基于圖像深度學(xué)習(xí)的高壓斷路器操動(dòng)機(jī)構(gòu)銹蝕狀態(tài)評(píng)估

楊鼎革，丁 彬，高 健，牛 博，趙陳琛，郭藝博，張國(guó)鋼

(1. 國(guó)網(wǎng)陜西省電力公司電力科學(xué)研究院，陜西 西安 710100； 2. 西安交通大學(xué)電力設(shè)備電氣絕緣國(guó)家重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710049)

1 引言

高壓斷路器作為電力系統(tǒng)的關(guān)鍵保護(hù)設(shè)備，在系統(tǒng)發(fā)生故障時(shí)，迅速切斷故障部分以保障整個(gè)電網(wǎng)的正常運(yùn)行，其可靠性影響電力系統(tǒng)的穩(wěn)定運(yùn)行。高壓斷路器常見故障中操動(dòng)機(jī)構(gòu)相關(guān)的缺陷約占50%，是設(shè)備運(yùn)維的重點(diǎn)[1]。操動(dòng)機(jī)構(gòu)受到環(huán)境侵蝕，在電磁鐵鐵心、傳動(dòng)部件軸銷等位置會(huì)產(chǎn)生銹蝕，據(jù)統(tǒng)計(jì)銹蝕及異物缺陷約占2%～5%，嚴(yán)重銹蝕時(shí)，將導(dǎo)致分合閘彈簧無法充分釋能、機(jī)構(gòu)動(dòng)作卡澀、分合閘速度降低甚至拒動(dòng)等嚴(yán)重事故[2-5]。因此，準(zhǔn)確評(píng)估高壓斷路器操動(dòng)機(jī)構(gòu)的銹蝕狀態(tài)，并及時(shí)采取相應(yīng)的處理措施，對(duì)保障電力系統(tǒng)供電安全性具有重要的意義。

近年來，國(guó)內(nèi)外研究人員主要針對(duì)高壓斷路器的動(dòng)作過程進(jìn)行監(jiān)測(cè)，以分合閘線圈電流波形、分合閘行程曲線以及振動(dòng)信號(hào)等作為對(duì)象，結(jié)合機(jī)器學(xué)習(xí)算法對(duì)高壓斷路器狀態(tài)評(píng)估展開了大量研究。文獻(xiàn)[6-8]基于分合閘線圈電流曲線，分別采用自適應(yīng)神經(jīng)模糊推理、皮爾森相關(guān)系數(shù)特征量?jī)?yōu)化方法、聚類和自組織映射神經(jīng)網(wǎng)絡(luò)混合算法對(duì)斷路器操動(dòng)機(jī)構(gòu)進(jìn)行狀態(tài)評(píng)估。文獻(xiàn)[9]提出一種基于短時(shí)能熵比與動(dòng)態(tài)時(shí)間規(guī)整算法，文獻(xiàn)[10]提出一種基于局域均值分解能量熵和支持向量數(shù)據(jù)描述的高壓斷路器機(jī)械狀態(tài)監(jiān)測(cè)方法。文獻(xiàn)[11,12]采用多種特征信號(hào)融合的方式評(píng)估高壓斷路器的整體工作狀態(tài)。目前，對(duì)于高壓斷路器操動(dòng)機(jī)構(gòu)銹蝕缺陷的評(píng)估尚缺乏研究。

通過圖像檢測(cè)，識(shí)別操動(dòng)機(jī)構(gòu)銹蝕狀態(tài)，屬于典型的目標(biāo)檢測(cè)問題。目前，目標(biāo)檢測(cè)通常采取深度學(xué)習(xí)方法，如區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Region-Convolutional Neural Network, R-CNN)、Faster R-CNN網(wǎng)絡(luò)、區(qū)域全卷積神經(jīng)網(wǎng)絡(luò)(Region-Fully Convolutional Network, R-FCN)等。YOLO(You Only Look Once)算法基于深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)目標(biāo)的類別和位置，運(yùn)行速度快[13]，在電力設(shè)備的缺陷檢測(cè)中得到了大量應(yīng)用。文獻(xiàn)[14]基于YOLOv3模型構(gòu)建了一種改進(jìn)的輕量級(jí)網(wǎng)絡(luò)實(shí)現(xiàn)絕緣子定位及缺陷檢測(cè)。文獻(xiàn)[15]采用YOLOv3算法建立輸電線路鳥類檢測(cè)模型，精確實(shí)時(shí)地檢測(cè)輸電線路周圍的鳥類數(shù)目。文獻(xiàn)[16]基于YOLOv3算法實(shí)現(xiàn)高壓輸電線路關(guān)鍵零部件的分類識(shí)別。

