一种基于YOLOV5的通信检修工具识别方法技术

本发明专利技术涉及一种基于YOLO V5的通信检修工具识别方法，属于通信检修工具识别技术领域。本发明专利技术的方法采用MOT半自动标注工具和VoTT可视化对象标注工具对通信线路检修工具样本进行标注，生成专用的数据集，具有通信领域实用价值；采用注意力机制对YOLO V5模型进行改进，并使用改进后的YOLO V5模型对所述通信线路检修工具数据集进行数据增强和模型训练，提升检测效率和识别准确率；采用OpenVINO进行模型推理优化和加速，提升了检测速度；通过部署到便携的移动终端树莓派上对通信线路检修工具进行实时检测和结果显示，较好解决当前通信线路检修工具识别难题，为通信作业对通信线路检修工具识别进行分类收纳和选取提供便利。工具识别进行分类收纳和选取提供便利。工具识别进行分类收纳和选取提供便利。

【技术实现步骤摘要】
一种基于YOLO V5的通信检修工具识别方法


[0001]本专利技术属于通信检修工具识别
，具体涉及一种基于YOLO V5的通信检修工具识别方法。

技术介绍

[0002]通信线路检修工具种类多样，类别涉及程控交换、网络传输、光端传输、图像传输、通信电源等，具有相当的专业性和复杂度。通信线路检修作业过程时常发生作业人员选取工具使用不当的问题，这样的行为既影响“抢代通”的效率，还可能对通信线路和接口造成不可逆的损伤。为了降低通信作业人员选取通信检修工具的失误率，本文以识别通信检修工具为出发点，通过对其进行准确识别，为通信作业人员正确选取工具和识别违规行为提供指导。通信线路检修工具繁多，且随着信息网络和光通信技术和设备的不断优化和更新，通信线路检修工具的种类越来越多，为识别和检测带来一定的困难。传统机器学习相关算法无法更好地识别相当数量的通信线路检修工具。而当前针对通信线路检修工具识别分类的研究较少，无法更好地为通信作业人员正确选取工具提供便利，也不能为发现违规行为进行提示。当前通信技术行业广泛引用深度学习检测技术，其中YOLO系统算法以其实时性好、准确率高，成为是工程应用和落地的重要模型之一。
[0003]参考中国专利公开号为CN113947527A的一种基于YOLO V5模型的电力工器具检测方法，该方法基于YOLO V5算法实现电力工器具的识别和分类，并对通信线路检修工具样本进行图像增强，并通过预处理对数据集进行迁移学习，进一步提升电子检修工具识别的准确率。将该研究方法从电力工具领域转移到通信线路检修工具领域，需要制作新的数据集，着力解决算法在室内、野外、夜间、强光等多个应用场景下识别率下降的问题，并实现部署到移动终端便于携行使用。为此，本专利技术充分考虑通信线路检测工具的应用场景、形状、大小、颜色等特性，引入自注意力机制对YOLO V5算法进行改进，提升识别准确率。考虑机动需求，采用OpenVINO对改进后的YOLO V5算法进行推理和加速，并部署到移动终端上，取得更好的效果。

