一种基于改进YOLOv5卷积神经网络的绝缘子缺陷检测方法技术

本发明专利技术公开了一种基于改进YOLOv5卷积神经网络的绝缘子缺陷检测方法，首先从减少误检相似物体、加快推理速度两个方面对YOLOv5的网络结构进行改进，提出基于注意力机制和深度可分离卷积的改进YOLOv5卷积神经网络；然后针对漏检遮挡绝缘子问题对算法损失函数和后处理进行优化，采用CIoU损失函数计算边界框回归损失以及DIoU非极大值抑制筛选预测框，并进一步提出基于面积比的抑制ARS算法以减少缺陷目标的多检现象；最后对改进YOLOv5卷积神经网络进行训练，得到最终的检测网络。本发明专利技术方法在保持推理速度不减的前提下，不仅可以正确分辨目标与相似物体，还能避免漏检遮挡的绝缘子。还能避免漏检遮挡的绝缘子。还能避免漏检遮挡的绝缘子。

【技术实现步骤摘要】
一种基于改进YOLOv5卷积神经网络的绝缘子缺陷检测方法


[0001]本专利技术属于机器学习
，具体涉及一种绝缘子缺陷检测方法。

技术介绍

[0002]输电线路作为电力网络中的重要组成部分，决定了整个电力系统是否能够安全稳定运行。然而，输电线路长期暴露在野外，受高温、雨雪等外界因素的影响，容易引起输电线路部件的老化、腐蚀、破损等故障问题；同时，输电线路高空架设易受到机械负荷产生的内部压力，增加线路部件老化、损坏的可能性，这将给电力系统的安全稳定造成隐患，一旦发生将导致经济损失惨重，因此迫切需要对输电线路进行故障巡检。绝缘子以其优越的绝缘性能在输电线路中负责固定载流导体、防止电流回地、起着导线支撑和绝缘的作用，是输电线路中必不可少的装置。然而，绝缘子受气候、温度等自然因素的影响，易出现掉片、自爆等故障现象，很容易中断输电线路的供电，对居民用户的安全用电带来极大的影响，对电力系统的稳定运行造成巨大的威胁，因此，检测绝缘子是否存在缺陷是电网检修的首要任务。
[0003]随着经济的快速发展，电力网络为响应社会需求，日益趋于复杂化、大规模化，输电线路上的绝缘子所经地域复杂、环境恶劣、距离跨度大，传统的人工巡检方式难以满足检测要求。智慧电力的快速发展，推动了巡检方式的变更，人们开始使用载人直升机对绝缘子进行缺陷检测，但由于存在主观因素，检测误差仍然较大，且无法满足大规模的电网巡检任务。而如今，无人机可以完成范围巡视、定点巡视、塔杆精细化巡视等多种高难度任务，并广泛应用于低空测量、特种设备微摄、油田巡检等领域。因此，相关研究人员将无人机技术引入到了绝缘子与缺陷检测中，并逐渐从“人巡为主，机巡为辅”的传统模式转向了“机巡为主，人巡为辅”的智能化模式。
[0004]深度学习在目标检测中的广泛应用，为航拍绝缘子图像的检测与识别提供了新的技术支持。该技术利用卷积神经网络(Convolutional Neural Networks,CNN)具有提取图像特征的特点，通过训练使模型具有自主识别目标的能力，将其应用在工业中，可以大大地降低工作量、提高目标检测的准确性。
[0005]目前基于深度学习的目标检测算法丰富多样，最瞩目的两个方向为两阶段(Two
‑
stage)和单阶段(One
‑
stage)。Faster R
‑
CNN和YOLOv3分别作为经典的两阶段和单阶段目标检测算法，被广泛应用于输电线路上的电力部件检测研究。文献1“基于绝缘子图像的缺陷检测方法研究[D].华中科技大学,2019.”、文献2“基于深度学习的输电线路绝缘子故障检测[D].华北电力大学(北京),2019.”以及文献3“基于深度学习的电力绝缘子故障检测方法研究[D].陕西科技大学,2019.”将Faster
‑
RCNN算法引入到绝缘子故障检测中，实现了故障的定位与识别，但研究表明该算法的准确率并没有达到理想要求，此外，其推理速度无法达到实时性；文献4“航拍图像中绝缘子目标检测的研究[J].电测与仪表,2019,56(05):119
‑
123.”、文献5“基于YOLOv3的电力线关键部件实时检测[J].电子测量技术,2019,42(23):173
‑
178.”和文献6“输电线路无人机巡检图像中电力部件识别方法研究[D].重庆理工大学,2020.”使用YOLOv3实现高精度实时检测，并通过实验数据证明其平均精度均值与
Faster R
‑
CNN相差不大，且在检测速度上提升不多。2020年，YOLOv5算法诞生，YOLOv5综合了非常优秀的技巧(Tricks)，在公开数据集上的效果提升显著，是YOLO系列的重大改进。

