基于改进YOLOv3的输电线缺陷多目标检测方法技术

本发明专利技术公开了一种基于改进YOLOv3的输电线缺陷多目标检测方法，包括以下步骤：步骤一数据集图像筛选，原始图片进行的筛检，选择符合要求的目标图片；步骤二对步骤一得到的图片进行图像增广，得到目标数据集；步骤三步骤二完成数据增广后需要对目标数据集的部分照片进行图像预处理操作，使用分段线性变换灰度变换方法、直方图均衡化方法、同态滤波方法以及平滑去噪方法对图像进行处理；步骤四对步骤三预处理过的目标数据集进行整理与标注，得到目标数据集；步骤五将特征注意力机制和融合两者“结合”对YOLOv3进行改进；步骤六使用目标数据集在改进后的算法中进行训练，检测图片，本发明专利技术可以完成复杂环境条件下的输电线路缺陷多目标检测任务。目标检测任务。目标检测任务。

【技术实现步骤摘要】
基于改进YOLOv3的输电线缺陷多目标检测方法


[0001]本专利技术涉及目标检测与识别
，特别涉及一种基于改进YOLOv3 的输电线缺陷多目标检测方法。

技术介绍

[0002]输电线路分为架空输电线路和电缆线路，架空输电线路由线路杆塔、导 线、线路金具、绝缘子、拉线、接地装置等构成，分布广阔，遍布田野、城 区、沙漠、湖泊等各种地形。由于长期运行在野外，经历狂风暴雨曝晒等极 端天气的冲击，导线、金具、绝缘子等部件容易出现锈蚀、破损、断股等缺 陷，同时，部件安装不规范也为输电线路安全运行带来隐患。
[0003]随着输电线路结合无人机目标缺陷识别方案的发展和应用，通过无人机 巡检方式获取的图片数据量呈指数式增长，传统的人工巡检方式弊端逐渐显 露。而利用计算机对巡检图片进行缺陷智能识别，对人员的专业素质要求进 一步提高。目前，无人机在电力巡检作业中所占比例愈来愈高，随着无人机 巡检越来越智能化、自动化，未来电力巡检发展方向应是实现可无人机巡检 作业场景全覆盖。
[0004]电力计算机视觉(Power CV)作为电力人工智能的一个子领域，是一种 利用机器学习、模式识别、数字图像处理等技术并结合电力专业领域知识解 决电力系统各环节中视觉问题的电力人工智能技术，涉及整个电力系统的“发 输变配用”各个环节。线路安装各种摄像头监控设备，利用无人机进行巡检 工作，对线路巡视内容进行拍照，产生大量视频和图像，需要结合电力系统 相关知识，才能更好的对其进行分析处理。在海量图像自动识别缺陷方面， 由于输电线路拍摄图像具有显著的多尺度结构特征，一方面近距离无人机拍 摄的图像背景复杂，受光线的影响会造成较高的误判；另一方面，无人机是 在不同的拍摄角度拍摄可能存在大量的遮挡情况，分离其局部轮廓结构是一 件困难的任务。
[0005]直升机巡检方法，起初利用超红色法，对用直升机在空中人为拍摄的图 像运用最小二乘拟合和几何特识别锈蚀部件。但该方法识别精度有限，检测 速度较慢。后来借助直升机搭载红外热像仪拍摄的实时红外视频序列，利用 Hough变换、Otsu自适应阈值算法和SIFT特征匹配等方法来确定图像中的缺 陷区域。随着科技不断提升，直升机巡检这种半人工的巡检方式并不能满足 智能电网发展需求。
[0006]近年来，依靠以深度学习为代表的新一代人工智能技术，巡检图像缺陷 识别算法不断创新，并逐步在架空输电线路无人机智能巡检项目中应用。随 着RCNN、Fater
‑
RCNN和YOLO等基于CNN的目标检测算法应用越来越成熟， 以及硬件运算水平的进一步提高，其在电力计算机视觉领域也发挥着特有的 优势。有人提出改进的Fater
‑
RCNN算法，使用自建的设备样本库进行模型训 练，对电力巡检图像进行目标检测，提高了模型的检测精度和检测速度，但 对小目标的识别准确率不高，实时性得不到保证。
[0007]相比较于上述的方法，以基于深度学习中卷积神经网络(ConvolutionalNeural Networks,CNN)的YOLO算法为代表的one
‑
stage目标检测算法在保 持较高识别准确率的前提下，其检测速度明显快于Fater
‑
RCNN等基于RoI (Region of Interest)的two
‑
stage目
标检测算法，能够满足系统实时性 需求，因此更适合在工业现场中应用。

