基于Protect-YOLO的變電站電力作業人員佩戴安全防護用具檢測

摘要：變電站事關電力供應大局，站內電力作業人員時刻面臨著觸電、電弧等諸多安全風險，正確佩戴安全防護用具是關鍵。因此，提出了一種基于Protect-YOLO的檢測模型，專注于檢測作業人員佩戴的安全帽、絕緣手套、絕緣鞋等防護用具，并構建變電站電力作業實景數據集驗證模型的檢測效果。實驗結果表明，Protect-YOLO對安全防護用具檢測的mAP高達0.94，相比于YOLOv5、Faster RCNN等模型在各項指標上更優，檢測效果更好。

關鍵詞：變電站;作業人員;安全防護用具;Protect-YOLO

中圖分類號：TP391.41 文獻標志碼：A 文章編號：1671-0797（2024）18-0009-04

DOI：10.19514/j.cnki.cn32-1628/tm.2024.18.003

0 引言

變電站是電力系統的關鍵節點，承擔了電壓變換、電能分配、電能調度等功能，事關電力供應穩定性大局。由于變電站內電壓等級高，電力設備復雜，作業人員在站內進行日常操作、檢修和維護時，時刻面臨著觸電、電弧、高溫等多種潛在危險，而正確佩戴安全防護用具，例如安全帽、絕緣手套、絕緣鞋、絕緣棍等，能顯著降低意外發生時的傷亡風險[1]。

近年來，隨著計算機視覺技術的迅猛發展，特別是卷積神經網絡（Convolutional Neural Network，CNN）在目標檢測、圖像分類、分割等領域的成功應用，學者們也開始探索將其應用于電力安全防護領域。例如，文獻[2]提出了結合人體姿態檢測AlphaPose和ResNet的電力作業人員著裝檢測模型，文獻[3]訓練了CNN模型識別電力巡檢作業中的安全帽、安全繩、工作服等防護用具，文獻[4]提出了基于YOLO的輸電線路走廊隱患檢測模型。上述諸多CNN結構模型（ResNet、YOLO、AlphaPose等）具有強大的特征學習能力，能夠自動從電力作業場景中學習到具有辨識性的特征，而無須人為再提取，兼具了抗噪性和魯棒性的優點。

鑒于此，本文建立了基于Protect-YOLO的電力作業人員佩戴安全防護用具檢測模型，將安全帽、安全鞋、安全手套等三種防護用具和作業人員作為檢測目標，采集并標注變電站作業實景圖像，送入網絡訓練，并在反向傳播中更新模型參數，在保持較低模型復雜度的同時實現優異的檢測性能，以提升作業人員的安全水平。

1 基于Protect-YOLO的電力作業人員安全防護模型

1.1 YOLOv5結構

YOLOv5是目標檢測領域的一種先進模型，因其檢測速度快、精度高而被廣泛應用于各類實時監測任務。

YOLOv5采用跨階段局部網絡（Cross Stage Partial Networks，CSPNet）[5]作為骨干網絡，通過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，殘差連接實現了跨特征層的信息直達和特征復用。

其次，YOLOv5的Neck采用PANet結構融合不同層次的特征，提升了模型對目標的感知能力和識別性能，如圖2所示。

最后，YOLOv5的Head端包含三個不同分辨率的輸出層，高/低分辨率層分別負責輸出小目標/大目標的類別和邊界框坐標。

1.2 Protect-YOLO模型結構設計

Protect-YOLO在YOLOv5的基礎上，對于變電站內電力作業人員是否正確佩戴防護用具進行了針對性優化，網絡結構如圖3所示。

Protect-YOLO的創新點：

1）小目標檢測分支。如圖3 Head部分所示，Protect-YOLO相比YOLOv5另外增添一個小目標檢測分支。對于人員佩戴的小尺寸防護用具，如絕緣手套，其特征在經過逐層卷積操作后，淺層信息容易丟失，導致漏檢發生。因此，Protect-YOLO額外利用了PANet結構中160×160×128尺寸的高分辨率特征圖，來捕獲圖像中小目標的細節信息，如紋理、邊界等，以提高小目標的檢測精度。