技术实现思路

[0006]为了克服现有技术的不足，本专利技术提供了一种基于改进YOLOv5卷积神经网络的绝缘子缺陷检测方法，首先从减少误检相似物体、加快推理速度两个方面对YOLOv5的网络结构进行改进，提出基于注意力机制和深度可分离卷积的改进YOLOv5卷积神经网络；然后针对漏检遮挡绝缘子问题对算法损失函数和后处理进行优化，采用CIoU损失函数计算边界框回归损失以及DIoU非极大值抑制筛选预测框，并进一步提出基于面积比的抑制ARS算法以减少缺陷目标的多检现象；最后对改进YOLOv5卷积神经网络进行训练，得到最终的检测网络。本专利技术方法在保持推理速度不减的前提下，不仅可以正确分辨目标与相似物体，还能避免漏检遮挡的绝缘子。
[0007]本专利技术解决其技术问题所采用的技术方案包括以下步骤：
[0008]步骤1：采集绝缘子图像，对采集的绝缘子图像进行数据增强，用以扩展数据集样本数；
[0009]然后对绝缘子图像样本进行标注，使用矩形框标注绝缘子及其缺陷的位置，并标注图像类别为绝缘子或缺陷；
[0010]完成以上操作构成绝缘子图像数据集；
[0011]步骤2：构造改进YOLOv5卷积神经网络；
[0012]引入注意力机制，在YOLOv5卷积神经网络的骨干网络后面添加并联的通道注意力模块和空间注意力模块，骨干网络的输出分别进入通道注意力模块和空间注意力模块，再将通道注意力模块和空间注意力模块分别输出的特征图相加后与骨干网络的输出特征图进行通道叠加，然后再采用深度可分离卷积对特征图降维，降维之后的特征图输入YOLOv5卷积神经网络的Neck层；
[0013]步骤3：优化损失函数和预测框筛选方法；
[0014]步骤3
‑
1：采用CIoU损失函数作为改进YOLOv5算法的预测框回归损失函数L
CIoU
，定义为：
[0015]L
CIoU
＝1
‑
IoU+R
CIoU
+αv
[0016][0017]式中，IoU为交并比，R
CIoU
为惩罚项；αv是一个影响因子，其中α是用于做权衡的参数，v是用来衡量长宽比一致性的参数；B
gt
表示类别是缺陷的预测框；B表示类别是绝缘子的预测框，b和b
gt
分别表示B和B
gt
的中心点；ρ为欧氏距离；c表示目标最小外接矩形的对角线距离；
[0018]α和v参数的表达式如式(2)：
[0019][0020][0021]其中，w和h分别为预测框的宽度和高度；w
gt
和h
gt
分别为真实框的宽度和高度；
[0022]步骤3
‑
2：对YOLOv5卷积神经网络的预测框筛选方法，即非极大值抑制方法进行优化；
[0023]根据回归损失函数原理，采用DIoU NMS算法对置信度较低的预测框进行抑制，损失函数L
DIoU
定义如式(3)所示：
[0024]L
DIoU
＝1
‑
IoU+R
CIoU
ꢀꢀꢀ
(3)
[0025]步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv5卷积神经网络的绝缘子缺陷检测方法，其特征在于，包括以下步骤：步骤1：采集绝缘子图像，对采集的绝缘子图像进行数据增强，用以扩展数据集样本数；然后对绝缘子图像样本进行标注，使用矩形框标注绝缘子及其缺陷的位置，并标注图像类别为绝缘子或缺陷；完成以上操作构成绝缘子图像数据集；步骤2：构造改进YOLOv5卷积神经网络；引入注意力机制，在YOLOv5卷积神经网络的骨干网络后面添加并联的通道注意力模块和空间注意力模块，骨干网络的输出分别进入通道注意力模块和空间注意力模块，再将通道注意力模块和空间注意力模块分别输出的特征图相加后与骨干网络的输出特征图进行通道叠加，然后再采用深度可分离卷积对特征图降维，降维之后的特征图输入YOLOv5卷积神经网络的Neck层；步骤3：优化损失函数和预测框筛选方法；步骤3
‑
1：采用CIoU损失函数作为改进YOLOv5算法的预测框回归损失函数L
CIoU
，定义为：L
CIoU
＝1
‑
IoU+R
CIoU
+αv式中，IoU为交并比，R
CIoU
为惩罚项；αv是一个影响因子，其中α是用于做权衡的参数，v是用来衡量长宽比一致性的参数；B
gt
表示类别是缺陷的预测框；B表示类别是绝缘子的预测框，b和b
gt
分别表示B和B
gt
的中心点；ρ为欧氏距离；c表示目标最小外接矩形的对角线距离；α和v参数的表达式如式(2)：α和v参数的表达式如式(2)：其中，w和h分别为预测框的宽度和高度；w
gt
和h
gt
分别为真实框的宽度和高度；步骤3
‑
2：对YOLOv5卷积神经网络的预测框筛选方法，即非极大值抑制方法进行优化；根据回归损失函数原理，采用DIoU NMS算法对置信度较低的预测框进行抑制，损失函数L
DIoU
定义如式(3)所示：L
DIoU
＝1
‑
IoU+R
CIoU
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)步骤3
‑
3：采用基于面积比的抑制算法进一步对缺陷目标进行筛选，具体算法流程如下：步骤3
‑3...

【专利技术属性】
技术研发人员：王健，刘洁，秦春霞，
申请(专利权)人：西安爱生技术集团公司，
类型：发明
国别省市：