改进RetinaNet的电力设备目标检测方法

doi:10.3969/j.issn.1006-2475.2024.01.008

摘要/Abstract

摘要： 摘要：针对电力设备检测中小目标识别精度低的问题，提出一种基于RetinaNet的电力设备目标检测方法。通过K-means聚类方法优化原始网络的锚点框尺寸。然后在特征融合中加入拥有更高分辨率的浅层特征图，解决通过多层卷积后特征图包含信息过少的问题。在此基础上，引入ECA（Efficient Channel Attention）注意力机制，使网络定位电力设备的有效特征，抑制无用特征信息。实验结果表明，相比原始方法，本文方法对于电塔、销钉、工程车、绝缘子、电杆5种电力设备的平均识别精度提升了18.1个百分点，表明改进后的方法能显著提高电力设备的检测水平。

关键词: 关键词：目标检测, 电力设备, 聚类分析, 特征提取, 注意力机制

Abstract: Abstract: A RetinaNet-based target detection method for power equipment detection is proposed for the problem of low accuracy of small target recognition in power equipment detection. The anchor box size of original network is optimized by K-means clustering method firstly. Then shallow feature maps with higher resolution are added to feature fusion to solve the problem that the feature maps contain too little information after convolution through multiple layers. Based on this， ECA （Efficient Channel Attention） attention mechanism is introduced to enable the network to locate the effective features of power devices and suppress the useless feature information. The experimental results show that compared with the original method， the average recognition accuracy of the method in the paper is improved by 18.1 percentage points for five types of power equipment: electric towers， pins， construction vehicles， insulators and poles， which indicates that the improved method can significantly improve the detection level of power equipment.

Key words: Key words: object detection, power equipment, cluster analysis, feature extraction, attention mechanism

中图分类号:

TP391

王秋忆, 周浩, 郑婷婷. 改进RetinaNet的电力设备目标检测方法[J]. 计算机与现代化, 2024, 0(01): 47-52.

WANG Qiu-yi, ZHOU Hao, ZHENG Ting-ting. Improved RetinaNet Target Detection Method for Power Equipment [J]. Computer and Modernization, 2024, 0(01): 47-52.

参考文献［33］

［1］	余贻鑫. 智能电网实施的紧迫性和长期性［J］. 电力系统保护与控制， 2019，47（17）:1-5.
［2］	王旭红，李浩，樊绍胜，等. 基于改进SSD的电力设备红外图像异常自动检测方法［J］. 电工技术学报， 2020，35（S1）:302-310.
［3］	韩冰，尚方. 面向无人机输电线路巡检的电力杆塔检测框架模型［J］. 浙江电力， 2016，35（04）:6-11.
［4］	张艳丽，张绍楠，崔继仁，等. 基于GPS的输电线路巡检管理系统的设计［J］. 自动化与仪表， 2010，25（1）:49-52.
［5］	高志远，陈鹏，陈天华，等. 新一代智能电网调度自动化标准体系研究［J］. 供用电， 2020，37（3）:22-26.
［6］	郭文诚，崔昊杨，马宏伟，等. 基于Zernike矩特征的电力设备红外图像目标识别［J］. 激光与红外， 2019，49（4）:503-506.
［7］	叶辉，廖志斌，李庆兴，等. 基于输电线路在线巡视系统的智能预警系统研究［J］. 中国高新技术企业， 2016（26）:13-14.
［8］	GIRSHICK R， DONAHUE J， DARRELLl T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］// 2014 IEEE Conference on Computer Vision and Pattern Recognition. 2014:580-587.
［9］	GIRSHICK R. Fast R-CNN［C］// 2015 IEEE International Conference on Computer Vision （ICCV）. 2015:1440-1448.
［10］	REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN: Towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017，39（6）:1137-1149.
［11］	UIJLINGS J R R， SANDE K E A， GEVERS T， et al. Selective search for object recognition［J］. International Journal of Computer Vision， 2013，104（2）:154-171.
［12］	REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once: Unified， real-time object detection［C］// Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition. 2016:779-788.
［13］	LIU W， ANGUELOV D， ERHAN D， et al. SSD: Single shot multibox detector［C］// European Conference on Computer Vision. 2016:21-37.
［14］	李军锋，王钦若，李敏. 结合深度学习和随机森林的电力设备图像识别［J］. 高电压技术， 2017，43（11）:3705-3711.
［15］	薛艺为，孙奇珍，党卫军. 基于Faster RCNN的配网设备红外图像缺陷识别方法［J］. 信息技术， 2020，44（7）:79-83.
［16］	HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］// 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 2016:770-778.
［17］	何启远，潘德泰，李贵亮，等. 融合SE-Attention图像识别模型的电力设备监测系统［J］. 西安工程大学学报， 2021，35（4）:71-76.
［18］	HU J， SHEN L， ALBANIE S， et al. Squeeze-and-excitation networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2020，42（8）:2011-2023.
［19］	徐凯，梁志坚，张镱议，等. 基于GoogLeNet Inception-V3模型的电力设备图像识别［J］. 高压电器， 2020，56（9）:129-135.
［20］	SZEGEDY C， VANHOUCKE V， IOFFE S， et al. Rethinking the inception architecture for computer vision［C］// 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 2016:2818-2826.
［21］	熊凯飞，樊绍胜，吴静. 基于改进YOLOv4的雾天变电站电力设备识别方法［J］. 无线电工程， 2022，52（8）:1504-1512.
［22］	BOCHKOVSKIY A， WANG C Y， LIAO H M. YOLOv4: Optimal speed and accuracy of object detection［J］. arXiv preprint arXiv:2004.10934， 2020.
［23］	安玉宾. 基于GAN的电力设备航拍图像目标识别研究［D］. 北京:华北电力大学， 2020.
［24］	LEDIG C， THEIS L， HUSZAR F， et al. Photo-realistic single image super-resolution using a generative adversarial network［C］// 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 2017:105-114.
［25］	林润滋. 基于红外图像特征分析的电力设备故障诊断方法研究［D］. 重庆:重庆大学， 2020.
［26］	DAI J F， LI Y， HE K M， et al. R-FCN: Object detection via region-based fully convolutional networks［C］// Proceedings of the 30th International Conference on Neural Information Processing Systems. 2016:379-387.
［27］	陈同凡. 基于深度学习的变电设备红外诊断技术研究［D］. 北京:华北电力大学， 2021.
［28］	REDMON J， FARHADI A. YOLOv3:An incremental improvement［C］// IEEE Conference on Computer Vision and Pattern Recognition. 2018:89-95.
［29］	LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2020，42（2）:318-327.
［30］	LIN T Y， DOLLAR P， GIRSHICK R， et al. Feature pyramid networks for object detection［C］// 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 2017:936-944.
［31］	DUAN K W， DU D W， QI H G， et al. Detecting small objects using a channel-aware deconvolutional network［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2020，30（6）:1639-1652.
［32］	朱张莉，饶元，吴渊，等. 注意力机制在深度学习中的研究进展［J］. 中文信息学报， 2019，33（6）:1-11.
［33］	WANG Q L， WU B G， ZHU P F， et al. ECA-Net: Efficient channel attention for deep convolutional neural networks［C］// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. 2020:11531-11539.