技术实现思路

[0004](一)要解决的技术问题
[0005]本专利技术要解决的技术问题是如何提供一种基于YOLO V5的通信检修工具识别方法，以解决在室内、野外、夜间、强光等多个应用场景下识别率下降、以及使用不方便的问题。
[0006](二)技术方案
[0007]为了解决上述技术问题，本专利技术提出一种基于YOLO V5的通信检修工具识别方法，该方法包括如下步骤：
[0008]S1：采用MOT半自动标注工具和VoTT可视化对象标注工具对通信检修工具的视频片段和图像进行数据标注，得到通信检修工具数据集；
[0009]S2：基于深度可分离残差网络结构，引入SE、CA或CBAM注意力机制，改进YOLO V5主干网络；
[0010]S3：利用改进后的YOLO V5主干网络对通信检修工具数据集进行图像增强，并进行模型训练，得到训练好的模型参数和权重；
[0011]S4：运用OpenVINO优化器对训练好的YOLO V5主干网络进行推理和性能优化；
[0012]S5：将优化后的模型部署到树莓派的移动终端上，对经标准化处理的通信线路检修工具的图像进行检测，输出对应通信线路检修工具的类别。
[0013]进一步地，所述步骤S1具体包括：通过摄像设备采集通信线路检修工具的视频片段和图片形成样本，利用MOT半自动标注工具对通信检修工具的视频片段进行半自动标注，利用VoTT可视化对象标注工具对通信检修工具的图片进行数据标注，两种标注结果汇总得到通信检修工具数据集。
[0014]进一步地，所述步骤S2具体包括以下步骤：从SENet(Squeeze
‑
and
‑
Excitation Networks)、CA(Channel Attention)、CBAM(Convolutional Block Attention Module)三种网络组件中任选一个，替换YOLO V5网络结构的Backbone部分的CSP1_1网络组件；
[0015]对于SENet网络组件，引入通道注意力机制，通过挤压和激励两个步骤，优化channel维度，增加少量参数，使YOLO V5主干网络获取不同channel上的特征；
[0016]对于CA网络组件，将通道注意力分解为两个1维特征编码过程，分别沿2个空间方向聚合特征，分别获取远程依赖关系和保留精确的位置信息；
[0017]对于CBAM网络组件，将上述SENet和CA作为两个独立的组件串联到一起，综合考虑空间注意力机制和通道注意力机制。
[0018]进一步地，所述S3具体包括以下步骤：
[0019]S31：改进后的YOLO V5主干网络采用Mosaic数据增强方法对标注后的通信检修工具图像进行特征增强，得到增强后的图像数据；
[0020]S32：按3:1:1的比例将通信检修工具图像数据集划分为训练集、验证集和测试集；
[0021]S33：计算改进后的YOLO V5主干网络时，采用损失函数有3种：BCE、Focal loss、QFocal loss，比较这3个损失函数在训练和检测方面的效果，选择最优者；
[0022]S34：利用改进后的YOLO V5主干网络络对通信检测工具数据集进行训练，训练完成后得到通信线路检修工具识别的目标参数和目标权重。
[0023]进一步地，所述BCE损失函数为：
[0024][0025]其中代表YOLO V5主干网络第i个样本是某一类的概率，N为样本总量；y(i)表示第i个样本真实的类别，取值为0或1。
[0026]进一步地，所述Focal loss损失函数为：
[0027][0028]其中p表示预测概率，其值越大说明越接近于类别y，即分类越准确；γ是引入的超
参数，取值范围在[0,5]之间，能将概率较高的正样本和概率较低的负样本的损失值显著降低，提高模型对较难样本的区分能力。
[0029]进一步地，所述QFocal loss损失函数为：
[0030]QFL(σ)＝
‑
|y
‑
σ|
β
((1
‑
y)log(1
‑
σ)+ylog(σ))
[0031]其中σ表示预测结果，每张图片对应某类的概率取值从0到1，β为比例系数。
[0032]进一步地，所述特征增强包括增加噪声、改变亮度和改变色度。
[0033]进一步地，所述步骤S4具体包括以下步骤：
[0034]S41：将改进后的YOLO V5主干网络的pytorch模型文件转换为通用的开放模型格式ONNX，通过OpenVINO的模型转换脚本将ONNX格式文件进一步转换，生成IR模型文件，即.bin文件与.xml文件；
[0035]S42：基于OpenVINO SDK完成模型解析和调用，设置输入与输出格式，YOLO V5输入的图像被归一化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLO V5的通信检修工具识别方法，其特征在于，该方法包括如下步骤：S1：采用MOT半自动标注工具和VoTT可视化对象标注工具对通信检修工具的视频片段和图像进行数据标注，得到通信检修工具数据集；S2：基于深度可分离残差网络结构，引入SE、CA或CBAM注意力机制，改进YOLO V5主干网络；S3：利用改进后的YOLO V5主干网络对通信检修工具数据集进行图像增强，并进行模型训练，得到训练好的模型参数和权重；S4：运用OpenVINO优化器对训练好的YOLO V5主干网络进行推理和性能优化；S5：将优化后的模型部署到树莓派的移动终端上，对经标准化处理的通信线路检修工具的图像进行检测，输出对应通信线路检修工具的类别。2.如权利要求1所述的基于YOLO V5的通信检修工具识别方法，其特征在于，所述步骤S1具体包括：通过摄像设备采集通信线路检修工具的视频片段和图片形成样本，利用MOT半自动标注工具对通信检修工具的视频片段进行半自动标注，利用VoTT可视化对象标注工具对通信检修工具的图片进行数据标注，两种标注结果汇总得到通信检修工具数据集。3.如权利要求1所述的基于YOLO V5的通信检修工具识别方法，其特征在于，所述步骤S2具体包括以下步骤：从SENet(Squeeze
‑
and
‑
Excitation Networks)、CA(Channel Attention)、CBAM(Convolutional Block Attention Module)三种网络组件中任选一个，替换YOLO V5网络结构的Backbone部分的CSP1_1网络组件；对于SENet网络组件，引入通道注意力机制，通过挤压和激励两个步骤，优化channel维度，增加少量参数，使YOLO V5主干网络获取不同channel上的特征；对于CA网络组件，将通道注意力分解为两个1维特征编码过程，分别沿2个空间方向聚合特征，分别获取远程依赖关系和保留精确的位置信息；对于CBAM网络组件，将上述SENet和CA作为两个独立的组件串联到一起，综合考虑空间注意力机制和通道注意力机制。4.如权利要求3所述的基于YOLO V5的通信检修工具识别方法，其特征在于，所述S3具体包括以下步骤：S31：改进后的YOLO V5主干网络采用Mosaic数据增强方法对标注后的通信检修工具图像进行特征增强，得到增强后的图像数据；S32：按3:1:1的比例将通信检修工具图像数据集划分为训练集、验证集和测试集；S33：计算改进后的YOLO V5主干网络时，采用损失函数有3种：BCE、Focal loss、QFocal loss，比较这3个损失函数在训练和检测方面的效果，选择最优者；S34：利用改进后的YOLO V5主...

【专利技术属性】
技术研发人员：盛华雄，赵梅，胡杰，项予，王玉超，
申请(专利权)人：中国人民解放军六三七九一部队，
类型：发明
国别省市：