基于YOLOv3的保护装置指示灯状态识别方法分析

云南电网有限责任公司红河供电局 杨韵融

针对变电站控制室继电保护装置指示灯状态难以识别的问题,本文提出了一种改进的轻量级YOLOv3指示灯状态识别方法。鉴于指示灯数据较少且难以获取，使用了多种数据增强的方式将数据进行扩充和优化来自建指示灯数据集；然后将数据输入到轻量级的YOLOv3-Mobilenetv3_large模型中实现多特征融合和处理，最终实现指示灯状态检测和识别，并将指示灯的状态变化情况实时反馈给控制室工作人员，起到了实时掌握控制室设备工作情况和辅助值班的作用。实验结果中，该方法的APIoU=0.5达到了0.998，表明该方法能够准确识别变电站保护装置指示灯的亮、灭状态，具有很大的工程应用价值。

变电站控制室中为了了解电力设备的运行情况，会设置各种电力保护装置的指示灯，指示灯的状态变化实时反馈了电力设备的运行情况。为了能够准确了解控制室设备的工作情况，企业一般会耗费大量的人力来了解情况，而这种人工监视工作容易出现疲乏，难以做到全面的实时的监控，一旦出现工作上的失误将会给企业和用户造成难以估量的损失。

为了减少企业在人力上的耗费，及时准确掌握实时监控信息，提高变电站控制室工作效率，通过将控制捕获到的图像新数据通过结合视觉处理和深度学习算法来捕获深层视频信息，过滤掉噪音数据，将有效信息进行智能化的处理后传递给监控者，实现对智能化高效监控[1]。通过计算机模拟人对采集到的视频图像进行处理，获得敏感信息，并进行智能化信息处理，并将控制室工作情况及时准确地反馈给工作人员。

本文针对变电站保护装置的指示灯状态视频进行分析和研究，为了能够准确识别变电站保护装置的指示灯状态识别，提出了一种基于深度学习的轻量级YOLOv3算法。通过将控制室指示灯视频数据进行预处理后，结合轻量级YOLOv3方法对视频数据对指示灯进行自动目标检测和识别，最后通过真实控制室指示灯数据来进行模型可行性验证。

1 相关研究

目前，传统的目标检测方法在指示灯状态识别中应用广泛。针对指示灯状态识别时，考虑到指示灯的亮度、背景光和噪音情况，并设置指示灯阈值来对指示灯状态进行判别，进而实现指示灯监控预警。同时，也可以考虑在指示灯图像预处理过程中进行图像边缘信息强化，并结合圆检测与圆心定位算法来进行快速目标定位和检测，在一定程度上提高指示灯状态识别准确率。

近年来，深度学习方法被广泛应用于目标检测和识别任务中。深度学习模型通过模拟人脑的视觉感知系统，直接从原始图像中提取特征，并逐层传递，以获得图像的高维信息。目前比较流行的基于深度学习的目标检测和识别方法主要是基于YOLO的方法，很多优秀的目标检测方法都是在此基础上进行的一些改进和研究。

YOLOv3[2]使用DarkNet53[3]结合残差网络作为基础网络结构，加快了模型预测和识别的速度，并且能够实时准确地进行高精度的数据运算。徐融等[4]将YOLOv3进行优化，应用于小目标目标检测中，在网络层中结合联级RFB和密集连接来进行特征强化和获取。李妮妮等[1]将YOLOv4的主干网络替换成Mobilenet，并结合聚类算法和焦点损失来对数据进行优化，有效缓解了目标检测与定位准确率低的问题。邵伟平等[5]提出了一种以MobileNet为基础构架的YOLO-Slim轻量化网络，能够支持其在小型计算机设备。薛俊韬等[6]提出了一种基于MobileNet的轻量级多目标检测跟踪算法，通过简化网络模型在一定程度上加快了模型的训练速度，同时模型的性能也有所提升。

在指示灯状态识别的研究过程中发现，结合深度学习算法来进行指示灯状态的研究比较少。同时考虑到YOLOv3_mobilenet在目标检测任务中的优势，本文将变电站指示灯目标识别任务与YOLOv3_mobilenetv3相结合起来，提出了一种轻量级的继电保护装置指示灯状态识别方法。该方法有效缓解了YOLOv3模型参数庞大计算复杂的问题，大幅度减少了模型复杂度，加快了模型训练速度。同时，通过实验结果发现，模型在继电保护装置指示灯状态识别任务上效果显著。

