基于改进YOLOX的变电站压板状态识别方法

技术领域

本发明涉及变电站压板状态识别技术领域，具体涉及一种基于改进YOLOX的变电站压板状态识别方法。

背景技术

保护压板作为继电保护装置中的重要设备，其运行状态的准确识别是变电站智能化建设的关键环节。当前变电站中压板状态的校核，仍多采用人工巡检的方式，耗时较长，准确性也无法保证，存在较大安全隐患。随着变电站智能化建设的推进，保护压板的数量急剧增加，传统人工巡检的方式已经难以满足实际运行的需求。为此，研究基于新技术的智能化检测方法，具有较大的市场经济价值。

目前，基于图像处理技术的压板状态识别已有一定的研究，能够在一定程度上实现保护压板的自动识别，但是这种方式受传统图像处理技术的限制，无法提供较为精确的识别效果。同时，随着变电站智能化的发展，压板背景干扰加大，压板开关数量、种类的不断增加，传统算法无法全面地适应实时性要求。并且，现有的方法对具体的应用环境依赖较强，具有较强的针对性，还未形成对不同种类开关设备的状态检测的通用方法。

由于深度学习模型表现出的优越性能，国内外众多学者致力于深度学习目标检测领域的研究，已在众多应用领域上获得优秀的检测效果。早前的深度学习算法将目标检测与识别任务转换成分类任务，而YOLO算法将目标检测与识别当作为一种空间分割边界框和类别概率的回归问题，进一步把目标检测与识别任务合二为一，极大的提升了运行性能，为当前实时目标检测与识别任务带来了新的解决方案。将现有的深度学习模型应用在变电站压板状态识别上，具有十分深远的应用前景，也有助于进一步推进变电站智能化进程。

发明内容

为解决变电站压板状态识别中存在压板图像中压板区域密集、目标较小导致的识别准确率低的问题。本发明提出一种基于改进YOLOX的变电站压板状态识别方法。该方法能够准确而快速地检测出复杂背景压板图像中的位置并准确识别其投退状态，有效提高变电站的高效运行和智能化监测。

本发明采取的技术方案为：

基于改进YOLOX的变电站压板状态识别方法，包括以下步骤：

步骤1：采集变电站压板图像，并对图像进行人工标注，构建压板图像数据集；

步骤2：构建基于改进YOLOX算法的变电站压板状态识别网络模型；

步骤3：利用数据集训练步骤2中变电站压板状态识别网络模型，选出训练效果最优的模型；

步骤4：基于步骤3中训练效果最优的模型，实现压板图像中压板的位置检测和状态识别。

所述步骤1中构建压板图像数据集包括以下步骤：

S1.1：对采集的变电站压板图像进行数据扩增，数据扩增方法包括缩放、旋转、改变亮度、调节对比度；同时使用上述一种或几种变换方式对原始图像进行操作，最后得到1000张图像的圆形压板数据集；

S1.2：使用LabelImg图像标注软件对S1.1扩增后的压板图像数据集进行标注，构建VOC格式的数据集；

使用LabelImg图像标注软件的具体步骤为通过软件界面上的鼠标画框对图像中的压板区域进行标记，并以标签文件记录标注的信息，标签文件包含图片的名称、尺寸、以及文件的路径、标注框的坐标和类别等信息；

S1.3：按照9:1的比例将数据集划分为训练集、验证集、测试集，其中，训练集和验证集也按9:1的比例进行划分，最终得到训练集810张，验证集90张，测试集100张。

所述步骤2中，变电站压板状态识别网络模型的基本结构包括YOLOX网络，YOLOX网络包含骨干网络，颈部网络，头部网络；

所述骨干网络为CSPDarknet网络构成YOLOX的主干网络；它是Darknet53的改进版本，引入了CSP(Cross Stage Partial Network)模块，主要负责特征提取和融合；

所述颈部网络为PAFPN网络；是YOLOX中使用的特征金字塔网络之一，旨在解决不同尺度特征的融合问题，提高目标检测的精度和效率；

所述头部网络为Head预测分类网络，是指检测模型输出层之后的一组网络层，其目的是将检测模型的输出特征图转换为检测结果。

所述步骤2中，改进YOLOX算法的改进之处具体如下：

1)在YOLOX特征提取颈部网络中引入ECA注意力机制，其公式为：

式中，x表示输入的特征图；y表示经过ECA注意力机制增强后的特征图；σ表示sigmoid激活函数；C表示通道数；f是一个由全局平均池化和一系列线性变换组成的函数；γ是一个可学习的参数；f(x

