大學學報(自然科學版), 2022, 41(3): 270-276.

[13] 阮順領, 阮炎康, 盧才武, 等. 基于紅外圖像的礦石傳送帶托輥異常檢測[J]. 黃金科學技術, 2023, 31(1): 123-132.

[14] 臧國強, 劉曉莉, 徐穎菲, 等. 深度學習在電力設備缺陷識別中的應用進展[J]. 電氣技術, 2022, 23(6): 1-7.

[15] 徐正軍, 張強, 許亮. 一種基于改進YOLOv5s-Ghost網絡的交通標志識別方法[J]. 光電子·激光, 2023, 34(1): 52- 61.

[16] 熊恩杰, 張榮芬, 劉宇紅, 等. 面向交通標志的Ghost-YOLOv8檢測算法[J]. 計算機工程與應用, 2023, 59(20): 200-207.

[17] 黃子杰, 歐陽, 江德港, 等. 面向牽引座焊縫表面質量檢測的輕量型深度學習算法[J]. 計算機應用, 2024, 44(3): 983-988.

Infrared target detection model for distribution equipment based on improved YOLOv8s

WU Hefeng WANG Guowei WAN Zaojun ZHANG Kuo JIANG Shihao

(Beijing Yuhang Intelligent Technology Co., Ltd, Beijing 100080)

With the development of power inspection technology, using drones and infrared thermal imaging technology for inspection has become an important mode of power inspection operations. A target detection method for distribution equipment based on infrared images is proposed to address the issues of low recognition accuracy and difficulty in deploying large model parameters in current network models. Firstly, to address the problem of large parameter count and complex model in the original YOLOv8s model, it is proposed to replace some traditional Conv convolutions with GhostConv convolutions in the backbone network and Neck section to achieve model lightweight. Aiming at the problem of poor small target recognition ability in the original YOLOv8s model, it is proposed to add a small target detection layer to improve the detection ability of small targets. Finally, in response to the problem that the original YOLOv8s model loss function is not conducive to the prediction and regression of ordinary quality samples, a Wise-IoUv3 loss function is used to focus on the prediction and regression of anchor boxes that are difficult to fit during the training process. The research results show that the improved model has an accuracy of 87% which is 4.1% higher than that of the original model, a recall rate of 79.1% which is 3% higher than that of the original model, and a mean average precision (mAP) of 83.5% which is 1.5% higher than that of the original model. The inference speed is 62 ms/sheet. It can be effectively used for component detection in distribution equipment.

power distribution component inspection; YOLOv8s; infrared images; small target detection layer; GhostConv convolution; Wise-IoUv3

2023-11-17

2023-12-05

吳合風（1993—），男，山東省菏澤市單縣人，本科，主要從事計算機視覺和深度學習方面的研究工作。