基于CS-YOLOv5s网络的绝缘子缺陷检测方法技术

本发明专利技术公开了基于CS

【技术实现步骤摘要】
基于CS
‑
YOLOv5s网络的绝缘子缺陷检测方法


[0001]本专利技术属于计算机视觉和图像检测领域，具体为一种基于CS
‑
YOLOv5s网络的电力线路绝缘子缺陷故障智能检测方法。

技术介绍

[0002]绝缘子作为输电杆塔的重要元件之一，主要有电气绝缘和导线固定两大作用。因绝缘子长期暴露在自然中，气象和环境多变，掉串、自爆和脏污等故障频出，严重影响到输电线路的安全运行，进而导致无法正常供电。时代高速向前发展，人们的用电需求与日俱增，及时检测到绝缘子缺陷故障并解决这一安全隐患，已刻不容缓。
[0003]传统绝缘子检测方法效率低下且精度不高。自2019年起，基于深度学习的绝缘子缺陷检测方法层出不穷。Liao等(Liao G P,Yang G J,Tong W T,et al.Study on power line insulator defect detection via improved faster region
‑
based convolutional neural network[C]//Proceedings of the IEEE 7th International Conference on Computer Science and Network Technology,Dalian,China,2019:262
‑
266.)将深度残差网络Resnet101与Faster R
‑
CNN结合后对绝缘子进行缺陷检测，检测精度胜于传统检测方法，但计算量较大，无法实现检测实时性。Yao等(Yao L,Yao Q.Insulator detection based on GIOU
‑
YOLOv3[C]//Proceedings of the Chinese Automation Congress,Shanghai,China,2020:5066
‑
5071.)将YOLOv3原始损失函数中的IoU损失换成GIoU损失函数，相比原方法，绝缘子检测精度有所提升，但是存在严重的漏检问题。刘行谋等(刘行谋，田浩，杨永明，王燕，赵小翔复杂环境背景下绝缘子缺陷图像检测方法研究[J].电子测量与仪器学报,2022,36(02):57
‑
67.DOI:10.13382/j.jemi.B2104557.)使用增加了损失函数权重以及空间金字塔池化(Spatial Pyramid Pooling，SPP)结构前后卷积层数的YOLOv4进行绝缘子缺陷检测，检测精度较原算法大幅提升，但检测速度有所降低。
[0004]事实上，上述方法在检测精度方面有提高效果，却始终伴有模型计算量大、检测速度慢等问题。

