當(dāng)前位置:首頁 > 工業(yè)控制 > 《機(jī)電信息》
[導(dǎo)讀]變電站事關(guān)電力供應(yīng)大局 ,站內(nèi)電力作業(yè)人員時(shí)刻面臨著觸電、電弧等諸多安全風(fēng)險(xiǎn) ,正確佩戴安全防護(hù)用具是關(guān)鍵。因此 ,提出了一種基于Protect—YOLO的檢測(cè)模型 ,專注于檢測(cè)作業(yè)人員佩戴的安全帽、絕緣手套、絕緣鞋等防護(hù)用具 ,并構(gòu)建變電站電力作業(yè)實(shí)景數(shù)據(jù)集驗(yàn)證模型的檢測(cè)效果 。實(shí)驗(yàn)結(jié)果表明 ,Protect-YOLO對(duì)安全防護(hù)用具檢測(cè)的mAP高達(dá)0. 94 ,相比于YOLOv5、Faster RCNN等模型在各項(xiàng)指標(biāo)上更優(yōu) ,檢測(cè)效果更好。

0  引言

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 ,隨著計(jì)算機(jī)視覺技術(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、分割等領(lǐng)域的成功應(yīng)用 , 學(xué)者們也開始探索將其應(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)AlphaPoseResNet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)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。

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)

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。

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)

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)性優(yōu)化 , 網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

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)

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:

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)

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%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)。

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)

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 衡量 ,計(jì)算公式如下:

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)

式中:Pi 為第i類目標(biāo)的準(zhǔn)確率;Ri 為召回率;TPi 為正確預(yù)測(cè)為第i類目標(biāo)的正樣本數(shù);FPi為錯(cuò)誤預(yù)測(cè)為第i 類目標(biāo)的正樣本數(shù);FNi 為錯(cuò)誤預(yù)測(cè)為除第i類目標(biāo)外的正樣本數(shù);APi 綜合考慮了檢測(cè)模型對(duì)第i類 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 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 ,獲得各類目標(biāo)和總體指標(biāo)。

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)

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)

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。可見 ,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

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



本站聲明: 本文章由作者或相關(guān)機(jī)構(gòu)授權(quán)發(fā)布,目的在于傳遞更多信息,并不代表本站贊同其觀點(diǎn),本站亦不保證或承諾內(nèi)容真實(shí)性等。需要轉(zhuǎn)載請(qǐng)聯(lián)系該專欄作者,如若文章內(nèi)容侵犯您的權(quán)益,請(qǐng)及時(shí)聯(lián)系本站刪除。
換一批
延伸閱讀

9月2日消息,不造車的華為或?qū)⒋呱龈蟮莫?dú)角獸公司,隨著阿維塔和賽力斯的入局,華為引望愈發(fā)顯得引人矚目。

關(guān)鍵字: 阿維塔 塞力斯 華為

倫敦2024年8月29日 /美通社/ -- 英國(guó)汽車技術(shù)公司SODA.Auto推出其旗艦產(chǎn)品SODA V,這是全球首款涵蓋汽車工程師從創(chuàng)意到認(rèn)證的所有需求的工具,可用于創(chuàng)建軟件定義汽車。 SODA V工具的開發(fā)耗時(shí)1.5...

關(guān)鍵字: 汽車 人工智能 智能驅(qū)動(dòng) BSP

北京2024年8月28日 /美通社/ -- 越來越多用戶希望企業(yè)業(yè)務(wù)能7×24不間斷運(yùn)行,同時(shí)企業(yè)卻面臨越來越多業(yè)務(wù)中斷的風(fēng)險(xiǎn),如企業(yè)系統(tǒng)復(fù)雜性的增加,頻繁的功能更新和發(fā)布等。如何確保業(yè)務(wù)連續(xù)性,提升韌性,成...

關(guān)鍵字: 亞馬遜 解密 控制平面 BSP

8月30日消息,據(jù)媒體報(bào)道,騰訊和網(wǎng)易近期正在縮減他們對(duì)日本游戲市場(chǎng)的投資。

關(guān)鍵字: 騰訊 編碼器 CPU

8月28日消息,今天上午,2024中國(guó)國(guó)際大數(shù)據(jù)產(chǎn)業(yè)博覽會(huì)開幕式在貴陽舉行,華為董事、質(zhì)量流程IT總裁陶景文發(fā)表了演講。

關(guān)鍵字: 華為 12nm EDA 半導(dǎo)體

8月28日消息,在2024中國(guó)國(guó)際大數(shù)據(jù)產(chǎn)業(yè)博覽會(huì)上,華為常務(wù)董事、華為云CEO張平安發(fā)表演講稱,數(shù)字世界的話語權(quán)最終是由生態(tài)的繁榮決定的。

關(guān)鍵字: 華為 12nm 手機(jī) 衛(wèi)星通信

要點(diǎn): 有效應(yīng)對(duì)環(huán)境變化,經(jīng)營(yíng)業(yè)績(jī)穩(wěn)中有升 落實(shí)提質(zhì)增效舉措,毛利潤(rùn)率延續(xù)升勢(shì) 戰(zhàn)略布局成效顯著,戰(zhàn)新業(yè)務(wù)引領(lǐng)增長(zhǎng) 以科技創(chuàng)新為引領(lǐng),提升企業(yè)核心競(jìng)爭(zhēng)力 堅(jiān)持高質(zhì)量發(fā)展策略,塑強(qiáng)核心競(jìng)爭(zhēng)優(yōu)勢(shì)...

關(guān)鍵字: 通信 BSP 電信運(yùn)營(yíng)商 數(shù)字經(jīng)濟(jì)

北京2024年8月27日 /美通社/ -- 8月21日,由中央廣播電視總臺(tái)與中國(guó)電影電視技術(shù)學(xué)會(huì)聯(lián)合牽頭組建的NVI技術(shù)創(chuàng)新聯(lián)盟在BIRTV2024超高清全產(chǎn)業(yè)鏈發(fā)展研討會(huì)上宣布正式成立。 活動(dòng)現(xiàn)場(chǎng) NVI技術(shù)創(chuàng)新聯(lián)...

關(guān)鍵字: VI 傳輸協(xié)議 音頻 BSP

北京2024年8月27日 /美通社/ -- 在8月23日舉辦的2024年長(zhǎng)三角生態(tài)綠色一體化發(fā)展示范區(qū)聯(lián)合招商會(huì)上,軟通動(dòng)力信息技術(shù)(集團(tuán))股份有限公司(以下簡(jiǎn)稱"軟通動(dòng)力")與長(zhǎng)三角投資(上海)有限...

關(guān)鍵字: BSP 信息技術(shù)
關(guān)閉