一种基于改进YOLO模型的销钉状态的识别方法技术

本发明专利技术公开了一种基于改进YOLO模型的销钉状态的识别方法，包括以下步骤：基于YOLOv3

【技术实现步骤摘要】
一种基于改进YOLO模型的销钉状态的识别方法


[0001]本专利技术涉及输电线路缺陷识别
，具体而言，涉及一种基于改进YOLO模型的销钉状态的识别方法。

技术介绍

[0002]电力金具是架空输电线路的不可缺少的一部分，承担着地线与杆塔、输电导线与绝缘子、杆塔与绝缘子等电力部件的稳定连接，对电力系统的安全稳定运行起着至关重要的作用。销钉是输电线路中电力金具重要的组成部分，销钉的缺失、松动等不正常状态可能会影响电力系统设备的正常运行，给输电线路带来安全隐患。因此对输电线路上的销钉进行及时检测，及时发现销钉的不正常状态，对于电网巡检，维持电力系统稳定运行有着重要作用意义。
[0003]近年来，随着智能电网的提出，电力巡检自动化趋势逐渐加大，输电线路巡检也由人工巡检过渡为无人机巡检，在提高的巡检工作效率的同时减少了大量的工作量。新世纪以来，跨学科的知识应用常常能够带来新的飞跃，随着深度学习的飞速发展，计算机智能识别逐渐代替了人工识别。
[0004]即使目前深度学习算法多样，对于大多数输电线路缺陷具有较好的检测效果，但是由于销钉异常状态识别不同于其他缺陷故障检测，其检测具有以下特点：
[0005]1、背景大，目标小；
[0006]2、一张图片可能存在多个具有缺陷需要识别的销钉；
[0007]3、因为无人机在拍摄过程中每次摄像角度不确定，导致松动的销钉可能与正常情况十分类似，容易出现错标的情形；
[0008]4.销钉具有多种形状，且被安装在不同的位置；
[0009]5.销钉缺失的缺陷数据较难收集，造成缺陷数据量较少，可能会影响模型训练结果，导致最终检测识别效果不好
[0010]这些特点给智能识别带来了一定程度的麻烦，不管是两步法“twostage”的R
‑
CNN系列算法，亦或是一步法“onestage”系列的YOLOV3，YOLOV4,YOLOV3
‑
SPP等算法，对小目标的准确识别都有所欠缺，识别效果欠佳，无法高准确率的对输电线路上的销钉缺陷进行检测。