技术实现思路

[0005]本专利技术为解决上述问题，综合考虑计算和内存成本以及网络轻量级等几个方面，最终以YOLOv5s作为基础网络进行改进，提出了一种基于CS
‑
YOLOv5s网络的绝缘子缺陷检测方法，在检测精度和速度的平衡上得到明显的提升。
[0006]本专利技术要解决的技术问题通过以下技术方案实现：
[0007]一种基于CS
‑
YOLOv5s网络的绝缘子缺陷检测方法，包括如下步骤：
[0008]步骤1：采集电力线路绝缘子缺陷故障数据集，将数据集按0.9:0.01:0.09的比例分为训练集、验证集和测试集，具体过程为：操控无人机用高清摄像机拍摄输电铁塔图像，对原始图像采用镜像翻转、垂直翻转、逆时针45
°
翻转方法进行图像数据增强，再用数据标注工具LabelImg对所有图像进行标注，标注分类为正常绝缘子(Normal insulator)、缺陷
绝缘子(Faulty insulator)。
[0009]步骤2：用CS
‑
YOLOv5s网络模型提高特征图的得分，在YOLOv5s的Backbone部分引入卷积注意力模块CBAM，从特征通道和特征空间两个维度对重要信息增大权重，得到CS
‑
YOLOv5s网络模型；
[0010]将步骤1得到的训练集图像送入CS
‑
YOLOv5s模型中，每张图像依次经过CBAM的通道注意力模块CAM和空间注意力模块SAM，分别生成包含表征目标内容的通道注意力特征图M
c
(F)和包含目标位置信息的空间注意力特征图M
S
(F)，对两个特征图进行像素级相乘并得到特征图F"，将其继续向后传递；
[0011]最终将经过CS
‑
YOLOv5s网络模型并且网络关注程度最高的特征图及其对应权重打包成权重文件；
[0012]步骤2具体过程如下：
[0013]在YOLOv5s网络的Backbone部分，将第一个卷积模块的激活函数从Leaky Relu改为Hard
‑
Swish，同时在激活函数后加上CBAM，卷积模块CBM变为CBHC模块，得到CS
‑
YOLOv5s网络模型；
[0014]训练集的每张图像输入到CS
‑
YOLOv5s网络模型中，经过Focus层后进入CBHC模块，经过卷积、批规范化、Hard
‑
Swish函数激活后，特征图F进入CBAM的CAM模块中，通过最大池化生成含有目标独有特征的特征图通过平均池化得到含有全局信息的特征图将它们送入多层感知器(MLP)神经网络处理，并对所得的两个新特征图进行加操作、激活函数激活处理，得到通道注意力特征图M
c
(F):
[0015][0016]其中，输入特征F∈R
H*W*C
，H、W、C分别为特征图的高、宽、通道数；AvgPool、MaxPool分别代表平均池化和最大池化；W0，W1为MLP的权重，为MLP的权重，为第一层神经元个数，C为第二层神经元个数，r为压缩率，W0后接ReLU激活函数；σ为Sigmoid激活函数；
[0017]将特征图F与M
c
(F)进行像素级相乘得到F'：
[0018][0019]特征图F'作为SAM的输入，在分别经过平均池化和最大池化操作后得到两个不同特征描述将它们Concat起来突出目标区域，经过一个7
×
7的卷积将通道数降维为1，同样经过Sigmoid函数后，得到空间注意力特征图M
S
(F)：
[0020][0021]其中，输入F'∈R
H*W*C
；f
7*7
代表卷积核为7
×
7的卷积；
[0022]将特征图F'与M
S
(F)进行像素级相乘得到F”：
[0023][0024]步骤3：用K
‑
means聚类算法生成最后的预测框，定位绝缘子缺陷，将步骤2训练得到的绝缘子缺陷特征图的权重与步骤1测试集的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于CS
‑
YOLOv5s网络的绝缘子缺陷检测方法，其特征在于，检测方法包括如下步骤：步骤1：采集电力线路绝缘子缺陷故障数据集，将数据集按0.9:0.01:0.09的比例分为训练集、验证集和测试集；步骤2：用CS
‑
YOLOv5s网络模型提高特征图的得分，在YOLOv5s的Backbone部分引入卷积注意力模块CBAM，从特征通道和特征空间两个维度来对重要信息增大权重，得到CS
‑
YOLOv5s网络模型；将步骤1得到的训练集图像送入CS
‑
YOLOv5s模型中，每张图像依次经过CBAM的通道注意力模块CAM和空间注意力模块SAM，分别生成包含表征目标内容的通道注意力特征图M
c
(F)和包含目标位置信息的空间注意力特征图M
S
(F)，对两个特征图进行像素级相乘并得到特征图F"，将其继续向后传递；最终将经过CS
‑
YOLOv5s网络模型并且网络关注程度最高的特征图及其对应权重打包成权重文件；步骤3：用K
‑
means聚类算法生成最后的预测框，定位绝缘子缺陷，将步骤2训练得到的绝缘子缺陷特征图的权重与步骤1测试集的图像进行匹配，CS
‑
YOLOv5s网络利用K
‑
means聚类算法生成最后的预测框，即输电铁塔上绝缘子缺陷位置。2.根据权利要求1所述的基于CS
‑
YOLOv5s网络的绝缘子缺陷检测方法，其特征在于，步骤1所述的采集电力线路绝缘子缺陷故障数据集，具体过程为：操控无人机用高清摄像机拍摄输电铁塔图像，对原始图像采用镜像翻转、垂直翻转、逆时针45
°
翻转方法进行图像数据增强，再用数据标注工具LabelImg对所有图像进行标注，标注分类为正常绝缘子、缺陷绝缘子。3.根据权利要求1所述的基于CS
‑
YOLOv5s网络的绝缘子缺陷检测方法，其特征在于，步骤2所述用CS
‑
YOLOv5s网络模型提高特征图的得分，具体过程如下：在YOLOv5s网络的Backbone部分，将第一个卷积模块的激活函数从Leaky Relu改为Hard
‑
Swish，同时在激活函数后加上CBAM，卷积模块CBM变为CBHC模块，得到CS
‑
YOLOv5s网络模型；训练集的每张图像输入到CS
‑
YOLOv5s网络模型中，经过Focus层后进入第一个CBHC模块，经过卷积、批规范化、Hard
‑
Swish函数激活后，特征图F进入CBAM的CAM模块中，通过最大池化生成含有目标独有特征的特征图通过平均池化得到含有全局信息的特征图将它们送入多层感知器MLP神经网络处理，并对所得的两个新特征图进行加操作、激活函数激活处理，得到通道注意力特征图M
c
(F):其中，输入特征F∈R
H*W*C
，H、W、C分别为特征图的高、宽、通道数...

【专利技术属性】
技术研发人员：黄文明，李婷婷，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：