基于轻量化YOLO模型的电力机房设备状态快速检测

Rapid detection of equipment status in power rooms based on lightweight YOLO model

随着电力技术的发展,电力机房内的设备变得越来越庞大、复杂,而为了确保电力系统的正常运转,避免不必要的经济损失,这些设备又往往需要连续检测,实时排除故障或异常。然而利用人工检测设备运行状态的方式不仅效率低下,费时费力,还容易出现误检和漏检。为此,提出了基于轻量化YOLO模型的设备状态快速检测方法。YOLO模型是深度学习领域中进行目标检测的一阶段方法,该类方法能够直接对网络进行端到端训练,不需要提取候选区域,结构简单,检测速度块。在YOLO模型的基础上,进一步从网络的深度和宽度两方面对YOLO模型进行轻量化处理,通过减少网络中CSP结构的残差模块和卷积操作达到网络轻量化的目的。实验结果表明,对于320×320大小的图像,所提的轻量化网络模型在一台显存仅2GB的消费级笔记本上的检测速度可达70.8fps,并且mAP值可以达到96.67%,能够满足电力机房内设备工作状态的实时检测与识别要求,为该模型在机房巡检机器人上部署奠定了良好的基础。