【《基于Tiny YOLOv3算法的红外配电变压器目标检测分析案例》5600字】_第1页
【《基于Tiny YOLOv3算法的红外配电变压器目标检测分析案例》5600字】_第2页
【《基于Tiny YOLOv3算法的红外配电变压器目标检测分析案例》5600字】_第3页
【《基于Tiny YOLOv3算法的红外配电变压器目标检测分析案例》5600字】_第4页
【《基于Tiny YOLOv3算法的红外配电变压器目标检测分析案例》5600字】_第5页
已阅读5页,还剩13页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

基于TinyYOLOv3算法的红外配电变压器目标检测分析案例目录TOC\o"1-3"\h\u12006基于TinyYOLOv3算法的红外配电变压器目标检测分析案例 1301901.1TinyYOLOv3算法简介 1195831.2改进TinyYOLOv3算法 3213811.2.1基于SENet注意力的特征提取网络 3136241.2.2损失函数 899831.3实验及结果分析 10234141.3.1数据集制作 10300401.3.2实验参数 13173561.3.3评估指标 14323431.3.4实验结果 15近年来,随着深度学习成为解决计算机视觉问题主流方法,依靠计算机视觉与深度学习对电力设备进行识别和状态监测成为当前研究热点。针对卷积神经网络在分辨率低、噪声多、背景复杂的电力红外图像定位不准确、识别率低等问题,以变压器元件为目标物体,综合考虑目标检测速度、精度,以及对硬件设备的依赖程度,提出了一种以深度学习的TinyYOLOv3目标检测算法作为基础网络框架的电力红外图像变压器元件定位、识别算法。通过将改变原算法的损失函数,融合注意力机制和空间金字塔池化操作,提高网络性能,获取更多的有用特征,从而提高目标检测的准确率,降低漏检情况发生。1.1TinyYOLOv3算法简介JosephRedmom提出了YOLO(YouOnlyLookOnce)系列的单阶段的目标检测模型,YOLOv3在YOLO9000基础上,没有采用Darknet-19网络利用更深层次的Darknet-53作为特征提取层,采用三个尺度进行预测,在速度和精度上有了较大提升,检测精度超过两阶段检测FasterR-CNN。TinyYOLOv3作为YOLOv3的简化模型,通过7个DBL层和6个MaxPooling层组合作为特征提取网络代替Darknet-53,DBL(DarkNetconv2D_BN_Leaky)模块包括卷积层、归一化处理层、激活层使用LeakyRelu作为激活函数。通过融合特征金字塔和全卷积网络思想,采用13×13、26×26分辨率作为检测输出网络,简化模型结构,提高检测速度。网络结构如图1所示。TinyYOLOv3作为一种端到端的目标检测算法,通过将输入图像分成S×S个网格,如果目标物体中心落在某网格中,则通过该网格对目标物体进行检测,每个网格预测B个边界框、C个类别信息。每个边界框要对(x,y,w,h,conf)五个值进行预测,其中x,y为边界框中心位置坐标,w,h为边界框的宽和高,conf代表所预测框中含有目标物体的置信度,conf计算如公式4-1所示:(4-1)式中:Pr(objcet)为网格中含有目标物体的概率;为边界框与真实框的交并比。图4-1TinyYOLOv3网络结构Fig.4-1NetworkstructureofTinyYOLOv3TinyYOLOv3输出一个S×S×(5×B+C)的张量,通过引入非极大值抑制[57](Non-MaximumSuppression,NMS)对边界框进行筛选,删除冗余边界框,得到位置更为准确、置信度更高的最优框。TinyYOLOv3的损失函数由边界框位置误差、置信度误差、分类误差三部分组成,其公式如下:(4-2)(4-3)(4-4)公式4-2、4-3、4-4中loss1为位置坐标误差,loss2为目标物体置信度误差,loss3为物体分类误差。1.2改进TinyYOLOv3算法1.2.1基于SENet注意力的特征提取网络SENet注意力是由Hu等人提出了一种新型的卷积网络结构。SENet通过压缩、激励和重标定三个操作来对特征进行重新标定,其结构如图4-2所示,给定一个输入X,其中H、W和C分别为网络高度、宽度和通道数,首先对每个特征图使用全局平均池化压缩,将H×W×C变成一个在某种程度上具备全局感受野的一维向量1×1×C。