基于YOLOv5s的继电保护装置型号自动识别方法研究

摘 要：【目的】在工业自动化和电力系统中，继电保护装置是确保电力系统安全稳定运行的关键组件。为保证设备的正常测试和维护，需要准确识别继电器型号。因此，提出一种基于YOLOv5s的继电保护装置型号自动识别方法。【方法】通过自制数据集，并利用YOLOv5s的高效目标检测能力，结合多尺度特征融合图像处理技术，实现对继电保护装置型号的自动识别。【结果】对系统进行实验测试，结果显示，该方法在继电器型号识别任务中的准确率和召回率分别为90.3%和85.6%，能满足实际应用需求。【结论】该方法不仅提高了设备测试和维护的效率，还为电力系统的安全稳定运行提供了可靠的技术支持。

关键词：继保护装置；YOLOv5s；目标检测；型号识别；深度学习

中图分类号：TM77" " "文献标志码：A" " 文章编号：1003-5168（2024）24-0023-05

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.24.005

Research on Type Automatic Identification Method of Relay Protection Device Based on YOLOv5s

Abstract： [Purposes] In industrial automation and power systems， relay protection devices are key components for ensuring the safe and stable operation of power systems. Accurate identification of relay models is crucial for the proper testing and maintenance of equipment. To address this need， this paper proposes a relay protection device model identification method based on YOLOv5s." [Methods] By using the highly efficient target detection capability of YOLOv5s and image processing technology such as multi-scale fusion， the automatic identification of the relay protection device model was realized in the self-made data set.[Findings] The experimental results show that the accuracy and recall rates of the method are 90.3% and 85.6% in the task of relay type identification， which can effectively meet the needs of practical applications.[Conclusions] This approach not only enhances the efficiency of equipment testing and maintenance but also provides reliable technical support for the safe and stable operation of power systems.

Keywords： relay protection device; YOLOv5s; object detection; model identification; deep learning

0 引言

继电保护装置在工业控制系统中起着至关重要的作用，其通过检测电力系统中的故障，并及时做出响应，防止设备损坏和停机事故发生，从而保障系统安全稳定运行。在电力变电站、输电线路及配电系统中，继电保护装置的应用广泛。无论是在正常运行前的初次调试，还是在日常使用过程中的维护和检修，继电保护装置的性能和可靠性测试是不可或缺的。对继电保护装置进行定期测试和维护［1］，能有效预防潜在的故障，确保电力系统的持续稳定运行［2］。准确识别出继电保护装置的型号对设备的测试、维护和故障排除等工作的开展具有重要意义。不同型号的继电保护装置在功能、参数和适用场景等方面存在显著差异。因此，正确识别出不同型号的继电保护装置不仅能提高工作效率，还能确保维护工作的准确性和有效性。例如，在电力系统中，一些继电保护装置可能是专门用来保护特定类型的电力线路，而另一些则可能是用来保护变电站设备。如果无法准确识别和区分这些设备，在维护和故障排除过程中可能会浪费不必要的时间和资源，甚至会引发更大的系统风险。

随着科技的进步，尤其是深度学习技术的发展，基于深度学习的目标检测方法为继电保护装置型号识别提供了新的解决方案。使用大量的图像数据对深度学习模型进行训练，使其能自动提取特征，并进行准确的分类和检测［3］。近年来，YOLO（You Only Look Once）系列模型因具有端到端的检测能力和高效的实时性而得到广泛应用。YOLO模型将目标检测任务简化为一个单阶段的过程，通过一次前向传播即可完成目标定位和分类，不仅能显著提高检测速度，还能在保持较高精度的同时，降低计算的复杂度。近年来，YOLO算法已被广泛应用于多个领域，如无人驾驶［4-5］、人脸识别［6-7］、农业科技［8-10］等，表明其具有强大的适应性和实用性。

本研究提出一种基于YOLOv5的继电保护装置型号自动识别方法，利用YOLOv5的强大检测能力，实现对继电保护装置型号的自动识别。首先，通过收集和标注大量继电保护装置的图像数据，建立一个涵盖多种型号的图像数据库。其次，利用这些数据对YOLOv5模型进行训练，使其能自动提取图像特征，并准确区分不同型号的继电保护装置。最后，在模型训练过程中，采用数据增强技术，以增强训练数据的多样性和鲁棒性，进而提高模型的泛化能力。实验结果表明，基于YOLOv5的继电保护装置型号识别方法在准确率和实时性方面均表现优异，能有效应用于实际工业环境中。

1 图像采集及标注

图像采集及标注是机器学习的关键步骤之一。在对继电保护装置型号识别进行研究时，发现这一领域的研究相对较少，尚未有成熟的公开数据集可供使用。因此，本研究采用自制数据集进行研究。首先，需要收集包含不同型号继电器的图像数据。为了确保数据集的多样性和数量充足，本研究通过视频录制的方式来获取图像数据，通过对不同型号的继电器从各个角度进行拍摄，并选取合适的帧率，从视频中提取出原始图像。通过这种方法，共获得485张原始图像，这些图像涵盖了多种角度和状态的不同型号继电器。其次，对收集到的图像进行标注，并对每张图像中的继电保护装置进行识别和标记，记录其型号信息。数据集的部分样本图像如图1所示。

