基于改进YOLOv5的变压器漏油检测

为了能够及时检测变压器的漏油问题,保障电力系统的正常运转,提出了一种基于改进YOLOv5的变压器漏油检测方法。通过在特征金字塔网络(FPN)结构基础上加入4倍采样层,使特征信息跨层融合,提高模型的检测准确率;引入具有动态非单调聚焦机制的Wise-IoU边界框损失函数来加快网络的训练与推理,通过权衡低质量样本和高质量样本的学习进一步提高模型的整体性能;最后,受Transformer模型的启发,使用EfficientViT模型作为主干网络,大幅减少了模型的参数量,虽然牺牲了小部分检测性能,但仍保持了优于原模型的性能。使用自建的户外变压器漏油数据集进行训练与测试,结果表明,与原模型相比,改进后的网络准确率提高了8.6%,召回率提高了8.5%,mAP@0.5提高了7.8%,参数量下降了42.3%,有利于工程部署。

基于循环训练法的变压器漏油检测

检查变压器是否存在漏油问题在维护电网安全与稳定方面具有重要价值.地面是否存在因漏油而产生的油污区域是判断变压器是否存在漏油问题的重要的依据.油污区域的形状各异、所处的环境复杂以及光照阴影的影响给漏油检测问题带来了挑战.阴影是自然界中的一种普遍存在的物理现象,对漏油检测的影响是不可避免的.为了消除阴影对漏油检测的影响,提出一种循环训练方法.通过直方图均衡化以增强困难样本油污和阴影之间的对比度,循环地训练增强后的图像来减弱阴影的干扰,以提高查全率;同时通过引入负样本图像缓解误检问题,以提高查准率.文中使用变电站真实环境下采集的数据,并以此构建了一个油污图像的数据集.基于此数据集设计8种方案进行对比实验.实验结果表明,与未使用所提方法的模型相比,使用该方法的模型能够有效地消除光照阴影对漏油检测的影响,显著提高漏油检测精确度.