基于YOLOv5算法的航拍绝缘子图像缺陷检测方法技术

本发明专利技术公开了一种基于YOLOv5算法的航拍绝缘子图像缺陷检测方法，涉及目标检测技术领域。本发明专利技术包括以下步骤：S1：划分训练集、验证集和测试集；S2：构建YOLOv5神经网络；S3：构建损失函数；S4：利用训练集对YOLOv5神经网络训练一个训练段，计算损失，优化梯度，反向传播，得YOLOv5神经网络初步训练模型；S5：利用验证集对YOLOv5神经网络初步训练模型进行一次前向传播，计算损失，更新超参数，得YOLOv5神经网络初步验证模型；步骤S6：重复步骤S4和S5，得YOLOv5神经网络模型。本发明专利技术构建的YOLOv5神经网络模型泛化能力强，本发明专利技术对绝缘子图像缺陷检测时拥有较佳的精度和帧率。检测时拥有较佳的精度和帧率。检测时拥有较佳的精度和帧率。

【技术实现步骤摘要】
基于YOLOv5算法的航拍绝缘子图像缺陷检测方法


[0001]本专利技术属于目标检测
，特别涉及一种基于YOLOv5算法的航拍绝缘子图像缺陷检测方法。

技术介绍

[0002]绝缘子是保证输电线路安全稳定的关键部件，由于工作环境的影响，如高温、降雨、大风等恶劣天气，绝缘子可能会出现自爆脱落缺陷，威胁输电线路的安全，进而影响人们的生产生活。对高压输电线路进行定期巡检排查安全隐患，可以有效避免电力事故的发生。针对绝缘子自爆缺陷检测，传统的方法是人工巡检，即电力巡检人员沿着输电线路逐一排查安全隐患，该方法需要花费大量的人力物力，且由于地理环境、天气等原因，巡检人员很难做到对输电线路上的绝缘子进行全部排查，巡检准确率和巡检效率难以保证。
[0003]近年来，基于计算机视觉的缺陷检测方法对绝缘子进行巡检已经成为了一种重要巡检方式，利用计算机视觉中的目标检测技术来实现绝缘子自爆缺陷的检测越来越受到科研工作者的关注。
[0004]当前，利用计算机视觉领域中的目标检测技术进行绝缘子缺陷检测存在以下难点：(1)检测精度低。绝缘子自爆缺陷区域较小，在无人机航拍图像中占有很小的像素区域，且受无人机视角改变和拍摄距离变化等因素的影响，绝缘子缺陷特征不明显，导致目标检测方法检测绝缘子缺陷精度较低；(2)目标检测方法检测绝缘子缺陷的帧率无法达到实时检测的需求。为了提升目标检测模型的检测精度，很多模型提出了更深更复杂的网络结构，这也导致网络模型更大，模型推理速度降低，最终导致模型的检测帧率降低，在绝缘子缺陷检测场景中，帧率是衡量模型实时检测能力的关键指标；(3)数据集不丰富，绝缘子缺陷样本较少，且公开的绝缘子数据集多是单一背景环境，由这些单一背景环境的数据集训练得到的网络模型泛化能力差。
[0005]为此，本专利技术提供了一种泛化能力强，且可有效提高绝缘子缺陷检测精度和帧率的基于YOLOv5算法的航拍绝缘子图像缺陷检测方法。

