一种改进yolov5绝缘子的检测方法技术

本发明专利技术公开了一种改进yolov5绝缘子的检测方法，该方法包括：分解用于通道注意编码空间信息的全局编码，转化为一对一维特征编码操作；获得全局感受野并编码精确的位置信息；将生成的特征图分别编码为一对方向感知和位置敏感的attention map，将其互补地应用于输入特征图，以增强关注对象的表示。本发明专利技术的改进yolov5绝缘子的检测方法将注意力机制与yolov5相结合，形成对比实验，以强化网络训练能力，提高训练精度，提出与注意力机制结合yolov5的方法可以更好地解决在复杂背景下图像识别出现的错检问题。像识别出现的错检问题。像识别出现的错检问题。

【技术实现步骤摘要】
一种改进yolov5绝缘子的检测方法


[0001]本专利技术涉及图像识别的
，更具体涉及一种改进yolov5绝缘子的检测方法。

技术介绍

[0002]近年来，基于深度学习进行目标检测是计算机CV领域的重要研究方向，也是一个研究热点，基于深度学习的目标检测可以分为两种，一部分是两阶段算法，例如：R
‑
CNN思想是使用selective search提取2000个左右的预选框，然后resize到统一的尺度，因为后面接FC分类，进行CNN特征提取，最后用FC进行分类、Fast R
‑
CNN具体过程是图像先经过Backbone网络提取图像的feature map，利用selective search搜索的预选框到特征上提取RoI的特征，通过RoI Pooling将RoI的特征转化为固定的大小，最后输入到分类和回归分别进行分类和回归；另一部分是单阶段检测算法，包括比较经典的SDD和YOLO系列，引入其他机制，并且对于精度能够提升，将部分模块进行替换。
[0003]原始YOLOv5模型中的主干网络C3Net网络复杂度高，要求部署平台运算能力好，且对图像的处理能力强，要使其在无人机前端运行难度较大。对于绝缘子的检测不精准，存在大量漏检、错检的情况。
[0004]原始的YOLOV5使用的是GIOU loss机制，但是对于GIOU来说，在预测框和真实框没有很好的对齐时，会导致最小外界框的面积增大，从而使GIOU的值变小，而两个矩形框不重合时，也可以计算GIOU。但是当两个框属于包含关系时，GIOU会退化成IOU，无法区分其相对位置关系。

