基于改进的YOLOv5s的电力开关柜门开合状态检测方法与流程

本发明属于电力设备组件检测领域，具体涉及基于改进的yolov5s的电力开关柜门开合状态检测方法。

背景技术：

1、高压开关柜作为电力系统中的重要设备，用于控制、保护和隔离电路。开关柜内部装有断路器、接触器、继电器组件，在电力传输和分配过程中对高压开关柜有效的控制和保护，能确保电力系统的稳定运行。

2、高压开关柜门通常是闭合状态，但在检修期间打开的高压开关柜，如果操作人员未能及时关闭或未完全关闭高压开关柜柜门，积聚灰尘容易引发污闪现象，造成操作人员触电或设备毁坏，如果外来物体侵入，则可能损坏开关柜内组件。

技术实现思路

1、本发明的技术问题是，现有智能高压开关柜通过自动控制系统监控柜门的状态，但将现有高压开关柜替换为智能高压开关柜，需要大量成本，且更换智能高压开关柜需要长时间的停电安装，对运营有较大影响。

2、本发明的目的是解决上述问题，提出基于改进yolov5的高压开关柜柜门开合识别方法，根据开关柜柜门打开状态和关闭状态的图像颜色差异特点，引入注意力机制，对yolov5s进行改进，改进的yolov5s用于开关柜图像，检测得到柜门的开合状态。

3、为了达到上述目的，本发明提供的技术方案为：

4、基于改进的yolov5s的电力开关柜门开合状态检测方法，包括以下步骤：

5、s1: 采集变电站开关柜门图像，得到数据集d1，并将数据集d1按比例划分为训练集和测试集；

6、s2：对数据集d1进行特征分析，分析柜门打开、闭合状态的图像颜色差异；

7、s3：依据步骤s2的特征分析结果，构建改进的yolov5s模型，作为开关柜开合状态检测模型；

8、s4：利用开关柜图像数据集对改进的yolov5s网络进行训练和测试；

9、s5：将实时采集的开关柜图像输入到训练好的改进的yolov5s网络，利用改进的yolov5s网络得到开关柜柜门开合状态的检测结果。

10、优选的，步骤s1中定时采集变电站监控摄像头中的开关柜门图像得到数据集d1，包含在不同开合状态的高压柜门和多变的环境条件中采集开关柜门图像。

11、进一步的，步骤s2中对数据集d1进行特征分析，包括对柜门开合状态在图像中的的颜色、色块面积、光线变化、局部光线差异、开合状态辨识难度、视角和比例差异的特征分析。

12、进一步的，步骤s3中，建立基于yolov5s的优化模型，包括主干网络、改进的特征融合模块和输出单元；主干网络包含依次连接的卷积模块和多个瓶颈层；改进的特征融合模块包含引入注意力机制的三元注意跨越连接层替代c3层和ghostconv卷积层替代conv卷积层；输出单元为多个卷积层。

13、进一步的，卷积模块包含卷积层、批归一层和hswish层。

14、优选的，瓶颈层包含依次连接的1x1卷积扩展通道、3x3深度可分离卷积、se模块和1x1卷积压缩通道。

15、优选的，步骤s4包括以下子步骤：

16、s401、利用数据集d1对改进的yolov5s网络进行训练和测试；

17、s402、将经过训练的改进的yolov5s网络部署到变电站监控系统中，进行二次测试；

18、s403、根据步骤s402的测试结果和用户反馈，重复步骤s401和s402，直至改进的yolov5s网络输出的预测结果趋近于电力开关柜的真实开合状态。

19、进一步的，三元注意跨越连接模块，包括原始张量通过三个并行分支分别提取和强化特征依赖关系，进而通过z-pool层进行维度缩减，缩减后的张量经过卷积层和归一化层，通过sigmoid 函数生成维度的注意力权重添加到旋转的张量中形成输出。

20、优选的，通过z-pool层进行维度缩减，表达式为：

21、；

22、式中，表示维度缩减后的结果，maxpool表示最大池操作，avgpool表示平均池操作，x表示张量输入。

23、优选的，张量输出表达式为：

24、；

25、式中，表示张量的输出，表示求模计算，表示卷积操作，σ表示sigmoid 函数，、和分别表示三个并行分支的输入，、和分别表示三个并行分支的原始输入。

26、优选的，输出单元，用于对输出预测结果，并生成边界框和预测类别。

27、相比现有技术，本发明的有益效果包括：

28、1）本发明针对开关柜柜门打开状态和关闭状态的图像颜色差异，引入三元注意力机制，对yolov5s进行改进，利用注意力机制关注柜门开合状态的图像颜色差异，改进的yolov5s作为开关柜开合状态检测模型，能准备检测识别开关柜是打开还是闭合状态，实现了电力开关柜的实时在线检测。