技术实现思路

[0006]为了弥补现有技术的不足，本专利技术提供了一种基于YOLOv5算法的航拍绝缘子图像缺陷检测方法。
[0007]本专利技术的技术方案为：一种基于YOLOv5算法的航拍绝缘子图像缺陷检测方法，包括如下步骤：步骤S1：获取绝缘子数据集，并将绝缘子数据集按照数量6：2：2的比例划分为训练集、验证集和测试集；步骤S2：构建YOLOv5神经网络：所述YOLOv5神经网络包括Input层、Backbone主干
网络、Neck颈部网络和检测部分；步骤S3：构建损失函数，YOLOv5神经网络的总模型损失包括定位损失、分类损失和置信度损失三个部分；步骤S4：利用训练集对YOLOv5神经网络进行一个训练段epoch的训练，并用损失函数计算YOLOv5神经网络的总模型损失，优化梯度，并反向传播，得到YOLOv5神经网络初步训练模型；步骤S5：利用验证集对步骤S4得到的YOLOv5神经网络初步训练模型进行一次前向传播，完成一次验证，并利用损失函数计算YOLOv5神经网络的总模型损失，得到优化后的超参数，利用优化后的超参数更新YOLOv5神经网络初步训练模型中相应的超参数，得到YOLOv5神经网络初步验证模型；步骤S6：重复步骤S4和步骤S5，直至步骤S6 完成第300次验证，确定YOLOv5神经网络的最佳模型参数，得到YOLOv5神经网络模型。
[0008]优选地，步骤S1中，所述绝缘子数据集的获取方式为：将现有的绝缘子缺陷检测数据集中过于相似的图片及其相应的标签文件进行随机保留一个图片及其相应的标签文件处理（即其余的图片及其相应的标签文件进行删除处理），得到初选数据集,而后对初选数据集中的每张原始图片均进行两次扩增过程；其中，一次扩增过程包括依次进行的两个数据扩增过程，第一个数据扩增过程是通过模拟天气环境对原始图片进行数据扩增，第二个数据扩增过程是利用一种至三种传统数据扩增方式再次进行数据扩增。
[0009]优选地，步骤S2中，Backbone主干网络包括依次设置的第一个卷积模块、第二个卷积模块、第一个C3_SimAM模块、第三个卷积模块、第二个C3_SimAM模块、第四个卷积模块、第三个C3_SimAM模块、第五个卷积模块和第四个C3_SimAM模块；Neck颈部网络包括依次设置的SPPF模块、第一个GSConv模块、第一个上采样层Upsample、第一个Bi
‑
Concat层、第一个VoVGSCSP模块、第二个GSConv模块、第二个上采样层Upsample、第二个Bi
‑
Concat层、第二个VoVGSCSP模块、第三个GSConv模块、第三个Bi
‑
Concat层、第三个VoVGSCSP模块、第四个GSConv模块、第四个Bi
‑
Concat层、第四个VoVGSCSP模块组成；检测部分包括3个Head检测头和一个NMS模块，三个Head检测头分别用于处理Neck颈部网络中第二个VoVGSCSP模块、第三个VoVGSCSP模块和第四个VoVGSCSP模块输出的特征图，得到绝缘子缺陷的预测框的坐标、类别信息以及置信度；NMS模块用于去除冗余的预测框，得到最终的检测结果；其中，Backbone主干网络中的第二个C3_SimAM模块还与Neck颈部网络中的第二个Bi
‑
Concat层连接；Backbone主干网络中的第三个C3_SimAM模块还分别与Neck颈部网络中的第一个Bi
‑
Concat层和第三个Bi
‑
Concat层连接；Neck颈部网络中的第一个VoVGSCSP模块还与第三个Bi
‑
Concat层连接；Neck颈部网络中的第一个GSConv模块还与第四个Bi
‑
Concat层连接。
[0010]优选地，步骤S2中，C3_SimAM模块包含两个分支，一个分支仅由一个卷积模块构成，另一个分支包括依次设置的卷积模块和瓶颈层bottleneck，两个分支利用concat层连接，而后concat层再与一个卷积模块连接。
[0011]优选地，步骤S2中，瓶颈层bottleneck包括两个分支，第一个分支仅用于传输输入
