曹恩宇，王旭紅

（長沙理工大學(xué)電氣與信息工程學(xué)院，長沙 410114）

0 引言

變電站安全可靠的運(yùn)行關(guān)系重大，在電力設(shè)備安全運(yùn)行中，監(jiān)測變電設(shè)備的溫度和診斷分析熱故障是尤其重要的［1］。隨著科技的不斷發(fā)展，國內(nèi)很多變電站通過將紅外監(jiān)測設(shè)備安裝在電力巡檢機(jī)器人或者無人機(jī)等移動(dòng)平臺上，以這種智能監(jiān)測的方式來代替人工巡檢，雖然可減輕人工巡檢的一些負(fù)擔(dān)，但變電站中的變電設(shè)備種類多、分布密集，目前國內(nèi)大部分的變電站識別和診斷紅外熱像所使用的仍是效率低且復(fù)雜的人工方法［2-3］。因此，有必要研究出一種無須人工參與且高效的變電設(shè)備紅外熱像識別技術(shù)。在變電設(shè)備紅外熱像識別技術(shù)中，為了保證識別的準(zhǔn)確性，必須解決的一大難點(diǎn)就是變電站復(fù)雜的環(huán)境和密集的建筑物［4］。由于極端氣候造成的雜波和噪聲干擾，以及變電站設(shè)備與背景建筑之間的溫差較小，所以背景環(huán)境和變電站設(shè)備無法有效分離，會導(dǎo)致識別精度較低［5］。

紅外熱像增強(qiáng)算法可以有效改善圖像對比度低、噪聲污染嚴(yán)重、視覺效果差的問題［6］。大多數(shù)現(xiàn)有的基于Retinex 的方法需要手動(dòng)設(shè)置約束和參數(shù)。當(dāng)應(yīng)用于不同場景時(shí)，這些人為設(shè)置的約束和參數(shù)可能會受到模型容量的限制［7］，該技術(shù)被廣泛應(yīng)用于圖像增強(qiáng)領(lǐng)域。文獻(xiàn)［8］提出了一種數(shù)據(jù)驅(qū)動(dòng)的RetinexNet 圖像增強(qiáng)算法，不僅解決了模型容量的限制，而且具有良好的增強(qiáng)效果。經(jīng)過近幾年的不斷研究，國內(nèi)許多研究機(jī)構(gòu)開始著手于將深度學(xué)習(xí)應(yīng)用于變電設(shè)備的識別中，并取得了一定的進(jìn)展。基于Faster RCNN 的紅外熱像缺陷檢測方法使用深度學(xué)習(xí)算法，雖然能夠準(zhǔn)確地定位和識別紅外熱像，彌補(bǔ)了傳統(tǒng)方法在識別的準(zhǔn)確率上的不足，但是沒能優(yōu)化低對比度情況下的紅外熱像識別精度［9］，而且Faster RCNN 等兩階段模型所需要的檢測時(shí)間較長，實(shí)時(shí)性無法得到保障［10］。將自適應(yīng)感知模塊和YOLO-v3 網(wǎng)絡(luò)結(jié)合進(jìn)行絕緣子缺陷定位和識別的方法，對檢測的定位速度和識別精度均有所提升［11］。由于沒有圖像預(yù)處理這一環(huán)節(jié)，因此在復(fù)雜的環(huán)境背景中該方法的最終識別效果會被噪聲等因素影響。

本文研究了一種基于深度學(xué)習(xí)的變電站設(shè)備紅外熱像增強(qiáng)和識別的方法。首先使用RetinexNet 圖像增強(qiáng)方法，解決變電站設(shè)備紅外熱像溫度分布過于集中、對比度低、變電站背景復(fù)雜等問題，為準(zhǔn)確識別變電站設(shè)備紅外熱像創(chuàng)造有利的條件；然后利用YOLOX-Darknet53 算法對變電設(shè)備進(jìn)行識別。該方法能夠滿足變電站智能監(jiān)測在準(zhǔn)確性、高效性以及實(shí)時(shí)性上的要求。所設(shè)計(jì)的變電設(shè)備紅外熱像識別流程如圖1所示。

圖1 變電設(shè)備紅外熱像識別流程圖Fig.1 Flow chart of infrared thermal image recognition for substation equipment

1 基于RetinexNet 的圖像增強(qiáng)