2）損失函數改進。Protect-YOLO優化了YOLOv5損失函數，將CIOU邊界框回歸損失函數改進為WIOU Loss，計算公式如下：

WIOU=ω1IOU+ω2+ω3v=ω1IOU+ω2+ωarctan-arctan2 （1）

式中：（x，y，w，h）是預測邊界框的中心點坐標、寬、高;（，，，）是真實邊界框的中心點坐標、寬、高;IOU是真實框和預測框交并集比例;c表示預測邊界框和真實邊界框最小閉包區域（最小外接矩形）的對角線長度;v表示預測框和真實框的長寬比之間的差異，使用反切函數將兩框的寬高比轉換為角度來表示;是角度差異平方歸一化系數;ω1，ω2，ω3是IOU、中心點距離和長寬比的權重因子。

相較于CIOU Loss，WIOU可根據目標的大小和特性動態調整損失權重因子，提升模型在不同目標尺度、困難場景下的檢測性能。

2 案例分析

2.1 變電站電力作業實景數據集

本章通過變電站內監控截取、人工拍攝、數據增強等技術，構建了變電站電力作業實景數據集。制作的數據標簽有4個類別：安全帽、絕緣手套、絕緣鞋、作業人員。考慮到惡劣天氣、晝夜變化、設備遮擋等干擾場景，數據集的覆蓋范圍包括雷雨大風、烈日晨昏、雜物遮擋等各類場景。最終，獲得變電站電力作業實景數據集1 000張，隨機按照80%和20%的比例劃分訓練集和測試集。圖4節選了部分圖像數據。

2.2 模型評價指標

為評估Protect-YOLO模型對電力作業人員佩戴防護用具的檢測效果，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）等指標來衡量，計算公式如下：

Pi= （2）

Ri= （3）

APi=Pi（Ri）dRi （4）

mAP=APi （5）

式中：Pi為第i類目標的準確率;Ri為召回率;TPi為正確預測為第i類目標的正樣本數;FPi為錯誤預測為第i類目標的正樣本數;FNi為錯誤預測為除第i類目標外的正樣本數;APi綜合考慮了檢測模型對第i類目標的準確率和召回率，是在不同置信度閾值下計算的精度-召回率曲線下的面積;mAP則是所有類別AP的平均值。

此外，作業人員必須將安全帽、絕緣手套、絕緣鞋穿戴齊全，才可認為防護用具佩戴規范，換言之，圖像中檢測到一位作業人員，必須要同時檢測到其他三類目標才算防護合格，否則視為不規范。

2.3 實驗結果及對比實驗

在Python3.8、PyTorch1.12.1環境下編寫基于Protect-YOLO的電力作業人員佩戴安全防護用具檢測模型。表1和圖5展示了Protect-YOLO在訓練集上的評價指標和檢測效果。為了與其他經典的目標檢測模型做性能對比，另外使用了Faster RCNN、YOLOv5對相同數據集做反復實驗，并在測試集上驗證模型的檢測效果，獲得各類目標和總體指標。

由表1可知，Protect-YOLO模型在測試集上總體精度（P）為0.93，召回率（R）為0.91，mAP@0.5為0.94，在所有檢測模型中表現出的效果最佳。可見，該模型在檢測變電站中的電力作業人員、安全帽、絕緣鞋、絕緣手套方面表現優異，具有較高的準確率和穩健性，這對督促作業人員規范佩戴防護用具、確保安全生產具有重要意義。

3 結束語

本文提出了一種基于Protect-YOLO的變電站電力作業人員佩戴安全防護用具檢測模型，通過優化YOLOv5結構，引入小目標檢測分支和WIOU Loss，模型具備了困難、遮擋和復雜作業場景中的檢測能力。實驗結果表明，Protect-YOLO在檢測安全帽、絕緣鞋和絕緣手套等防護用具方面的性能優于其他經典檢測模型，用其識別電力作業人員的安全防護用具佩戴是否規范是可行的。

[參考文獻]

[1] 張伍康，潘立志，郭志彬，等.電力場景下基于RetinaNet的絕緣手套異常狀態視覺檢測方法[J].湖南科技大學學報（自然科學版），2022，37（1）：85-91.

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

[3] 李堅，吳佳，任啟.基于特征識別與云邊協同的安全智能檢測技術研究[J].電子設計工程，2024，32（10）：78-82.

[4] 鄭含博，胡思佳，梁炎燊，等.基于YOLO-2MCS的輸電線路走廊隱患目標檢測方法[J].電工技術學報，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.

收稿日期：2024-05-22

作者簡介：花磊（1998—），男，安徽滁州人，碩士研究生，助理工程師，研究方向：電網安全技術。

米奕萱（1999—），女，河北唐山人，助理工程師，研究方向：新能源并網系統的穩定性。