一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法技术

本发明专利技术涉及一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法，与现有技术相比解决了绝缘子缺陷检测效率低、漏检率高的缺陷。本发明专利技术包括以下步骤：绝缘子缺陷图像样本的获取和预处理；构建绝缘子缺陷检测模型；绝缘子缺陷检测模型的训练；待检测绝缘子缺陷图像的获取；待检测绝缘子缺陷图像检测结果的获得。本发明专利技术提高了绝缘子缺陷图像检测效率，并克服了绝缘子图像的复杂背景，取得了良好的检测效果。果。果。

【技术实现步骤摘要】
一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法


[0001]本专利技术涉及电力设备图像检测
，具体来说是一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法。

技术介绍

[0002]输电网的安全正常运行是电网安全至关重要的环节，绝缘子是输电线路的重要部件，但由于输电线路所在的环境复杂且多变，不可避免地出现自爆、掉串、裂纹、侵蚀、异物等故障，并且因故障绝缘子导致的电压降低和泄漏电流等事故，根据统计由于绝缘故障而引发的事故占所有事故的一半以上。
[0003]在传统的绝缘子图像检测方法，一些网络模型本身的参数量过多，对于硬件要求高，检测速度慢，并不能直接适用于输电线路上拍摄的绝缘子样本，无法满足线路巡检中对于实时性的需求，导致训练得到的网络检测出缺陷后无法及时的反馈给运维人员。同时庞大的网络计算量和参数量在硬件受限的边缘设备中也无法适用，一些网络模型虽然能够较为快速的进行检测，但是检测精度不高，特别对于小目标的检测，漏检率较高。
[0004]因此，准确、迅速地检测出绝缘子的缺陷才能避免停电事故的发生，减少电力系统的损失。

