您所在位置：
街景图像是一种城市街道级别信息地理大数据，利用街景图像不仅能够实现大范围、高效率的变压器巡检，还能降低巡检成本。但是，街景图像中的变压器往往像素少、分辨率低、背景复杂，导致现有目标检测方法对变压器的检测准确度不理想。针对上述问题，成都理工大学地理与规划学院、成都理工大学地球与行星科学学院的廖方舟、杨晓霞、杨容浩、施琪琦。在2024年第12期《电气技术》上撰文提出一种改进的YOLOv8算法YOLOv8-WSX。实验结果表明，相较于YOLOv8，YOLOv8-WSX的F1值提升了5.9个百分点，IoU阈值为50%时的平均精确率均值提升了6.3个百分点，IoU阈值在50%～95%范围内的平均精确率均值提升了3.2个百分点，且模型的参数量有所下降。
电力系统规模不断扩大，结构日益复杂，发展智能运维技术成为提升运维效率的必要手段。电力变压器作为电力系统中重要的电力设备，承担着将高压电能转化为低压电能供居民、工商业和各种设施使用的关键任务。实现对变压器位置的识别，不仅有助于对变压器运行状态进行实时监测与故障报警，还能起到防盗预警作用，从而保证变压器安全稳定运行。
传统的电力系统维护工作一般需要工作人员通过日常或专项巡检来采集电力设备的运行状态，以发现其存在的缺陷。这种方式不仅工作量大、效率低下，还易发生安全事故。因此，设计一种高效的检测算法实现对变压器的智能监测，对提高电力供应的可靠性和安全性具有重要意义。
街景图像是城市街景的一种立体剖面图，它以一种更精细化的尺度记录从地面上看到或感受到的景象。以往关于电力系统巡检的相关研究通常采用航摄无人机影像，获取成本较高、易受天气影响，而且受飞行高度和角度的影响，难以获得精细化数据。
而使用街景图像作为数据源，能捕捉到城市街道的细节信息，有利于提升算法的检测准确度，通过地图服务商提供的应用程序接口，可以便利地获取所需街景图像，从而降低电力系统运维成本。
传统方法对背景复杂的物体特征表达能力弱，检测正确率较低，泛化性较差。随着深度学习技术的不断发展，卷积神经网络在电气设备检测领域的应用取得了显著成果。卷积神经网络不仅可以自动提取图像特征，而且可以用于不同尺度的对象，用户可以根据实际需求选择合适的卷积神经网络，如YOLO（you only look once）系列算法、SSD（single shot multibox detection）系列算法等。
1）针对模型泛化能力差的问题，本文采用WIoU（wise intersection over union）作为损失函数，使模型能够灵活地进行权重调整，有效地惩罚预测错误的边界框，增强模型对不平衡数据集的处理能力。
2）针对复杂背景下难以准确检测变压器目标的问题，本文引入空间分组增强（spatial group-wise enhance, SGE）注意力机制，增强模型在特征提取阶段对重点区域的关注度，从而提高模型的定位准确性并增强模型对复杂场景的适应性。
3）针对微小变压器目标漏检的问题，本文通过删除原有大目标检测头并引入新的微小目标检测头，提升模型在检测微小变压器目标时的性能。
YOLOv8对距离镜头较远、像素较少、分辨率低、背景复杂的变压器的检测效果不理想，因此本文对YOLOv8的结构进行一系列改进，提出YOLOv8-WSX模型，其结构如图所示。
具体的改进如下：将原CIoU损失函数替换为WIoU损失函数，增强模型对困难样本的检测性能，提高模型的定位准确度；在主干网络中加入SGE模块，提高模型的特征提取能力；删除原大目标检测头，添加一个微小目标检测头，在减小模型参数量的同时提高模型的性能。
首先，在主干网络中引入轻量级SGE注意力机制，通过生成注意力因子使网络自主增强表达能力；其次，将损失函数替换为WIoU，通过动态分配合理的梯度增益，降低了街景变压器数据集中低质量样本产生的有害梯度对网络检测性能的影响；最后，将YOLOv8网络的大目标检测头删除，增加了一个微小目标检测头，使漏检率显著降低。改进后的YOLOv8-WSX较原YOLOv8模型检测性能有所提升，并且与一阶段检测算法相比，也具有较明显优势。
本工作成果发表在2024年第12期《电气技术》，论文标题为“ 基于改进YOLOv8的街景图像变压器目标检测 ”，作者为廖方舟、杨晓霞、杨容浩、施琪琦。