基于改进YOLOX的输电线路螺栓缺销故障检测方法技术

本发明专利技术公开了基于改进YOLOX的输电线路螺栓缺销故障检测方法，克服现有检测方法检测精度低和检测速度慢的问题，包括：S1、构建输电线路缺销螺栓数据集，并将数据集划分为训练集、验证集和测试集；S2、改进YOLOX模型进行：将加强特征提取网络替换为简化后的BiFPN模块，并在每个分支后添加CBAM注意力机制模块；S3、用训练集对改进后的YOLOX网络进行训练，得到训练模型；S4、根据训练模型，输入待检测的螺栓图片，输出检测图片，完成对输电线路图片中螺栓缺销的检测。本发明专利技术采用简化后的BiFPN替代原网络中的PANet网络，增强模型对不同特征的学习能力；且加入CBAM注意力机制，增强网络对小目标的识别能力，能更好的检测出电力巡检图片中的缺销螺栓。中的缺销螺栓。中的缺销螺栓。

【技术实现步骤摘要】
基于改进YOLOX的输电线路螺栓缺销故障检测方法


[0001]本专利技术属于智能电力巡检
，具体涉及基于改进YOLOX的输电线路螺栓缺销故障检测方法。

技术介绍

[0002]螺栓作为输电线路中连接各金具的重要部件，由于长期受到野外风吹、雨淋等天气影响，在外力的拉扯作用下，螺栓销子非常容易脱落，一旦缺失，被紧固件会产生松动、缺失等各种问题，进而引发安全隐患。及时检测出缺销螺栓并进行替换能保障输电线路安全运行。
[0003]螺栓在航拍图像中占比很小，加上拍摄角度的限制，缺销螺栓的销孔在图像中几乎不可见。此时，缺销螺栓和本身不含开口销的正常螺栓高度相似，容易被误认为正常螺栓。除此之外，由于电力系统绝大多数时间处于稳定状态，航拍图像中缺销螺栓数量远远小于正常螺栓。因此，与输电线路其他部件相比，缺销螺栓更难识别，现有技术中公开有如下现有技术，克服此识别困难的问题。
[0004]授权公开号为CN114677339A的中国专利，公开了一种引入注意力机制的输电线路螺栓脱销缺陷检测方法，能够用于在无人机平台上高效运行。该方法包括S1:基于无人机影像分拣标注获得输电线路螺栓脱销缺陷数据集；S2:预处理所述数据集，对数据进行清洗，使数据集内正常螺栓和脱销螺栓的样本数量符合1:1的比例，并将数据集按照4:1比例划分出训练集和测试集；S3:搭建注意力机制改进的FCOS模型，所述FCOS模型包括：主干网络、特征金字塔网络和引入注意力机制改进Head；S4:利用所述训练集对模型进行迭代训练，根据收敛效果确定模型；S5:利用测试集进行测试，通过性能指标对比，得到最优的螺栓脱销缺陷检测模型。
[0005]该专利用到的FCOS模型是一种无锚框的目标检测算法，具有计算量小、速度快的优点，但是和本文所提检测算法相比，还是存在一定不足，本专利平均检测精度达到83.25％，参数量为24.7MB，计算量(GFLOPs)为22.14G，FPS为4.45帧/秒。
[0006]授权公开号为CN115393714A的中国专利，公开了一种输电线路缺销螺栓弱监督检测方法，利用图像级标签训练集对输电线路中缺销螺栓进行检测，针对螺栓数据集中困难样本，在交叉熵损失函数中引入自适应损失值调节因子，形成自适应加权交叉熵损失函数，模型以难易样本的分类得分程度为依据，动态调节难易样本的损失值，增大困难样本在损失值中占比，增强模型对困难样本的学习程度，从而提高缺销螺栓的检测精度。
[0007]该专利以FasterR
‑
CNN框架为基础来加入GRM模块并构建GR
‑
RCNN，虽然能提高小目标检测精度，但是FasterR
‑
CNN作为双阶段目标检测算法，其检测速度较慢，对于缺销螺栓检测要求具有较高的实时性，以提高检测效率。本专利采用YOLOX算法作为基础，并通过改进，不仅保持较高的检测精度，且其检测速度可达到4.45帧/秒，具有较大优势。
[0008]现有技术的缺陷：目前检测算法只是运用在电力巡检图像的检测上，还未部署到巡检无人机上进行实时检测。

