1. 项目背景与核心需求
变电站作为电力系统的关键节点，其设备运行状态直接影响电网安全。电气柜门异常开启是变电站日常运维中最容易被忽视却又可能引发重大事故的隐患。传统人工巡检方式存在效率低、漏检率高的问题，特别是在夜间或恶劣天气条件下。我们团队基于YOLOv10n模型开发的电气柜门状态检测系统，通过EUCB（Enhanced Uncertainty-aware Confidence Balancing）算法优化，实现了在复杂变电站环境下的高精度实时监测。
这个项目最核心要解决三个问题：
- 变电站场景下电气柜门的小目标检测（柜门在监控画面中通常只占5%-15%像素面积）
- 不同光照条件下（强反光/夜间低照度）的状态识别稳定性
- 误报率控制（避免因设备震动、飞鸟遮挡等干扰触发误报警）
2. 技术方案选型解析
2.1 YOLOv10n的适配改造
选择YOLOv10n作为基础框架主要基于三点考量：
- 模型体积仅3.5MB，适合部署在变电站边缘计算设备（如华为Atlas 500）
- 相比YOLOv8n，v10的GSConv模块在保持轻量化的同时提升小目标检测AP约2.3%
- 原生支持TensorRT加速，实测在Jetson Xavier NX上可达87FPS
针对电气柜门检测的特殊需求，我们做了以下改进：
- 修改Anchor Box比例（原始1:1调整为1:1.5和1:2两种）
- 添加注意力模块CBAM到Backbone的Stage3层
- 采用DIoU Loss替代CIoU Loss（实测在门体部分遮挡场景提升3.1%召回率）
2.2 EUCB算法实现细节
EUCB是我们提出的置信度优化算法，核心解决传统NMS在低光照场景下的两个问题：
- 光照不足时分类置信度波动大（±0.15）
- 门框与门体边缘的定位不确定性高
算法流程分三步：
- 不确定性估计：通过Monte Carlo Dropout（保持率0.8）运行5次前向传播，计算每个预测框的方差σ²
- 置信度校准：使用Sigmoid函数将σ²映射到[0,1]区间作为修正系数λ
- 平衡得分计算：Final Score = (1-α)Confidence + α(1-λ)
（α取0.3时在测试集达到最佳平衡）
关键参数说明：Dropout保持率需根据硬件性能调整，过高会导致推理速度下降。在Atlas 500上实测0.8是最佳平衡点。
3. 数据集构建与训练技巧
3.1 特色数据采集方案
我们构建了目前最大的变电站柜门数据集DOD-10K（Door Open Detection），包含：
- 10240张标注图像（800×600分辨率）
- 覆盖6类典型场景：
- 正常关闭（35%）
- 人工开启（25%）
- 异常弹开（15%）
- 强反光（10%）
- 夜间（10%）
- 雨雪天气（5%）
数据增强策略：
- 针对性的Mosaic增强（保留门体区域完整性）
- 模拟红外成像的灰度转换（提升夜间检测鲁棒性）
- 基于物理的光照渲染（Unreal Engine合成不同角度反光）
3.2 模型训练关键参数
训练环境配置：
- GPU：NVIDIA RTX 4090 ×2
- 框架：PyTorch 2.1 + TorchVision 0.16
- 优化器：AdamW（lr=0.001，weight_decay=0.05）
关键训练技巧：
- 两阶段训练法：
- 第一阶段：冻结Backbone，仅训练Head（100epoch）
- 第二阶段：全网络微调（50epoch）
- 动态标签分配：
- 前50epoch使用TaskAlignedAssigner
- 后50epoch切换为SimOTA
- 损失函数权重：
- cls_loss : obj_loss : box_loss = 0.7 : 0.3 : 1.0
4. 部署优化与实测效果
4.1 边缘设备部署方案
在Atlas 500上的优化要点：
- 模型量化：
- FP32 → INT8（采用QAT量化感知训练）
- 校准集使用200张典型场景图像
- 内存优化：
- 启用TensorRT的显存池技术
- 限制最大workspace为512MB
- 流水线加速：
- 采用双缓冲机制（预处理与推理并行）
实测性能指标：
| 指标 | FP32 | INT8 |
|---|---|---|
| 推理时延(ms) | 14.2 | 8.6 |
| 内存占用(MB) | 623 | 387 |
| 峰值功耗(W) | 28.4 | 19.7 |
4.2 现场测试结果
在3个110kV变电站的6个月实测数据：
- 平均检测准确率：98.7%
- 误报率：<0.5次/天
- 平均响应时间：1.2秒（从门开启到平台告警）
典型故障检测案例：
- 某站35kV柜门锁扣断裂导致虚掩（传统巡检未发现，系统持续报警）
- 夜间小动物闯入撬开柜门（低照度下仍准确识别）
- 暴雨天气门缝渗水（通过状态变化趋势分析提前预警）
5. 工程实践中的经验总结
5.1 容易忽略的关键细节
-
摄像头安装角度：
- 最佳俯角15°-30°（避免正对易反光）
- 距柜门2-3米（保证门体占画面10%以上）
-
环境干扰处理：
- 对射式红外补光灯安装高度建议1.5米
- 强电磁干扰区域需使用屏蔽线缆
-
模型更新策略：
- 每季度增量训练（收集新出现的异常样本）
- 采用模型热更新机制（无需停机）
5.2 常见问题排查指南
| 现象 | 可能原因 | 解决方案 |
|---|---|---|
| 夜间检测率骤降 | 红外补光灯角度偏移 | 调整补光角度并重新校准白平衡 |
| 误报门体震动 | 风机振动传导至柜体 | 安装防震垫+设置状态持续阈值 |
| 边缘计算设备频繁重启 | 电源浪涌导致 | 加装UPS并检查接地电阻 |
| 雨天误检率升高 | 水滴在镜头形成虚焦 | 启用雨滴检测滤波算法 |
这个项目给我们最深的体会是：工业场景的AI落地必须吃透现场工况。比如最初没考虑柜门反光特性时，晴天误报率高达12%。后来通过采集不同时段的光照数据重新训练，才实现稳定检测。建议同行在类似项目中，至少预留2周时间进行现场数据采集和工况分析。