1.1 RetinexNet 算法介紹

Retinex 理論是由Land 等學(xué)者［12］于1971 年提出的，這是一種模擬人眼感知顏色和亮度能力的理論。Retinex 算法可以從圖像中估計(jì)出入射光和出射光的強(qiáng)度，減少入射光對反射光的影響，從而增強(qiáng)圖像。Retinex 理論將圖像視為光照分量I和反射分量R的乘積即：

式中，S為原始圖像，I為原始圖像的光照分量，R為原始圖像的反射分量。RetinexNet 算法是一種基于Retinex 理論和CNN 算法的低照度圖像增強(qiáng)算法，該算法集成了圖像分解和連續(xù)圖像增強(qiáng)操作，RetinexNet 算法流程圖如圖2 所示。

圖2 RetinexNet 算法流程圖Fig.2 Algorithm flow chart of RetinexNet

1.2 RetinexNet 網(wǎng)絡(luò)結(jié)構(gòu)

RetinexNet 算法分為三個(gè)步驟：分解、增強(qiáng)和重建，該框架如圖3 所示。其中，分解步驟是對圖像的光照分量I和反射分量R進(jìn)行分解；增強(qiáng)步驟主要是抑制反射分量R的噪聲，同時(shí)矯正圖像的光照分量I；重建是通過式（1），將處理后的I和R相乘，構(gòu)建出調(diào)整后的正常光照下的圖像。

圖3 RetinexNet 網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 Network structure diagram of RetinexNet

1.2.1 分解

在RetinexNet 網(wǎng)絡(luò)的分解步驟中，使用多個(gè)3×3 卷積層、ReLU（Rectified Linear Unit）激活函數(shù)和池運(yùn)算來提取不同級別的圖像特征。為了結(jié)合U-Net［13］的思想，首先進(jìn)行上采樣，以確保組合特征圖的大小一致，并將前幾層的特征圖引入更深一層，進(jìn)行復(fù)制和拼接，然后進(jìn)行特征融合，以獲得更完整的細(xì)節(jié)特征圖。最后一個(gè)3×3 卷積層從特征空間投影光照分量和反射分量，并通過Sigmoid 函數(shù)將光照分量和反射分量約束在［0，1］的范圍。

分解模型的損失函數(shù)L包括重建損失（Reconstruction Loss）、反射分量一致性損失（Invariable Reflectance Loss）和光照分量平滑損失（Illumination Smoothness Loss），如式（2）：

式中，Lrecon為重建損失，Lir、Lis分別為反射分量一致性損失和光照分量平滑損失，λir、λis則分別為反射分量一致性和照度分量平滑度的系數(shù)。

重建損失Lrecon函數(shù)表達(dá)式：

該函數(shù)的作用是使分解出來的反射分量R和光照分量I，盡可能多地重建相應(yīng)的原始圖像。

光照分量平滑損失Lis函數(shù)表達(dá)式：

式中，low 和normal 分別代表低光照圖像和正常光照圖像，λg表示平衡結(jié)構(gòu)感知強(qiáng)度的系數(shù)，?Ii為所分解出的圖像光照分量的梯度值，?Ri為圖像反射分量的梯度值。假設(shè)一個(gè)光照分量I，在紋理細(xì)節(jié)上比較平滑，并且能夠較好地保留整體結(jié)構(gòu)［14］，則該函數(shù)通過對反射分量R求梯度，來給光照分量I的梯度圖分配權(quán)重，使得分解出的光照分量是分段平滑的。

反射分量一致性損失Lis函數(shù)表達(dá)式：

式中，Rlow為低光照圖像的反射分量，Rnormal為正常光照圖像的反射分量。根據(jù)Retinex 分解理論，圖像的反射分量R和光照無關(guān)，因此圖像反射分量的一致性受到該函數(shù)的約束。

1.2.2 增強(qiáng)

通過算法的分解網(wǎng)絡(luò)可得到低光照圖像的Ilow和Rlow在RetinexNet 算法的增強(qiáng)步驟中，使用增強(qiáng)網(wǎng)絡(luò)對Ilow進(jìn)行調(diào)整，使用BM3D（Block-matching and 3D filtering，三維塊匹配濾波）算法對Rlow進(jìn)行去噪增強(qiáng)。。