然后将一维向量通过两个全连接层,结合ReLU激活函数获取通道之间的相互依赖关系,其输出权重值与输入的特征数相同,通过第一个全连接层对参数进行降维操作,降维r倍,得到1×1×C/r,经过ReLU,再通过第二个全连接层升维得到1×1×C,通过Sigmoid激活函数进行非线性处理得到每个特征通道对应权重。最后,通过乘法叠加,将每个特征通道与对应权重相乘,完成特征通道的权重重新校准。图4-2基于注意力机制的SENet结构Fig.4-2SENetstructurebasedonattentionmechanismTinyYOLOv3相比YOLOv3去掉了所有的残差模块,采用较少的卷积和池化来对特征进行提取,网络简单,对硬件要求低,但是对深层特征提取能力较弱,容易造成漏检,从而降低目标检测精度。对分辨率低、背景复杂的变压器元件红外图像而言,TinyYOLOv3的漏检情况更加严重,为了进一步提升网络性能,综合考虑目标检测准确率和计算量增加带来的成本问题,解决TinyYOLOv3对变压器元件目标检测精度低、漏检率高,提高对目标的特征提取能力,通过采用计算量较小的SENet结构来提升网络性能,提高目标检测准确度是可行的。本文通过在7个DBL和6个Maxpooling构成的特征提取网络中嵌入SENet注意力模块,对卷积输出的特征进行压缩,通过全局平均池化获取全局感受野,利用两个全连接层进行降维、升维操作,经过Sigmoid激活函数,得到每个通道特征权重,对每个通道特征进行重新标定,提高对网络的特征表达能力,有选择性增强有用特征,抑制用处不大的特征,加快网络收敛速度,提升TinyYOLOv3网络性能。SENet结构扩大了网络感受野,能够进一步利用浅层特征和深层特征,增强网络特征表达,提高对有用信息的敏感度,在通道维度层面提高网络对特征的提取能力。从而提高对红外高压套管小目标的检测精度。SENet所在层及其输出特征图尺寸如表4-1所示。表4-1SENet所在层及特征通道数Tab.4-1LayerandcharacteristicchannelnumberofSENetSENet所在层输出特征图尺寸2416×416×165208×208×328104×104×641152×52×1281426×26×2561713×13×5122013×13×1024以TinyYOLOv3的第1层DBL层为例,将其输出特征作为SENet的输入,通过全局平均池化得到1×1×16的实数数列,通过第一个全连接层进行降维操作,得到1×1×1的一维向量,使用ReLU激活函数,经过第二个全连接层升维,得到1×1×16,再通过sigmoid激活函数得到通道的对应权重,将对应权重与每个通道通过乘法叠加,得到416×416×16的输出,并未改变DBL层输出特征图的大小。参考空间金字塔池化思想,通过在特征网络层后面加入多尺度的池化,将多尺度局部区域特征进行池化和连接,使网络对目标特征的学习更加全面,为了进一步实现局部特征与全局特征的多尺度特征融合。SPP结构的最大池化尺度与接近特征图的尺度相近,本文采用13×13的最大池化尺度,并另外设置5×5、9×9两个尺度,对变压器红外图像进行三个尺度池化,SPP结构如图4-3所示。特征提取网络输出特征尺寸n×n×m,经过SPP模块,三个尺度的池化,获取三个相同尺寸的输出,将池化后的特征映射与SPP模块输入的特征映射连接,获得n×n×4m的特征映射,作为SPP的输出结果。利用全局与局部的多尺度特征相结合,进一步提高检测的准确率。图4-3空间金字塔池化模块Fig.4-3SpatialpyramidpoolingmoduleTinyYOLOv3中13×13尺度的预测层在红外图像中具有较大感受野,可以预测大尺度目标,26×26尺度的预测层针对于中、小尺度的目标,容易对小目标检测造成漏检,本文在原网络基础上,通过上采样层,增加52×52尺度的预测,对小尺度目标进行检测,进一步提高网络检测的准确率。改进的TinyYOLOv3网络结构如图4-4所示。图4-4改进的TinyYOLOv3的网络结构模型Fig.4-4ImprovedTinyYOLOv3networkstructuremodule1.2.2损失函数IoU是衡量目标检测性能的一个重要指标,可以用来对真实框和预测框的相似性进行衡量。两个边界框的重叠区域越大,IoU值越大,其计算如公式(4-5)所示。