智能变电站火情图像识别应用

廖建聪, 秦 军, 杨 东

(国网上海崇明供电公司, 上海 202150)

0 引 言

防雷、防火、防汛一直以来都是变电站在设计时要考虑的重中之重。但是通过查阅相关文献可知,目前变电站内部的防火措施仍然依靠传感器以及设备自身的防火设计,这就导致当火灾发生时不能及时、全面地加以处理。如今变电站基本无人值守,通过远程查看监控的方式进行监管,对于监管人员而言,任务重而且难以在众多屏幕中迅速发现火情。因此,可以考虑引入图像识别技术来对火情进行判断。一方面可以加大火情判断的覆盖面,提升容错率,减少因传感器部署不全引起的损失;另一方面可以准确地对火点进行定位消缺。

1 火情图像识别技术

火情图像识别技术按照实现的复杂度和发展分为3种:初级检测是通过颜色检测从而实现对火情的检测;进阶检测是通过颜色+形状+运动进行检测;高阶版检测则是通过深度学习后进行检测。本文采用深度学习的方式来实现对火情的检测。采用深度学习的方式不仅识别准确率更高,同时也更加灵敏。初级检测和进阶检测可以用于初步判断,减少常规的计算[1]。

深度学习的目标检测模型有Faster RCNN、SSD、RefineDet、YOLOv5等。本项目应用于智能变电站火情图像识别将采用YOLOv5。

2 YOLOv5网络模型分类及网络结构

2.1 YOLOv5网络模型

YOLOv5有5个版本,5个模型的网络结构基本一致,只是其中的模块数量或是卷积核个数不一样。YOLOv5模型分辨率、精度均值、CPU推理时间对比如表1所示。YOLOv5模型GPU推理时间、参数量、理论计算量对比如表2所示。通过大小、运行速度、准确率等综合比较,决定采用YOLOv5s作为本次火情检测的网络模型[2]。

表1 YOLOv5模型分辨率、精度均值、CPU推理速度对比

表2 YOLOv5模型GPU推理时间、参数量、理论计算量对比

2.2 YOLOv5网络模型结构

YOLOv5的网络结构大致和YOLOv3相似,分为输入端(Input)、网络主干(Backbone)、过渡层(Neck)、预测层(Prediction)4个部分。在结构上的改进主要体现为输入端做了Mosaic数据增强、嵌入自适应锚框计算以及自适应图片缩放;网络主干首先利用Focus结构减少图像尺寸,提高了运算速度但并未删减图像信息,另外CSP结构通过不同层特征合并提高模型效率;过渡层采用FPN+PAN结构,较前代增强了网络特征融合能力;预测层利用GIOU_Loss损失函数将预测边框与实际标注边框对比,计算损失。

3 YOLOv5火情识别在变电站中的应用

3.1 YOLOv5火情检测流程

YOLOv5火情检测流程如图1所示。首先通过变电站布控的摄像头采集现场图像,然后预处理,再送至已经训练好的模型,检测是否存在火情,若存在则进行预警,一方面通知到单位应急人员,另一方面与消防部门联动。按照技术嵌入过程首先要制作数据集,将其分为训练数据集与测试数据集。训练数据集用于训练模型,测试数据集用于检测反馈成效。

图1 YOLOv5火情检测流程

3.2 数据集制作

目前并无涉及变电站内部的火情数据集,需要自己制作。通过以下4个方法完成火情数据集的制备:① 通过搜索关键词“建筑物+室内+火”在网上下载已有的开放资源;② 通过摄像头采集不同变电站不同角度的图片,将不同的火情组合附加至图片上;③ 在废弃建筑室内通过点火采用不同角度不同方位进行拍摄;④ 对现有非变电站火灾数据集图片进行挑选。

最终用以上方法制作数据集2 500张,随后将其按照7∶1∶2分为训练集、验证集、测试集。通过LabelIme进行训练集标注,保存为Json格式后再转换为txt格式[3]。

3.3 训练数据集

数据集制备完成后可以进行模型训练,在模型训练之前要配置fire.yaml文件中资源路径具体所在位置以及models目录下的yolov5s.yaml文件。

此外,需下载pt权重文件以及在train.py中配置权重路径、epochs(迭代次数)、batch-size(单次传递训练个数)。本文中epochs设置为500,batch-size设置为8。设置之后便可以开始训练模型。

3.4 模型评估

YOLO模型的性能评价采用精确率、召回率、平均准确率表示[4]。

精确率(Precision):在所有预测为正样本的结果中,预测正确的比率。计算式为

P=NTP/(NTP+NFP)

(1)

式中:NTP——预测为正例,实际为正例,即算法预测正确的正样本数量;

NFP——预测为正例,实际为负例,即算法错误预测为正样本的数量。

召回率(Recall):所有正样本中被准确预测的比率。计算式为

R=NTP/(NTP+NFN)

(2)

式中:NFN——预测为负例,实际为正例,即算法错误预测为负样本的数量。

精度均值(mAP):是在P(R)曲线上的积分,计算式为

(3)

(4)

式中:PA——平均精度;

P(R)——以精确率和召回率作为纵、横坐标的二维曲线;

c——目标检测任务中的类别数量。

模型精确率、召回率随迭代次数变化曲线如图2所示。精确率最后稳定在0.89,召回率保持在0.81。

图2 模型精确率、召回率随迭代次数变化曲线

mAP_0.5、mPA_0.5∶0.95随迭代次数变化曲线如图3所示。mAP_0.5达到0.82,mAP_0.5∶0.95达到0.52。

图3 mAP_0.5、mPA_0.5∶0.95随迭代次数变化曲线

测试识别图如图4所示。由图可以看到火情被准确识别出,充分证明了利用YOLOv5来实现对变电站内火情的检测是可行的。

图4 测试识别图

4 结 语

本文将图像识别技术应用于变电站防火设计中,通过制备数据集并通过YOLOv5训练模型对火情进行检测,试验证明能够准确识别出火情,具备一定的商用价值。

今后会对数据集以及相关结构进行改进以确保能够在关键时刻发挥其功能:一方面数据集会由组合方式转向完全贴近室内环境;另一方面对结构进行改进以提升准确率和召唤率。