RetinexNet 網(wǎng)絡(luò)的增強(qiáng)網(wǎng)絡(luò)遵循編碼器-解碼器架構(gòu)。首先，利用編碼器對Ilow進(jìn)行小尺度逐次下采樣，使網(wǎng)絡(luò)能夠?qū)W習(xí)到大區(qū)域的光照分布，下采樣塊由一個(gè)步長為2 的卷積層和一個(gè)ReLU 組成。其次，利用解碼器對具有大規(guī)模光照信息的增強(qiáng)光照圖進(jìn)行重建。在上采樣操作中，采用多尺度拼接的方法來保持全局照度和局部照度分布的一致性。上采樣塊由ReLU 激活的調(diào)整大小的卷積層組成。通過單元求和，在下采樣塊與對應(yīng)的上采樣塊之間引入跳躍連接，迫使網(wǎng)絡(luò)學(xué)習(xí)殘差。編碼器-解碼器結(jié)構(gòu)含有M對下采樣和上采樣塊，在實(shí)驗(yàn)中M取值為5，在保持良好處理速度的同時(shí)，提供了良好的增強(qiáng)結(jié)果。最后，將所有重建通道進(jìn)行級聯(lián)，并將結(jié)果通過1×1 卷積層和3×3 卷積層進(jìn)行推送，重建增強(qiáng)光照圖I^low。

一般來說，由于各種條件的限制和隨機(jī)干擾，采集的圖像包含大量的噪聲，改變了原始圖像中事物的特征，直接對圖像進(jìn)行分析會造成偏差。BM3D 算法是一種基于三維變換濾波的算法，是實(shí)現(xiàn)圖像和視頻降噪的最佳算法之一。BM3D 算法分為兩個(gè)步驟，第一步是基本估計(jì)，第二步是最終估計(jì)，在基本估計(jì)中得到權(quán)重參數(shù)，然后通過所得到的權(quán)重來過濾噪聲。

輸入低光照圖像的反射分量Rlow，經(jīng)BM3D 算法的基本估計(jì)步驟，對圖像進(jìn)行分塊組合，針對輸入的低光照圖像目標(biāo)塊，以滑動(dòng)搜索框的方式找到M個(gè)相似塊，對圖像進(jìn)行DCT 變化后再用歐氏距離衡量相似程度，以從小到大的順序進(jìn)行排序，得到一個(gè)由M個(gè)相似塊組成的三維數(shù)組；然后將三維數(shù)組中每個(gè)塊相同位置的像素點(diǎn)構(gòu)成一個(gè)數(shù)組，將其中小于超參數(shù)的值置零，并統(tǒng)計(jì)非零成分的數(shù)量，對三維矩陣進(jìn)行逆變換；最后將逆變換后的塊放回原位，利用非零成分?jǐn)?shù)量統(tǒng)計(jì)疊加數(shù)權(quán)重，將疊放后的圖除以每個(gè)點(diǎn)的權(quán)重就得到了基礎(chǔ)估計(jì)的圖像。通過基礎(chǔ)估計(jì)處理后就能很好地消除圖像中的噪點(diǎn)，但是需要去除低頻系數(shù)上的噪聲并還原更多的圖像細(xì)節(jié)。在BM3D 算法的最終估計(jì)步驟中，首先根據(jù)基礎(chǔ)估計(jì)后的圖像與輸入的低光照圖像通過歐式距離衡量基礎(chǔ)圖中的塊與低光照圖像之間的相似度，得到兩個(gè)三維數(shù)組；然后對兩個(gè)三維數(shù)組都進(jìn)行DCT 變換和一維變換，用維納濾波根據(jù)基礎(chǔ)估計(jì)圖像上的變換系數(shù)，對低光照圖像形成的三維矩陣進(jìn)行系數(shù)放縮；最后將系數(shù)與低光照圖像的3D 圖塊相乘后放回原位，并做加權(quán)平均調(diào)整，就得到了最終估計(jì)圖的。

1.2.3 重建

RetinexNet 算法在通過增強(qiáng)模型對分解后的低光照圖像的反射分量和光照分量增強(qiáng)后，得到相應(yīng)的和。在重建步驟中，將其通過式（1）計(jì)算，可以恢復(fù)出正常光照圖像。

2 基于YOLOX-Darknet53 網(wǎng)絡(luò)的紅外熱像識別

在目標(biāo)檢測算法中，YOLO 系列占據(jù)了重要的地位，目前使用最廣泛的是YOLO-v3［16］。最新版本的YOLOX 是由北京曠視科技有限公司于2021 年開發(fā)的，與之前的YOLO 系列相比，YOLOX 在識別速度和識別的準(zhǔn)確率上更有優(yōu)勢。