本文將YOLO算法和模糊評(píng)價(jià)算法相結(jié)合，提出了一種基于圖像深度學(xué)習(xí)的高壓斷路器操動(dòng)機(jī)構(gòu)銹蝕狀態(tài)評(píng)估方法。首先利用YOLO算法得到銹蝕位置及等級(jí)，然后通過模糊評(píng)價(jià)算法給出銹蝕狀態(tài)評(píng)價(jià)結(jié)果。該方法無需安裝傳感器，利用機(jī)器學(xué)習(xí)，通過對(duì)操動(dòng)機(jī)構(gòu)照片進(jìn)行圖像檢測(cè)，識(shí)別其銹蝕位置和類型，評(píng)價(jià)銹蝕狀態(tài)。

2 YOLO模型

2.1 YOLO算法原理

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法可分為兩類：一階段和二階段目標(biāo)檢測(cè)算法。YOLO屬于一階段目標(biāo)檢測(cè)算法，其原理如圖1所示，將輸入圖片劃分為7×7共49個(gè)網(wǎng)格，每個(gè)網(wǎng)格預(yù)測(cè)2個(gè)邊框，共98個(gè)候選區(qū)，輸出一個(gè)7×7×(n+4×2+2)的張量，其中，n為網(wǎng)絡(luò)支持識(shí)別的分類數(shù)。

圖1 圖片劃分及預(yù)測(cè)張量Fig.1 Image division and prediction tensor

該輸出向量包含：①該網(wǎng)格存在任一種對(duì)象的條件概率，共n個(gè)；②邊框的位置，每個(gè)邊框的位置由4個(gè)參數(shù)表示，即邊框中心點(diǎn)的x坐標(biāo)和y坐標(biāo)、邊框?qū)挾群透叨龋虎圻吙虻闹眯哦?confidence)，置信度代表該邊框是否包含對(duì)象以及位置是否準(zhǔn)確，置信度高表示該邊框內(nèi)存在某對(duì)象且位置較準(zhǔn)確，如式(1)所示:

confidence=Pr×IoU

(1)

式中，Pr為邊框內(nèi)存在對(duì)象的概率；IoU為交并比(Intersection over Union，IoU)，表示預(yù)測(cè)邊框和實(shí)際邊框的接近程度，一般約定IoU>0.5時(shí)則認(rèn)為檢測(cè)正確。

隨著YOLO算法的改進(jìn)，YOLOv2融合深層和淺層特征信息提高檢測(cè)效果。YOLOv3新增了殘差網(wǎng)絡(luò)，將網(wǎng)絡(luò)擴(kuò)展為53層，采用darknet-53網(wǎng)絡(luò)提取特征，分類器采用交叉熵?fù)p失函數(shù)代替softmax函數(shù)。YOLOv4由CSP Darknet53、空間金字塔池化層(Spatial Pyramid Pooling layer，SPP)以及壓縮和激勵(lì)網(wǎng)絡(luò)(Squeeze and Excitation Networks，SENet)等組成，提高了目標(biāo)檢測(cè)效率[17,18]。YOLOv5由YOLOv4改進(jìn)而來，但其模型大小僅為YOLOv4的11%，在保證準(zhǔn)確率的基礎(chǔ)上實(shí)現(xiàn)了輕量化，提高效率[19,20]。