至瓶颈层bottleneck的特征图，第二个分支包括依次设置的第一个卷积模块、第二个卷积模块以及一个SimAM注意力模块，第一个分支和第二个分支与一个Add层连接；其中，瓶颈层bottleneck中的第一个卷积模块的卷积核为1
×
1，作用是实现特征图的降维，第二个卷积模块的卷积核为3
×
3，作用是提取特征图中的绝缘子缺陷目标特征，而瓶颈层bottleneck中的SimAM注意力模块用于在三维权重空间计算每个特征图的能量函数；本申请中瓶颈层bottleneck中的Add层用于将第一个分支传输的输入至瓶颈层bottleneck的特征图和第二个分支输出的特征图进行拼接。
[0012]优选地，步骤S2中，Bi
‑
Concat层是通过如下方式得到的：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv5算法的航拍绝缘子图像缺陷检测方法，其特征在于：包括以下步骤：步骤S1：获取绝缘子数据集，并将绝缘子数据集按照数量6：2：2的比例划分为训练集、验证集和测试集；步骤S2：构建YOLOv5神经网络；步骤S3：构建损失函数，YOLOv5神经网络的总模型损失包括定位损失、分类损失和置信度损失三个部分；步骤S4：利用训练集对YOLOv5神经网络进行一个训练段epoch的训练，并用损失函数计算YOLOv5神经网络的总模型损失，优化梯度，并反向传播，得到YOLOv5神经网络初步训练模型；步骤S5：利用验证集对YOLOv5神经网络初步训练模型进行一次前向传播，并利用损失函数计算YOLOv5神经网络的总模型损失，得到优化后的超参数，利用优化后的超参数更新YOLOv5神经网络初步训练模型中相应的超参数，得到YOLOv5神经网络初步验证模型；步骤S6：重复步骤S4和步骤S5，确定YOLOv5神经网络的最佳模型参数，得到YOLOv5神经网络模型。2.根据权利要求1所述的基于YOLOv5算法的航拍绝缘子图像缺陷检测方法，其特征在于：步骤S1中，所述绝缘子数据集的获取方式为：将现有的绝缘子缺陷检测数据集中过于相似的图片及其相应的标签文件进行随机保留一个图片及其相应的标签文件处理，得到初选数据集,而后对初选数据集中的每张原始图片均进行两次扩增过程；其中，一次扩增过程包括依次进行的两个数据扩增过程，第一个数据扩增过程是通过模拟天气环境对原始图片进行数据扩增，第二个数据扩增过程是利用一种至三种传统数据扩增方式再次进行数据扩增。3.根据权利要求1所述的基于YOLOv5算法的航拍绝缘子图像缺陷检测方法，其特征在于：步骤S2中，所述YOLOv5神经网络包括Input层、Backbone主干网络、Neck颈部网络和检测部分；Backbone主干网络包括依次设置的第一个卷积模块、第二个卷积模块、第一个C3_SimAM模块、第三个卷积模块、第二个C3_SimAM模块、第四个卷积模块、第三个C3_SimAM模块、第五个卷积模块和第四个C3_SimAM模块；Neck颈部网络包括依次设置的SPPF模块、第一个GSConv模块、第一个上采样层Upsample、第一个Bi
‑
Concat层、第一个VoVGSCSP模块、第二个GSConv模块、第二个上采样层Upsample、第二个Bi
‑
Concat层、第二个VoVGSCSP模块、第三个GSConv模块、第三个Bi
‑
Concat层、第三个VoVGSCSP模块、第四个GSConv模块、第四个Bi
‑
Concat层、第四个VoVGSCSP模块组成；检测部分包括3个Head检测头和一个NMS模块，三个Head检测头分别用于处理Neck颈部网络中第二个VoVGSCSP模块、第三个VoVGSCSP模块和第四个VoVGSCSP模块输出的特征图，得到绝缘子缺陷的预测框的坐标、类别信息以及置信度；NMS模块用于去除冗余的预测框，得到最终的检测结果；其中，Backbone主干网络中的第二个C3_SimAM模块还与Neck颈部网络中的第二个Bi
‑
Concat层连接；Backbone主干网络中的第三个C3...

【专利技术属性】
技术研发人员：吕国华，张曾彬，高翔，王西艳，宋文廓，司马超群，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：