2.1 YOLOX-Darknet53 網(wǎng)絡(luò)結(jié)構(gòu)

YOLOX-Darknet53 網(wǎng)絡(luò)結(jié)構(gòu)圖如圖4［17］所示，將YOLOX-Darknet53 網(wǎng)絡(luò)分為四個(gè)部分：輸入端、骨干網(wǎng)絡(luò)（Backbone）、頸部（Neck）和預(yù)測層（Prediction）。

圖4 YOLOX-Darknet53 網(wǎng)絡(luò)結(jié)構(gòu)圖［17］Fig.4 Network structure diagram of YOLOX-Darknet53

（1）輸入端：YOLOX-Darknet53 主要采用兩種數(shù)據(jù)增強(qiáng)方法，即Mosaic 和Mixup。Mosaic 是YOLO-v3推出的一種非常有效的增強(qiáng)策略，通過隨機(jī)縮放、隨機(jī)剪裁和隨機(jī)排列的拼接可以顯著提高小目標(biāo)的檢測效果，而Mixup 是一種基于Mosaic 的附加增強(qiáng)策略。通過這兩種數(shù)據(jù)增強(qiáng)方法，直接將YOLO-v3 baseline提高了2.4 個(gè)百分點(diǎn)。

（2）骨干網(wǎng)絡(luò)（Backbone）：YOLOX-Darknet53 的Backbone 骨干網(wǎng)絡(luò)與YOLO-v3 baseline 的骨干網(wǎng)相同。兩者均采用Darknet53 的網(wǎng)絡(luò)結(jié)構(gòu)，該網(wǎng)絡(luò)由一系列1×1 和3×3 卷積層組成。由于該網(wǎng)絡(luò)有53 個(gè)卷積層，因此被稱為Darknet53。

（3）頸部（Neck）：與YOLO-v3 baseline 相比，YOLOX-Darknet53 并沒有改善Neck 結(jié)構(gòu)，而是采用同樣的FPN 結(jié)構(gòu)進(jìn)行融合。FPN 能夠通過上采樣，從上到下傳遞和融合金字塔的高層特征信息，提高了對小目標(biāo)的檢測能力，在模型的性能方面也有顯著的優(yōu)化效果。

（4）預(yù)測層（Prediction）：在YOLOX 的預(yù)測層，使用了三個(gè)解耦頭（Decoupled Head）。此外，預(yù)測層還包含了標(biāo)簽分配策略SimOTA（Simplified Optimal Transport Assignment）、Anchor-free 檢測器、Loss 計(jì)算。

2.2 YOLOX 的改進(jìn)

盡管過去使用的YOLO 系列是一種很好的目標(biāo)檢測模型，但近年來，這一系列模型并未從目標(biāo)檢測領(lǐng)域引入無錨框（anchor-free）檢測器、端對端檢測器（NMS-free）和更好的Label Assignment 技巧。為了提升目標(biāo)檢測的性能，YOLOX 結(jié)合了YOLO 檢測器與無錨框檢測器，引入了解耦頭并使用標(biāo)簽分配策略，有效地提升了目標(biāo)檢測的速度和精度。

2.2.1 無錨框（anchor-free）檢測器

以往的YOLO 算法中未使用anchor-free 檢測器，多使用anchor-based 檢測器，而在YOLOX 中引入了anchor-free 檢測器。anchor-based 檢測器與anchor-free 檢測器相比，有些許不足之處：首先，在Anchorbased 檢測器中，由于這些錨框只能應(yīng)用于對應(yīng)的區(qū)域，因此降低了算法性能；其次，錨框會使得模型的復(fù)雜度提高，同時(shí)也會增加預(yù)測圖片的數(shù)量。

現(xiàn)在，anchor-free 不僅優(yōu)化了訓(xùn)練和解碼階段的復(fù)雜度，而且其檢測速度和精度已經(jīng)不亞于anchorbased［18］。

在引入了anchor-free 檢測器后，YOLOX 變成了一種無錨方式?？梢詫⒚總€(gè)物體的中心點(diǎn)指定為正樣本，并提前校準(zhǔn)刻度范圍，以指定每個(gè)對象的FPN 級別。經(jīng)過這樣的修改，參數(shù)和檢測器GFLOPs 都降低了，因此其檢測速度更快，精度更高。

2.2.2 解耦頭（Decoupled Head）

目前，許多一階段網(wǎng)絡(luò)，如RetinaNet 和FCOS 等，都會應(yīng)用解耦頭。解耦頭結(jié)構(gòu)主要考慮目標(biāo)檢測中分類和回歸的不同內(nèi)容，因此采用不同的分支進(jìn)行操作，以提高檢測效果。

