【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 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
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
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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。