基于改进的YOLOv4模型的变压器异常检测方法研究

摘要：针对电力系统变压器面临的温度异常等问题，提出了一种基于改进的YOLOv4 的变压器异常检测方法。首先，使用多尺度Retinex 与色彩恢复（multi-scale Retinex with color restoration，MSRCR）图像增强算法对输入的变压器红外数据进行处理；其次，将多尺度特征模块引入YOLOv4 输入端，用来获取不同尺度特征。实验结果显示，所提方法在平均精度上明显优于YOLOv3 和YOLOv4 方法，同时在检测速度方面，其与YOLOv4 方法相当，远快于YOLOv3 方法。所提方法能够适用于变压器实时异常检测场景，并且对电力系统具有重要意义。

关键词：异常检测；电力设备；深度学习；红外图像

中图分类号：TM407；TP391.41 文献标识码：A

0 引言

变压器是电力系统中重要的一环，能够将电能从发电厂输送至用户，因此其正常运行对电网的稳定性和可靠性至关重要[1]。然而，由于环境、负载变化和设备老化等因素的影响，变压器可能会出现各种故障和异常情况，如温度异常、局部放电等，这些问题会导致设备损坏甚至系统故障。因此，开发一种高效、准确的变压器异常检测方法对于电力系统的安全稳定具有重要意义。

近年来，深度学习技术在目标检测领域有很大突破，其中YOLOv4 作为一种高性能的目标检测模型受到了广泛关注。结合改进的YOLOv4 模型与变压器红外图像数据，可以有效实现对变压器异常情况的识别和检测。该方法不仅具有较高的检测精度和鲁棒性，还能够实现对变压器状态的实时监测和预警，为电力系统的运行管理提供重要支持[2]。

本文旨在基于改进的YOLOv4 模型开展变压器异常检测方法的研究，通过优化网络结构和训练策略，提高模型在变压器红外图像数据上的异常检测精确性和稳定性。同时，结合实际场景数据对模型进行验证和优化，进一步提升其在工程实践中的应用价值。通过此研究，期望为电力系统的安全运行和设备维护提供有效的技术手段和支持[3]。

1 YOLOv4介绍

YOLOv4 属于YOLO 系列模型的最新版本，它由Alexey 等在2020 年提出，是YOLOv3 的进化版本，在性能和速度上都有显著的提升[4]。YOLO采用了一系列技术进行模型的改进和优化。首先，YOLOv4 采用了CSPDarknet53 作为其主干网络，通过跨阶段部分网络（cross-stage partial network，CSP）结构实现了特征图的高效信息传递和特征重用，有效提升了模型的感知能力和特征提取效率。此外，YOLOv4 引入了空间金字塔池化（spatialpyramid pooling，SPP）结构，在不同尺度上对特征进行汇总和融合，从而使模型能够更好地适应不同大小和比例的目标。

在多尺度检测方面，YOLOv4 利用路径聚合网络（path aggregation network，PANet）进行跨层特征融合和多尺度目标检测。PANet 通过横向连接和自适应池化操作，将来自不同层级的特征进行有效融合，提高了模型对小尺寸目标和远距离目标的检测能力。此外，YOLOv4 还引入了资源免费包（bag of freebies，BoF）和特殊项包（bag ofspecials，BoS）技术，分别用于提升模型的泛化能力和对抗性能，使得模型在复杂场景和极端条件下都能保持稳定和准确。YOLOv4 模型充分结合深度学习领域的前沿技术和优化策略，为实时目标检测任务提供了一种高效、可靠的解决方案。

2 基于改进的YOLOv4的变压器红外图像异常检测v4

2.1 Retinex 理论

Retinex 理论是图像处理领域的经典理论，旨在解决图像中颜色和亮度受光照条件影响的问题。该理论通过模拟人眼对不同光照条件下的图像感知方式，实现对图像的色彩和亮度进行全局和局部调整，从而提高图像质量，使其在不同光照环境下呈现出更加自然和真实的视觉效果。Retinex 原理图如图1 所示。

2.2 MSRCR 图像增强算法

多尺度Retinex 与色彩恢复（multi-scaleRetinex with color restoration，MSRCR） 算法是一种常用的图像增强算法，旨在改善图像的对比度和亮度，并保持图像自然。该算法基于Retinex 理论，通过对图像进行多尺度分解和颜色恢复，增强图像对比度和亮度。其基本思想是通过多尺度处理来消除光照变化对图像的影响，并利用颜色补偿来增强图像的色彩鲜艳度。MSRCR 算法可以用如下公式表示：