技术实现思路

[0005]本专利技术的目的是为了解决现有技术中绝缘子缺陷检测效率低、漏检率高的缺陷，提供一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法来解决上述问题。
[0006]为了实现上述目的，本专利技术的技术方案如下：
[0007]一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法，包括以下步骤：
[0008]绝缘子缺陷图像样本的获取和预处理：获取绝缘子缺陷图像样本，并进行预处理，将其作为训练样本；
[0009]构建绝缘子缺陷检测模型：基于YOLOv5网络结合Ghost网络、并联加权混合域卷积注意力模块和改进的neck层构建绝缘子缺陷检测模型；
[0010]绝缘子缺陷检测模型的训练：将训练样本输入绝缘子缺陷检测模型进行训练；
[0011]待检测绝缘子缺陷图像的获取：获取待检测绝缘子缺陷图像并进行预处理；
[0012]待检测绝缘子缺陷图像检测结果的获得：将预处理后的待检测绝缘子缺陷图像输入训练后的绝缘子缺陷检测模型，获得绝缘子缺陷图像检测结果。
[0013]所述构建绝缘子缺陷检测模型包括以下步骤：
[0014]将YOLOv5网络的骨干网络Backbone中标准卷积替换为Ghost卷积：
[0015]Ghost卷积将普通卷积通过线性转换生成的Ghost feature map存在一般卷积层包含的特征信息中，具体表达式为：
[0016][0017]y
′
i
表示一般卷积层中特征图的第i个特征图，j表示每个一般卷积层生成的特征
图进行的第j次线性变换，φ
i,j
()表示y
′
i
生成第j个Ghost特征图的线性变换；
[0018]并联加权混合域注意力模块PW
‑
CBAM嵌入到Backbone模块后；
[0019]PW
‑
CBAM首先赋予通道注意力模块和空间注意力模块相同的优先级，将输入的特征图F进行全局平均池化和全局最大池化得到P，各自再通过多层感知器，将所得结果进行加和，经过sigmoid激活得到M
C
(F)；
[0020]令M
C
(F)和F进行点乘操作，生成最终的通道注意力特征图Fc；
[0021]同时将P进行Concat操作，使卷积降维为一个通道，利用sigmoid激活得到M
S
(F)，再将M
S
(F)和F进行点乘操作，生成最终的空间注意力特征图F
S
,再对通道注意力特征图Fc和空间注意力特征图F
S
进行加权处理；
[0022]其表达式如下：
[0023]M
C
(F)＝σ(MLP(AvgPool(F)+MLP(MaxPool(F))))
ꢀꢀ
(10)
[0024]M
S
(F)＝σ(f7×7(Concat(AvgPool(F),MaxPool(F))))
ꢀꢀ
(11)
[0025][0026][0027][0028]其中，Mc(F)∈R1×1×
c
为通道注意力模块的输出，M
S
(F)∈R
W
×
H
×1为空间注意力模块的输出，σ表示sigmoid函数，MLP表示多层感知机，f7
×
7表示一个卷积核大小为7
×
7的卷积运算，F
C
和F
S
分别为通道和空间注意力特征图，表示元素乘法，在该过程中，M
C
和M
S
被沿着通道和空间维度进行广播，Fo
ut
是对两种类型的特征图加权的结果；
[0029]将加权双向特征金字塔网络BiFPN中对输入特征做权重处理的过程去除，用其替换YOLOv5的neck网络结构，使得PAN结构每个结点的输入边都有一条是来自主干特征提取网络部分的原始特征层；
[0030]增加绝缘子图像检测层，在原本检测层的基础上再增加为四尺度的检测层，实现绝缘子图片的多尺度检测；
[0031]改进损失函数，
[0032]采用CIOU损失函数作为改进YOLOv5算法预测回归损失函数，DIOU_NMS作为非极大值抑制，其表达式如下：
[0033][0034]其中w和h分别代表预测框的宽度和高度；wgt和hgt分别为真实框的宽度和高度；
[0035]采用DIOU_NMS作为改进YOLOv5算法的非极大值抑制，定义为：
[0036][0037]其中：b为预测框；bgt为真实框；p2(
·
)为欧式距离；l为2个框最小外接矩形的对角线距离。
[0038]所述绝缘子缺陷检测模型的训练包括以下步骤：
[0039]设置训练参数；
[0040]采用随机优化算法SGD进行优化训练，设置训练的批次大小batch为64，动量参数为0.937，学习率初始设定为0.001，训练迭代次数epoch为200；
[0041]将训练样本输入绝缘子缺陷检测模型进行训练；
[0042]设置自适应缩放图片尺寸为608x608，根据网络设定的输入尺寸大小实现自适应绝缘子图像检测训练集和验证集图片的自适应缩放；
[0043]训练绝缘子缺陷检测模型，得到达到训练目标的收敛后网络模型。
[0044]有益效果
[0045]本专利技术的一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法，与现有技术相比提高了绝缘子缺陷图像检测效率，并克服了绝缘子图像的复杂背景，取得了良好的检测效果。
[0046](1)针对原有网络结构过于复杂，检测速度难以满足实际的工况需求，引入Ghost代替骨干网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法，其特征在于，包括以下步骤：11)绝缘子缺陷图像样本的获取和预处理：获取绝缘子缺陷图像样本，并进行预处理，将其作为训练样本；12)构建绝缘子缺陷检测模型：基于YOLOv5网络结合Ghost网络、并联加权混合域卷积注意力模块和改进的neck层构建绝缘子缺陷检测模型；13)绝缘子缺陷检测模型的训练：将训练样本输入绝缘子缺陷检测模型进行训练；14)待检测绝缘子缺陷图像的获取：获取待检测绝缘子缺陷图像并进行预处理；15)待检测绝缘子缺陷图像检测结果的获得：将预处理后的待检测绝缘子缺陷图像输入训练后的绝缘子缺陷检测模型，获得绝缘子缺陷图像检测结果。2.根据权利要求1所述的一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法，其特征在于，所述构建绝缘子缺陷检测模型包括以下步骤：21)将YOLOv5网络的骨干网络Backbone中标准卷积替换为Ghost卷积：Ghost卷积将普通卷积通过线性转换生成的Ghost feature map存在一般卷积层包含的特征信息中，具体表达式为：y
′
i
表示一般卷积层中特征图的第i个特征图，j表示每个一般卷积层生成的特征图进行的第j次线性变换，φ
i,j
()表示y
′
i
生成第j个Ghost特征图的线性变换；22)并联加权混合域注意力模块PW
‑
CBAM嵌入到Backbone模块后；PW
‑
CBAM首先赋予通道注意力模块和空间注意力模块相同的优先级，将输入的特征图F进行全局平均池化和全局最大池化得到P，各自再通过多层感知器，将所得结果进行加和，经过sigmoid激活得到M
C
(F)；令M
C
(F)和F进行点乘操作，生成最终的通道注意力特征图Fc；同时将P进行Concat操作，使卷积降维为一个通道，利用sigmoid激活得到M
S
(F)，再将M
S
(F)和F进行点乘操作，生成最终的空间注意力特征图F
S
,再对通道注意力特征图Fc和空间注意力特征图F
S
进行加权处理；其表达式如下：M
C
(F)＝σ(MLP(AvgPool(F)+MLP(MaxPool(F))))
ꢀꢀꢀꢀ
(2...

【专利技术属性】
技术研发人员：李宇，薛强，杨建旭，侯士杰，周红，陈康伟，
申请(专利权)人：南瑞集团有限公司，
类型：发明
国别省市：