基于特征补充与重构的电网巡检作业风险识别技术研究

孔晨华，贺洲强，陈 钊，杨 康，吴俭民

（1.国网甘肃省电力公司兰州供电公司，甘肃 兰州 730070；2.国网甘肃省电力公司，甘肃兰州 730030）

在电网巡检过程中，需人工确认故障发生的位置并进行维修。但发生故障的野外通常处于强电、潮湿、山区等安全保护措施较差的环境，故维修人员的基础保护设备有安全帽、安全带与静电衣等。传统的安全帽检测仅依靠人工监督，但电网野外巡检施工作业的面积较大，固定摄像监控难以全面覆盖，因而无法及时监控工人施工安全措施是否达标[1]。基于无人机的电网巡检监控技术是未来的主要工程应用平台，因此研究一种体量小、速度快且精度高的复杂环境安全帽自动识别算法，对保证巡检人员的人身安全、降低作业过程中安全事故的发生具有重要意义。

安全帽检测算法属于目标检测范畴，其主要通过对图像中所构建的特征加以学习与重构，进而对安全帽进行准确识别。传统的目标检测算法使用人工对安全帽特征进行筛选，并将筛选过后的数据进行训练。此种方法主观性较强，且无法应用到实际工程中。而当前使用的深度学习方法（Deep Learning，DL）依靠卷积神经网络（Convolutional Neural Networks，CNN）对图像特征进行学习与重构，故检测准确度得到提升，并脱离了人工特征提取的方法。依据卷积神经网络基础算法，还延伸出了多种算法：例如文献[2]中的SSD 算法，其使用了多尺度特征重构，可有效检测目标群安全帽的佩戴情况；文献[3]所采用的区域卷积神经网络，不仅可扩大检测范围，还简化了算法。但上述算法对计算机的要求均较高，且无法实现端对端的算法应用需求。因此，该文使用YOLOv4检测网络，设计了一种轻量化、运算速度快的端到端安全帽识别算法。

1 算法设计

1.1 YOLOv4网络结构

YOLOv4 网络[4-7]算法的基本思路是首先将输入图像进行标准化分割，得到分辨率为S×S的若干个图像；同时每个图像均会生成N个边界框；然后确定被检测目标所在的图像区块，并计算边界框的置信度。该算法使用多种尺度的特征图进行预测，将不同尺度的特征图分割成为不同数量的单元格，而每个单元格均可对三个边界框进行预测。边界框使用(x,y)、w、h、c这几个参数来表示，(x,y)表示目标中心点相较于图像左上原点的偏移坐标，w和h为图像的宽度与高度，c为图像的通道数，而边界置信度可表示为：

式中，Conj 为置信度，P表示目标中心是否在预选框中的状态，在为1，不在则为0。S为预选框及真值框的面积重合大小，Bt表示真值框，Bp表示预选框。

如图1 所示，图像经过分割后输入网络，首先经过CSPDarknet53 特征提取网络，并得到多个尺度的特征图。设输入图像的分辨率大小为512×512，则采样得到64×64、32×32 及16×16 三个尺度的特征图。与此同时，将16×16 尺度的特征值放入SPP 池化层中进行处理。首先进行三次卷积，之后再进入不同大小的池化层中进行处理。最终64×64、32×32 与池化处理过后的16×16 这三个图像将进入路径聚合层中进行融合处理。处理完成的图像则通过YOLO head 分类器进行分类，从而输出网络检测结果。

图1 YOLOv4网络结构

1.2 改进的YOLOv4网络

在该文应用场景中，算法更注重轻量化与实时性，因此文中对YOLOv4 网络算法进行改进以适应移动端需求，主要从以下两个方向入手：

1）将CSPDarknet53 主干特征识别网络进行轻量化处理，即替换为ShuffleNETv2 网络。

2）为解决替换后平均精确率均值（mean Average Precision，mAP）下降严重的问题，在路径聚合层中加入注意力机制以提高mAP 指标，并保证算法性能。

1.2.1 改进的ShuffleNETv2网络

ShuffleNETv2 网络[8-9]是一种可部署在轻量化平台的神经网络模型，该模型通过对输入输出通道及卷积网络层数的优化。ShuffleNETv2 网络结构如图2 所示。图中结构为在图像输入后的右方通道进行卷积操作，同时原有结构中的1×1 卷积也被更换为基础卷积操作；之后再对两个通道进行处理，以此得到输出结果。