2 YOLOv5s的继电保护装置型号检测模型

2.1 YOLOv5s模型

YOLOv5系列有四种模型，分别为YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x。尽管这些模型的配置文件相同，但在模型大小和计算复杂度上却有所不同。从模型大小和复杂度上来说，YOLOv5s是YOLOv5系列中最小的版本，计算复杂度最低。由于YOLOv5s具有轻量化的特性，使其非常适合资源有限的设备和需要实时检测的应用场景。相较于 YOLOv5m、YOLOv5l和YOLOv5x，YOLOv5s的精度较低，但其检测速度最快。尽管精度不如其他型号，但在许多实际应用中，YOLOv5s的性能仍然非常出色。总体来说，YOLOv5s 在保持较高检测性能的同时，通过减少模型复杂度，实现更高速度和更低资源消耗，非常适合需要快速响应和计算资源有限的应用场景。YOLOv5s 网络沿用了YOLO系列的整体布局，整个网络结构依次分为输入端、骨干网络（Backbone）、颈部网络（Neck）及输出端 。其中，输入端用于预处理输入图像，并将其调整为适合网络处理的尺寸；Backbone用于提取图像的基本特征，YOLOv5s使用的是一种轻量化的骨干网络，可减少计算复杂度；Neck用于进一步处理Backbone提取到的特征，并进行多尺度特征融合，提高检测的鲁棒性；输出端负责生成最终的检测结果，包括目标的边界框、类别和置信度。具体网络结构如图2所示。

2.2 损失函数选择

本研究选择CIOU_Loss为损失函数，其中，IOU为交并比，即预测框与真值框之前的相交区域与合并区域的面积之比，具体计算见式（1）。

式中：A为预测框；B为真值框。当IOU值为1时，表示预测框与真值框完全吻合。

而CIOU_Loss是在IOU的基础上，引入修正因子[v]，使得损失函数对不同形状的目标框更具鲁棒性。相较于传统的IOU Loss，CIOU_Loss因包含了更多的几何信息能更快地收敛，从而得到最优解。其具体的计算见式（2）。

式中：[d]为目标框中心点与预测框中心点的欧式距离；[c]为对角线距离；[wg、hg、wp、hp]分别为预测框和真值框的长与宽。 CIOU损失函数示意如图3所示。

3 实验结果与分析

3.1 实验环境

实验基于PyTorch深度学习框架，具体实验参数见表1。

3.2 评价指标

实验采用精确率（Precision，P）、召回率（Recall，R）、平均精度（average precision，AP）、平均精度均值（mean Average Precision，mAP）等指标来评价模型效果。精确率P具体的计算见式（3）。

式中：TP为识别出正确的正样本个数； FN为识别出错误的负样本的个数；FP为识别出错误的正样本的个数。

召回率R表示模型分类器预测是正样本且真实是正样本的比例占所有真实是正样本的比例，具体计算见式（4）。

AP是精确率—召回率曲线下面积的度量，反映在各个召回率水平下的平均精确率。针对每个类别，可计算出其对应的Precision-Recall曲线，并计算该曲线下面积，即为该类别的AP值。AP值的取值范围为0～1，数值越接近1，表示模型在该类别上性能越好。而mAP是所有类别的AP值的平均值，用来综合评估模型在多类别目标检测或识别任务中的整体性能表现，二者具体的计算见式（5）、式（6）。

3.3 实验结果

首先，按照4∶1的比例将数据集分成训练集和测试集。其次，以输入图像分辨率640 px×640 px，训练总轮数为300轮的参数进行训练。最后，将训练好的模型在验证集上进行验证。其准确率和召回率分别为90.3%和85.6%。在测试集上的识别效果如图4所示。

4 结语

本研究提出一种基于YOLOv5s的继电保护装置型号识别方法，从而满足工业自动化和电力系统中对继电器型号准确识别的需求。利用YOLOv5s的高效目标检测能力，并结合图像处理技术，实现对不同型号继电器的自动识别。实验结果显示，该方法在继电器型号识别任务中有着较高的准确率和实时性，能有效满足实际应用的需求。本研究为提升继电保护装置的测试和维护效率提供了有力的技术支持。

参考文献：

［1］郭兆琪.继电保护自动化装置的故障检修与改进措施研究［J］.城市建设理论研究（电子版），2024（18）：7-9.

［2］常建.电力系统自动化继电保护装置及其测试研究［J］.光源与照明，2023（12）：74-76.

［3］金玮，孟晓曼，武益超.深度学习在图像分类中的应用综述［J］.现代信息科技，2022，6（16）：29-31，35.

［4］杨明瑞，古玉锋.基于改进YOLOv5的无人驾驶农业车辆视觉检测［J］.南方农机，2024，55（1）：21-23，37.

［5］王亮，张超.一种基于YOLOv5的轻量型行人检测方法［J］.工业控制计算机，2023，36（4）：84-86，89.

［6］张瑞民，李宇涵，申海杰.基于YOLO的智能门禁系统设计［J］.电子制作，2023，31（6）：74-77.

［7］宋传旗.YOLOv5算法的人脸识别检测方法研究［J］.计算机时代，2023（7）：15-19.

［8］岳耀华，张伟，亓立强.基于改进YOLOv5的田间大豆花朵生长状态识别方法研究［J］.中国农机化学报，2024，45（7）：188-193，2.

［9］蔡易南，肖小玲.基于改进YOLOv5n的葡萄叶病虫害检测模型轻量化方法［J］.江苏农业科学，2024，52（7）：198-205.

［10］王帅，王利众，朱丽平，等.基于改进YOLOv5s的苹果病害检测技术研究［J］.山西农业大学学报（自然科学版），2024，44（4）：118-129.