[1]	林启钊, 彭志平, 郭棉, 崔得龙. 基于双向多步预测的炉管温度场重构方法[J]. 计算机与现代化, 2024, 0(01): 53-58.
[2]	李亚平, 王军防, 余红梅, 窦一民, 肖媛, 田继林. Regformer：基于稀疏注意力的输油管道水力压降预测方法[J]. 计算机与现代化, 2024, 0(01): 59-66.
[3]	邱凯星, 冯广. 基于双重特征注意力的多标签图像分类模型[J]. 计算机与现代化, 2023, 0(12): 41-47.
[4]	张浩洋, 尹梓名, 乐珺怡, 沈达聪, 束翌俊, 杨自逸, 孔祥勇, 龚伟. 3D-SPRNet: 一种基于并行解码器和双注意力机制的胆囊癌分割模型[J]. 计算机与现代化, 2023, 0(12): 59-66.
[5]	张伯泉, 麦海鹏, 陈嘉敏, 逄锦聚. 基于高灰度值注意力机制的脑白质高信号分割[J]. 计算机与现代化, 2023, 0(12): 67-75.
[6]	宁娟, 周庆华, 曾小为. 改进YOLOv7算法在西林瓶轧盖缺陷检测中的应用[J]. 计算机与现代化, 2023, 0(12): 82-86.
[7]	王宇航, 董宝良, 公超, 尚真真, 姚康宁. 基于意图识别的空中群目标动态威胁评估[J]. 计算机与现代化, 2023, 0(12): 100-104.
[8]	罗明杰, 冯开平. 基于沙漏结构与注意力机制的轻量级人脸表情识别方法[J]. 计算机与现代化, 2023, 0(11): 89-94.
[9]	闫子贤, 董宝良, 唐思谜. 针对复杂背景下低分辨率舰船目标的改进YOLOv7算法[J]. 计算机与现代化, 2023, 0(11): 120-126.
[10]	张嘉琪, 徐啟蕾. 基于NAM-YOLO网络的苹果缺陷检测算法[J]. 计算机与现代化, 2023, 0(10): 53-58.
[11]	叶思佳, 魏延, 杜韩宇, 邓金枝. 结合注意力机制的HRNet图像语义分割算法[J]. 计算机与现代化, 2023, 0(10): 65-69.
[12]	杨柳青, 王冲. 基于极大熵的Web服务资源个性化推荐方法[J]. 计算机与现代化, 2023, 0(09): 32-37.
[13]	陈嘉敏, 张伯泉, 麦海鹏. 基于特征融合的海马体分割[J]. 计算机与现代化, 2023, 0(08): 1-6.
[14]	韩雪. 基于约束聚类和粒子群算法的多路径规划[J]. 计算机与现代化, 2023, 0(08): 7-11.
[15]	刘续, 查可可. 一种用于机场特种车辆作业的环境目标识别方法[J]. 计算机与现代化, 2023, 0(08): 18-24.