2.2 YOLOv5網(wǎng)絡(luò)模型

YOLOv5根據(jù)網(wǎng)絡(luò)深度和寬度的不同，可分為YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x見表1。ckpt為網(wǎng)絡(luò)權(quán)重文件，mAPtest@0.5為取IoU大于0.5，網(wǎng)絡(luò)在COCO 2017測(cè)試集上的平均精度。其中YOLOv5n網(wǎng)絡(luò)最小，精度最低；YOLOv5x網(wǎng)絡(luò)深度和寬度最大，精度最高，但運(yùn)算量最大、速度最低。

表1 YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)的對(duì)比Tab.1 Comparison of network size and performance among different YOLOv5 models

上述YOLOv5網(wǎng)絡(luò)均由4個(gè)部分組成：輸入端、backbone基準(zhǔn)網(wǎng)絡(luò)、neck網(wǎng)絡(luò)及輸出端。

2.2.1 輸入端

在實(shí)際工程應(yīng)用中，數(shù)據(jù)集的圖片長(zhǎng)寬比通常不統(tǒng)一。為提升算法推理速度，YOLOv5網(wǎng)絡(luò)在輸入端的圖像預(yù)處理階段引入自適應(yīng)圖片縮放方法。YOLO系列算法訓(xùn)練時(shí)，需要根據(jù)數(shù)據(jù)集設(shè)定初始錨框。錨框是將圖片分割成m×n個(gè)區(qū)域，在每個(gè)格子的中心，按照設(shè)定的長(zhǎng)寬比，生成的一系列邊框，如圖2所示。假設(shè)錨框左上角所在格子的左上角坐標(biāo)為(cx，cy)，ph和pw為錨框的長(zhǎng)和寬，則預(yù)測(cè)框的中心坐標(biāo)(bx，by)及其長(zhǎng)(bh)、寬(bw)如式(2)所示，其中，σ(x)為sigmoid函數(shù)，tx，ty，th和tw即為網(wǎng)絡(luò)要預(yù)測(cè)的預(yù)測(cè)框參數(shù)。

圖2 錨框及預(yù)測(cè)框Fig.2 Anchor box and bounding box

(2)

這些錨框被視為候選區(qū)域，網(wǎng)絡(luò)對(duì)這些候選區(qū)域內(nèi)是否包含物體進(jìn)行預(yù)測(cè)，若包含目標(biāo)物體，則判斷物體類別，并在錨框的基礎(chǔ)上進(jìn)行微調(diào)得到準(zhǔn)確描述物體的預(yù)測(cè)框。對(duì)于不同數(shù)據(jù)集，YOLOv5算法引入自適應(yīng)錨框計(jì)算，在正式訓(xùn)練之前計(jì)算數(shù)據(jù)集標(biāo)注信息針對(duì)網(wǎng)絡(luò)配置文件中默認(rèn)錨框的最佳召回率，若最佳召回率小于0.98，重新計(jì)算符合該數(shù)據(jù)集的錨框。

另外，YOLOv5在訓(xùn)練階段沿用了YOLOv4中的Mosaic數(shù)據(jù)增強(qiáng)方法，該方法將數(shù)據(jù)集中的4張圖片隨機(jī)縮放、裁剪并拼接，在豐富數(shù)據(jù)集的同時(shí)加快網(wǎng)絡(luò)訓(xùn)練速度，提升模型分類效果。

2.2.2 backbone基準(zhǔn)網(wǎng)絡(luò)

YOLOv5網(wǎng)絡(luò)在backbone部分添加了Focus結(jié)構(gòu)，該結(jié)構(gòu)在不丟失信息的情況下，增加前后反饋速度，其中關(guān)鍵的一步為切片，如圖3所示。通過切片，4×4×3的圖像將變?yōu)?×2×12的特征圖。對(duì)于YOLOv5網(wǎng)絡(luò)，以YOLOv5s結(jié)構(gòu)為例，640×640×3的原始圖像輸入Focus結(jié)構(gòu)，經(jīng)過切片操作變?yōu)?20×320×12的特征圖，再經(jīng)過卷積最終變?yōu)?20×320×32的特征圖。

圖3 YOLOv5 Focus結(jié)構(gòu)Fig.3 Focus structure of YOLOv5

2.2.3 neck網(wǎng)絡(luò)

