基于改进YOLOv7的绝缘子缺陷检测方法技术

本发明专利技术公开基于改进YOLOv7的绝缘子缺陷检测方法，将待识别图片输入预先训练获得的网络模型，输出初步预测框；利用SIoU

【技术实现步骤摘要】
基于改进YOLOv7的绝缘子缺陷检测方法


[0001]本专利技术涉及基于改进YOLOv7的绝缘子缺陷检测方法，属于绝缘子缺陷检测


技术介绍

[0002]随着我国大容量高压输电系统的发展，使得变电站在整个电力系统中发挥着越来越重要的作用。而绝缘子作为变电站故障户外的主要识别对象，在变电站复杂恶劣的环境里易出现破损和污闪等故障现象，很容易中断输电线路的供电，对居民用户安全用电带来极大的影响并且会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]传统的绝缘子缺陷检测方法主要利用直升机载人巡检、实地考察或者利用传统的检测算法分析机器人或者无人机拍摄的图片。但是，我国输电线路结构复杂，使用传统的检测方法会导致巨大财力物力的浪费，效率不高。近年来随着神经网络理论的发展和计算机性能的提升，基于深度学习的绝缘子缺陷检测方法成为主流，并且在实际工程中得到广泛的应用。
[0004]目前，基于深度学习进行目标检测可以克服检测精度低、易受环境干扰以及泛化能力不强等缺点。基于深度学习的目标检测算法可以分为两种：一种是多阶段方法，代表性算法包括R
‑
CNN和FastR
‑
CNN，另一类是单阶段检测算法，典型算法包括SSD和YOLO系列。基于SSD(single shot multibox detector)与两阶段微调策略的绝缘子识别方法，相比传统方法无法实现端到端的检测。Faster RCNN算法实现端到端的绝缘子缺陷检测，但其模型计算量大和检测速度慢。现在提出的一些算法，还无法较好完成在复杂背景下实现绝缘子缺陷这类小目标的精确检测任务。2022年，YOLOv7算法诞生，该算法的检测速度和准确度都超过了所有已知的目标检测器。