(4-5)式中:A表示真实框;B表示预测框。由于目标检测算法许多采用真实框和预测框两个框之间的L1范数或L2范数来计算位置回归损失。但是评测过程中,使用IoU来检测是否存在目标,两者不完全等价。从图中可以看出,L1和L2相等时,IoU的值不同,根据公式(4-2)可知TinyYOLOv3边界框损失根据L2范数计算,因而存在一定误差。图4-5L1和L2相同时,IoU和GIoU对比Fig.4-5L1andL2arethesame,IoUandGIoUarecompared(a)真实框与预测框相距较近(b)真实框与预测框相距较远图4-6IoU为0时的不同场景Fig.4-6DifferentscenarioswhenIoUis0(a)真实框与预测框相距较近(b)真实框与预测框相距较远图4-7GIoU中C的表示区域Fig.4-7RepresentationregionofCinGIOU为了进一步提高对红外图像中变压器高元件的定位、识别准确度,针对于边界框定位的不准确问题,通过利用GIoUloss[58]来进行边界框误差的确定,GIoU可以解决IoU在预测框与真实框不重合时,无法衡量两框距离远近情况,且IoU为0,优化损失函数梯度为0,存在无法优化等问题。GIoU利用了IoU的尺度不变性,同时克服了针对预测框和真实框不重合时的的不足,从而更好的对边界框进行回归。(4-6)(4-7)式中:A表示真实框;B表示预测框;C表示包围预测框与真实框之间的最小外接矩形。将GIoU替换IoU作为边界框距离的衡量标准,得到模型的边界框损失函数:(4-8)1.3实验及结果分析本文通过采用不同目标检测模型对变压器红外图像进行对比实验,以评估改进算法的有效性。实验的计算机配置及环境如下:CPU处理器为Intel(R)Core(TM)i5-10400CPU@2.90GHz2.90GHz,GPU为NVIDIAGeForceGTX1660SUPER,RAM为16GB,操作系统选用Ubuntu18.04LTS,Pytorch作为深度学习框架。1.3.1数据集制作本文研究的目的是通过深度学习的目标检测算法对红外图像中的配电变压器元件进行定位、识别,由于电力行业没有权威、公开的电力设备红外数据集,本文所用数据集是通过采用Testo885红外热像仪对某地区35kV变电所变压器进行拍摄和采集,自行整理得到的,选取图像较为清晰的电力设备红外热像1040张,随机选取840张,采用LabelImg对配电变压器元件进行标注,主要有高压套管、低压套管、油枕、箱体等部件,得到符合标准的检测框,最后生成标准的xml标签信息文件。xml文件中主要包含红外图像的文件名、图像尺寸、物体类别、标注框的坐标等信息。采用LabelImg对红外图像进行标注的过程如图3-8所示。图4-8LabelImg标注过程图Fig.4-8TheprocessdiagramofLabelImglabelsxml文件内容如图4-9所示:图4-9xml文件Fig.4-9xmlfile由于原始的红外图像数据量较少,为了使卷积神经网络得到更充分的训练,提高分类器的鲁棒性,从而在不同场景下获取更好的检测效果。通过加入角度旋转、添加噪声、亮度增强、镜面翻转等数据增强方法对数据进行数据增强,将图像数据扩增为4200张,增强模型泛化能力,从而有效避免在样本少的情况下,存在的过拟合问题。提高其鲁棒性。随机划分80%为训练集,20%为验证集,将未作处理的200张原始图像作为测试集。按照标准PASCALVOC2007格式,构建变压器红外图像数据集IRET001。(a)原图(b)角度旋转(c)亮度增强(d)镜面翻转(e)添加噪声图4-10红外图像数据增强Fig.4-10Infraredimagedataenhancement1.3.2实验参数YOLO9000引入使用锚点框的思想,通过K-means聚类对训练集中边界框进行聚类分析,获取合适的先验框,TinyYOLOv3沿用K-means聚类方法对变压器红外数据集进行聚类获取先验框尺寸。其中初始点选取对K-means聚类效果较大,会影响先验框的尺寸,从而影响目标检测速度和精度。本文选取预测框与真实框的交并比替代K-means中的欧式距离作为度量函数,距离计算为公式(4-9):(4-9)式中:box为样本预测框;centroid为聚类中心。