一种融合CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、系统及设备技术方案

一种融合CAT

【技术实现步骤摘要】
一种融合CAT
‑
BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、系统及设备


[0001]本专利技术涉及航拍绝缘子缺陷检测
，具体涉及一种融合CAT
‑
BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、系统及设备。

技术介绍

[0002]输电线路的安全稳定运行是电力系统可靠供电的重要保障，绝缘子在输配电电路中起到支撑导线和防止电流回地作用。绝缘子长期暴露于自然环境下，温湿度、雷电、强电场、污秽等各种自然灾害极易对其造成破损、自爆和污损，绝缘子缺陷以及高压杆塔上的鸟巢严重危及输电线路的安全稳定运行，因此，对绝缘子缺陷进行及时检测具有十分重要的意义。对于现今的电网规模，人工实地勘察或者传统方法已无法适应电网发展与变革的要求，并且受制于自然环境和视觉角度等因素的影响，造成检测精度较差。
[0003]利用计算机视觉中的目标检测算法实现无人机巡检图像的自动检测成为研究的热点，但是航拍绝缘子目标尺度相差大，绝缘子缺陷具备目标尺度小、角度多样等特点，为算法具备更优的检测精度带来极大困难。
[0004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合CAT
‑
BiFPN与注意力机制的航拍绝缘子多缺陷检测方法，其特征在于：包括以下步骤：步骤一、对航拍绝缘子缺陷图像进行预处理：包括图像标注、数据集图像扩增和划分数据集：1)图像标注：利用图像标注工具对绝缘子缺陷检测数据集进行标注，将每幅图像中的缺陷部分分别用矩形框框出来，并标明所属类别；2)数据集图像扩增：对原始图像进行随机噪声、颜色抖动和翻转，对数据集进行扩充；3)划分数据集：将第2)步扩充得到的数据集划分为训练集、验证集和测试集，并将原始图片压缩为YOLOv7检测网络默认大小的图像；步骤二、训练并评估YOLOv7网络模型：将步骤一第3)步处理完成的图像作为YOLOv7网络模型的输入图像，并设置YOLOv7网络模型的运行参数，在实验操作平台上对YOLOv7网络模型进行训练，然后采用目标检测领域常用的评估指标对训练的YOLOv7网络模型进行效果评估；步骤三、针对步骤二评估进行YOLOv7网络改进；步骤四、训练改进YOLOv7网络：将步骤一第3)步中经数据处理过的图像作为步骤三中改进YOLOv7网络的输入图像，并设置YOLOv7网络模型的运行参数，在实验操作平台上对步骤三改进的YOLOv7网络模型进行训练，然后采用目标检测领域常用的评估指标对训练的YOLOv7网络模型进行效果评估，并最终输出绝缘子缺陷的检测结果。2.根据权利要求1所述的一种融合CAT
‑
BiFPN与注意力机制的航拍绝缘子多缺陷检测方法，其特征在于：所述步骤三的具体方法如下：1)替换特征融合模块并添加第四检测层：1.1)保留YOLOv7模型中主干网络(Backbone)中的四个高效聚合模块(ELAN)，输入图片先经过主干网络，即经过四次保留的标准YOLOv7网络模型的池化和高效聚合模块(ELAN)的操作；对主干网络的中层、中高层、高层的特征层进行特征提取，输入到具有单元内跳跃结构的BiFPN(CAT
‑
BiFPN)中，结合扩展高效聚合模块(E
‑
ELAN)和上下采样，进行不同层的特征融合，删除冗余节点，并且利用对输入增加权重的方法，区分特征融合过程中不同特征的重要程度，提高多尺度目标特征的融合度；1.2)在YOLOv7模型中增加一个用于小尺度目标检测的预测层，即由主干网络中的第一个高效聚合模块生成低层、高分辨率的特征图作为第四输入层输入至CAT
‑
BiFPN：输入图片先经过主干网络，即经过四次的池化和高效聚合模块(ELAN)的操作；第一次池化和高效聚合模块操作后，经过1
×
1的卷积，进入ACmix模块，形成CAT
‑
BiFPN模块的第四输入层；第二次池化和高效聚合模块操作后，经过1
×
1的卷积，进入ACmix模块，形成CAT
‑
BiFPN模块的第三输入层；第三次池化和高效聚合模块操作后，经过1
×
1的卷积，形成CAT
‑
BiFPN模块的第二输入层；第四次池化和高效聚合模块操作后，经过1
×
1的卷积，形成CAT

【专利技术属性】
技术研发人员：亢洁，王勍，刘文波，刘佳，张万虎，夏宇，
申请(专利权)人：陕西科技大学，
类型：发明
国别省市：