電力生產(chǎn)安全對(duì)電力系統(tǒng)的穩(wěn)定運(yùn)行至關(guān)重YOLO(YouOnlyLookOnce)系列模型為典型代表的目標(biāo)檢測(cè)算法發(fā)展到第7SSD(SingleShotMulti-BoxDetector)較差；文獻(xiàn)[12]YOLOv3目標(biāo)檢測(cè)算法，根據(jù)K-means++聚類方式來(lái)提升邊YOLOv3算法實(shí)2YOLOv3算法本身的檢測(cè)缺陷并

YOLOv5、v6等存在占用內(nèi)存更多、文獻(xiàn)[14]采用YOLOv4-Tiny并結(jié)合卷積注意力模塊(convolutionalblockattentionmodule，CBAM)和有效的通道注意力模型(efficientchannelattention構(gòu)被大量剪枝后的YOLOv4模型在檢測(cè)精度上的ResNet50(ResidualNetwork)YOLOv5模型的骨MosaicMix-Up的數(shù)據(jù)增強(qiáng)方式，提升模Swin-Transformer2022WangYOLOv7-Tiny算法模1所示，該模型結(jié)構(gòu)主要包括主干特征提取網(wǎng)絡(luò)

層(Head)3個(gè)部分構(gòu)成。在Backbone中，卷積小組件模塊主要由基礎(chǔ)BN)及帶泄露線性整流激活函數(shù)層(leakyrectifiedlinearunits，Leaky-ReLU)構(gòu)成；MaxPooling是最大池化層，主要用于特征維度的降低；SPPCSPC是融合了跨階段局部網(wǎng)絡(luò)(crossstagepartialnetwork,其主要是將特征金字塔池化(spatialpyramidpool-將SPP前一層的輸出經(jīng)過(guò)卷積模塊后直接與小殘差YOLO系列算法，YOLOv7-Tiny最大的區(qū)別在于采用了高效層聚合網(wǎng)絡(luò)(efficientlayeraggregationnetworks，ELAN)結(jié)ELANELAN YOLOYOLOYOLO 1YOLOv7-TinyFig.1YOLOv7-Tinymodeld13的損失實(shí)現(xiàn)模型對(duì)目標(biāo)區(qū)域在分類和定位上的優(yōu)SS Iobj

t0j SS

Iobj

t0j

式(1)為模型的分類損失。S×S為圖像輸入的尺寸?

2CIoUFig.2CalculationdiagramofLtotal0.5Lcls0.05Lbox

式(2為目標(biāo)框的定位損失，主要采用的是CIoU

A∪

w

111v

2—76個(gè)目標(biāo)的平均精度

(mAP)91 式中：SIoU為預(yù)測(cè)框與真實(shí)框的交并比；M框?yàn)榘麬B框的最小外接矩形；α為權(quán)重函數(shù)。其中ρ2(A,B)為真實(shí)框與預(yù)測(cè)框的中心點(diǎn)之間的歐氏d的長(zhǎng)度；cA、B框的最小外M框的對(duì)角線長(zhǎng)度；wgthgtA的寬和高；whBCIoUv能有效解決對(duì)于大小不同的框，Lbox即為總的回歸框損失函數(shù)SS

fence(電力圍欄)。在模型大小上，YOLOv7-Tiny具有最小的從檢測(cè)速度上，SSD算法具有更高的檢測(cè)SSD沒(méi)有進(jìn)行多尺度的特征融

i (Cln( (Cln(C)(1C)ln(1Cobj i0j

(meanaverageprecision，mAP)值也可以看到該模型YOLOv7-Tiny的檢測(cè)速度僅比在檢測(cè)準(zhǔn)確率上，YOLOv7-Tiny式中：Lconf為目標(biāo)的置信度損失函數(shù)；obj

的檢測(cè)效果，其mAP為86.9，但可以發(fā)現(xiàn)YOLOv7-Tiny模型對(duì)于未戴安全帽(wdaqm)、電力1Table1ComparisonoftargetdetectionFasterR-和FasterRCNN具有檢測(cè)精度上的優(yōu)勢(shì)，而對(duì)比YOLOv4YOLOYOLOv5、首先在第2章中分析考慮到復(fù)雜背景主要