YOLOv5的neck網(wǎng)絡(luò)沿用了YOLOv4中的特征金字塔網(wǎng)絡(luò)(Feature Pyramid Networks, FPN)及路徑聚合網(wǎng)絡(luò)(Path Aggregation Network, PAN)結(jié)構(gòu)，F(xiàn)PN通過上采樣的方式自頂向下的將高層特征信息傳遞融合，PAN則自底向上的傳達(dá)強(qiáng)定位特征。不同的是，YOLOv4采用普通卷積操作，YOLOv5借鑒跨階段局部網(wǎng)絡(luò)CSPnet(Cross Stage Partial network)引入了CSP2_X結(jié)構(gòu)，如圖4所示。

圖4 YOLOv5s的CSP2_X結(jié)構(gòu)Fig.4 Structure of CSP2_X of YOLOv5s

CSP2_X將主干網(wǎng)絡(luò)分成2個(gè)分支再連接，加強(qiáng)了網(wǎng)絡(luò)特征融合能力，與此同時(shí)，更多的特征信息得到保留。其中，CBL(Conv-BN-Leaky relu)由卷積Conv層、批量歸一化(Batch Normalization, BN)層和激活函數(shù)Leaky relu組成。

2.2.4 輸出端

YOLOv5在輸出端采用GIoU_Loss作為邊界框的損失函數(shù)，其定義如式(3)所示。IoU為目標(biāo)框A與預(yù)測(cè)框B的交集與并集之比，如圖5所示。C為包含目標(biāo)框A與預(yù)測(cè)框B的最小外接框，C/(A∪B)則為外接框C中未包含A、B的部分。

(3)

圖5 損失函數(shù)的說明Fig.5 Explanation of loss function

3 銹蝕狀態(tài)綜合評(píng)價(jià)

3.1 層次分析法

高壓斷路器操動(dòng)機(jī)構(gòu)銹蝕狀態(tài)評(píng)估包含多種影響指標(biāo)，而且各指標(biāo)對(duì)操動(dòng)機(jī)構(gòu)運(yùn)行狀態(tài)影響程度不同，因此選用層次分析法(Analytic Hierarchy Process，AHP)確定各定性指標(biāo)的權(quán)重，并結(jié)合專家經(jīng)驗(yàn)與高壓斷路器功能結(jié)構(gòu)特點(diǎn)，建立的操動(dòng)機(jī)構(gòu)銹蝕狀態(tài)評(píng)估體系見表2，其評(píng)價(jià)指標(biāo)包括銹蝕位置和銹蝕等級(jí)2個(gè)方面。

表2 高壓斷路器操動(dòng)機(jī)構(gòu)銹蝕狀態(tài)評(píng)估體系Tab.2 Rust status evaluation system for operating mechanism of high voltage circuit breaker

層次分析法以專家咨詢?yōu)榛A(chǔ)，把復(fù)雜問題分解成相互聯(lián)系的有序?qū)哟?，?duì)比同一層次指標(biāo)的重要性得到系統(tǒng)判斷矩陣，求取判斷矩陣最大特征根所對(duì)應(yīng)特征向量，將其歸一化處理后即為權(quán)重向量，從而將定性問題轉(zhuǎn)換為定量分析[21]。其中，判斷矩陣標(biāo)度方法見表3。

表3 判斷矩陣標(biāo)度方法Tab.3 Scaling method of judgement matrix

3.2 模糊綜合評(píng)價(jià)

本文對(duì)于高壓斷路器操動(dòng)機(jī)構(gòu)銹蝕狀態(tài)的評(píng)價(jià)流程為：①確定評(píng)價(jià)指標(biāo)及評(píng)語(yǔ)集；②量化評(píng)價(jià)指標(biāo)并計(jì)算指標(biāo)綜合權(quán)重；③利用YOLOv5算法檢測(cè)操動(dòng)機(jī)構(gòu)圖片中的銹蝕位置和銹蝕等級(jí)；④根據(jù)隸屬度函數(shù)，確定指標(biāo)模糊評(píng)估矩陣R；⑤計(jì)算模糊評(píng)價(jià)向量B，給出綜合評(píng)價(jià)結(jié)果。

