基于改进YOLOX算法的输电线路耐张线夹缺陷检测方法技术

本发明专利技术公开一种基于改进YOLOX算法的输电线路耐张线夹缺陷检测方法，构建输电线路耐张线夹的X光图像数据集，将数据集输入图像特征增强模块进行预处理，并针对每一类缺陷制作相应的标签；构建YOLOX模型并进行改进，增加一个Resblock body0模块、特征层feat1和以及类预测层YOLO Head以增加网络的深度，并引入空间、通道注意力机制；使用VOC2007数据集训练改进后的网络，获得预训练权重W1；利用W1并结合Mosaic数据增强方法训练耐张线夹数据集获得权重W2，将W2输入改进后的YOLOX网络进行分类预测。本发明专利技术通过改进YOLOX算法，提升了对耐张线夹细微缺陷的检测效果，可以准确高效地实现输电线路耐张线夹的缺陷检测。输电线路耐张线夹的缺陷检测。输电线路耐张线夹的缺陷检测。

【技术实现步骤摘要】
基于改进YOLOX算法的输电线路耐张线夹缺陷检测方法


[0001]本专利技术属于输电线路
，具体涉及基于改进YOLOX算法的输电线路耐张线夹缺陷检测方法。

技术介绍

[0002]耐张线夹作为输电线路重要的组成部分，不仅需要承担线路所有的张力，而且作为导流载体。若耐张线夹因自身缺陷而导致输电线路的故障，轻则减少输电设备的使用寿命，重则发生断线事故，从而引起大规模停电，造成巨大的经济损失。因此耐张线夹必需要拥有良好的工作状态。然而在实际情况中，输电线路跨度大、范围广，所处地段环境气候较差，线路直接裸露在空气中，酸雨、冰雪等恶劣环境极易对线路中耐张线夹产生损伤，需要对耐张线夹的工作状态进行定期检测。对于耐张线夹的一些外部缺陷，例如耐张线夹股裂、引流处铝管拉裂以及引流板变型等可以通过视觉直接检测，但对于耐张线夹内部缺陷，无法通过视觉直接检测。
[0003]利用X光对金具内部缺陷进行无损检测，已成功的运用到耐张线夹的缺陷检测中，可将被测物体信息反应在成像板中，通过分析成像板图像，便可得知被测物体内部状况，因此可作为耐张线夹无损探伤的工具。由于耐张线夹内部缺陷复杂，一个耐张线夹可能存在多种缺陷，依靠巡检人员直接判别耐张线夹X光图像缺陷具有工作量大、效率低以及成本高等缺点。采用图像缺陷检测技术对耐张线夹X光图像进行缺陷检测，可以做到准确、高效的识别耐张线夹缺陷的种类及所处位置。