(a)與背景相似的安全 (b)多目標(biāo)類場(chǎng)(c)密集遮擋目 (d)單一背3Fig.3Dataset4章中分析針對(duì)潛在的密集遮擋YOLOv7-Tiny4ELAN-SA骨干特征提取 特征融合 檢測(cè)4YOLOv7-TinyFig.4ImprovedYOLOv7-Tinynetworkstructurecomparison端后的特征融合，在特征融合過(guò)程中同樣采取ELAN-SA模塊進(jìn)行特征的加強(qiáng)提取。最后是在輸YOLOv7-Tiny在利用ELAN模塊進(jìn)行特征提42中的

6是具體計(jì)算結(jié)構(gòu)圖，首先會(huì)將輸入的特征圖(H×W×CH、WC分別是特征的長(zhǎng)、寬g組的劃分后，對(duì)每個(gè)分組的內(nèi)部進(jìn)行基于Shuffle-AttentionShuffle-Attention(x)

1

式中：Fout11部分的輸出特征；Fin11部分的輸入特征；Avg(*)為平均池化函數(shù)；wb為6中間層下半部分的計(jì)算路線。主要采取組歸一化gpoai，其主要是對(duì)每個(gè)分組進(jìn)行數(shù)據(jù)歸一化的均值和方N9。NS{k|ki,[

][iC

C/ C/1 (x)

ix?i(x 5Fig.5Theoverallcalculationprocessofthis

yx?i6Shuffle-AttentionFig.6Shuffle-Attentionstructure

C/G

和iCCG

γβ變量，對(duì)輸入進(jìn)來(lái)的數(shù)γβ兩個(gè)參數(shù)，讓本文布。yiGN歸一化的輸出值。通過(guò)該過(guò)程主

7ELAN-SAFig.7ELAN-SAstructure

26ChannelShuffle的方式去描述高效[20]ELAN模塊，構(gòu)成了整個(gè)ELAN-SA7所示。21列多個(gè)改進(jìn)處的16AP2可YOLOv7-TinyELANSA模塊后，整體mAP相比較原始網(wǎng)絡(luò)從86.9%提升至gzfmAP1.3%，wcgzfmAP提升特征金字塔結(jié)構(gòu)被有效用于目標(biāo)檢測(cè)中的多YOLOv7-TinyPANet網(wǎng)絡(luò)來(lái)進(jìn)行目標(biāo)檢測(cè)中的多尺度特征融合。FPN)PANet結(jié)構(gòu)并不能有效發(fā)揮其潛力[21]

Table2BeforeandafterperformancecomparisonofeachimprovementofthemodelRes-89中，把由小尺度特征向大尺度上采樣的過(guò)

8Res-PANetFig.8Res-PANetstructureFdecodeConcat(UP(Concat(Fin1,Fin2)),Fin3

式中：Concat(*表示特征的拼接融合；UP(*)表示9(b)所示，編碼器部分采取下采樣后的融Fencode=Concat(Concat(Down(Fin1),Fin3),Fin2

Res-PANetmAP相比較原始網(wǎng)絡(luò)從得分。由于CNN結(jié)構(gòu)具有更好的局部效果，而Transformer類型的結(jié)構(gòu)則會(huì)具有更高的全局感受效果，而傳統(tǒng)的Transformer結(jié)構(gòu)由于其計(jì)算量較Swin-Transformer進(jìn)行特征CSPNet的跨階段特征增強(qiáng)提取方

9Fig.9Residualhoppingincodec10Swin-TransformerFig.10TheSwin-Transformerlayerofthebottleneck習(xí)，提升特征的可用性[25]Swin-Transformer =LN(FMLP(F