上述流程中的評(píng)價(jià)指標(biāo)見表2?？紤]斷路器實(shí)際工作情況，建立操動(dòng)機(jī)構(gòu)狀態(tài)評(píng)語(yǔ)集包含4個(gè)等級(jí){危急、預(yù)警、一般、正常}。主觀權(quán)重根據(jù)AHP構(gòu)建判斷矩陣確定，由于AHP屬于主觀賦權(quán)法，本文采用主客觀綜合賦權(quán)法計(jì)算綜合指標(biāo)以彌補(bǔ)其客觀性差的缺點(diǎn)[22]。其中客觀權(quán)重按照專家打分的方式確定，綜合權(quán)重由主觀權(quán)重和客觀權(quán)重的加權(quán)平均值計(jì)算得出。本文采用如圖6所示的三角形和梯形組合的隸屬度函數(shù)。其中，“危急”狀態(tài)V1在0～50之間，“預(yù)警”狀態(tài)V2在50～70之間，“一般”狀態(tài)V3在70～90之間，“正?！睜顟B(tài)V4在90～100之間。對(duì)于評(píng)價(jià)結(jié)果為“危急”狀態(tài)的缺陷應(yīng)立即處理，“預(yù)警”狀態(tài)的缺陷應(yīng)引起關(guān)注，盡快處理，避免其進(jìn)一步發(fā)展。

圖6 三角形-梯形隸屬度函數(shù)Fig.6 Triangle-trapezoidal-shape membership function

將銹蝕檢測(cè)結(jié)果結(jié)合專家建議的隸屬度代入隸屬函數(shù)得出模糊評(píng)估矩陣R，如式(4)所示。利用模糊運(yùn)算Bi=Wi×Ri得出各層指標(biāo)的模糊綜合評(píng)價(jià)向量Bi，其中Wi為各層指標(biāo)權(quán)重向量，Ri即為各層指標(biāo)模糊評(píng)估矩陣。

(4)

4 高壓斷路器操動(dòng)機(jī)構(gòu)銹蝕狀態(tài)評(píng)估

通過圖形深度學(xué)習(xí)，評(píng)估高壓斷路器操動(dòng)機(jī)構(gòu)銹蝕狀態(tài)的實(shí)施過程如圖7所示。檢測(cè)時(shí)，輸入高壓斷路器操動(dòng)機(jī)構(gòu)的照片，首先檢測(cè)照片中是否含有關(guān)鍵零部件，有則根據(jù)坐標(biāo)信息裁剪得到單獨(dú)的關(guān)鍵零部件。然后檢測(cè)關(guān)鍵零部件連接處是否存在銹蝕及其銹蝕等級(jí)。最后根據(jù)得到的銹蝕位置及銹蝕等級(jí)，通過模糊評(píng)價(jià)算法評(píng)估，獲得高壓斷路器操動(dòng)機(jī)構(gòu)銹蝕缺陷狀態(tài)。

圖7 高壓斷路器銹蝕狀態(tài)評(píng)估Fig.7 Rust status evaluation of high voltage circuit breaker

4.1 銹蝕位置與銹蝕等級(jí)檢測(cè)

