关键词：
异物入侵
图像去雾
图像去雨
YOLOv8
嵌入式系统
摘要：
随着电力行业的不断发展,确保电力系统的安全和高效运行变得愈加重要。输电线路和变电站是电力系统的核心环节,任何异物的入侵都可能产生严重的安全隐患。为了及时发现输电线路和变电站的异物入侵情况,需要进行巡检。而传统的人工巡检已无法满足现代电力系统日益复杂的需求,尤其是在雾、雨等恶劣天气条件下,人工巡检的效果进一步受限。为此,亟需开发适用于雾和雨天的输变电系统异物入侵检测技术。针对雾和雨天条件下采集的输电线路和变电站图像质量差、异物入侵检测精度低等问题,重点研究了雾雨天图像清晰化模型、输变电系统异物入侵检测模型和嵌入式设备部署方法3个方面内容,具体说明如下:
1)提出了雾雨天图像清晰化模型。针对雾和雨天对图像质量的影响不同而需要分开处理的问题,构建基于DenseNet-121的雾雨天气图像分类模型,将输入图像分成雾、雨和正常3种类别。正常图片不用处理,有雾图像和含雨图像分别采用DEA-Net、Restormer进行清晰化处理。DEA-Net通过DEConv和CGA有效恢复有雾图像的细节;而Restormer则采用MDTA和GDFN优化去雨过程。实验表明,DenseNet-121分类精度分别为雾97.50%、雨98.95%、正常99.73%;DEA-Net输出图像PSNR达31.21 dB,SSIM为0.9571;Restormer输出图像PSNR达33.08 dB,SSIM为0.9259。上述结果验证了清晰化模型在雾雨天气条件下的有效性,为后续的目标检测奠定了坚实的基础。
2)提出了输变电系统异物入侵检测模型。针对原始YOLOv8模型对输变电系统异物入侵检测存在精度不高和速度不快的问题,提出了FS-YOLO模型。首先对图像数据进行扩充,解决原始样本数量不足的问题;接着将轻量化FasterNet嵌入C2f结构形成C2f-Faster;随后加入SPD-Conv模块提升小目标检测能力;然后通过GrouSL技术剪枝优化;最后,联合调试雾雨天图像清晰化模型和FS-YOLO目标检测模型。实验表明,FS-YOLO较YOLOv8s精度提升1.27%,召回率提升2.59%,平均精度均值提升1.18%;剪枝后FS-YOLO计算量、参数量和模型大小分别降低60.76%、59.22%、58.46%,平均精度均值仅下降0.48%,检测速度提升38.59%;结合清晰化模型后,雾天检测精度、召回率和mAP分别提升95.19%、131.81%、124.81%,雨天提升5.02%、18.59%、11.37%,显著提高检测性能。由此可知,雾雨天图像清晰化模型在输变电系统异物入侵检测中的应用,提升了目标检测模型在恶劣天气条件下的表现;剪枝FS-YOLO的计算性能和检测速度得到了优化,同时精度损失较小,符合嵌入式应用的需求。
3)研究了输变电系统异物入侵检测软件和模型的嵌入式设备部署方法。首先,设计了基于PySide6的输变电系统异物入侵检测平台,提供了直观的用户界面,支持本地文件和摄像头,并实现了检测结果展示和参数设置功能,极大提升了用户操作的便捷性。然后,基于Jetson Orin Nano嵌入式开发板,采用TensorRT和DeepStream-YOLO框架对目标检测模型进行了优化和加速。未通过TensorRT的加速FS-YOLO的检测速度为11.00帧/s,剪枝FS-YOLO的检测速度为15.00帧/s;而通过TensorRT加速,FS-YOLO的检测速度为22.05帧/s,剪枝FS-YOLO的检测速度为26.96帧/s。验证了该模型在嵌入式设备上的高效性,确保了复杂环境中输变电系统异物入侵检测的实时性。