SW attW-

(a)輸入圖 (b)特征 WMSA(q,k,v)=(Fwq,Fwk,F SWMSA(q,k,v)=(Fwq,Fwk,F

A 式中：dkFin的通道維度；q、kv是11Swin-Transformer采取滑動(dòng)窗口獲取特征圖塊并結(jié)窗口的劃分，通過(guò)滑窗的多頭注意力機(jī)制(windowmulti-headsself-attention，W-MSA)計(jì)算加強(qiáng)模型對(duì)W-MSA模塊時(shí)，只會(huì)在每個(gè)窗口內(nèi)進(jìn)行自注意力計(jì)算(圖11(c)為4信息傳遞的，為了解決此問(wèn)題，特征在被W-MSA2個(gè)窗口間進(jìn)行交互，使上下層間1個(gè)窗口與剩下窗口的信息需要對(duì)每個(gè)窗口進(jìn)行多頭注意力機(jī)制(multi-heads9個(gè)窗口都轉(zhuǎn)換為4×4充，因此帶來(lái)計(jì)算量的增大，于是設(shè)計(jì)將圖11(d)

11Swin-TransformerFig.11Swin-Transformercalculation12SW-MSAFig.12SW-MSAwindowslidingMSA的基礎(chǔ)上計(jì)算對(duì)于非鄰近區(qū)域的值直接通過(guò)0MSA后需要進(jìn)行特征的還原SWCSPmAP相比較原始網(wǎng)絡(luò)從fence類別，主要3631qgz、e、il。同時(shí)該數(shù)據(jù)集中各標(biāo)簽類別的個(gè)數(shù)32bigC17將數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試403Ubuntu18.08系統(tǒng)中，python版本為測(cè)試使用配置為本地設(shè)備NVIDIAGeForceRTX3060-6GLaptopGPU。YOLOv7-TinyCOCO數(shù)據(jù)集下的預(yù)訓(xùn)練權(quán)題，采取馬賽克(Mosaic)數(shù)據(jù)增強(qiáng)是大部分目標(biāo)檢影響模型的訓(xùn)練效果。于是本文提出一種改進(jìn)的oic3

3Table3Datasetsampledistribution (a)Mosaic4數(shù)據(jù)增 (b)改進(jìn)的Mosaic4數(shù)據(jù)增13Mosaic數(shù)據(jù)增強(qiáng)圖像測(cè)試對(duì)比Fig.13ImprovedMosaicdataenhancementimagetestcomparison10%epoch時(shí)進(jìn)行數(shù)據(jù)增強(qiáng)的關(guān)閉使用。14為各部分的訓(xùn)練損失曲線，改進(jìn)后的模4412—76個(gè)檢測(cè)AP16AP值4YOLOv7-Tiny4處融合改進(jìn)效果最佳，在每個(gè)類別中都有了3.2%。進(jìn)一步驗(yàn)證了改進(jìn)方案的可行性。同時(shí)本文也將YOLOv7系列模型與改進(jìn)的模見(jiàn)，改進(jìn)的模型具有最高的檢測(cè)準(zhǔn)確率且比4Table4Comparisontableofablation mAP/%aqmwdaqmgzfwcgzfsignalfence92.494.194.294.293.293.894.092.893.893.092.9ELAN-SA+94.85Table5Comparisonofmodelsizeanddetection14Fig.14Trainingcurvecomparison

YOLOv720幀。1行圖像是2行圖像是典到左下角電力信號(hào)標(biāo)識(shí)和人群中的漏檢目標(biāo)；第33個(gè)人的安全帽5行圖像中，融合改進(jìn)模型(Ours)能有效檢測(cè)搭Score-cam熱力圖進(jìn)行圖像的關(guān)Score-cam的原理主要是6Table6Testsetimagedetection Ours模SigmoidReLU等激活函數(shù)會(huì)存在梯度消失的

An表示輸出特征圖的大小；l表示輸出的特征層級(jí)；n()為Hn表示原始輸出圖像尺寸，由于輸出特征圖有33個(gè)特征圖進(jìn)行融合輸出。f(X)

71行圖像中對(duì)于左上角的2行圖像中對(duì)于右上角重疊的安全帽，改進(jìn)的模為更好地適用于邊緣端下的變電站安全作業(yè)1920×1080[27]。3NMS候選框的篩選時(shí)間構(gòu)成。在推理時(shí)

YOLOv7-Tiny的電ELAN-SA模塊來(lái)提升模型在