4.1.1 數(shù)據(jù)集的收集與數(shù)據(jù)增廣

原始數(shù)據(jù)集由變電站等實(shí)際作業(yè)環(huán)境中采集的結(jié)構(gòu)類似的高壓斷路器操動(dòng)機(jī)構(gòu)照片構(gòu)成。在斷路器操動(dòng)機(jī)構(gòu)銹蝕檢測(cè)領(lǐng)域，目前沒有公開的大型數(shù)據(jù)集，且實(shí)際采集照片數(shù)量有限，因此本文首先通過非形變的旋轉(zhuǎn)、隨機(jī)裁剪對(duì)數(shù)據(jù)集進(jìn)行初步增廣。參考國(guó)家標(biāo)準(zhǔn)GB/T 8923.1—2011對(duì)銹蝕等級(jí)的規(guī)定，使用圖像處理軟件將標(biāo)準(zhǔn)中給出的不同等級(jí)銹蝕照片添加至操動(dòng)機(jī)構(gòu)關(guān)鍵零部件連接處，以擴(kuò)充銹蝕檢測(cè)數(shù)據(jù)集樣本[23]。由于銹跡的顏色和形狀與設(shè)備本身的顏色形狀及所處環(huán)境相關(guān)，不同設(shè)備產(chǎn)生的銹跡差異較大，相同設(shè)備在不同溫度、濕度下銹蝕狀況有所不同，因此采取顏色變換、隨機(jī)插入高斯噪聲、隨機(jī)高斯模糊等方式，進(jìn)一步擴(kuò)充銹蝕數(shù)據(jù)樣本。

4.1.2 數(shù)據(jù)集標(biāo)注

本文使用labelImg軟件對(duì)數(shù)據(jù)集圖片進(jìn)行標(biāo)注，該軟件可以快速生成包含目標(biāo)物體位置與類別信息的文件。為得到操動(dòng)機(jī)構(gòu)的銹蝕位置和銹蝕等級(jí)，分別建立關(guān)鍵零部件檢測(cè)訓(xùn)練模型和銹蝕等級(jí)檢測(cè)訓(xùn)練模型，因此數(shù)據(jù)集標(biāo)注分為銹蝕位置標(biāo)注和銹蝕等級(jí)標(biāo)注。經(jīng)過收集數(shù)據(jù)集和數(shù)據(jù)增廣，檢測(cè)銹蝕位置的數(shù)據(jù)集有256幅圖片，檢測(cè)銹蝕等級(jí)的數(shù)據(jù)集有640幅圖片。根據(jù)高壓斷路器操動(dòng)機(jī)構(gòu)結(jié)構(gòu)特點(diǎn)和動(dòng)作原理，關(guān)鍵零部件連接處銹蝕時(shí)會(huì)引起卡澀等現(xiàn)象，但僅標(biāo)注連接處無法直接獲得具體銹蝕部件。因此本文采取標(biāo)注零部件及標(biāo)注連接處銹蝕等級(jí)的方式體現(xiàn)銹蝕位置和銹蝕等級(jí)。例如按照操動(dòng)機(jī)構(gòu)結(jié)構(gòu)，若輸入圖片檢測(cè)出緩沖器則代表狀態(tài)評(píng)估體系中的緩沖器與輸出拐臂連接處，檢測(cè)出彈簧拉桿則對(duì)應(yīng)彈簧拉桿與輸出拐臂連接處。

4.1.3 錨框計(jì)算

YOLOv5網(wǎng)絡(luò)的錨框參數(shù)共有3行，每行9個(gè)數(shù)值，第1行代表最大的特征圖上的錨框，第3行代表最小的特征圖上的錨框，第2行即為中等大小的特征圖上的錨框。網(wǎng)絡(luò)配置文件中默認(rèn)初始錨框值為COCO 2017數(shù)據(jù)集的預(yù)設(shè)錨框，為提高模型檢測(cè)準(zhǔn)確率，基于K-means聚類和遺傳算法計(jì)算關(guān)鍵零部件數(shù)據(jù)集錨框和銹蝕等級(jí)數(shù)據(jù)集錨框的初始值。

4.1.4 數(shù)據(jù)訓(xùn)練和結(jié)果分析

本文的實(shí)驗(yàn)環(huán)境為Windows10操作系統(tǒng)，Intel(R) Core(TM) i7-7800HQ CPU @3.20 GHz，基于PyTorch機(jī)器學(xué)習(xí)框架搭建YOLO模型，使用CPU訓(xùn)練。所有實(shí)驗(yàn)均訓(xùn)練500個(gè)循環(huán)，實(shí)驗(yàn)結(jié)果從召回率Recall、準(zhǔn)確率Precision、mAP@0.5和模型性能4個(gè)角度對(duì)比，計(jì)算公式如下。

(5)

(6)

(7)