技术实现思路

[0011]为了解决上述问题，本专利技术的目的是提供一种改进的YOLO模型，利用新的高性能检测器去进行销钉异常状态的目标识别，通过引入了解耦合检测头(DecoupledHead)和多种数据增强(DataAug)，建立了一种免锚框的端到端目标检测架构，提升了检测精度的同时也提高了检测速度，使得对于输电线路销钉检测这种小目标识别具有更好的检测效果。
[0012]为了实现上述技术目的，本申请提供了一种基于改进YOLO模型的销钉状态的识别方法，包括以下步骤：
[0013]基于YOLOv3
‑
Darknet53模型，加入解耦合检测头结构，构建初始改进YOLO模型；
[0014]采集输电线路销钉的可见光通道图片，构建可见光通道图片数据集；
[0015]基于ImageNet数据集对初始改进YOLO模型进行预训练后，通过可见光通道图片数据集对预训练后的初始改进YOLO模型进行微调训练，构建改进YOLO模型；
[0016]采集待检测线路的输电线路销钉图片，通过随机擦除策略和Hide
‑
and
‑
seek策略进行预处理后，传输到改进YOLO模型进行识别，获取输电线路销钉的销钉状态。
[0017]优选地，在构建初始改进YOLO模型的过程中，解耦合检测头包含一个1X1的卷积层，卷积层还连接有两个3X3的卷积的并行分支。
[0018]优选地，在构建初始改进YOLO模型的过程中，解耦合检测头还包括cls计算模块、Reg计算模块和Iou计算模块；
[0019]并行分支分别与Reg计算模块和Iou计算模块连接；
[0020]cls计算模块通过1个3X3的卷积与卷积层连接。
[0021]优选地，在采集待检测线路的输电线路销钉图片的过程中，通过随机擦除策略对输电线路销钉图片进行第一次数据增强，用于提高模型的泛化能力，其中，随机擦除策略用于表示随机选择图像中的一个矩形区域，并用随机值擦除其像素。
[0022]优选地，在对输电线路销钉图片进行第一次数据增强的过程中，选择整张图片的平均RGB值对填充区域进行颜色填充。
[0023]优选地，在对初始改进YOLO模型进行训练的过程中，通过Hide
‑
and
‑
seek策略对增强后的输电线路销钉图片进行第二次数据增强，用于提高模型的识别效率。
[0024]优选地，在构建可见光通道图片数据集的过程中，通过对红外图像和可见光图像进行空间域上的配准和特征级融合，对红外图像和可见光图像进行关键点匹配，以最小化位置误差为目标，对二者的变换矩阵进行优化，实现二者间的图像配准，将融合后的图像输入到初始改进YOLO模型中进行缺陷检测，用于对输电线路红外—可见光航拍视频流的诊断。
[0025]优选地，在构建可见光通道图片数据集的过程中，对紫外图像和可见光图像进行空间域上的去噪、配准和像素级融合，并输入到初始改进YOLO模型中进行缺陷检测，实现了输电线路紫外—可见光航拍视频流的诊断。
[0026]优选地，用于实现识别方法的识别系统，包括：
[0027]数据采集模块，用于采集输电线路销钉图片；
[0028]一次数据处理模块，用于对输电线路销钉图片进行第一次数据增强；
[0029]二次数据处理模块，用于对增强的输电线路销钉图片进行第二次数据增强；
[0030]识别模块，用于通过构建改进YOLO模型，对待检测线路的输电线路销钉图片进行识别，生成销钉状态。
[0031]优选地，识别系统还包括分别设置在云端的第一系统、雾端的第二系统和边缘端的第三系统，其中，
[0032]第一系统用于通过DJ
‑
M100和DJ
‑
M300两种固定四旋翼无人机完成固定航迹的航拍任务，通过2.4G频段图像传输协议将实时航拍图像传输至便携诊断装置，在便携诊断装置内，部署有YOLOv4
‑
tiny缺陷快速识别算法，可以对航拍视频流进行常见的12种缺陷的快速诊断，并针对潜在的缺陷存在位置生成缺陷诊断报告；
[0033]第二系统用于通过识别方法针对实时航拍图像进行深度诊断，获取销钉状态，并生成附加诊断报告；
[0034]第三系统用于基于缺陷诊断报告和附加诊断报告，通过深层神经网络YOLOv5L深层神经网络YOLOv5L与高算力服务器，对实时航拍图像或航拍视频流，进行深度诊断，并将诊断结果转存至数据中心进行结构化存储生成诊断日志，其中，数据中心根据诊断日志，进行巡检任务创建、路线管理、统计分析与数据管理流程设置。
[0035]本专利技术公开了以下技术效果：
[0036]本专利技术所采用的改进YOLO模型是基于YOLO系列的基础上进行改进的新型算法，其主要创新点在于：在YOLOv3的基础上，引入了解耦合头部数据增强本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLO模型的销钉状态的识别方法，其特征在于，包括以下步骤：基于YOLOv3
‑
Darknet53模型，加入解耦合检测头结构，构建初始改进YOLO模型；采集输电线路销钉的可见光通道图片，构建可见光通道图片数据集；基于ImageNet数据集对所述初始改进YOLO模型进行预训练后，通过所述可见光通道图片数据集对预训练后的所述初始改进YOLO模型进行微调训练，构建改进YOLO模型；采集待检测线路的输电线路销钉图片，通过随机擦除策略和Hide
‑
and
‑
seek策略进行预处理后，传输到所述改进YOLO模型进行识别，获取所述输电线路销钉的销钉状态。2.根据权利要求1所述一种基于改进YOLO模型的销钉状态的识别方法，其特征在于：在构建初始改进YOLO模型的过程中，所述解耦合检测头包含一个1X1的卷积层，所述卷积层还连接有两个3X3的卷积的并行分支。3.根据权利要求2所述一种基于改进YOLO模型的销钉状态的识别方法，其特征在于：在构建初始改进YOLO模型的过程中，所述解耦合检测头还包括cls计算模块、Reg计算模块和Iou计算模块；所述并行分支分别与所述Reg计算模块和所述Iou计算模块连接；所述cls计算模块通过1个3X3的卷积与所述卷积层连接。4.根据权利要求3所述一种基于改进YOLO模型的销钉状态的识别方法，其特征在于：在采集待检测线路的输电线路销钉图片的过程中，通过所述随机擦除策略对所述输电线路销钉图片进行第一次数据增强，用于提高模型的泛化能力，其中，所述随机擦除策略用于表示随机选择图像中的一个矩形区域，并用随机值擦除其像素。5.根据权利要求4所述一种基于改进YOLO模型的销钉状态的识别方法，其特征在于：在对输电线路销钉图片进行第一次数据增强的过程中，选择整张图片的平均RGB值对填充区域进行颜色填充。6.根据权利要求5所述一种基于改进YOLO模型的销钉状态的识别方法，其特征在于：在对所述初始改进YOLO模型进行训练的过程中，通过所述Hide
‑
and
‑
seek策略对增强后的所述输电线路销钉图片进行第二次数据增强，用于提高模型的识别效率。7.根据权利要求6所述一种基于改进YOLO模型的销钉状态的识别方法，其特征在于，在构建...

【专利技术属性】
技术研发人员：沈学良，贾志辉，孙文凯，葛召，陈洪亮，魏子仁，李珅，曹轩，池威威，李树荣，邢志坤，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：