2025面向电力系统现场作业的安全风险管控智能检测算法

电力生产安全对电力系统的稳定运行至关重YOLO(YouOnlyLookOnce)系列模型为典型代表的目标检测算法发展到第7SSD(SingleShotMulti-BoxDetector)较差；文献[12]YOLOv3目标检测算法，根据K-means++聚类方式来提升边YOLOv3算法实2YOLOv3算法本身的检测缺陷并

YOLOv5、v6等存在占用内存更多、文献[14]采用YOLOv4-Tiny并结合卷积注意力模块(convolutionalblockattentionmodule，CBAM)和有效的通道注意力模型(efficientchannelattention构被大量剪枝后的YOLOv4模型在检测精度上的ResNet50(ResidualNetwork)YOLOv5模型的骨MosaicMix-Up的数据增强方式，提升模Swin-Transformer2022WangYOLOv7-Tiny算法模1所示，该模型结构主要包括主干特征提取网络

层(Head)3个部分构成。在Backbone中，卷积小组件模块主要由基础BN)及带泄露线性整流激活函数层(leakyrectifiedlinearunits，Leaky-ReLU)构成；MaxPooling是最大池化层，主要用于特征维度的降低；SPPCSPC是融合了跨阶段局部网络(crossstagepartialnetwork,其主要是将特征金字塔池化(spatialpyramidpool-将SPP前一层的输出经过卷积模块后直接与小残差YOLO系列算法，YOLOv7-Tiny最大的区别在于采用了高效层聚合网络(efficientlayeraggregationnetworks，ELAN)结ELANELAN YOLOYOLOYOLO 1YOLOv7-TinyFig.1YOLOv7-Tinymodeld13的损失实现模型对目标区域在分类和定位上的优SS Iobj

t0j SS

Iobj

t0j

式(1)为模型的分类损失。S×S为图像输入的尺寸ˆ

2CIoUFig.2CalculationdiagramofLtotal0.5Lcls0.05Lbox

式(2为目标框的定位损失，主要采用的是CIoU

A∪

w

111v

2—76个目标的平均精度

(mAP)91 式中：SIoU为预测框与真实框的交并比；M框为包AB框的最小外接矩形；α为权重函数。其中ρ2(A,B)为真实框与预测框的中心点之间的欧氏d的长度；cA、B框的最小外M框的对角线长度；wgthgtA的宽和高；whBCIoUv能有效解决对于大小不同的框，Lbox即为总的回归框损失函数SS

fence(电力围栏)。在模型大小上，YOLOv7-Tiny具有最小的从检测速度上，SSD算法具有更高的检测SSD没有进行多尺度的特征融

i (Cln( (Cln(C)(1C)ln(1Cobj i0j

(meanaverageprecision，mAP)值也可以看到该模型YOLOv7-Tiny的检测速度仅比在检测准确率上，YOLOv7-Tiny式中：Lconf为目标的置信度损失函数；obj

的检测效果，其mAP为86.9，但可以发现YOLOv7-Tiny模型对于未戴安全帽(wdaqm)、电力1Table1ComparisonoftargetdetectionFasterR-和FasterRCNN具有检测精度上的优势，而对比YOLOv4YOLOYOLOv5、首先在第2章中分析考虑到复杂背景主要

(a)与背景相似的安全 (b)多目标类场(c)密集遮挡目 (d)单一背3Fig.3Dataset4章中分析针对潜在的密集遮挡YOLOv7-Tiny4ELAN-SA骨干特征提取 特征融合 检测4YOLOv7-TinyFig.4ImprovedYOLOv7-Tinynetworkstructurecomparison端后的特征融合，在特征融合过程中同样采取ELAN-SA模块进行特征的加强提取。最后是在输YOLOv7-Tiny在利用ELAN模块进行特征提42中的

6是具体计算结构图，首先会将输入的特征图(H×W×CH、WC分别是特征的长、宽g组的划分后，对每个分组的内部进行基于Shuffle-AttentionShuffle-Attention(x)

1

式中：Fout11部分的输出特征；Fin11部分的输入特征；Avg(*)为平均池化函数；wb为6中间层下半部分的计算路线。主要采取组归一化gpoai，其主要是对每个分组进行数据归一化的均值和方N9。NS{k|ki,[