Li=ln（Ii）-ln（Gi）。 （ 1）

式中，Li 为对数域中图像的第i 个分量，Ii 为图像的第i 个分量，Gi 为通过高斯滤波得到的图像的第i 个分量。

MSRCR 算法的关键步骤如下。

步骤1：将输入图像分解为多个尺度的图像，采用高斯滤波器进行尺度变换。

步骤2：对每个尺度的图像进行对数变换，得到对数域中的图像。

步骤3：通过对比对数域中的图像进行平滑处理，并将平滑处理后的图像与原始对数域图像相减得到颜色补偿图像。

步骤4：将各尺度的颜色补偿图像进行加权合成，得到最后的增强图像。

MSRCR 算法通过多尺度处理和颜色补偿，能够有效优化红外图像中的细节信息和色彩，适用于各种图像增强和修复的应用场景。

2.3 多尺度特征提取

在目标检测领域，多尺度检测能利用不同尺度的信息，使模型能够更全面地理解目标，从而在复杂场景中实现更精准的目标定位和识别，增强模型对目标的感知能力和适应性。多尺度特征提取是提升目标检测性能的重要手段之一。因此，本文提出了一种用于多尺度特征提取的结构，如图2 所示。通过3×3、5×5、7×7 共3 种不同尺寸的卷积核可以获取变压器红外图像的不同尺度的信息。

2.4 基于改进YOLOv4 的异常检测方法

本文针对变压器红外图像异常检测任务，提出了两项改进：MSRCR 图像增强算法和多尺度特征提取。首先，使用MSRCR 图像增强算法对输入的变压器红外图像进行处理，来提高图像的对比度和清晰度，从而增强目标区域的特征表达能力。其次，在YOLOv4 模型中引入了多尺度特征提取模块，利用不同尺度的特征图像进行多尺度目标检测，从而提高了模型对不同尺寸和复杂度目标的检测性能。

检测的具体过程如下：首先，对输入的变压器红外图像应用MSRCR 图像增强算法。该算法可以对图像进行多尺度分解，获取不同尺度的图像分量。其次，对每个尺度的图像进行对数变换和颜色补偿，得到增强后的图像。这一步旨在减少光照变化对图像的影响，突出目标区域的特征。再次，在改进的YOLOv4 模型中，引入多尺度特征提取模块。在不同尺度上对特征图进行池化和融合，得到多尺度的特征表示。这样的设计使模型能够同时关注目标的全局和局部信息，提高了目标检测的精度和鲁棒性。最后，将经过MSRCR 增强和多尺度特征提取的图像输入到改进的YOLOv4 模型中并进行目标检测。模型利用增强后的图像特征和多尺度信息，结合改进的网络结构和训练策略，实现对变压器红外图像中异常目标的准确检测和识别。整个过程旨在提高检测模型对目标的感知能力和检测精度，为进行变压器的异常检测提供更有效的方法和思路。

3 实验过程与结果

本文选取某地区在变压器巡检过程中获取的红外图像数据作为数据集，并使用LableImg（图像标注工具）对图像进行标注。训练过程中首先将初始学习率设置为0.001，优化器选择Adam，损失函数为交叉熵损失，批量大小为32 个样本。其次，采用多轮迭代训练的方式，并且利用训练集进行模型优化。最后，使用验证集对模型进行评估，调整超参数和模型结构，直到达到满意的性能表现为止。

将本文提出的方法（改进的YOLOv4 方法）与YOLOv3、YOLOv4 方法进行比较，将平均精度和检测速度作为评价指标，最终得到的实验结果如表1所示。

由表1 数据可知，改进的YOLOv4 方法在平均精度上明显优于YOLOv3 和YOLOv4 方法，说明该方法在目标检测任务中具有更好的准确性。同时， 在检测速度方面， 改进的YOLOv4 方法与YOLOv4 方法相当，远快于YOLOv3 方法，表明该方法在保持高准确性的同时也具有较快的检测速度，适用于实时目标检测场景。综合评价指标结果证明，本文提出的方法在异常检测方面能够保持有效且高性能，具有较高的应用价值。

4 结论

在电力系统中，变压器在保障用户用电过程中具有重要的作用。然而，变压器可能出现各种异常情况，如局部放电、温度异常等，这些问题可能导致设备损坏甚至系统故障。本文提出了一种基于改进YOLOv4 的变压器异常检测方法，通过引入MSRCR 图像增强算法和多尺度特征提取，对YOLOv4 方法进行改进。实验结果表明，本文所提方法在平均精度上明显优于YOLOv3 和YOLOv4方法，同时在检测速度方面与YOLOv4 方法相当，远快于YOLOv3 方法。这表明所提方法在保持高准确性的同时具有较快的检测速度，适用于实时目标检测场景。未来将进一步优化模型结构和训练策略，提升算法的性能和泛化能力，以应对更加复杂的实际应用场景。

参考文献

[1] 姜小斐，钟世亮. 基于热像检测的变压器预测维修[J].电气技术与经济，2023（10）：186-188.

[2] 曾宏宇，杨冰，许涛，等. 基于红外图像目标检测与温度特征提取的变压器套管发热缺陷识别[J]. 广东电力，2023，36（3）：99-106.

[3] 李相磊. 基于卷积神经网络的电力设备红外图像识别技术研究[D]. 吉林：东北电力大学，2022.

[4] 赖颖，巨志勇，叶雨新. 基于改进YOLOv4 的车辆检测算法[J/OL]. 电子科技，2024：1-8[2024-04-09]. https：//doi.org/10.16180/j.cnki.issn1007-7820.2025.01.011.