输电线路图像检测方法、装置及电子设备制造方法及图纸

本申请提供了一种输电线路图像检测方法、装置及电子设备，涉及图像处理技术领域，方法包括：获取待检测的输电线路图像；将输电线路图像输入至输电线路检测模型，得到输电线路图像对应的检测结果；其中，输电线路检测模型为增加了高分辨率检测头和ECA注意力模块的YOLOv5网络；且输电线路检测模型在训练和应用时，采用EIOU

【技术实现步骤摘要】
输电线路图像检测方法、装置及电子设备


[0001]本申请涉及图像处理
，尤其是涉及一种输电线路图像检测方法、装置及电子设备。

技术介绍

[0002]目前，输电线路小目标检测的常用的研究方法包括：多尺度学习、无锚机制两种：1）多尺度学习小目标与常规目标相比可利用的像素较少，难以提取到较好的特征，而且随着网络层数的增加，小目标的特征信息与位置信息也逐渐丢失，难以被网络检测。这些特性导致小目标同时需要深层语义信息与浅层表征信息，而多尺度学习将这两种相结合，是一种提升小目标检测性能的有效策略。FPN是目前最流行的多尺度网络，它引入了一种自底向上、自顶向下的网络结构，通过将相邻层的特征融合以达到特征增强的目的。例如，以resnet网络替代SSD结构中原有的VGG网络,从而使网络的特征提取能力增强;最后在整体网络结构中加入特征金字塔网络(FPN),实现了上下特征层的信息融合。实验表明，相较原SSD算法而言，对输电线路图像中小尺度目标检测方面精度有明显提高。
[0003]2）无锚框机制目前，许多先进的目标检测方法都是基于锚框机制而设计的，但是锚框这一设计对于小目标的检测极不友好。原因是现有的锚框设计难以获得平衡小目标召回率与计算成本之间的矛盾，而且这种方式导致了小目标的正样本与大目标的正样本极度不均衡，使得模型更加关注于大目标的检测性能，从而忽视了小目标的检测。一种摆脱锚框机制的思路是将目标检测任务转换为关键点的估计，代表性的网络如CenterNet。例如，基于改进CenterNet的目标检测算法,其中就是通过构建多通道特征增强结构，并引入底层细节信息，改善CenterNet仅利用单一特征造成检测精度低的问题。研究结果表明，该算法对输电线路电力器件及异常目标具有良好的检测效果。
[0004]综上，多尺度学习这种方式中，多尺度特征融合虽然能同时考虑了浅层的表征信息和深层的语义信息，但现有的检测模型框架所使用的多尺度特征融合网络对小目标浅层的细节特征信息提取仍不够深入；另外，多尺度特征融合算法在融合不同尺度特征的同时难以避免会融入背景干扰噪声，导致基于多尺度学习的小目标检测性能难以得到进一步提升；无锚框的目标检测算法中，对通用模板检测的效果并不理想，对于重叠小目标的检测效果一般，且精度低于基于锚框的算法。