技术实现思路

[0005]基于以上现有技术的不足，本专利技术提出一种改进yolov5绝缘子的检测方法，将注意力机制与yolov5相结合，形成对比实验，以强化网络训练能力，提高训练精度，提出与注意力机制结合yolov5的方法可以更好地解决在复杂背景下图像识别出现的错检问题。
[0006]为了实现以上专利技术，提出了一种改进yolov5绝缘子的检测方法，包括以下步骤：
[0007]S1、分解用于通道注意编码空间信息的全局编码，转化为一对一维特征编码操作；
[0008]S2、获得全局感受野并编码精确的位置信息；
[0009]S3、将生成的特征图分别编码为一对方向感知和位置敏感的attention map，将其互补地应用于输入特征图，以增强关注对象的表示。
[0010]优选的，在所述步骤S2中，充分利用捕获到的位置信息，使感兴趣的区域能够被准确地捕获；有效地捕捉通道间的关系。
[0011]优选的，通过信息嵌入中的变换后，将变换进行concatenate操作，然后使用卷积变换函数对其进行变换操作。
[0012]优选的，在所述步骤S1中，通过精确的位置信息对通道关系和长期依赖性进行编码，具体操作分为Coordinate信息嵌入和Coordinate Attention生成2个步骤。
[0013]由上，本专利技术的改进yolov5绝缘子的检测方法具有如下有益效果：
[0014](1)，人工巡检效率低且安全难以保证，直升机巡检高成本和低灵活性的缺点，使其不能跟大规模应用，所以利用无人机对于绝缘子进行巡检为电力行业带来了新思路。
[0015](2)，对巡检图像进行显著性检测，确定绝缘子候选区域，并根据对候选区域二值分割后转换得到的投影曲线中定义表征绝缘子特征的描述子，以此实现绝缘子串的精确定位，基于深度学习的绝缘子缺陷检测方法不断优化，提高了目标在复杂背景下的识别精度。
[0016](3)，针对变电站背景下多目标检测与复杂背景下输电线路故障检测展开研究，其重点在于提升算法的精度，在降低模型复杂度方面有所欠缺。采用全局平均池化操作替代ShuffleNetV2的1024卷积和5
×
5池化，降低了网络参数量，提高了模型检测速度，并实现对电缆脱离垫片、电缆与绝缘子脱落、无环绝缘子三种缺陷的实时识别。
[0017]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。
附图说明
[0018]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例的附图作简单地介绍。
[0019]图1为本专利技术的改进yolov5绝缘子的检测方法的流程图；
[0020]图2为EIOU示意图。
具体实施方式
[0021]下面结合附图详细说明本专利技术的具体实施方式，其作为本说明书的一部分，通过实施例来说明本专利技术的原理，本专利技术的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中，不同的图中相同或相似的部件使用相同的附图标号来表示。
[0022]如图1所示，本专利技术的改进yolov5绝缘子的检测方法，包括以下步骤：
[0023]S1、分解用于通道注意编码空间信息的全局编码，转化为一对一维特征编码操作；
[0024]S2、获得全局感受野并编码精确的位置信息；
[0025]S3、将生成的特征图分别编码为一对方向感知和位置敏感的attention map，将其互补地应用于输入特征图，以增强关注对象的表示。
[0026]本专利技术以单阶段检测算法YOLOv5为基础，以C3CA为主干网络，采用Ghost卷积和C3结合，替代网络中head部分的C3方法，在达到近似效果的同时，减少了网络的参数量。
[0027]Ghost模块利用一些小的过滤器从原始卷积层生成更多的特征图，然后开发一个具有及其高效的体系结构和高性能的GhostNet。
[0028]用Ghost模块升级普通卷积的理论参数压缩比大约等于理论加速比，线性操作每个通道的计算成本远小于普通的卷积。
[0029]第一个Ghost Module充当扩展层，增加通道数量，将输出通道数和输入通道数之比称之为扩展比；
[0030]第二个Ghost Module减少通道数量以匹配快捷路径。
[0031]批归一化操作，为了加速神经网络的收敛过程以及提高训练过程中的稳定性，用
于防止梯度消失或梯度爆炸；参数为卷积后输出的通道数。
[0032]在YOLOv5主干提取网络采用C3结构，检测速度较慢，应用受限，首先是模型过于庞大，面临着内存不足的问题，其次这些场景要求低延迟，或者说是响应速度要快，所以尝试将主干特征提取网络替换为更轻量级的GhostNet网络，以实现网络模型的轻量化，平衡速度和精度。
[0033]Coordinate Attention通过精确的位置信息对通道关系和长期依赖性进行编码，具体操作分为Coordinate信息嵌入和Coordinate Attention生成2个步骤。全局池化的方法通常用于通道注意编码空间信息的全局编码，但由于它将全局空间信息压缩到通道描述符中，导致本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进yolov5绝缘子的检测方法，其特征在于，包括以下步骤：S1、分解用于通道注意编码空间信息的全局编码，转化为一对一维特征编码操作；S2、获得全局感受野并编码精确的位置信息；S3、将生成的特征图分别编码为一对方向感知和位置敏感的attention map，将其互补地应用于输入特征图，以增强关注对象的表示。2.如权利要求1所述的改进yolov5绝缘子的检测方法，其特征在于，在所述步骤S2中，充分利用捕获到的位置信息，使感兴趣的区域能够被...

【专利技术属性】
技术研发人员：袁姮，王嘉丽，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：