29、2）本发明采用轻量级的卷积神经网络作为开关柜开合状态检测模型的主干网络，减少检测模型的参数量和计算复杂度，提高了数据处理速度和运行效率；改进的特征融合模块引入三元注意力机制，提升对高压开关柜柜门微小变化的识别能力，减少误检和漏检，提高系统的整体可靠性。

30、3）本发明的检测模型的特征融合模块采用ghostconv卷积层，强化不同层级特征之间的关联和整合，增强检测模型的泛化能力，实现在多变的环境条件下稳定运作。

31、4）本发明通过调整参数和输入，适用于需持续、实时监控的应用场景，高效率和高精度确保了在实时监控中能够快速且准确地做出响应，降低了模型运行所需的计算资源，使得模型在维持高识别精度的同时，更加节能环保。

技术特征：

1.基于改进的yolov5s的电力开关柜门开合状态检测方法，其特征在于，根据开关柜柜门打开状态和关闭状态的图像颜色差异特点，引入注意力机制，对yolov5s进行改进，改进的yolov5s用于开关柜图像，检测得到柜门的开合状态；

2.根据权利要求1所述基于改进的yolov5s的电力开关柜门开合状态检测方法，其特征在于，步骤s2中，所述对数据集d1进行特征分析，包括分析柜门开合状态的图像颜色差异、色块面积、光线变化、局部光线差异、开合状态辨识难度、拍摄视角和拍摄目标的比例差异。

3.根据权利要求1或2所述基于改进的yolov5s的电力开关柜门开合状态检测方法，其特征在于，步骤s3中，所述改进的yolov5s模型包括主干网络、改进的特征融合模块和输出单元，主干网络包括依次连接的卷积模块和多个瓶颈层；改进的特征融合模块包含引入注意力机制的三元注意跨越连接层和ghostconv卷积层；输出单元为多个卷积层。

4.根据权利要求3所述基于改进的yolov5s的电力开关柜门开合状态检测方法，其特征在于，步骤s3中，所述卷积模块包含卷积层、批归一层和hswish层。

5.根据权利要求3所述基于改进的yolov5s的电力开关柜门开合状态检测方法，其特征在于，步骤s3中，所述改进的特征融合模块使用三元注意跨越连接层替换原有的yolov5s的特征融合模块的c3层，ghostconv卷积层替换原有的yolov5s的特征融合模块的conv卷积层。

6.根据权利要求3所述基于改进的yolov5s的电力开关柜门开合状态检测方法，其特征在于，步骤s3中，所述瓶颈层，包含依次连接的1x1卷积层、3x3深度可分离卷积层、se层和1x1卷积层。

7.根据权利要求3或4或5所述基于改进的yolov5s的电力开关柜门开合状态检测方法，其特征在于，步骤s3中，所述三元注意跨越连接模块，包括三个并行的分支，每个分支均包含依次连接的z池化层、卷积层、归一化层和sigmoid层，输入三元注意跨越连接模块的特征张量通过三个分支分别提取和强化特征依赖关系，通过z池化层进行维度缩减，缩减后的特征张量经卷积层和归一化层处理，通过sigmoid函数生成维度的注意力权重添加到旋转的特征张量中，得到输出特征张量。

8.根据权利要求7所述基于改进的yolov5s的电力开关柜门开合状态检测方法，其特征在于，步骤s3中，所述通过z池化层进行维度缩减，维度缩减的计算公式为：

9.根据权利要求8所述基于改进的yolov5s的电力开关柜门开合状态检测方法，其特征在于，步骤s3中，所述输出特征张量的表达式为：

10.根据权利要求1或2或4或5或6或8或9所述基于改进的yolov5s的电力开关柜门开合状态检测方法，其特征在于，所述步骤s4包括以下子步骤：

技术总结
本发明涉及基于改进的YOLOv5s的电力开关柜门开合状态检测方法，本发明采集变电站监控摄像头中的开关柜门图像得到数据集，将数据集按比例划分为训练集和测试集，并对数据集进行特征分析;对特性分析结果构建基于YOLOv5s的优化模型，进而将数据集输入到优化模型进行训练和测试；经过训练和测试的优化模型部署到变电站监控系统中进行二次测试，直至优化模型输出的结果趋近于电力开关柜门的真实开合状态；最后运用到视频监控系统，对电力开关柜门的开合状态进行检测。本发明提供高压开关柜柜门状态检测的识别方法，构建基于YOLOv5s的优化模型，减提高数据处理速度和运行效率，提升对高压开关柜柜门微小变化的识别能力，减少误检和漏检，提高系统的整体可靠性。

技术研发人员：黄柯维,赵溶生,彭炜东,祁建华,张元栋,周兴华,杨岩岩
受保护的技术使用者：中国长江电力股份有限公司
技术研发日：
技术公布日：2025/2/5