基于优化目标检测算法的变电站智能巡检技术探析.pdfVIP

电网运维

GridOperation

基于优化目标检测算法的变电站

智能巡检技术探析

俞士虎  刘桐然 

（国网冀北电力有限公司廊坊供电公司）

摘要：本文对YOLOv5模型进行优化，引入ShuffleNetv2模型、采用视觉注意力CBAMH机制加权处

-

理后，嵌入YOLOv5模型进行多尺度特征融合。优化后YOLOv5模型在自建数据集上的平均精度提升了约

20%，显著增强了变电站设备智能巡检的准确性和可靠性。降低了模型的计算量和参数量，易于部署在移

动设备、嵌入式系统、物联网等设备和平台上，且优化后巡检的精准度得到增强。

关键词：变电站设备状态识别；智能巡检；YOLOv5模型；轻量化；注意力机制

文以河北5座110kV变电站智能巡检系统亮度最高点的权重值反而最低，因此在融合图像中

本工程为例，选取自主配置的683个预置点红外图像中的关键内容反而变得昏暗。为放置出现

位设备为观察点，以远程智能巡视替代人可见光图像在融合图像中居于主导地位，要采取有

工现场巡视，实验变电站高压设备智能巡检模型的效措施对其影响进行平衡。

性能，本文面向边缘端优化的目标检测，通过引入1.2优化YOLOv5算法

ShuffleNetUnit来提高模型的性能和效率，提升其YOLOv5算法是典型的目标检测法，该检测法

图像的分辨率，保留图像特征[1]。但白天强光会给所输入图像均分为边长（）是的网格，进而

红外图像拍摄造成光照干扰，导致图像细节不明显。完成检测，有效预测图像生成的便捷框、位置参数

本变电站智能巡检模型采用了图像融合算法的处理和类别，确定边界框的置信度、类别、尺寸和位置

方法去规避此图像缺陷，以增强红外图像的细节特参数等。而后通过NMS算法对多余数据进行过滤，

征，确保其图像特征与信息，精确定位故障点[2]。在侧框中保留置信度高的数据，确保图像识别的精

准可靠。该方法有效避免了重复检测与冗余数据问

1 变电站智能巡检模型

题，使检测数据更加准确可靠。优化YOLOv5算法

1.1优化YOLOv5模型后，增强数据Mosaic算法检测系统的鲁棒性，以

本模型引入Gamma自适应校正法，依据融合扩充数据集的方式提高检测的精度与泛化能力。

图像的动态范围规避图像融合过程中的颜色、亮度1.3改进主干网络模块

等的变化问题，相应的红外图像表达式为：YOLOv5主干网络模块中，虽然CSP结构能

ZpZypZp

e（）=b（）d（）够增强检测性能，但计算过程较为复杂、推理时间

pZp

式中：是图像的像素，e（）是经过多尺度长，无法满足相应的应用要求。较YOLOv5原生的

Zp

拉伸后的红外图像，d（）为红外图