2 基于YOLOv3的保护装置指示灯状态识别方法

YOLOv3使用Darknet53来作为分类器，分类效果表现优异，但是考虑到YOLOv3网络太过庞大，虽然能够很好的检测并识别出保护装置的指示灯状态情况，但是计算耗时，在进行移植后无法满足实时使用的应用需求。基于此，可以考虑将深度学习方法进行压缩得到轻量级模型，以减少模型计算量，如：MobileNet[7]。考虑到在变电站控制室指示灯识别的实际应用中，模型对于资源的消耗高，模型在YOLOv3的基础上结合了MobileNetv3-large来进行设计。

模型网络结构如图1所示，主要描述一下模型的主干网络部分和预测网络部分：（1）主干网络：将庞大的Darknet53网络进行轻量化，利用轻量级的网络MobileNetv3_large来作为改进模型的主干网络。（2）预测网络部分。首先将YOLOv3预测网络部分，将原有的1×1卷积层替换为Inverted-bneck-shortcut结构。由于该结构由深度可分离卷积和shortcut残差连接构成，它在改变特征图通道的同时能够尽可能地保留特征图的特征信息；然后在YOLOv3生成尺寸为256×256的输出特征图部分，融合了多个尺度的输出特征图信息，使得特征图中包含更多的目标特征信息，从而提升模型的预测精度。

3 实验结果与分析

3.1 实验数据准备

目前公开的指示灯数据集比较少，本文使用的变电站保护装置指示灯数据为自建数据集，数据共计电力系统保护装置指示灯图10000条，其中训练集、测试集与验证集的比例为8:1:1。

考虑到数据的质量对模型的效果影响极大，在训练模型之前，需要对数据进行增强。在指示灯数据采集过程中，可能会存在很多噪音无关数据，需要对一些数据进行去除；数据为企业在控制室采集积累的数据，考虑到数据的安全性和其他因素，数据采集困难，数据量不足，采用过采样来对数据进行扩充。同时，为了保持数据的多样性，避免数据的过拟合，提高模型的泛化能力，将数据进行平移、翻转、旋转等多种变换方式以及随机尺度变化等方法来进行数据增强。通过实验也表明，数据增强后模型能够从不同的图像数据中学习到目标特征，模型的检测精度和泛化能力效果达到了企业的应用要求。

3.2 实验设置和评价指标

实验使用PaddlePaddle深度学习框架来进行模型训练，实验的操作系统为Windows10，CPU为I7-9700K，GPU为Nvidia RTX 2080Ti，内存为32G。训练过程中，设置批次大小为16，最大迭代数为60，初始学习率为0.00001。在实验过程中，输出图片的像素大小设置为[512,512]。

在目标检测任务中常用的实验评价指标为：平均检测精度AP（Average Precision），平均召回率AR（Average Recall）。

3.3 实验结果与分析

在实验中，我们使用自建的继电保护指示灯数据来验证基于改进的YOLOv3的目标检测模型，通过多次实验后，得到实验结果如表1所示。

表1 实验结果Tab.1 Experimental results

从表1实验结果中可以发现，在MaxDets=100时，AP的值在不断变化。为了提高精度，在实验中计算了IoU在（0.5,0.95）区间内的平均Precesion值。当IoU取值为0.50～0.95时，AP的平均值最大为0.852。在最后的实验结果中，通过计算IoU=0.5时模型达到的AP值来展现模型效果的好坏。从实验结果中可知，当IoU=0.75时，AP值为0.995；当IoU=0.50时，AP值达到最高0.998，模型效果达到最优。结合以上实验的所有结果，得到模型的最优效果AP值为0.998。

实验结果表明，模型预测的结果错误的概率很低。该模型通过准确预测出继电保护装置指示灯状态，并将指示灯变化情况及时传递给相关人员，起到指示灯状态提醒作用，让企业能够在短时间内快速掌握控制室的工作情况，满足了企业的应用要求。

4 结语

本文针对继电保护装置指示灯状态识别任务，通过结合深度学习算法进行目标状态检测和识别。为了提高指示灯状态识别的效果，提出了一种基于改进的YOLOv3目标检测算法，该方法将YOLOv3和Mobilenetv3的优势相结合。模型能识别正常条件下指示灯状态并提供指示灯状态变化情况，实时准确掌握控制室指示灯情况，并将识别结果给予监控工作者状态提醒，为控制室工作情况提供准确实时数据，对控制室工作情况是否正常起提醒和防范作用。该方法在变电站保护装置指示灯状态识别中具有很大的应用价值。