技术实现思路

[0008]针对现有技术中存在的不足，本专利技术提供了一种基于改进YOLOv3的输 电线缺陷多目标检测方法，采用注意力机制
‑
融合(Attention
‑
Fusion)的方式 改进原有FPN特征融合方式，训练中使用余弦学习率和同步归一化技术等一 些特殊的神经网络训练技巧，在不改变神经网络架构的前提下，不引入额外 的推理计算成本，显著提高YOLOv3的性能；用改进的算法来对自制的数据 集来进行训练学习，以此来实现输电线路缺陷多目标识别。
[0009]本专利技术的目的是这样实现的：一种基于改进YOLOv3的输电线缺陷多目 标检测方法，包括以下步骤：
[0010]步骤一：数据集图像筛选，获取的原始图片进行有目的的筛检，图片至 少包含导地线、防震锤、鸟巢、标识牌、导地线线夹和间隔棒六类之一，初 步选择符合要求的目标图片；
[0011]步骤二：对步骤一得到的图片进行图像增广，将筛选后的图片使用数据 增广方式进行处理，包括平移、旋转、翻转、缩放裁剪和旋转平移组合变换， 在处理过程中随机选择平移的距离和旋转的角度，得到目标数据集；
[0012]步骤三：步骤二完成数据增广后需要对目标数据集的部分照片进行图像 预处理操作，使用分段线性变换灰度变换方法、直方图均衡化方法、同态滤 波方法以及平滑去噪方法对图像进行处理；
[0013]步骤四：对步骤三预处理过的目标数据集进行整理与标注，批量修改图 片名称，批量化标注目标数据集；
[0014]步骤五：将特征注意力机制和融合两者“结合”对YOLOv3进行改进， 得到改进后的算法；
[0015]步骤六：使用前面标注好的目标数据集在改进后的算法中进行训练，训 练完成对待检测图片进行检测。
[0016]优选的，步骤五中算法改进具体包括：
[0017]注意力机制
‑
融合对于任何给定的变换，将输入特征图X1和X2分别经 过1
×
1卷积，得到T1和T2，其中，为尺 度空间表示一个空间结构，H代表特征图的高度，W代表特征图的宽度，C1 及C2表示通道数；
[0018]将T1，T2特征传递给最大平均池化操作，将其特征压缩到H
×
W空间 维度上，此时的特征变成某种意义上具有全局的感受野的向量，同时输出的 维度与输入的特征通道数相匹配，如以下两个公式：
[0019][0020][0021]其中
[0022]接着进行一个全连接层操作，使用卷积核大小为1
×
1，步长为1的卷积 代替传统意义上的全连接操作，经过全连接操作后，得到S1,S2；
[0023]将S1,S2相加得到P，此时通道维度上原始特征重聚合，如公式所示：
[0024]P＝S1+S2#(4.19)
[0025]其中
[0026]P经过Sigmoid函数，输出的权重视为每个融合特征通道的重要性，再 经过矩阵运算把每个通道加权到X1和X2特征上，实现在通道维度上的对原 始特征的重标定融合，得到新的特征Y；过程如下公式：
[0027]Y＝(X1+X2)*Sigmoid(P)。
[0028]优选的，步骤六中在训练的过程中使用余弦学习率和同步归一化技术进 行处理；
[0029]余弦学习率处理具体为：
[0030]使用梯度下降算法优化目标函数时，使用余弦函数来配合降低学习率， 学习率随迭代次数的变化规律如以下两个公式所示：
[0031]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YOLOv3的输电线缺陷多目标检测方法，其特征在于，包括以下步骤：步骤一：数据集图像筛选，获取的原始图片进行有目的的筛检，图片至少包含导地线、防震锤、鸟巢、标识牌、导地线线夹和间隔棒六类之一，初步选择符合要求的目标图片；步骤二：对步骤一得到的图片进行图像增广，将筛选后的图片使用数据增广方式进行处理，包括平移、旋转、翻转、缩放裁剪和旋转平移组合变换，在处理过程中随机选择平移的距离和旋转的角度，得到目标数据集；步骤三：步骤二完成数据增广后需要对目标数据集的部分照片进行图像预处理操作，使用分段线性变换灰度变换方法、直方图均衡化方法、同态滤波方法以及平滑去噪方法对图像进行处理；步骤四：对步骤三预处理过的目标数据集进行整理与标注，批量修改图片名称，批量化标注目标数据集；步骤五：将特征注意力机制和融合两者“结合”对YOLOv3进行改进，得到改进后的算法；步骤六：使用前面标注好的目标数据集在改进后的算法中进行训练，训练完成对待检测图片进行检测。2.根据权利要求1所述的基于改进YOLOv3的输电线缺陷多目标检测方法，其特征在于，步骤五中算法改进具体包括：注意力机制
‑
融合对于任何给定的变换，将输入特征图X1和X2分别经过1
×
1卷积，得到T1和T2，其中，其中，为尺度空间表示一个空间结构，H代表特征图的高度，W代表特征图的宽度，C1及C2表示通道数；将T1，T2特征传递给最大平均池化操作，将其特征压缩到H
×
W空间维度上，此...

【专利技术属性】
技术研发人员：韩恒，陈万培，张涛，高绅，杨钦榕，
申请(专利权)人：扬州大学，
类型：发明
国别省市：