2)引入Focal loss损失函数替换基准网络YOLOX中的交叉熵损失函数，其损失函数公式为：

式中，α

所述步骤3中，训练改进的YOLOX网络模型，将步骤1中构建的压板图像数据集输入到步骤2中改进后的YOLOX网络模型进行训练；共计训练100轮，选取训练损失值最小的训练权重W

具体的训练参数为：输入图像大小为640×640×3，采用Adam优化器优化训练，初始学习率为0.001，学习动量为0.9，权重衰减系数为0.0005，批量大小设置为8。

所述步骤4中，利用训练好的改进YOLOX网络模型识别压板状态：利用步骤3中获取的训练效果最优的模型，用于对测试集的压板图像进行测试，获得包含压板图像位置和状态的结果图。

本发明一种基于改进YOLOX的变电站压板状态识别方法，有益效果如下：

1)本发明提供的一种变电站功能型保护压板投退状态辨识方法，有效解决压板状态识别中存在的压板密集、目标较小而导致的识别准确率低的问题，对变电站压板图像的智能巡检具有重要的理论意义和实际价值。

2)此外，本发明提出的YOLOX改进算法，通过在特征提取主干网络中加入ECA注意力机制及优化损失函数等措施，有效提升模型对小目标识别的准确率，并解决了数据集中投入、退出状态压板类别不平衡的问题。

3)本发明能够准确而快速地检测出复杂背景压板图像中的位置和并识别其投退状态，有利于促进智能电网建设，对电力系统的安全、可靠性和智能化水平提升产生积极的推动作用。

附图说明

图1为本发明的方法流程示意图。

图2为本发明部分图像扩增结果图。

图3为本发明二分类压板图像标注结果。

图4为标记信息文件结果。

图5为本发明的ECA注意力机制加入位置示意图。

图6为本发明的ECA注意力机制网络结构图。

图7(a)为基准模型YOLOX模型训练结果；

图7(b)为本发明改进的YOLOX模型训练结果。

图8(a)为测试图像；

图8(b)为原模型检测结果图；

图8(c)为本发明模型检测结果图。

具体实施方式

基于改进YOLOX的变电站压板状态识别方法，如图1所示，该方法包括如下步骤：

S1：采集变电站压板图像，并对图像进行人工标注，构建压板图像数据集；

S2：构建基于改进YOLOX算法的变电站压板状态识别网络模型；

S3：利用数据集训练改进的YOLOX网络模型，选出训练效果最优的模型；

S4：基于训练效果最优的模型，实现压板图像中压板的位置检测和状态识别。

所述步骤S1包括：

s11：对采集的压板图像进行数据扩增，考虑到需要对压板图像进行目标检测与识别，不宜改变图像固有的内容，因此主要采用如下方式扩充数据集，包括：缩放、旋转、改变亮度、调节对比度、调节饱和度以及添加高斯噪声等，最后得到包含1000张压板图像的数据集；部分扩增结果图如图2所示；

s12：使用LabelImg图像标注软件对扩增后的压板图像数据集进行标注任务，并附属不同的标签，图像标注结果如图3所示；标注结果信息用xml文件进行保存，包含标注目标的类别和位置信息，同时保存了目标图像的高度和深度信息，标记信息结果如图4所示；

s13：按照9:1的比例将数据集划分为(训练集+验证集)和测试集，其中训练集和验证集也按9:1的比例进行划分，最终得到训练集810张，验证集90张，测试集100张。

所述步骤S2中，改进网络模型的基本结构为YOLOX网络，包含骨干网络，颈部网络，头部网络；

所述骨干网络为CSPDarknet网络构成YOLOX的主干网络，它是在Darknet53网络中引入了CSP模块，主要负责特征提取和融合；

所述颈部网络为PAFPN网络，旨在解决不同尺度特征的融合问题，提高目标检测的精度和效率；

所述头部网络为Head预测分类网络，是指检测模型输出层之后的一组网络层，其目的是将检测模型的输出特征图转换为检测结果；

所述改进YOLOX算法的变电站压板状态识别模型改进方式为：

s21：在YOLOX特征提取主干网络中引入ECA注意力机制；

s22：引入Focal loss损失函数替换原网络中交叉熵损失函数。

进一步地，所述步骤s21中，特征提取主干网络中引入ECA注意力机制，其加入位置示意图如图5所示，其网络结构如图6所示。ECA模块的核心思想是通过对通道维度的特征进行逐通道的自适应加权来提高特征的表达能力，其公式为：