式中，NTP、NFN和NFP分別為檢測(cè)正確的目標(biāo)數(shù)、檢測(cè)錯(cuò)誤的目標(biāo)數(shù)和沒有被檢測(cè)出的目標(biāo)數(shù)。因此召回率即為檢測(cè)正確的目標(biāo)數(shù)量與所有目標(biāo)數(shù)量之比，準(zhǔn)確率則為檢測(cè)正確的目標(biāo)數(shù)量與所有預(yù)測(cè)框數(shù)量之比。以Recall值和Precision值分別作為橫軸和縱軸繪制P-R曲線，并對(duì)其進(jìn)行平滑處理，平均精度AP為P-R曲線面積。mAP@0.5指IoU閾值設(shè)置為0.5時(shí)的平均精度。

以訓(xùn)練集與測(cè)試集比值為8∶2的比例分割各數(shù)據(jù)集，各模型檢測(cè)測(cè)試集的召回率、準(zhǔn)確率和mAP@0.5對(duì)比如表4、表5、圖8和圖9所示。對(duì)于銹蝕位置檢測(cè)，YOLOv5s和YOLOv5l模型的平均檢測(cè)精度相同，其召回率和準(zhǔn)確率均普遍高于YOLOv3和YOLOv4，但YOLOv4對(duì)拐臂的識(shí)別準(zhǔn)確率更高。此外，YOLOv5l的準(zhǔn)確率和召回率略高于YOLOv5s。針對(duì)銹蝕等級(jí)的檢測(cè)，YOLOv5s和YOLOv5l模型的各項(xiàng)指標(biāo)普遍高于YOLOv3；對(duì)于無銹蝕和嚴(yán)重銹蝕，YOLOv4的召回率高于YOLOv5；對(duì)于嚴(yán)重銹蝕，YOLOv4的平均精度mAP@0.5高于YOLOv5s。

表4 各模型召回率測(cè)試結(jié)果對(duì)比Tab.4 Comparison of recall ratio of different YOLO models

表5 各模型準(zhǔn)確率測(cè)試結(jié)果對(duì)比Tab.5 Comparison of precision of different YOLO models

圖8 銹蝕位置mAP@0.5檢測(cè)結(jié)果Fig.8 Detection results of rust position based on mAP@0.5

圖9 銹蝕等級(jí)mAP@0.5 檢測(cè)結(jié)果Fig.9 Detection results of rust level based on mAP@0.5

表6給出了各模型的訓(xùn)練時(shí)間、訓(xùn)練結(jié)束后生成的權(quán)重文件大小以及單張照片的檢測(cè)速度?？梢钥闯?，相對(duì)于YOLOv4和YOLOv3，YOLOv5s和YOLOv5l生成的權(quán)重文件大幅減小，訓(xùn)練時(shí)間和單張照片的檢測(cè)速度大幅加快，YOLOv5s訓(xùn)練時(shí)間較YOLOv4和YOLOv3提升了5～8.4倍，檢測(cè)速度提升了4.6～5.2倍，YOLOv5l的訓(xùn)練時(shí)間和檢測(cè)速度則分別提升了1.6～2.8倍和3.9～4.5倍。結(jié)合召回率、準(zhǔn)確率和mAP@0.5的對(duì)比，YOLOv5模型在訓(xùn)練時(shí)間和檢測(cè)速度上具有很大優(yōu)勢(shì)，召回率、準(zhǔn)確率和精度也高于YOLOv3和YOLOv4模型。在不考慮訓(xùn)練時(shí)間和內(nèi)存的情況下，YOLOv5l模型表現(xiàn)出最佳的性能。

表6 各模型性能對(duì)比Tab.6 Comparison among different YOLO models

4.2 高壓斷路器操動(dòng)機(jī)構(gòu)銹蝕狀態(tài)評(píng)價(jià)

4.2.1 指標(biāo)權(quán)重計(jì)算

由于銹蝕位置和銹蝕等級(jí)對(duì)高壓斷路器銹蝕狀態(tài)評(píng)價(jià)同樣重要，因此準(zhǔn)則層的權(quán)重定為[0.5 0.5]。利用AHP法構(gòu)建銹蝕位置層的判斷矩陣為：