技术实现思路

[0005]本申请的目的在于提供一种输电线路图像检测方法、装置及电子设备，以增加了高分辨率检测头和ECA注意力模块的YOLOv5网络作为输电线路检测模型，且该模型中以EIOU
‑
Loss作为损失函数，通过该输电线路检测模型进行输电线路图像检测，可以提高输电线路小目标的检测精准度。
[0006]第一方面，本申请提供一种输电线路图像检测方法，方法包括：获取待检测的输电线路图像；将输电线路图像输入至输电线路检测模型，得到输电线路图像对应的检测结果；其中，输电线路检测模型为增加了高分辨率检测头和ECA注意力模块的YOLOv5网络；且输电线路检测模型在训练时，采用EIOU
‑
Loss作为网络回归损失的损失函数。
[0007]第二方面，本申请还提供一种输电线路图像检测装置，装置包括：图像获取模块，用于获取待检测的输电线路图像；模型检测模块，用于将输电线路图像输入至输电线路检测模型，得到输电线路图像对应的检测结果；其中，输电线路检测模型为增加了高分辨率检测头和ECA注意力模块的YOLOv5网络；且输电线路检测模型在训练和应用时，采用EIOU
‑
Loss作为网络回归损失的损失函数。
[0008]第三方面，本申请还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述第一方面所述的方法。
[0009]第四方面，本申请还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述第一方面所述的方法。
[0010]本申请提供的输电线路图像检测方法、装置及电子设备中，首先获取待检测的输电线路图像；然后将输电线路图像输入至输电线路检测模型，得到输电线路图像对应的检测结果；其中，输电线路检测模型为增加了高分辨率检测头和ECA注意力模块的YOLOv5网络；且输电线路检测模型在训练和应用时，采用EIOU
‑
Loss作为网络回归损失的损失函数。该方案中，以增加了高分辨率检测头和ECA注意力模块的YOLOv5网络作为输电线路检测模型，且该模型中以EIOU
‑
Loss作为损失函数，通过该输电线路检测模型进行输电线路图像检测，可以提高输电线路小目标的检测精准度。
附图说明
[0011]为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0012]图1为本申请实施例提供的一种输电线路图像检测方法的流程图；图2为本申请实施例提供的一种YOLOv5网络的结构示意图；图3为本申请实施例提供的一种C_X模块的结构示意图；图4为本申请实施例提供的一种B_X残差模块的结构示意图；图5为本申请实施例提供的一种主干网络、颈部网络和检测头模块的结构示意图；图6为本申请实施例提供的一种CBES模块的结构示意图；图7为本申请实施例提供的一种检测头模块的结构示意图；图8为本申请实施例提供的一种注意力模块的结构示意图；图9为本申请实施例提供的一种输电线路图像检测装置的结构框图；图10为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0013]下面将结合实施例对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0014]目前，输电线路小目标检测的常用的研究方法中，多尺度学习和无锚机制方式均无法实现高精度的检测。基于此，本申请实施例提供一种输电线路图像检测方法、装置及电子设备，以增加了高分辨率检测头和ECA注意力模块的YOLOv5网络作为输电线路检测模型，且该模型中以EIOU
‑
Loss作为损失函数，通过该输电线路检测模型进行输电线路图像检测，可以提高输电线路小目标的检测精准度。为便于对本实施例进行理解，首先对本申请实施例所公开的一种输电线路图像检测方法进行详细介绍。图1为本申请实施例提供的一种输电线路图像检测方法的流程图，该方法具体包括以下步骤：步骤S102，获取待检测的输电线路图像；步骤S104，将输电线路图像输入至输电线路检测模型，得到输电线路图像对应的检测结果；其中，输电线路检测模型为增加了高分辨率检测头和ECA注意力模块的YOLOv5网络；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种输电线路图像检测方法，其特征在于，所述方法包括：获取待检测的输电线路图像；将所述输电线路图像输入至输电线路检测模型，得到所述输电线路图像对应的检测结果；其中，所述输电线路检测模型为增加了高分辨率检测头和ECA注意力模块的YOLOv5网络；且所述输电线路检测模型在训练和应用时，采用EIOU
‑
Loss作为网络回归损失的损失函数。2.根据权利要求1所述的方法，其特征在于，所述YOLOv5网络包括：依次连接的主干网络、颈部网络、检测头模块和目标预测模块；所述主干网络和所述颈部网络中包括多个CBES模块和多个C_X模块；每个所述C_X模块包括多个CBES模块和多个B_X残差模块；每个所述B_X残差模块包括多个CBES模块；所述CBES模块是通过在CBS模块的BN层后添加ECA注意力模块构成的；所述检测头模块包括四个检测头，通过四个检测头输出第二层至第五层的图像特征；所述目标预测模块中以EIOU
‑
Loss作为网络回归损失的损失函数。3.根据权利要求2所述的方法，其特征在于，所述C_X模块包括C_1模块和C_2模块，所述C_1模块和所述C_2模块均包括：第一CBES模块、第二CBES模块、B_X残差模块、第一连接模块和第三CBES模块；其中所述第一CBES模块和所述第二CBES模块的一端分别作为特征输入端；所述第一CBES模块的另一端连接所述B_X残差模块的一端；所述第二CBES模块的另一端和所述B_X残差模块的另一端均连接所述第一连接模块的一端，所述第一连接模块的另一端连接所述第三CBES模块的一端；所述第三CBES模块的另一端作为特征输出端；所述B_X残差模块包括B_1模块和B_2模块；其中，所述B_1模块包括：依次连接的第四CBES模块、第五CBES模块和求和模块；所述第四CBES模块的一端作为特征输入端，所述特征输入端还与所述求和模块的一端连接；所述求和模块的另一端作为特征输出端；所述B_2模块包括依次连接的第六CBES模块和第七CBES模块；所述第六CBES模块的一端作为特征输入端，所述第七CBES模块的一端作为特征输出端。4.根据权利要求3所述的方法，其特征在于，所述主干网络和所述颈部网络的整体结构如下：顺序连接的第八CBES模块、第九CBES模块、第一C_1模块、第十CBES模块、第二C_1模块、第十一CBES模块、第三C_1模块、第十二CBES模块、第四C_1模块、SPPF模块、第十三CBES模块、第一上采样模...

【专利技术属性】
技术研发人员：周浩，成秋艳，袁国武，陈冬，马仪，王鹏，夏昆明，杜欣悦，
申请(专利权)人：云南大学，
类型：发明
国别省市：