基于 ZYNQ ARM+FPGA+AI YOLOV4 的电网悬垂绝缘子缺陷检测系统的研究

随着电力系统的快速发展，绝缘子作为电力系统中的关键组件，其稳定性直接影
响到电力设备的正常运行。传统的绝缘子缺陷检测方法依赖于人工检查，工作量大且
效率低，容易导致漏检或误检。因此，基于深度学习的缺陷检测技术逐渐成为研究的
热点，在电力设备的维护中具有重要的应用前景。本文主要聚焦于基于 YOLOv4-Tiny
算法的绝缘子缺陷检测，通过算法的优化与 FPGA 硬件部署，满足电力系统高效检测
需求。


YOLOv4-Tiny[50]是 YOLOv4 的轻量级版本，有助于实现更快的推理时间，非常
适合在移动端和嵌入式设备上进行移植与开发。

3.3改进YOLOv4-Tiny****算法绝缘子图像缺陷检测
3.3.1****绝缘子图像数据集的构建
（1）绝缘子图像采集
在深度学习中，数据集的数量和质量对模型的训练效果有着至关重要的作用。在
绝缘子检测方向，按照材料可以分陶瓷绝缘子、玻璃绝缘子和复合材料绝缘子，而自
爆、缺失、破损是以上材质绝缘子都会出现的缺陷情况，所以本文数据集针对绝缘子
自爆、缺失、破损三方面来制作，用于 YOLOv4-Tiny 算法的训练。由于电力行业的
特殊性，目前无法大量获取针对以上三种缺陷绝缘子数据集，所以本文通过相关论文、
网络获取和户外拍摄获取 1230 张分辨率尺寸不同的绝缘子图像，其中，含有缺陷的
图像有 960 张，正常绝缘子 270 张，部分绝缘子数据集如图 3.6 所示。

（2）绝缘子图像扩充
数据增强是在深度学习图像分类等任务中一种常用的技术，通过对原始数据进行
变换，生成新的训练样本，从而有效增强模型的泛化能力。针对绝缘子数据集，数据
增强操作能够显著提高模型在不同环境下对绝缘子的识别能力。本文对绝缘子数据集
进行了旋转、镜像、噪声、亮度调整等处理，目的是增加图像多样性，提升模型对各
种场景变化的适应能力。图 3.7 展示了绝缘子图像数据集中一幅原图及其经过变换后
的图像，体现了增强后的数据集在形态和亮度等方面的差异。经过扩充后，该数据集
的总图像数量达到了 7380 张，相较原始数据集大大增加，增强了模型训练的鲁棒性
和对新环境的适应能力，提高了检测精度，尤其是在自然环境复杂度较高的场景下，显著提升了系统的性能。


4.5****检测系统实验结果及分析
4.5.1.实验条件
本文采用米联客公司研发的 ZYNQ-7020 系列开发板作为硬件平台，该开发板搭
载了高性能的 ARMCortex-A9 双核处理器，能够满足复杂的计算需求。在训练阶段，
本文在 Windows10 操作系统环境下，使用了 Intel i5-12400F 作为主处理器，搭配华硕
DUAL GTX-4060 显卡进行模型训练。软件环境方面，本文选择了 Python 作为编程语
言，并在 PyCharm2021.1.1 集成开发环境中完成改进 YOLOv4-Tiny 模型的训练与优
化。样本集由 7380 幅绝缘子缺陷图像构成，包含完整绝缘子和缺陷绝缘子两种类型，
确保了训练数据的多样性和代表性。
在算法部署阶段，同样是在 Windows10 操作系统环境下，使用 Vivado2019.2、
VitisIDE2019.2 和 Vivado HLS 2019.2 等工具链。Vivado2019.2 用于 FPGA 的逻辑综合
与布局布线，Vivado HLS 2019.2 则用于将算法的高层次描述转换为硬件描述语言
（HDL），并生成高效的硬件加速 IP 核，在 Vivado2019.2 中完成了综合与实现。之
后，编写了 SDK 程序，并通过 VitisIDE2019.2 将生成的比特流文件和应用程序烧录
到 ZYNQ-7020 开发板中，进行实际的硬件部署与实验验证。整体硬件实验平台如图
4.18 所示。
**4.5.3在FPGA**平台图像检测结果对比
将改进后的算法进行硬件部署后，分别在 FPGA 平台和电脑端平台进行对比，同
时也在 FPGA 平台对比了改进前后算法检测效果。检测图像中绿色框为绝缘子，红色
为绝缘子缺陷，检测框左上角数字是置信度。
（1）FPGA 平台与电脑端检测对比
FPGA 平台与电脑端的检测效果对比如图 4.21 所示。该图展示了在两种不同平台
上进行绝缘子缺陷检测的效果，其中图（a）与（c）为 FPGA 平台下的检测效果，图
（b）与（d）为电脑端的检测效果。图（a）和（b）分别展示了在绝缘子图像中对多
处缺陷的检测效果，图（c）和（d）展示了绝缘子图像中单个绝缘子缺陷的检测效果。
通过对比观察，图（a）和（b）对多处缺陷的检测效果相近，置信度几乎相同。
图（c）和（d）对比单个绝缘子缺陷的检测效果，绝缘子检测置信度从 0.93 变为 0.73，
绝缘子缺陷检测置信度从 0.73 变为 0.71，虽然置信度有所下降，但可以准确识别缺
陷信息。综合分析，尽管在 FPGA 平台上采用了 16 位定点化进行量化推理，但对最
终的检测效果并没有带来明显的影响。这表明，采用定点化运算后，FPGA 平台在保
证实时性和硬件资源利用率的同时，能够有效地进行高精度的缺陷检测任务这为将来
在电网缺陷检测领域中应用 FPGA 进行实时缺陷检测提供了有力的支持。