技术实现思路

[0005]本专利技术所要解决的技术问题是克服现有技术变电站巡检机器人拍摄的图像中存在复杂背景且绝缘子故障目标小难以被准确检测的缺陷，提供基于改进YOLOv7的绝缘子缺陷检测方法。
[0006]为达到上述目的，本专利技术提供基于改进YOLOv7的绝缘子缺陷检测方法，包括：
[0007]将待识别图片输入预先训练获得的网络模型；
[0008]基于预先获取的预测框，网络模型输出多个与预测框尺寸相同的待识别图片的初步预测框；
[0009]利用SIoU
‑
NMS改进非极大值抑制算法对待识别图片输出的初步预测框进行过滤，得到最终预测框；
[0010]基于最终预测框，获得待识别图片的缺陷类型。
[0011]优先地，预先训练获得网络模型，通过以下步骤实现：
[0012]获取训练集，训练集包括图片样本和图片样本的目标真实框；
[0013]预处理图片样本的目标真实框，获得多个固定尺寸的锚框；
[0014]构建网络模型，将图片样本和固定尺寸的锚框输入网络模型，网络模型将图片样本划分成多个网格；
[0015]基于固定尺寸的锚框，以每个网格为中心生成多个固定尺寸的预测框；
[0016]利用总损失函数分别计算图片样本的目标真实框和固定尺寸的预测框之间的差距，迭代更新网络模型的网络参数、预测框的位置和预测框的尺寸；
[0017]若总损失函数收敛于定值，其中定值代表损失函数值在某个稳定值附近波动，不再大幅震荡，此时模型则停止迭代，输出最终的网络模型。
[0018]优先地，预先获取预测框，通过以下步骤实现：
[0019]筛选网络模型在训练期间获得精度最高的预测框，作为预先获取的预测框。
[0020]优先地，构建的网络模型的网络架构包括Input模块、Backbone模块、Neck模块和Head模块，Input模块、Backbone模块、Neck模块和Head模块依次连接；
[0021]Backbone模块包括第一CBS模块、第二CBS模块、第三CBS模块、第四CBS模块、gnConv模块、第一ELAN模块、第二ELAN模块、第三ELAN模块、第四ELAN模块、第一MP1模块、第二MP1模块、第三MP1模块和CoordAtt模块，
[0022]第一CBS模块、第二CBS模块、第三CBS模块、gnConv模块、第四CBS模块、第一ELAN模块、第一MP1模块、第二ELAN模块、第二MP1模块、第三ELAN模块、第三MP1模块、第四ELAN模块和CoordAtt模块依次连接；
[0023]第一CBS模块、第二CBS模块、第三CBS模块和第四CBS模块均为CBS模块，第一ELAN模块、第二ELAN模块、第三ELAN模块和第四ELAN模块均为ELAN模块，第一MP1模块、第二MP1模块和第三MP1模块均为MP1模块；
[0024]gnConv模块采用递归门控卷积，CoordAtt模块采用CoordAtt注意力机制。
[0025]优先地，总损失函数的表达式为：
[0026]L＝W1×
L
box
+W2×
L
cls
+W3×
L
obj
[0027][0028]L
cls
＝
‑
ζ
t
(1
‑
p
t
)
δ
log(p
t
)，
[0029][0030][0031]式中，L为总损失，L
box
为边界回归损失，L
obj
为目标置信度损失，W1为边界回归损失占总损失的权重，W2为focal loss分类损失占总损失的权重，W3是目标置信度损失占总损失的权重，IoU为交并比损失，Ω为形状损失，
△
为距离损失；
[0032]L
cls
为focal loss分类损失，ζ
t
为正负样本权重参数，p
t
为属于正负样本的概率，δ为可调节聚参数，p是网络模型预测图片样本属于前景的概率，Y＝1代表图片样本的前景，Y＝
‑
1代表图片样本的背景，ζ为权重参数。
[0033]优先地，交并比损失的表达式为：
[0034][0035]式中，A为真实框，B为预测框，IoU为交并比损失；
[0036]形状损失的表达式为：
[0037][0038]式中，Ω为形状损失，w是预测框的宽度，w
gt
是真实框的宽度，max(w,w
gt
)为w和w
gt
中最大值，h是预测框的高度，h
gt
是真实框的高度，max(h，h
gt
)为h和h
gt
中最大值，θ是可调变量；
[0039]距离损失的表达式为：
[0040][0041][0042][0043][0044][0045]式中，α为真实框中心点到预测框中心点连线和X轴之间的夹角，σ是真实框中心点到预测框中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进YOLOv7的绝缘子缺陷检测方法，其特征在于，包括：将待识别图片输入预先训练获得的网络模型；基于预先获取的预测框，网络模型输出多个与预测框尺寸相同的待识别图片的初步预测框；利用SIoU
‑
NMS改进非极大值抑制算法对待识别图片输出的初步预测框进行过滤，得到最终预测框；基于最终预测框，获得待识别图片的缺陷类型。2.根据权利要求1所述的基于改进YOLOv7的绝缘子缺陷检测方法，其特征在于，预先训练获得网络模型，通过以下步骤实现：获取训练集，训练集包括图片样本和图片样本的目标真实框；预处理图片样本的目标真实框，获得多个固定尺寸的锚框；构建网络模型，将图片样本和固定尺寸的锚框输入网络模型，网络模型将图片样本划分成多个网格；基于固定尺寸的锚框，以每个网格为中心生成多个固定尺寸的预测框；利用总损失函数分别计算图片样本的目标真实框和固定尺寸的预测框之间的差距，迭代更新网络模型的网络参数、预测框的位置和预测框的尺寸；若总损失函数收敛于定值，则停止迭代，输出最终的网络模型。3.根据权利要求2所述的基于改进YOLOv7的绝缘子缺陷检测方法，其特征在于，预先获取预测框，通过以下步骤实现：筛选网络模型在训练期间获得精度最高的预测框，作为预先获取的预测框。4.根据权利要求2所述的基于改进YOLOv7的绝缘子缺陷检测方法，其特征在于，构建的网络模型的网络架构包括Input模块、Backbone模块、Neck模块和Head模块，Input模块、Backbone模块、Neck模块和Head模块依次连接；Backbone模块包括第一CBS模块、第二CBS模块、第三CBS模块、第四CBS模块、gnConv模块、第一ELAN模块、第二ELAN模块、第三ELAN模块、第四ELAN模块、第一MP1模块、第二MP1模块、第三MP1模块和CoordAtt模块，第一CBS模块、第二CBS模块、第三CBS模块、gnConv模块、第四CBS模块、第一ELAN模块、第一MP1模块、第二ELAN模块、第二MP1模块、第三ELAN模块、第三MP1模块、第四ELAN模块和CoordAtt模块依次连接；第一CBS模块、第二CBS模块、第三CBS模块和第四CBS模块均为CBS模块，第一ELAN模块、第二ELAN模块、第三ELAN模块和第四ELAN模块均为ELAN模块，第一MP1模块、第二MP1模块和第三MP1模块均为MP1模块；gnConv模块采用递归门控卷积，CoordAtt模块采用CoordAtt注意力机制。5.根据权利要求2所述的基于改进YOLOv7的绝缘子缺陷检测方法，其特征在于，总损失函数的表达式为：L＝W1×
L
box
+W2×
L
cls
+W3×
L
obj
L
cls
＝
‑
ζ
t
(1
‑
p
t
)
δ
log(p
t
)，式中，L为总损失，L
box
为边界回归损失，L
obj
为目标置信度损失，W1为边界回归损失占总损失的权重，W2为focalloss分类损失占总损失的权重，W3是目标置信度损失占总损失的权重，IoU为交并比损失，Ω为形状损失，
△
为距离损失；L
cls<...

【专利技术属性】
技术研发人员：巫航，郑剑锋，蒋承奇，李梓畅，梁可，金永双，
申请(专利权)人：常州大学，
类型：发明
国别省市：