通過實(shí)驗(yàn)，分析了耦合的檢測頭對系統(tǒng)性能的不利影響，所以提出了以下方法。

（1）使用一個(gè)解耦頭代替YOLO 的頭部，可使模型的收斂速度更快。

（2）用一個(gè)輕量解耦頭取代YOLO 檢測頭，這個(gè)解耦頭包含一個(gè)1×1 卷積層，該卷積層可使信道尺寸減小，在這個(gè)卷積層后面是兩個(gè)并行的分支，每個(gè)分支都帶有兩個(gè)3×3 卷積層。2.2.3 標(biāo)簽分配策略SimOTA（Simplified Optimal Transport Assignment）

在標(biāo)簽分配策略中，OTA 所解決的是錨點(diǎn)分配（Anchor Assignment）問題。通常，在分配正樣本和負(fù)樣本時(shí)，我們根據(jù)錨框和分割圖像的交并比IoU（Intersection of Union）進(jìn)行分配。正、負(fù)樣本的分界線與遮擋情況，以及目標(biāo)的形狀、大小是緊密相關(guān)的，而且如何分配正負(fù)樣本需要從全局考慮。因此，在線性規(guī)劃中，錨點(diǎn)分配通常被視為一個(gè)傳輸優(yōu)化問題。這一策略的核心思想是建立一個(gè)代價(jià)矩陣。假設(shè)一個(gè)大小為N×P的代價(jià)矩陣中分割圖像的數(shù)量為N個(gè)，錨框的數(shù)量為P個(gè)。錨框和分割圖像的損失值由代價(jià)矩陣中的元素來表示。每對GT 和anchor 的成本與損失值相關(guān)，損失值越大則成本越高。優(yōu)化傳輸是為了以最小的代價(jià)來選擇錨框和分割圖像的匹配度。YOLOX 的開發(fā)者發(fā)現(xiàn)，在優(yōu)化傳輸問題的過程中，使用Sinkhorn-Knopp 算法所花費(fèi)的訓(xùn)練時(shí)間會額外多出25%。因此，可將這個(gè)算法過程從整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)中抹去。

3 實(shí)驗(yàn)過程與結(jié)果

3.1 數(shù)據(jù)集的構(gòu)建與訓(xùn)練

為了構(gòu)建數(shù)據(jù)集，在訓(xùn)練YOLOX-Darknet53 網(wǎng)絡(luò)之前，本文選擇了8 種變電站中常見的變電設(shè)備，分別為隔離開關(guān)觸點(diǎn)（isolation）、電流互感器（CT）、隔離開關(guān)進(jìn)線（isolation_in）、避雷器（LA）、隔離開關(guān)出線（isolation_out）、電壓互感器（PT）、斷路器（breaker）和接地開關(guān)（ground_switch）。

使用紅外熱像儀采集到的樣本數(shù)量為3 000 張，其中電流互感器與電壓互感器圖像各500 張，隔離開關(guān)觸點(diǎn)、進(jìn)線、出線的圖像各400 張，斷路器、避雷器圖像各300 張，接地開關(guān)圖像200 張。樣本數(shù)據(jù)集在經(jīng)過圖像增強(qiáng)后擴(kuò)展至10 000 張。為保證訓(xùn)練過程中訓(xùn)練樣本充足，本文留下數(shù)據(jù)集中10%的圖像作為測試集，其余的圖像作為訓(xùn)練集。在硬件方面，訓(xùn)練所使用的計(jì)算機(jī)搭載了兩個(gè)2080ti 的GPU，并使用MegEngine框架來訓(xùn)練YOLOX-Darknet53 網(wǎng)絡(luò)。為了提升模型的學(xué)習(xí)速度，在訓(xùn)練的過程中加入了Adam［19］優(yōu)化算法和遷移學(xué)習(xí)。在訓(xùn)練過程中所檢測到的參數(shù)，都會在整個(gè)訓(xùn)練結(jié)束后被系統(tǒng)自動(dòng)保存。

3.2 背景溫度干擾下不同圖像增強(qiáng)算例對比

圖5 為在背景溫度干擾下，分別使用帶色彩恢復(fù)的多尺度Retinex 算法（MSRCR）、帶色彩保護(hù)的多尺度Retinex 算法（MSRCP）與本文所使用的RetinexNet 圖像增強(qiáng)算法的效果對比圖。在不同的天氣下，變電設(shè)備經(jīng)常會因?yàn)榕c背景環(huán)境溫差小，使得紅外熱像對比度低，無法從背景中分割出變電設(shè)備。從圖5 中可以看出，本文所使用的增強(qiáng)方法，可以明顯提升變電設(shè)備與周圍建筑以及背景環(huán)境的對比度，以減少干擾，更易識別。

