基于FPGA预处理与改进YOLOv5的绝缘子缺陷检测方法技术

本发明专利技术公开了一种基于FPGA预处理与改进YOLOv5的绝缘子缺陷检测方法，方法步骤如下：获得绝缘子样本训练集和测试集；构建改进YOLOv5的绝缘子缺陷检测模型；待检测的绝缘子图像预处理；对绝缘子缺陷检测模型进行训练，获取待检测绝缘子缺陷图像的检测结果，将绝缘子缺陷检测模型训练的权重输入到绝缘子缺陷检测模型中，然后将预处理的绝缘子待检测图像输入到绝缘子缺陷检测模型，获得绝缘子缺陷图像检测结果。本发明专利技术利用FPGA高速并行数据处理能力，提高图像传输通讯效益，同时将软件去噪算法移植到FPGA上实现，快速降低噪声对绝缘子故障检测的干扰。然后采用一种高效的自学习权重的特征融合网络来改进的YOLOv5模型，实现对绝缘子缺陷的准确、快速地检测。快速地检测。快速地检测。

【技术实现步骤摘要】
基于FPGA预处理与改进YOLOv5的绝缘子缺陷检测方法


[0001]本专利技术涉及高压输电线路电力设备图像检测
，尤其涉及一种基于FPGA预处理与改进YOLOv5的绝缘子缺陷检测方法。

技术介绍

[0002]输电线路的安全性和可靠性直接影响电力传输的稳定性。绝缘子串作为高压输电线路中的一个重要部件，它们在电气绝缘和机械支撑方面起着重要作用。在长时间处于强电场、超低温、冻雨、积雪等恶劣环境下工作，绝缘子极易发生材料老化、破损、掉片等故障。有关数据表明，目前有81.3％的输电线路事故都是由绝缘子缺陷导致的。因此定期对绝缘子进行巡检，排查故障或隐患对输电线路安全稳定运行至关重要。
[0003]传统的绝缘子巡检方法，一般采用人工巡检的方式，但劳动强度大，工作效率极低，同时存在一定的危险性。