技术实现思路

[0009]为了解决上述技术问题，本专利技术提供了一种基于改进YOLOX的输电线路螺栓缺销故障检测方法，减少训练参数，提升检测精度。
[0010]为了达到上述技术效果，本专利技术是通过以下技术方案实现的：一种基于改进YOLOX的输电线路螺栓缺销故障检测方法，包括以下步骤：
[0011]S1、构建输电线路缺销螺栓数据集，并将数据集划分为训练集、验证集和测试集；
[0012]S2、改进YOLOX模型进行：将加强特征提取网络替换为简化后的BiFPN模块，并在每个分支后添加CBAM注意力机制模块；
[0013]S3、用训练集对改进后的YOLOX网络进行训练，得到训练模型；
[0014]S4、根据训练模型，输入待检测的螺栓图片，输出检测图片，完成对输电线路图片中螺栓缺销的检测。
[0015]进一步的，所述S1中按8:1:1的比例将数据集划分为训练集、验证集和测试集；
[0016]进一步的，所述步骤S2中利用Focus、CBS、Resblockbodyi，以及SPPBottleneck模块构建主干特征提取网络，在主干特征提取网络中采用三个特征层输入BiFPN加强特征提取网络模块进行特征融和，其具体操作包括：
[0017]S2.1、采用普通卷积、批量归一化操作以及SiLU激活函数构建Conv2D_BN_SiLU模块，将残差块的堆叠进行拆分，主干部分继续进行残差堆叠，另一部分经过少量处理直接连接到最后构建CSPLayer层；
[0018]S2.2、输入图片在主干特征提取网络中进行特征提取，获取三个有效特征层P3、P4、P5，由1
×
1卷积进行通道调整获得加强特征提取网络的输入，通过上采样、下采样以及堆叠获得该模块的输出P3_out、P4_out、P5_out；
[0019]S2.3、将步骤S2.2获得的输出作为注意力机制CBAM的输入，进行通道以及空间的处理，分别进行全局平均池化和全局最大池化，再对处理的结果进行相加，然后取一个sigmoid，最后由空间注意力机制在每一个特征点上取最大值和平均值。
[0020]进一步的，所述步骤S3中，将训练分为冻结和解冻两个阶段，第一阶段冻结主干网络迭代50次，一次训练所选取的图片数Freeze_batch_size＝4，训练学习率Freeze_lr＝0.001；第二阶段对主干特征提取网络进行解冻，再迭代50轮次，此阶段一次训练所选取的图片数Unfreeze_batch_size＝4，训练学习率Unfreeze_lr＝0.0001。
[0021]本专利技术的有益效果是：
[0022]本专利技术提供的检测方法，采用简化后的BiFPN替代原网络中的PANet网络，增强模型对不同特征的学习能力；加入CBAM注意力机制，增强网络对小目标的识别能力，能更好的检测出电力巡检图片中的缺销螺栓；相较于现有的检测方法，检测精度更高和检测速度更快。
附图说明
[0023]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍。
[0024]图1为本专利技术的流程图。
[0025]图2为本专利技术提供的改进YOLOX网络的结构图。
[0026]图3为本专利技术提供的CBAM模块总体结构图。
[0027]图4为本专利技术提供的一种基于改进YOLOX算法的输电线路螺栓缺销故障检测方法的网络训练损失曲线图。
[0028]图5为本专利技术实验中缺销螺栓检测精度曲线图。
[0029]图6为本专利技术提供的实例检测效果图。
具体实施方式
[0030]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0031]参阅图1所示，本专利技术提供的一种基于改进YOLOX的输电线路螺本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进YOLOX的输电线路螺栓缺销故障检测方法，其特征在于，包括以下步骤：S1、构建输电线路缺销螺栓数据集，并将数据集划分为训练集、验证集和测试集；S2、改进YOLOX模型进行：将加强特征提取网络替换为简化后的BiFPN模块，并在每个分支后添加CBAM注意力机制模块；S3、用训练集对改进后的YOLOX网络进行训练，得到训练模型；S4、根据训练模型，输入待检测的螺栓图片，输出检测图片，完成对输电线路图片中螺栓缺销的检测。2.根据权利要求1所述基于改进YOLOX的输电线路螺栓缺销故障检测方法，其特征在于，所述S1中按8:1:1的比例将数据集划分为训练集、验证集和测试集；3.根据权利要求1所述基于改进YOLOX的输电线路螺栓缺销故障检测方法，其特征在于，所述步骤S2中利用Focus、CBS、Resblock bodyi，以及SPPBottleneck模块构建主干特征提取网络，在主干特征提取网络中采用三个特征层输入BiFPN加强特征提取网络模块进行特征融和，其具体操作包括：S2.1、采用普通卷积、批量归一化操作以及SiLU激活函数构建Conv2D_BN_SiLU模块，将残差块的堆叠进行拆分，主干部...

【专利技术属性】
技术研发人员：邓伟，王洪亮，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：