《Energy Reports》：A comprehensive approach for recognition and localization of electrical devices
编辑推荐：
在现代能源系统中，变电站是输配电的核心环节。然而，相似外观和部分遮挡对电气设备的自动识别构成了重大挑战，且振荡抑制百分比呈现30%–70%范围内的梯度分布。为解决上述问题，研究人员采集并标注了Pascal VOC格式的变电站多设备数据集（Substation
在现代能源系统中，变电站是输配电的核心环节。然而，相似外观和部分遮挡对电气设备的自动识别构成了重大挑战，且振荡抑制百分比呈现30%–70%范围内的梯度分布。为解决上述问题，研究人员采集并标注了Pascal VOC格式的变电站多设备数据集（Substation Multi-device Dataset, SMDD），该数据集包含来自三座高压变电站的3101张各类设备图像。研究人员采用Python中的PyTorch框架构建神经网络主干结构。进一步地，基于主干-颈-头部的经典结构模式构建了特征重分配与概率权重网络（Feature Reassignment and Probability Weight Network, FRPWNet）。具体而言，针对电气设备外观相似的问题，设计了特征重分配模块（Feature Reassignment, FRA）以增强特征信息的表达能力并聚合全局特征。为解决电气设备之间的遮挡问题，提出了概率权重分配（Probability Weight Assignment, PWA）方法，以增强模型对遮挡设备中心区域的关注。在实验中，研究人员设计并使用了钩子工具用于可视化神经网络的内部数据，并在SMDD数据集上进行了若干消融实验。FRPWNet相较于经典的目标检测网络取得了最优的检测性能。此外，验证结果表明，来自FRA的全局特征能够有效识别相似和小型设备。
**研究背景与问题**
变电站作为现代能源系统的重要组成部分，是承担电能转换与再分配任务的关键节点，设备运行状态直接决定电网能否安全运行。由于变电站复杂的电磁环境，对设备进行定期巡检尤为必要。传统巡检方式主要依赖人工，效率低下，误操作可能导致系统故障。随着智能电网建设，变电站智能化巡检日益受到关注，巡检机器人与集中监控系统正逐步取代人工巡检，实现电气设备的识别与定位，后续通过结合红外图像等信息完成故障识别。然而，变电站中不同电气设备的尺度差异巨大，部分设备具有相似的物理特征，呈现外观相似和尺度变化的特点，这对复杂环境下主流目标检测算法的应用构成挑战。此外，许多电气设备的外观被其他设备遮挡，使得神经网络难以选取正样本。
当前该领域研究主要存在三方面空白：模型适应性方面，现有研究多用合成或模拟图像，与实际工程场景差异显著，导致实验环境与实际应用性能存在明显 gap，设计的模型难以在实际中发挥作用；设备遮挡方面，电力设备间的相互遮挡常导致巡检中关键设备漏检，目前电力巡检领域缺乏针对设备遮挡问题的相关研究和针对性模型结构设计，一方面该领域缺少成熟模型架构以专门增强遮挡设备的特征提取能力与检测性能，另一方面电力设备被遮挡部分具有随机性，主流研究尚未探究不同遮挡区域对电力巡检性能的影响；相似外观设备识别方面，相关研究仍较匮乏，主流方法仅采用多尺度特征融合策略改进此类设备的检测性能，却未能关注与区分相似外观设备最密切相关的上下文环境特征。
**研究内容、结论与意义**
针对上述问题，研究人员提出了一种新的端到端变电站多设备检测网络——特征重分配与概率权重网络（FRPWNet）。该网络基于主干-颈-头部架构，包含三大核心创新：基于特征融合方法的特征重分配模块（FRA）、引入高斯先验信息的概率权重分配（PWA）方法，以及一致性损失函数设计。
在SMDD数据集上的实验表明，FRPWNet在小型设备和遮挡设备检测方面表现优异，对相似外观设备具有更强的区分能力，强调了设备周围环境上下文信息的重要性。该研究为设计更高效的电力巡检方法提供了理论基础。该论文发表于《Energy Reports》。
**主要技术方法**
研究人员采集并标注了变电站多设备数据集（SMDD），包含三座变电站的3101张图像，涵盖9类主要电气设备，采用LabelImg工具以Pascal VOC格式进行矩形框标注。FRPWNet基于主干-颈-头部架构构建：主干采用CSPDarknet网络，由Focus结构、卷积层、残差块、CSP块和SPP块组成，输出三种不同分辨率的特征图；颈部为特征重分配模块（FRA），包含尺度聚合（SA）、特征重加权（FRW）和特征对齐（FA）三个子模块，其中SA采用四维卷积捕获尺度不变信息，FRW采用并行空间注意力与通道注意力机制，FA采用可变形卷积解决特征不对齐问题；检测头部包含分类分支和定位分支（回归与IoU预测），并设计了基于高斯概率分布的正样本权重分配方法。训练中使用Adam优化器，batch size为8，学习率初始化为0.001，采用指数衰减策略（衰减系数0.97），并应用迁移学习策略，主干网络参数冻结，仅更新特征融合和检测头部参数。