技术实现思路

[0004]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种基于FPGA预处理与改进YOLOv5的绝缘子缺陷检测方法，利用FPGA高速并行数据处理能力，提高图像传输通讯效益，同时将软件去噪算法移植到FPGA上实现，快速降低噪声对绝缘子故障检测的干扰。然后采用一种高效的自学习权重的特征融合网络来改进的YOLOv5模型，对输入图像中不同尺度大小的绝缘子特征进行权重自学习，强化模型对小目标绝缘子的特征融合，同时在YOLOv5主干网络CSP架构中引入多尺度自注意力机制，使网络加深时，更好的获得前景中绝缘子缺陷的语义信息。实现对绝缘子缺陷的准确、快速地检测。
[0005]根据本专利技术提出的一种基于FPGA预处理与改进YOLOv5的绝缘子缺陷检测方法，所述方法步骤如下：
[0006]S1：获得绝缘子样本训练集和测试集，获取绝缘子图像，从中随机选取预定数目的绝缘子图像制作绝缘子图像作为样本，将样本分为训练集和测试集；
[0007]S2：构建改进YOLOv5的绝缘子缺陷检测模型，将YOLOv5的特征融合网络PANet更换为一种自学习权重的特征融合网络BiFPN，并结合密集连接Dense和自注意力机制来构建绝缘子缺陷检测模型；
[0008]S3：待检测的绝缘子图像预处理，对待检测的绝缘子图像先使用FPGA进行降噪算法预处理；
[0009]S4：对绝缘子缺陷检测模型进行训练，将绝缘子训练样本输入到绝缘子缺陷检测模型中进行训练；
[0010]S5：获取待检测绝缘子缺陷图像的检测结果，将绝缘子缺陷检测模型训练的权重输入到绝缘子缺陷检测模型中，然后将预处理的绝缘子待检测图像输入到绝缘子缺陷检测模型，获得绝缘子缺陷图像检测结果。
[0011]优选地，步骤S2中构建改进YOLOv5的绝缘子缺陷检测模型的方法步骤如下：
[0012]S21：将YOLOv5的特征层融合网络PANet替换为自学习权重的BiFPN特征融合网络，利用BiFPN在不同尺度的特征图之间建立双向连接，融合不同尺度特征图的特征信息；
[0013]单层多尺度特征列表公式为：
[0014]P
i
P
i+1
...P
i+n
＝f(C
i
C
i+1
...C
i+n
)(1)
[0015]其中，n表示用于特征融合的特征数量，C
i
表示一层的输入特征，P
i
表示一层的输出特征，f表示特征融合过程的功能；
[0016]多层多尺度特征列表公式为：
[0017]P
i
P
i+1
...P
i+n
＝f
j
f
j+1
...f
j+m
(C
i
C
i+1
…
C
i+n
)(2)
[0018]其中m表示BiFPN块的重复堆叠次数；
[0019]BiFPN为了学习不同输入的特征的重要性，对不同输入特征进行了区分融合，是一种加权融合的机制，对此BiFPN使用了快速归一化处理，其表达式如下：
[0020][0021]其中，w
i
代表权重，使用激活函数ReLu将可学习权重防缩到[0,1]之间，ε＝0.00001为避免输出数值不稳定，In
i
表示输入的特征，Out表示加权特征的融合结果；
[0022]S22：结合密集连接Dense网络改进BiFPN模块，得到Dense
‑
BiFPN网络，Dense
‑
BiFPN网络的每个节点给每个输入的特征附加权重，上采样将第五层输入P
5IN
和第四层输入P
4IN
进行带权重融合到第四层中间节点输出P
4TD
，融合公式如下所示：
[0023][0024]其中，Resize表示对输入进行上采样或者下采样，在这里为上采样操作，Conv为卷积操作，ω4为第四层输出的可学习权重，ω5第五层输出的可学习权重；
[0025][0026]其中，P
4out
为第四层最后节点的输出，Resize表示对输入进行上采样或者下采样，在这里为下采样操作，ω4、ω6、ω7分别为输入P
4IN
、P
4TD
、P
3out
的可学习权重；
[0027]分别将P
2out
与P
4out
和P
5out
进行密集连接，P
3out
和P
5out
进行密集连接，输出表达式如下：
[0028][0029]其中，f
1x1
和f
3x3
表示1
×
1和3
×
3卷积，U2(P
2out
)表示特征图P
2out
被下采样2倍，结合BiFPN的不同比例尺度的特征层，输出结果第四层N
4out
和第五层N
5out
的表达式如下：
[0030][0031]其中，N
2dense
和N
3dense
分别为跨节点第二层的密集连接的输出和跨节点第三层的密集连接的输出，P
4out
t和P
5out
t分别为第四层的BiFPN的输出和第五层的BiFPN的输出；
[0032]S23：添加C3TR模型来改进YOLOv5主干网络CSP结构，通过C3TR的多头自注意力机制和多尺度特征融合对获取的特征进行聚合和优化，多头自注意力机制输出向量σ的计算表达式如下：
[0033][0034][0035]其中，d
θ
表示查询θ的最后一维数据的维度，Λ
ζj
，Λ
ηj
，Λ
θj
，分别为每组值ζ、键η、查询θ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于FPGA预处理与改进YOLOv5的绝缘子缺陷检测方法，其特征在于，所述方法步骤如下：S1：获得绝缘子样本训练集和测试集，获取绝缘子图像，从中随机选取预定数目的绝缘子图像制作绝缘子图像作为样本，将样本分为训练集和测试集；S2：构建改进YOLOv5的绝缘子缺陷检测模型，将YOLOv5的特征融合网络PANet更换为一种自学习权重的特征融合网络BiFPN，并结合密集连接Dense和自注意力机制来构建绝缘子缺陷检测模型；S3：待检测的绝缘子图像预处理，对待检测的绝缘子图像先使用FPGA进行降噪算法预处理；S4：对绝缘子缺陷检测模型进行训练，将绝缘子训练样本输入到绝缘子缺陷检测模型中进行训练；S5：获取待检测绝缘子缺陷图像的检测结果，将绝缘子缺陷检测模型训练的权重输入到绝缘子缺陷检测模型中，然后将预处理的绝缘子待检测图像输入到绝缘子缺陷检测模型，获得绝缘子缺陷图像检测结果。2.根据权利要求1所述的一种基于FPGA预处理与改进YOLOv5的绝缘子缺陷检测方法，其特征在于，步骤S2中构建改进YOLOv5的绝缘子缺陷检测模型的方法步骤如下：S21：将YOLOv5的特征层融合网络PANet替换为自学习权重的BiFPN特征融合网络，利用BiFPN在不同尺度的特征图之间建立双向连接，融合不同尺度特征图的特征信息；单层多尺度特征列表公式为：P
i
P
i+1
...P
i+n
＝f(C
i
C
i+1
...C
i+n
) (1)其中，n表示用于特征融合的特征数量，C
i
表示一层的输入特征，P
i
表示一层的输出特征，f表示特征融合过程的功能；多层多尺度特征列表公式为：P
i
P
i+1
...P
i+n
＝f
j
f
j+1
...f
j+m
(C
i
C
i+1
...C
i+n
) (2)其中，m表示BiFPN块的重复堆叠次数；BiFPN为了学习不同输入的特征的重要性，对不同输入特征进行了区分融合，是一种加权融合的机制，对此BiFPN使用了快速归一化处理，其表达式如下：其中，w
i
代表权重，使用激活函数ReLu将可学习权重防缩到[0,1]之间，ε＝0.00001为避免输出数值不稳定，In
i
表示输入的特征，Out表示加权特征的融合结果；S22：结合密集连接Dense网络改进BiFPN模块，得到Dense
‑
BiFPN网络，Dense
‑
BiFPN网络的每个节点给每个输入的特征附加权重，上采样将第五层输入P
5IN
和第四层输入P
4IN
进行带权重融合到第四层中间节点输出P
4TD
，融合公式如下所示：其中，Resize表示对输入进行上采样或者下采样，在这里为上采样操作，Conv为卷积操
作，ω4为第四层输出的可学习权重，ω5第五层输出的可学习权重；其中，P
4out
为第四层最后节点的输出，Resize表示对输入进行上采样或者下采样，在这里为下采样操作，ω4、ω6、ω7分别为输入P
4IN
、P
4TD
、P
3out
的可学习权重；分别将P
2out
与P
4out
和P
5out
进行密集连接，P
3out
和P
5out
进行密集连接，输出表达式如下：其中，f
1x1
和f
3x3
表示1
×
1和3

【专利技术属性】
技术研发人员：李兵，刘立卫，王梦楠，佐磊，尹柏强，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：