技术实现思路

[0004]针对现有耐张线夹缺陷检测的不足，本专利技术旨在提供一种基于改进YOLOX算法的输电线路耐张线夹缺陷检测方法，用于准确检测耐张线夹是否有缺陷以及缺陷的种类，为巡检人员进行耐张线夹工况检测提供技术参考。
[0005]为达到此专利技术目的，本专利技术通过以下方案予以实现：一种基于改进YOLOX算法的输电线路耐张线夹缺陷检测方法，包括如下步骤：S1、构建输电线路耐张线夹X光图像数据集：在停电状态下，检测人员采用脉冲式射线机对输电线路耐张线夹进行X光成像，构建含有A区漏压、A区欠压、过压、钢锚弯曲、钢锚飞边以及C区漏压等6类缺陷的耐张线夹X光图像数据集，并按8:1:1分为训练集、验证集与测试集；设计一个由高斯滤波、直方图均衡化以及伽马校正三个步骤依次构成的图像特征增强模块，以输电线路耐张线夹的X光图像作为输入，调整图像特征增强模块参数，获得预处理后的耐张线夹X光图像；S2、构建由主干特征提取网络CSPDarknet
‑
L、特征融合网络PANet以及分类预测网络YOLO Head三个部分组成的改进YOLOX算法的耐张线夹X光图像缺陷检测模型：利用Focus、CBS、Resblock bodyi(i=0、1、2、3、4)以及SPPBottleneck模块构建主干特征提取网络CSPDarknet
‑
L；在主干特征提取网络CSPDarknet
‑
L与特征融合网络PANet之间加入CBAM
注意力机制；从主干特征提取网络CSPDarknet
‑
L的Resblock bodyn(n=1、2、3、4)结构中分别引出4个不同尺度大小的初步特征层feat1、feat2、feat3、feat4，输入特征融合网络PANet进行特征融合；将特征融合后的4个增强特征层输入到4个YOLO Head中进行分类预测，以实现对耐张线夹X光图像中细微缺陷的检测；S3、训练改进的YOLOX网络模型：将VOC2007数据集按8:1:1分为训练集、验证集与测试集输入到改进后的YOLOX网络模型进行预训练，共训练100轮，取训练损失值最小的预训练权重W1进行迁移学习；将预处理后的耐张线夹X光图像数据集中的训练集结合预训练权重W1进行再训练；再训练分为冻结与解冻两个阶段，第一阶段冻结改进的YOLOX网络模型主干并使用Mosaic数据增强方法迭代训练50次，加快训练效率并防止权值被破坏，学习率L
r1
设为0.001；第二阶段对改进的YOLOX网络模型主干进行解冻，再迭代训练50轮次，学习率L
r2
设为0.0005；S4、利用训练好的改进的YOLOX网络模型对耐张线夹X光图像中缺陷进行检测：再训练结束后获得100组权重，取出损失值最小的权重W2输入到改进后的YOLOX网络模型，并利用测试集图像验证改进后的YOLOX网络模型的缺陷检测效果。
[0006]进一步地，步骤S1使用的图像特征增强模块由高斯滤波、直方图均衡化以及伽马校正三个步骤依次构成，图像特征增强模块是先经过高斯函数对图像卷积核进行滤波降噪，再由直方图均衡化改变像素的灰度，调节图像曝光，最后利用伽马校正调节目标与背景的对比度。将图像特征增强模块三个步骤参数α1、α2、α3均设置在区间[0，255]之间，通过合理调节图像特征增强模块参数（高斯滤波参数α1=95，直方图均衡化参数α2=115，伽马校正参数α3=54），参数设置越大增强效果越明显，但可能造成细微缺陷的丢失，因此参数的设定必须兼顾所有缺陷的特征表达。
[0007]进一步地，步骤S2中利用Focus、CBS、Resblock bodyi(i=0、1、2、3、4)以及SPPBottleneck模块构建主干特征提取网络CSPDarknet
‑
L，其具体操作包括：(1) 利用普通卷积Conv、标准化BN以及SiLU激活函数构建CBS模块，将残差块拆分为主干部分和大残差边shortconv两部分构建CSPLayer结构，采用CBS与CSPLayer结构构建Resblock body结构，SPPBottleneck模块由CBS与4个大小为1
×
1、5
×
5、9
×
9以及13
×
13的池化核进行最大池化所构成；(2) 将输入图片大小设置为640
×
640
×
3，首先经过Focus结构与CBS等操作图像大小变为320
×
320
×
64；然后经过Resblock body0结构，并利用1
×
1的卷积保持通道数不变，使图像尺寸变为160
×
160
×
64；最后依次经过Resblock bodyn(n=1、2、3、4)结构，并在Resblock body4中加入SPPBottleneck模块，完成对主干特征提取网络CSPDarknet
