基于Protect-YOLO的变电站电力作业人员佩戴安全防护用具检测

变电站是电力系统的关键节点 ,承担了电压变换、电能分配、电能调度等功能 ,事关电力供应稳定性大局 。由于变电站内电压等级高 ,电力设备复杂 ,作业人员在站内进行日常操作、检修和维护时 ,时刻面临着触电、电弧、高温等多种潜在危险 ,而正确佩戴安全防护用具 ,例如安全帽、绝缘手套、绝缘鞋、绝缘棍等 ,能显著降低意外发生时的伤亡风险^[1]。

近年来 ,随着计算机视觉技术的迅猛发展 ,特别是 卷 积 神 经 网 络 (Convolutional  Neural  Network , CNN)在目标检测、图像分类、分割等领域的成功应用 , 学者们也开始探索将其应用于电力安全防护领域。例如,文献[2]提出了结合人体姿态检测AlphaPose和ResNet的电力作业人员着装检测模型 ,文献[3]训练了CNN模型识别电力巡检作业中的安全帽、安全绳、工作服等防护用具 ,文献[4]提出了基于YOLO的输电线路走廊隐患检测模型 。上述诸多CNN结构模型(ResNet、YOLO、AlphaPose等)具有强大的特征学习能力 , 能够自动从电力作业场景中学习到具有辨识性的特征 ,而无须人为再提取 ,兼具了抗噪性和鲁棒性的优点。

鉴于此 , 本文建立了基于protect—YOLO的电力作业人员佩戴安全防护用具检测模型 ,将安全帽、安全鞋、安全手套等三种防护用具和作业人员作为检测目标 ,采集并标注变电站作业实景图像 ,送入网络训练 ,并在反向传播中更新模型参数 ,在保持较低模型复杂度的同时实现优异的检测性能 , 以提升作业人员的安全水平。

1    基于Protect—Y0L0的电力作业人员安全防护模型

1.1    YOLOv5结构

YOLOv5是目标检测领域的一种先进模型 , 因其检测速度快、精度高而被广泛应用于各类实时监测任务。

YOLOv5采用跨阶段局部网络(Cross Stage Partial Networks,CSPNet)[5]作为骨干网络 ,通过卷积层和残差模块提取图像中的多尺度特征 ,如图1所示。其中 ,Conv卷积逐层提取特征 ,残差连接实现了跨特征层的信息直达和特征复用。

其次 ,YOLOv5的Neck采用PANet结构融合不同 层次的特征 ,提升了模型对目标的感知能力和识别性能 ,如图2所示。

最后 ,YOLOv5的Head端包含三个不同分辨率的输出层 , 高/低分辨率层分别负责输出小目标/大目标的类别和边界框坐标。

1.2    Protect—YOLO模型结构设计

Protect—YOLO在YOLOv5的基础上 ,对于变电站内电力作业人员是否正确佩戴防护用具进行了针对性优化 , 网络结构如图3所示。

Protect—YOLO的创新点:

1)小目标检测分支 。如 图 3 Head部分所示 ,Protect—YOLO相比YOLOv5另外增添一个小目标检测分支。对于人员佩戴的小尺寸防护用具 ,如绝缘手套 ,其特征在经过逐层卷积操作后 ,浅层信息容易丢失 ,导致漏检发生 。 因此 ,Protect—YOLO额外利用了PANet结构中160×160×128尺寸的高分辨率特征图 ,来捕获图像中小目标的细节信息 ,如纹理、边界等 , 以提高小目标的检测精度。

2)损失函数改进。Protect—YOLO优化了YOLOv5 损失函数 , 将CIOU边界框回归损失函数改进为 WIOU Loss ,计算公式如下:

式中: (x , y , w , h)是预测边界框的中心点坐标 、宽 、高 ; (x' , y' , w' , h')是真实边界框的中心点坐标、宽、高 ;IOU是真实框和预测框交并集比例;c表示预测边界框和真实边界框最小闭包区域(最小外接矩形)的 角线长度;v表示预测框和真实框的长宽比之间的差 异 ,使用反切函数将两框的宽高比转换为角度来表示;4/Π²是角度差异平方归一化系数;w1,w2,w3是IOU、中心点距离和长宽比的权重因子。

