小目标缺陷的轻量化检测模型、方法、设备及存储介质技术

本发明专利技术公开了一种小目标缺陷的轻量化检测模型、方法、设备及存储介质，检测模型由主干网络、特征融合颈及预测输出构成，主干网络包含交替连接的4个轻量化模块DC

【技术实现步骤摘要】
小目标缺陷的轻量化检测模型、方法、设备及存储介质


[0001]本专利技术属于目标检测领域，涉及一种小目标缺陷的轻量化检测模型、方法、设备及存储介质。

技术介绍

[0002]输电线路是电网系统的重要组成部分，研究如何更安全、快捷地对输电线路进行监测是十分必要的。绝缘子作为输电线路中机械支撑和电气绝缘支撑部件，对输电线路的安全运行起到至关重要的作用。绝缘子长期暴露在自然环境下容易发生自爆、掉串、污秽等故障，绝缘子一旦发生缺陷等故障，将直接影响到输电线路的使用和寿命。
[0003]输电线路铺设范围广，地理位置特殊，人工巡检不仅效率低且在不同巡检环境下受地理环境影响，视觉上容易产生误判、漏检等问题。利用搭载深度学习算法的无人机装置进行巡检，很大程度上解决了人工巡检作业危险、效率低、人工成本高等实际问题。深度学习领域的学者在绝缘子检测方向开展了很多研究工作，其主流研究方向分为两种：一是通过优化二阶网络或采用较大网络模型直接提升网络检测精度。二是随着YOLO系列网络的不断优化，通过训练单阶段轻量化网络以实现轻量化实时检测。/>[0004]提升本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小目标缺陷的轻量化检测模型，其特征在于，依次包括主干网络、特征融合颈及预测输出三部分；所述主干网络包含交替连接的4个轻量化模块DC
‑
SE和4个特征提取模块NewC3
‑
1，主干网络负责提取绝缘子的特征信息；所述特征融合颈包含4个特征提取模块NewC3
‑
2，负责实现对主干网络提取的多维特征的信息融合；所述特征提取模块NewC3
‑
1和NewC3
‑
2包含深度卷积、逐点卷积与通道注意力机制，旨在降低模型参数的同时，通过结合通道信息增强网络对绝缘子有效特征的提取能力；所述轻量化模块DC
‑
SE融合传统卷积与深度卷积，随着网络不断加深利用数目成倍增长的卷积逐步扩大通道数量，助力绝缘子特征的互补提取；同时，引入注意力机制SE强化主干网络对细节特征的表达能力，提高网络对不同尺寸绝缘子图像的特征融合能力，改善特征融合过程对细节信息的丢失问题，从而加强浅层网络对绝缘子自爆缺陷特征的检测性能；所述预测输出负责给出对绝缘子缺陷的检测结果。2.根据权利要求1所述一种小目标缺陷的轻量化检测模型，其特征在于，所述特征提取模块NewC3
‑
j(j＝1,2)是为了充分提取绝缘子上的小目标特征；每个NewC3
‑
j(j＝1,2)模块由x个New
‑
bottleneckj(j＝1,2)与2个卷积模块(Conv+BN+SiLU)组成，Conv+BN+SiLU由1
×
1传统卷积、BN归一化以及SiLu激活函数组成，其通道数为NewC3
‑
j(j＝1,2)模块的输入通道数；所述New
‑
bottleneckj(j＝1,2)模块由3
×
3深度卷积、逐点卷积和ECA构成，分为New
‑
bottleneck1与New
‑
bottleneck2两种结构；New
‑
bottleneck1输入与输出之间采用残差连接，残差连接用于优化主干网络可以缓解梯度爆炸问题；New
‑
bottleneck2采用串行的方式进行信息传输，因为其作用于颈部的融合结构，其直接输出的方式能更大程度上保留融合特征信息；骨干网络中含有4个NewC3
‑
1，该模块依次含有3、6、9、3个New
‑
bottleneck1；特征融合颈中含有4个NewC3
‑
2，其中均含3个New
‑
bottleneck2；所述New
‑
bottleneckj(j＝1,2)的数量由配置文件.yaml和参数depth_multiple的乘积自动决定；所述New
‑
bottlen...

【专利技术属性】
技术研发人员：贾晓芬，吴雪茹，赵佰亭，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：