**研究结果**
**数据集构建与实验设置**：研究人员构建了SMDD数据集，包含3101张来自三座不同电压等级变电站的图像，涵盖绝缘子、均压环、散热器、铭牌、套管、油枕、电表、隔离开关和变压器9类设备，共计44997个标注框。该数据集包含不同角度、不同光照条件下的设备图像，既包含一次设备也包含二次辅助控制设备。
**整体检测性能**：如表3所示，FRPWNet在SMDD数据集上取得了85.96%的平均精度均值（mAP）。其中绝缘子AP为94%、召回率96%，均压环AP为96%、召回率94%，散热器AP为95%、召回率93%，表现优异。对于样本量较少的变压器，模型仍能较好地平衡精度与召回率，表明模型精度受数据集限制而非结构本身限制。
**消融实验——FRA与PWA模块验证**：如表5所示，单独使用SA、FRW、FA时性能显著下降，因特征融合不充分。SA与FRW嵌入后性能较仅用FA略有提升；SA关注全局特征聚合，FRW关注特征内部调整，全局特征对模型更为根本。仅当三个模块同时嵌入FRA时才能达到最佳检测性能。在此基础上，PWA通过增强正样本进一步提升了网络检测性能。FRA与PWA共同激发了网络的检测性能。
**消融实验——特征重加权机制比较**：如表6所示，研究人员对比了SE、CBAM、BAM、GAM和并行CBAM（CBAM(para)）五种注意力机制。结果显示CBAM(para)取得了最佳检测性能（mAP 85.96%），表明SA输出的特征图不需要过于复杂的加权模式，适当的并行注意力设计即可取得最优效果。
**消融实验——特征聚合策略**：如图14和表7所示，研究人员对比了"多尺度聚合为统一全局特征后再分配"（Three to one）与"各尺度独立聚合全尺度特征"（Three to Three）两种策略。结果表明，Three to one策略取得更优整体性能（mAP 85.96% vs 82.32%），且在绝缘子、均压环、油枕、隔离开关和变压器等三类外观相似设备上均有显著提升。这说明更长的全局特征传递过程更有利于提取尺度无关的全局特征，整合设备上下文信息以区分相似设备。
**消融实验——正样本权重分配方法**：如表8和图15所示，研究人员对比了PWA、Foveabox、高斯噪声和高斯模糊四种方法。PWA取得最佳性能（mAP 85.96%），尤其提升了绝缘子、均压环、隔离开关和变压器等遮挡设备的检测性能。Foveabox为82.64%，高斯噪声为79.05%，高斯模糊为84.74%。PWA既能有效关注设备中心区域，又兼顾边缘区域，中心区域包含相对完整信息，结合周围区域上下文信息可有效缓解遮挡区域的影响。
**消融实验——高斯方差选取**：如表9所示，研究人员在0–5范围内寻找最优方差，当方差为3时模型取得最佳性能（mAP 85.96%），较小变化对精度影响不大。
**与先进方法对比——SMDD数据集**：如表10所示，FRPWNet在SMDD数据集上优于YOLOv9（84.03%）、YOLO-MS（81.61%）、ssFPN（81.37%）、ASF-YOLO（79.32%）等单阶段网络，以及Cascade R-CNN（83.92%）、Mask R-CNN（84.95%）、Libra R-CNN（85.43%）等双阶段网络，和MS-DETR（84.65%）、Deform-DETR（82.57%）等Transformer结构。尤其在小型目标检测（APS 78.3%）上优势显著，参数为62.34M，在精度、参数和计算量之间取得平衡。
**与先进方法对比——PASCAL VOC数据集**：如表11所示，FRPWNet在PASCAL VOC数据集上取得67.86%的mAP，优于YOLOv9（67.13%）、YOLO-MS（65.38%）、ssFPN（65.27%）等方法。虽在大目标检测上略有不足，但在小目标检测上优势显著，表明特征聚合和概率权重策略将模型部分注意力转向小目标，整合更多上下文信息以提升小目标性能。
**讨论与结论**
研究人员提出了一种深度学习方法——FRPWNet，用于变电站电气设备的分类与定位。该网络遵循主干-颈-头部架构以充分聚合主干特征，解决了电力巡检中小型设备和遮挡设备漏检的挑战。核心改进包括构建特征重分配模块、替换概率样本选择方法，以及设计特征一致性损失函数。与主流电力巡检算法的对比分析表明，所提算法在检测精度上表现更优，尤其在解决变电站中小型尺寸和遮挡设备的分类与漏检问题方面。此外，该算法对相似外观设备具有更优的区分能力，这一特性强调了设备周围环境上下文信息的重要性，为未来设计更高效的方法提供了理论基础。然而，对于高度密集分布的电力设备，该算法的检测性能尚未达到理想水平，有待进一步优化。
**研究结论**
未来研究应聚焦于设计类似自注意力机制的特征融合范式，以更有效地利用设备周围的上下文信息，实现更精确的设备检测。这一方向不仅有助于揭示目标检测的本质属性，也为构建通用目标检测网络提供支持；此外，融合可见光图像和红外图像的多模态目标检测也是一个极具意义的研究方向，其成果可促进电力巡检中多种类型故障的准确判断。