相较于CIOU Loss,WIOU可根据目标的大小和特性动态调整损失权重因子 ,提升模型在不同目标尺度、困难场景下的检测性能。

2    案例分析

2.1    变电站电力作业实景数据集

本章通过变电站内监控截取、人工拍摄、数据增强等技术 ,构建了变电站电力作业实景数据集。制作的数据标签有4个类别:安全帽、绝缘手套、绝缘鞋、作业人员 。考虑到恶劣天气、昼夜变化、设备遮挡等干扰场景 ,数据集的覆盖范围包括雷雨大风、烈日晨昏、杂物遮挡等各类场景 。最终 ,获得变电站电力作业实景数据集1 000张 , 随机按照80%和20%的比例划分训练集和测试集 。图4节选了部分图像数据。

2.2    模型评价指标

为评估Protect—YOLO模型对电力作业人员佩戴 防护用具的检测效果 ,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)等指标来 衡量 ,计算公式如下:

式中:Pi 为第i类目标的准确率;Ri 为召回率;TPi 为正确预测为第i类目标的正样本数;FPi为错误预测为第i 类目标的正样本数;FNi 为错误预测为除第i类目标外的正样本数;APi 综合考虑了检测模型对第i类 目 标的准确率和召回率 ,是在不同置信度阈值下计算 的精度—召回率曲线下的面积;mAP则是所有类别AP 的平均值。

此外 ,作业人员必须将安全帽 、绝缘手套 、绝缘 鞋穿戴齐全 ,才可认为防护用具佩戴规范 ,换言之 , 图像中检测到一位作业人员 ,必须要同时检测到其他三类目标才算防护合格 ,否则视为不规范。

2.3    实验结果及对比实验

在 Python3.8、PyTorch1. 12. 1 环 境 下 编 写 基 于Protect—YOLO的电力作业人员佩戴安全防护用具检 测模型 。表1和图5展示了Protect—YOLO在训练集上 的评价指标和检测效果。为了与其他经典的目标检测 模型做性能对比 ,另外使用了Faster RCNN、YOLOv5 对相同数据集做反复实验 , 并在测试集上验证模型 的检测效果 ,获得各类目标和总体指标。

由表1可知 ,Protect—YOLO模型在测试集上总体精度(P)为0.93 ,召回率(R)为0.91 ,mAP@0.5为0.94 ,在所有检测模型中表现出的效果最佳。可见 ,该模型在检测变电站中的电力作业人员、安全帽、绝缘鞋、 绝缘手套方面表现优异 , 具有较高的准确率和稳健性 ,这对督促作业人员规范佩戴防护用具、确保安全生产具有重要意义。

3    结束语

本文提出了一种基于Protect—YOLO的变电站电力作业人员佩戴安全防护用具检测模型 ,通过优化YOLOv5结构 , 引入小 目标检测分支和WIOU Loss , 模型具备了困难、遮挡和复杂作业场景中的检测能 力 。实验结果表明 ,Protect—YOLO在检测安全帽、绝 缘鞋和绝缘手套等防护用具方面的性能优于其他经 典检测模型 ,用其识别电力作业人员的安全防护用 具佩戴是否规范是可行的。

[参考文献]

[1]  张伍康 ,潘立志 , 郭志彬 ,等 . 电力场景下基于RetinaNet 的绝缘手套异常状态视觉检测方法[J].湖南科技大学学 报(自然科学版),2022 ,37(1):85-91.

[2]  黄文杰 , 徐文峰 , 张春凤 , 等 . 一种结合Alphapose和 ResNet的电力施工人员着装检测模型[J]. 电力信息与通 信技术 ,2022 ,20(3):40-47.

[3]  李坚 ,吴佳 ,任启.基于特征识别与云边协同的安全智能 检测技术研究[J]. 电子设计工程 ,2024 ,32(10):78-82.

[4]  郑含博 , 胡思佳 ,梁炎槳 ,等 .基于YOLO-2MCS的输电线路 走廊隐患 目标检测方法[J] . 电工技术学报 , 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