][iC

C/ C/1 (x)

ixˆi(x 5Fig.5Theoverallcalculationprocessofthis

yxˆi6Shuffle-AttentionFig.6Shuffle-Attentionstructure

C/G

和iCCG

γβ变量，对输入进来的数γβ两个参数，让本文布。yiGN归一化的输出值。通过该过程主

7ELAN-SAFig.7ELAN-SAstructure

26ChannelShuffle的方式去描述高效[20]ELAN模块，构成了整个ELAN-SA7所示。21列多个改进处的16AP2可YOLOv7-TinyELANSA模块后，整体mAP相比较原始网络从86.9%提升至gzfmAP1.3%，wcgzfmAP提升特征金字塔结构被有效用于目标检测中的多YOLOv7-TinyPANet网络来进行目标检测中的多尺度特征融合。FPN)PANet结构并不能有效发挥其潜力[21]

Table2BeforeandafterperformancecomparisonofeachimprovementofthemodelRes-89中，把由小尺度特征向大尺度上采样的过

8Res-PANetFig.8Res-PANetstructureFdecodeConcat(UP(Concat(Fin1,Fin2)),Fin3

式中：Concat(*表示特征的拼接融合；UP(*)表示9(b)所示，编码器部分采取下采样后的融Fencode=Concat(Concat(Down(Fin1),Fin3),Fin2

Res-PANetmAP相比较原始网络从得分。由于CNN结构具有更好的局部效果，而Transformer类型的结构则会具有更高的全局感受效果，而传统的Transformer结构由于其计算量较Swin-Transformer进行特征CSPNet的跨阶段特征增强提取方

9Fig.9Residualhoppingincodec10Swin-TransformerFig.10TheSwin-Transformerlayerofthebottleneck习，提升特征的可用性[25]Swin-Transformer =LN(FMLP(F

SW attW-

(a)输入图 (b)特征 WMSA(q,k,v)=(Fwq,Fwk,F SWMSA(q,k,v)=(Fwq,Fwk,F

A 式中：dkFin的通道维度；q、kv是11Swin-Transformer采取滑动窗口获取特征图块并结窗口的划分，通过滑窗的多头注意力机制(windowmulti-headsself-attention，W-MSA)计算加强模型对W-MSA模块时，只会在每个窗口内进行自注意力计算(图11(c)为4信息传递的，为了解决此问题，特征在被W-MSA2个窗口间进行交互，使上下层间1个窗口与剩下窗口的信息需要对每个窗口进行多头注意力机制(multi-heads9个窗口都转换为4×4充，因此带来计算量的增大，于是设计将图11(d)

11Swin-TransformerFig.11Swin-Transformercalculation12SW-MSAFig.12SW-MSAwindowslidingMSA的基础上计算对于非邻近区域的值直接通过0MSA后需要进行特征的还原SWCSPmAP相比较原始网络从fence类别，主要3631qgz、e、il。同时该数据集中各标签类别的个数32bigC17将数据集随机划分为训练集、验证集和测试403Ubuntu18.08系统中，python版本为测试使用配置为本地设备NVIDIAGeForceRTX3060-6GLaptopGPU。YOLOv7-TinyCOCO数据集下的预训练权题，采取马赛克(Mosaic)数据增强是大部分目标检影响模型的训练效果。于是本文提出一种改进的oic3

3Table3Datasetsampledistribution (a)Mosaic4数据增 (b)改进的Mosaic4数据增13Mosaic数据增强图像测试对比Fig.13ImprovedMosaicdataenhancementimagetestcomparison10%epoch时进行数据增强的关闭使用。14为各部分的训练损失曲线，改进后的模4412—76个检测AP16AP值4YOLOv7-Tiny4处融合改进效果最佳，在每个类别中都有了3.2%。进一步验证了改进方案的可行性。同时本文也将YOLOv7系列模型与改进的模见，改进的模型具有最高的检测准确率且比4Table4Comparisontableofablation mAP/%aqmwdaqmgzfwcgzfsignalfence92.494.194.294.293.293.894.092.893.893.092.9ELAN-SA+94.85Table5Comparisonofmodelsizeanddetection14Fig.14Trainingcurvecomparison

YOLOv720帧。1行图像是2行图像是典到左下角电力信号标识和人群中的漏检目标；第33个人的安全帽5行图像中，融合改进模型(Ours)能有效检测搭Score-cam热力图进行图像的关Score-cam的原理主要是6Table6Testsetimagedetection Ours模SigmoidReLU等激活函数会存在梯度消失的

An表示输出特征图的大小；l表示输出的特征层级；n()为Hn表示原始输出图像尺寸，由于输出特征图有33个特征图进行融合输出。f(X)

71行图像中对于左上角的2行图像中对于右上角重叠的安全帽，改进的模为更好地适用于边缘端下的变电站安全作业1920×1080[27]。3NMS候选框的筛选时间构成。在推理时

YOLOv7-Tiny的电ELAN-SA模块来提升模型在