式中，x表示输入的特征图；y表示经过ECA注意力机制增强后的特征图；σ表示sigmoid激活函数；C表示通道数；f是一个由全局平均池化和一系列线性变换组成的函数；γ是一个可学习的参数；f(x

进一步地，所述步骤s22中引入Focal loss损失函数替换交叉熵损失函数，通过给予少数类样本更大的权重，提高了模型在少数类样本上的分类性能。Focal loss损失函数公式如下：

式中，α

进一步地，所述步骤S3中利用数据集训练改进的YOLOX模型，以验证算法的有效性。选择使用ImageNet数据集中的预训练权重用于所提改进YOLOX网络的训练任务，以增加网络的学习与识别能力。实验中，输入图像大小为640×640×3，采用Adam优化器优化训练，初始学习率为0.001，学习动量为0.9，权重衰减系数为0.0005，批量大小设置为8。采取冻结和解冻训练两个阶段，共计训练100轮，前50轮为冻结阶段，后50轮解冻训练。每一个epoch保存一次，最终选取训练损失最低的训练模型用来预测。

图7(a)为基准模型YOLOX模型训练结果，图7(b)为本发明改进的YOLOX模型训练结果。由图7(a)、图7(b)可知，两个模型的损失值总体呈现递减趋势，在50个epoch的时候模型解冻，损失值有明显的陡度变化，随着训练的继续进行，损失值进一步下降最后在80个epoch时趋于稳定。相比于原始模型，本发明改进的YOLOX模型损失下降速度更快，且训练结束时模型损失更小，证明所提出的改进模型有着更好的训练效果。

为验证本发明每一个改进的策略都对模型检测性能的提升有所帮助，下面以YOLOX-S为基准模型，设置多组试验展开分析，所有试验的数据集和训练参数保持一致。表1为不同分组的检测结果，其中“√”代表模型使用了该改进方法，“×”代表未使用该改进方法。分组1为原始YOLOS算法检测结果；分组2为在分组1的基础上添加ECA注意力机制后的检测结果；分组3为在分组2的基础上优化损失函数后的检测结果。

表1消融试验

由上表1数据可知，添加ECA注意力机制后，两种类别的识别准确率有较为明显的涨幅，表明ECA注意力机制具有更好的特征提取能力。但是由于投入状态压板数量相对于退出状态压板数量较少，模型对投入状态压板数量的识别准确率相对较低。优化损失函数后，模型性能进一步提升，两种类别的准确率相对持平。相较于原始模型，本发明改进的模型中两个改进措施都提高了模型的识别准确率。改进模型后，投入状态压板检测精度提升4.64％，退出状态压板检测精度提升1.57％，平均精度提升3.1％，各方面都有一定程度的提升。

为对本发明改进的YOLOX算法的检测性能进行进一步验证，在保持实验环境一致的情况下，将其与YOLOv4-tiny、YOLOv4-Ghost、YOLOv4-MobileNetV3、YOLOX-S等模型进行对比实验，相关结果如表2所示。

表2对比试验

从表2中可以看出，本发明改进算法各方面都优于其他几种算法，总体检测精度最优，单目标的检查精度最优。在YOLOv4系列算法中，检测精度最高的是YOLOv4-MobileNetV3，其平均检测精度为98.82，而本发明改进的YOLOX模型，平均检测精度为99.85，检测精度提升1.03％。综上所述，相比于模型YOLOX-S和YOLOv4系列改进模型，本发明基于YOLOX的改进模型最终检测精度有较大优势。

进一步地，所述步骤S4中选取步骤S3中获取的训练效果最优的模型，用于对测试集的压板图像进行测试，获得包含压板图像位置和状态的结果图。为了直观展示本发明改进YOLOX算法的检测效果，选取两张具有代表性的压板图像进行检测，其检测结果如图8(a)～图8(c)所示。可以看出，两个模型都能检测出压板位置并准确识别其状态，但是本发明改进方法对每个类别的识别准确率的置信度更高，更具有说服力。

综上所述，本发明针对复杂背景中的压板图像状态识别问题，提出一种改进YOLOX的识别方法，通过在特征提取主干网络中加入ECA注意力机制及优化损失函数等措施，提升模型对小目标识别的准确率，并解决了数据集中投入、退出状态压板类别不平衡的问题。经过试验测试，本发明改进模型相对于原始模型以及其他目标检测模型，展现了显著的优势。