图2 ShuffleNETv2网络结构

为满足轻量化的要求，先对其完成进一步剪裁，改动如下：

1）两个分支上均有Conv1×1，略显冗余，因此去掉一个支路中的Conv1×1。

2）扩大原有通道中的卷积核。将原有的3×3 大小卷积扩增至3×3+BN，即5×5，由此便可进一步增加系统提取特征值的能力。

3）使用Mish 激活函数，该函数相较ReLU 函数能够避免梯度上升过快的问题，从而保证信息的平稳输入。Mish 函数表达式为：

式中，x为上一层传入当前层的数据参数。

因此，改进后的ShuffleNETv2 网络结构如图3所示。

图3 改进后的ShuffleNETv2网络结构

1.2.2 Bi-FPN特征重构融合结构

在YOLOv4 网络算法的架构中，特征融合层使用的PANe（tPath Aggregation Network）网络为传统双向特征融合结构，而Bi-FPN 结构[10]即在传统结构的基础上删除了部分中间节点，进而简化了FPN 结构[11]，具体如图4 所示。

图4 Bi-FPN结构

如图4所示，每个节点均会形成特征值融合[12-14]，故不同的输入图像数据对于特征值的影响因子也存在差异。因此，该网络使用权重训练层来保证不同的特征值有各自的权重。文中选择的权重因子分配函数为快速归一化函数f，该函数的表达式为：

式中，i、j分别表示特征图的数量；φi、φj分别为输入图像的权重因子，其值在0～1 之间，λ避免了分母为0，取10×10-5。训练完成后，通过Mish 激活函数，可保证值大于0。在多次迭代训练之后，最终模型便可保证权重因子为最优。

1.2.3 模型系统结构

该文模型系统结构基于YOLOv4 进行了两方面改进，分别为特征网络模型部分和特征融合层部分[15-16]。

特征网络模型部分使用改进的ShuffleNETv2 结构保证了模型的轻量化，使其拥有更快的处理速度，同时对ShuffleNETv2 模型的卷积核进行处理，以保证其mAP 值最优。

特征融合层则使用Bi-FPN 模型进行特征融合，该模型增加了注意力机制，并简化了结构，保证了模型的轻量化。最终改进完成的模型如图5 所示。

图5 改进模型结构图

1.3 系统评价指标

为了对算法性能进行评估，该文使用准确率、平均准确率均值及平均帧率三项指标。准确率指的是数据预测中正样本数量TP 与所有样本数量（TP+FP）的比值，具体如下：

平均准确率均值也称mAP，该指标对多个验证数据集合的准确率均值进行平均计算，如式（6）所示：

其中，N为数据集中的数据量，NC 为数据集个数。

而平均帧率指的是算法每秒钟处理图片数据帧的数量，该值越大说明实时性越强。

2 算法测试

2.1 测试环境

为了对算法进行验证，进行了实验环境的搭建，同时使用电网工程类的开源数据集合GDUT-HWD进行数据的训练与验证[17-18]。该数据集为安全帽佩带检测数据集合，内部涵盖了不同场景。实验的环境数据如表1 所示。

表1 硬件环境

2.2 消融实验

首先进行功能验证，对数据集中的图片进行识别，结果如图6 所示。由图可知，该文算法可将已佩戴安全帽和未佩戴安全帽的人员区分开。

图6 识别结果

随后进行消融实验，为了验证该系统算法对YOLOv4 的改进作用，在基础YOLOv4 网络中分别单独添加ShuffleNETv2 网络与Bi-FPN 模型进行验证。该实验分别对比了各种组合模式下的mAP、平均帧率及模型大小，结果如表2 所示。

表2 消融实验测试结果

由表可知，YOLOv4+ShuffleNETv2 的平均帧率相较YOLOv4 有所提升，且模型容量也大幅减少，但由于精简了部分卷积层，因此mAP 值进一步下降了。与之相比，YOLOv4+改进ShuffleNETv2 模型的mAP 值则有所上升。而在此基础上加入了Bi-FPN后的该文算法mAP值进一步提高，同时模型大小和平均帧率均处于最优水平。原因在于改进的ShuffleNETv2 模型能够增加平均帧率，提高算法实时性能，而Bi-FPN 模型则可适度提升算法的准确度。上述结果表明，该文所使用模型相较YOLOv4原始模型性能有所提升。

2.3 不同算法对比实验

为横向验证算法的性能，还进行了对比算法测试。文中使用了SSD、RCNN、YOLOv3 等常见算法进行算法测试。算法最终测试结果如表3 所示。

表3 测试结果

由表3 可知，该文算法相较其他算法，在mAP 及平均帧率上的表现均为最优，说明该算法性能较好，且实时性较高，故可应用于实际工程。

3 结束语

面向智能电网巡检的作业环境，该文提出了一种体量小、速度快、精度高的安全帽自动识别算法，其使用YOLOv4 目标检测模型作为算法框架，并从主网与路径聚合两方面对框架进行改进，实现了算法的轻量化，以便于更好地应用在无人机/机器人等移动巡检平台上。实验结果表明，所提算法识别准确率高，且平均帧率值较高，具有良好的工程应用价值。