‑
L的构建。
[0008]进一步地，步骤S2中用加入Resblock body0结构提升主干特征提取网络的深度，并使用1
×
1的卷积调整通道数为64，其目的是在提升对细微缺陷的特征提取的同时，并不改变网络的整体通道数的变化，此时相较于原网络通道数不变，特征层大小变为原来的二分之一。
[0009]进一步地，步骤S2中主干特征提取网络CSPDarknet
‑
L的Resblock bodyn(n=1、2、3、4)结构中分别引出4个特征层feat1、feat2、feat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YOLOX算法的输电线路耐张线夹缺陷检测方法，其特征在于，包括如下步骤：S1、构建输电线路耐张线夹X光图像数据集：在停电状态下，检测人员采用脉冲式射线机对输电线路耐张线夹进行X光成像，构建含有A区漏压、A区欠压、过压、钢锚弯曲、钢锚飞边以及C区漏压6类缺陷的耐张线夹X光图像数据集，并按8:1:1分为训练集、验证集与测试集；设计一个由高斯滤波、直方图均衡化以及伽马校正三个步骤依次构成的图像特征增强模块，以输电线路耐张线夹的X光图像作为输入，调整图像特征增强模块参数，获得预处理后的耐张线夹X光图像；S2、构建由主干特征提取网络CSPDarknet
‑
L、特征融合网络PANet以及分类预测网络YOLO Head三个部分组成的改进YOLOX算法的耐张线夹X光图像缺陷检测模型：利用Focus、CBS、Resblock bodyi，其中i=0、1、2、3、4，以及SPPBottleneck模块构建主干特征提取网络CSPDarknet
‑
L；在主干特征提取网络CSPDarknet
‑
L与特征融合网络PANet之间加入CBAM注意力机制；主干特征提取网络CSPDarknet
‑
L的Resblock bodyn，其中n=1、2、3、4，从Resblock bodyn结构中分别引出4个不同尺度大小的初步特征层feat1、feat2、feat3、feat4，输入特征融合网络PANet进行特征融合；将特征融合后的4个增强特征层输入到4个YOLO Head中进行分类预测，以实现对耐张线夹X光图像中细微缺陷的检测；S3、训练改进的YOLOX网络模型：将VOC2007数据集按8:1:1分为训练集、验证集与测试集输入到改进后的YOLOX网络模型进行预训练，共训练100轮，取训练损失值最小的预训练权重W1进行迁移学习；将预处理后的耐张线夹X光图像数据集中的训练集结合预训练权重W1进行再训练；再训练分为冻结与解冻两个阶段，第一阶段冻结改进的YOLOX网络模型主干并使用Mosaic数据增强方法迭代训练50次；第二阶段对改进的YOLOX网络模型主干进行解冻，再迭代训练50轮次；S4、利用训练好的改进的YOLOX网络模型对耐张线夹X光图像中缺陷进行检测：再训练结束后获得100组权重，取出损失值最小的权重W2输入到改进后的YOLOX网络模型，并利用测试集图像验证改进后的YOLOX网络模型的缺陷检测效果。2.根据权利要求1所述的一种基于改进YOLOX算法的输电线路耐张线夹缺陷检测方法，其特征在于，所述步骤S1中的缺陷定义，具体包括A区漏压：铝管和凹槽未被压接；A区欠压：是指铝管和凹槽未被完全压接，之间留有缝隙；过压：是指压接过度，致使非压区受到压接；钢锚弯曲：是指钢锚受到外力导致变形；钢锚飞边：是指钢锚表面存在裂纹；C区漏压：是指C区压接不完全或者未被压接。3.根据权利要求1所述的一种基于改进YOLOX算法的输电线路耐张线夹缺陷检测方法，其特征在于，所述步骤S1中图像特征增强模块是先经过高斯函数对图像卷积核进行滤波降噪，再由直方图均衡化改变像素的灰度，调节图像曝光，最后利用伽马校正调节目标与背景的对比度。4.根据权利要求1所述的一种基于改进YOLOX算法的输电线路耐张线夹缺陷检测方法，其特征在于，所述步骤S2中利用Focus、CBS、Resblock bodyi，其中i=0、1、2、3、4，以及SPPBottleneck模块构建主干特征提取网络CSPDarknet
‑
L，其具体操作包括：S2.1、利用普通卷积Conv、标准化BN以及SiLU激活函数构建CBS模块，将残差块拆分为主干部分和大残差边shortconv两部分构建CSPLayer结构，采用CBS与CSPLayer结构构建
Resblock body结构，SPP...

【专利技术属性】
技术研发人员：邱志斌，李俊轩，周志彪，张润，童志鹏，
申请(专利权)人：南昌大学，
类型：发明
国别省市：