(8)

計(jì)算C1最大特征根對(duì)應(yīng)的特征向量為[0.318 3 0.802 1 0.505 3]，標(biāo)準(zhǔn)化后得銹蝕位置層的主觀權(quán)重為[0.195 8 0.493 4 0.310 8]，根據(jù)專家打分得客觀權(quán)重為[0.40 0.25 0.35]，則該層指標(biāo)綜合權(quán)重為[0.297 9 0.371 7 0.330 4]。

構(gòu)建銹蝕等級(jí)層的判斷矩陣為：

(9)

同理，計(jì)算銹蝕等級(jí)層的主觀權(quán)重為[0.657 4 0.202 7 0.094 2 0.045 7]，專家打分得客觀權(quán)重為[0 0.4 0.2 0.4]，則該層指標(biāo)綜合權(quán)重為[0.328 7 0.301 4 0.147 1 0.222 8]。

4.2.2 狀態(tài)評(píng)價(jià)

以某變電站現(xiàn)場(chǎng)采集的126 kV高壓斷路器操動(dòng)機(jī)構(gòu)實(shí)際照片為例，使用YOLOv5s模型檢測(cè)銹蝕位置和銹蝕等級(jí)，原始圖像和識(shí)別結(jié)果如圖10所示。其中，圖10(a)為原始圖像。從圖10(b)可以看出，YOLOv5s模型識(shí)別出緩沖器和拐臂，圖10(c)中YOLOv5s檢測(cè)出緩沖器中有74%的概率包含輕微銹蝕，60%的概率包含嚴(yán)重銹蝕。

圖10 YOLOv5s檢測(cè)結(jié)果Fig.10 Detection results of YOLOv5s

根據(jù)檢測(cè)信息代入隸屬度函數(shù)后，得到銹蝕位置層和銹蝕等級(jí)層的模糊評(píng)估矩陣分別為：

(10)

(11)

進(jìn)一步計(jì)算得到銹蝕位置和等級(jí)的各層模糊綜合評(píng)價(jià)向量分別為B1=[0.029 8 0.129 8 0.629 8 0.210 6]，B2=[0.0 0.244 5 0.685 6 0.069 9]，從而對(duì)高壓斷路器操動(dòng)機(jī)構(gòu)銹蝕狀態(tài)綜合評(píng)價(jià)可得：

(12)

從模糊運(yùn)算結(jié)果可以看出，該高壓斷路器操動(dòng)機(jī)構(gòu)銹蝕目前處于“一般”狀態(tài)。從實(shí)際情況來看，該高壓斷路器在緩沖器與拐臂連接處產(chǎn)生輕微銹蝕，連接螺栓表面產(chǎn)生嚴(yán)重銹蝕，緩沖器吸收剩余動(dòng)能的能力略有下降，但不影響斷路器正常使用，且其他部位正常運(yùn)行，整體處于“一般”狀態(tài)，與評(píng)判結(jié)果一致。

5 結(jié)論

本文以高壓斷路器操動(dòng)機(jī)構(gòu)銹蝕狀態(tài)作為研究對(duì)象，通過圖像深度學(xué)習(xí)識(shí)別銹蝕位置和銹蝕等級(jí)的評(píng)價(jià)指標(biāo)，再經(jīng)過模糊評(píng)價(jià)算法，實(shí)現(xiàn)操動(dòng)機(jī)構(gòu)銹蝕狀態(tài)的綜合評(píng)價(jià)。通過YOLOv5s、YOLOv5l、YOLOv4和YOLOv3模型的對(duì)比測(cè)試，表明YOLOv5模型具有輕量化的優(yōu)點(diǎn)，在訓(xùn)練和檢測(cè)速度更快的同時(shí)，可達(dá)到較高的識(shí)別精度。實(shí)例表明，運(yùn)用本文方法可以實(shí)現(xiàn)高壓斷路器操動(dòng)機(jī)構(gòu)銹蝕狀態(tài)的評(píng)估，結(jié)果具有合理性。