圖5 背景溫度干擾下不同圖像增強(qiáng)方法對比Fig.5 Comparison of different image enhancement methods under background temperature interference

為進(jìn)一步說明本文所使用的增強(qiáng)算法的優(yōu)越性，實(shí)驗(yàn)中分別用峰值信噪比［20］（PSNR）、平均結(jié)構(gòu)相似度［21］（SSIM）兩個(gè)圖像融合的質(zhì)量評價(jià)方法來與不同的算法做比對，如表1 所示。兩個(gè)數(shù)值分別代表著圖像的質(zhì)量、與原圖的差距。其中PSNR 的數(shù)值與圖像質(zhì)量相關(guān)，PSNR 值越大，則圖像質(zhì)量越好；SSIM 的數(shù)值越大，與原圖的差別就越小。

如表1 所示，本文所使用的紅外熱像增強(qiáng)算法的PSNR 值最大，SSIM 值最小，增強(qiáng)的效果最好，對于提升變電設(shè)備的紅外熱像識別精度十分有利。

表1 不同的圖像增強(qiáng)算法對比Tab.1 Comparison of different image enhancement algorithms

3.3 YOLOX-Darknet53 網(wǎng)絡(luò)的識別算例

本文所使用的YOLOX-Darknet53 網(wǎng)絡(luò)總共進(jìn)行了68 次迭代訓(xùn)練，耗時(shí)150 min，最終損失值如圖6 所示，收斂在2.65。

圖6 損失收斂過程Fig.6 Loss convergence process

在1 500 幅紅外熱像上測試本文所使用的檢測算法，選取的變電設(shè)備紅外熱像皆為背景溫度干擾較大的圖像，使用本文提出的圖像增強(qiáng)方法前后的識別結(jié)果對比如圖7 所示，算法識別出的不同的變電設(shè)備被標(biāo)記為不同顏色的矩形框。

由圖7 可知，不僅訓(xùn)練過后的變電設(shè)備幾乎都能被識別出來，而且識別的置信度很高。本文通過表2 所列舉的指標(biāo)對該YOLOX-Darknet53 網(wǎng)絡(luò)的性能進(jìn)行評價(jià)。

圖7 圖像增強(qiáng)前后的識別結(jié)果對比圖Fig.7 Comparison of recognition results before and after image enhancement

由表2 可知，使用本文所提出YOLOX-Darknet53 網(wǎng)絡(luò)，8 種變電設(shè)備的平均精確度為96.51%，F(xiàn)1-score 為96.77%，召回率為97.04%。將YOLOX-Darknet53 網(wǎng)絡(luò)與YOLO-v3 網(wǎng)絡(luò)進(jìn)行比較，YOLOXDarknet53 網(wǎng)絡(luò)比YOLO-v3 網(wǎng)絡(luò)的平均檢測速度提高了1.19 ms/張，平均F1-score、平均精確率、平均召回率分別提高了2.65%、3.79%和1.45%。該結(jié)果說明了將YOLOX-Darknet53 網(wǎng)絡(luò)的檢測算法用于變電設(shè)備的紅外熱像識別比使用傳統(tǒng)YOLO-v3 方法的效果更佳。

表2 8 種不同設(shè)備的識別結(jié)果Tab.2 Identification results of 8 different devices

4 結(jié)論

使用RetinexNet 紅外熱像增強(qiáng)算法能夠有效克服夜間、溫度分布均勻等情況下，被檢測設(shè)備與背景融為一體難以識別的缺點(diǎn)。在實(shí)驗(yàn)中，通過對使用YOLOX-Darknet53 網(wǎng)絡(luò)與YOLO-v3 網(wǎng)絡(luò)的算例識別結(jié)果進(jìn)行比較可知，使用本文所提的YOLOX-Darknet53 網(wǎng)絡(luò)的平均檢測速度較YOLO-v3 網(wǎng)絡(luò)提高了1.19 ms/張，而平均F1-score、平均精確率、平均召回率分別提高了2.65%、3.79%和1.45%。由實(shí)驗(yàn)結(jié)果可知，本文所提紅外熱像識別方法具有良好的準(zhǔn)確性、實(shí)時(shí)性，能夠滿足在變電站復(fù)雜場景中的實(shí)時(shí)監(jiān)測要求。