选取不同数目的先验框,对变压器红外数据集进行聚类,对应的平均交并比如图4-11所示,随着先验框数目的增加,平均交并比值也随着增加,综合考虑先验框对目标检测精度及速度的影响,本文采用9个先验框来进行预测,其参数为:(16,54),(19,75),(42,81),(23,115),(23,88),(12,72),(26,101),(30,124),(39,163)。图4-11不同先验框数目的交并比Fig.4-11IoUofdifferentnumberofanchor采用随机梯度下降(SGD)优化方法进行训练,初始学习率为0.01,动量因子为0.9,衰减系数为0.0005,批量大小为8。1.3.3评估指标本次采用召回率(RecallRate)、mAP(meanAveragePrecision)作为模型的评估指标。Recall是被正确识别出的目标个数和测试集中所有目标个数的比值:(4-10)(4-11)式中:tp表示模型预测正的正样本数量;fp预测为正的负样本数量;fn表示预测为负的正样本数量。AP表示每个类的平均精度,mAP表示所有类的平均AP:(4-12)(4-13)式中:P、R分别为精确率和召回率;N(Class)表示类别数目,本文N(Class)为4。1.3.4实验结果(1)改进前后TinyYOLOv3对比改进后的网络与TinyYOLOv3在变压器红外数据集上的训练效果,如表4-2所示:表4-2TinyYOLOv3和改进后的TinyYOLOv3模型检测结果Tab.4-2RecognitionresultsbetweenTinyYOLOv3withimprovedTinyYOLOv3model模型AP/%mAP/%高压套管低压套管油枕箱体TinyYOLOv391.1490.2692.3492.0291.44TinyYOLOv3+GIoUloss92.8391.4592.9893.2192.62本文算法96.6296.7697.7596.9697.02由表4-2可知,TinyYOLOv3中使用GIoU来计算边界框损失,平均精准度mAP得到了1.18%的提升;进一步通过嵌入SENet注意力,融合SPP,使用三个尺度进行预测,mAP提升了1.4%。本文模型相较于TinyYOLOv3提升了5.58%。说明本文通过改进损失函数,嵌入SENet,融合SPP模块,采用三个尺度进行预测,能够有效提高模型对红外图像中变压器元件的检测精度,解决由于红外图像分辨率低、背景复杂对检测效果造成的影响。(2)不同算法对比为进一步验证算法的效果,对改进后的算法与YOLOv3和YOLOv3-SPP等网络结构较深的算法进行对比实验,其目标检测结果如下。从图4-12中可以看出,TinyYOLOv3、YOLOv3、YOLOv3-SPP和本文改进的算法随着训练次数的增加,loss不断降低,在前50个epoch下降较快,之后逐渐趋于稳定,其中,YOLOv3、YOLOv3-SPP的损失函数下降较快,其次是本文改进的TinyYOLOv3算法,最后是TinyYOLOv3算法,说明本文改进的算法,相对于原TinyYOLOv3在损失函数上有较好的提升。但相对于YOLOv3、YOLOv3-SPP等网络在损失函数上略有不足。图4-12不同算法的损失函数比较Fig.4-12Comparisonoflossfunctionsofdifferentalgorithms表4-3实验结果不同模型检测结果对比Tab.4-3Comparisonofdetectionresultsofdifferentalgorithms模型召回率R/%mAP/%模型大小YOLOv391.8293.57235.1MBYOLOv3-SPP95.6595.04239.1MB本文算法97.3297.0236.1MB由表4-3可知,改进后的TinyYOLOv3算法与以Darknet-53为特征提取网络的YOLOv3相比,召回率提升了2.5%,mAP提升了3.45%,本文在变压器红外数据集上的模型大小为YOLOv3的15%。相对于YOLOv3-SPP,召回率提升了1.67%,mAP提升了1.98%,且模型权重所占内存减少了203MB。原TinyYOLOv3模型大小为33.4MB,本文算法仅增加了2.7MB,但模型的召回率和mAP都获得了明显的提升。图4-13和图4-16分别是TinyYOLOv3、YOLOv3、YOLOv3-SPP与本文算法在不同场景对高

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论