基于改进YOLOv7算法的雾天场景下绝缘子缺陷检测方法技术

基于改进YOLOv7算法的雾天场景下绝缘子缺陷检测方法，包括以下步骤：步骤1：以绝缘子数据集为基础，通过大气散射模型生成轻雾数据集、浓雾数据集和混合浓度数据集；步骤2：将生成的不同雾气绝缘子缺陷图像数据集进行绝缘子及缺陷标注，获取YOLOv7算法模型所需的数据集，再将数据集划分为训练集、验证集和测试集；步骤3：基于改进YOLOv7算法，构建雾天场景下的绝缘子缺陷检测模型；步骤4：使用训练集对步骤3的绝缘子缺陷检测模型进行训练，训练完成后使用划分好的测试集对绝缘子缺陷检测模型的性能进行评估。本发明专利技术方法能够有效实现雾天环境下绝缘子目标及缺陷检测，改进后的YOLOv7在雾天环境下绝缘子目标及缺陷检测有较好的的检测性能。检测性能。检测性能。

【技术实现步骤摘要】
基于改进YOLOv7算法的雾天场景下绝缘子缺陷检测方法


[0001]本专利技术涉及绝缘子缺陷检测
，具体涉及一种基于改进YOLOv7算法的雾天场景下绝缘子缺陷检测方法。

技术介绍

[0002]近年来，随着我国输电线路规模不断扩大，建设在复杂环境下的电网设备数量也与日俱增，电网的安全、稳定、可靠运行至关重要。据统计，由绝缘子缺陷引起的事故在电力系统故障中占最大比例。这是因为绝缘子在电力传输过程中起到支撑导体和防止电流返回地面的作用，而通常情况下，绝缘子暴露在强电场环境中以及各种不利天气条件下，如烈日、台风、雷暴、冻雨、暴风雪等。这些恶劣条件会使绝缘子容易损坏，从而威胁电网系统的安全和电力的使用。传统的绝缘子缺陷检测主要依赖于人工巡检，存在检测效率低下、检测效果参差不齐等问题，并且存在一定的安全隐患，特别是在复杂环境，如光照不均、建筑物等背景干扰、其他电力设备遮挡、天气恶劣等下进行检测，人工巡检的缺点更加凸显。因此，对绝缘子位置精准定位，对缺陷进行及时检测对于电气设备巡检有着重要的意义。
[0003]基于深度学习的检测方法随着计算机性能的不断提高在电气设备检测领域得到了广泛的应用。在深度学习中，卷积神经网络具有优秀的隐形特征自主提取能力，可以学习图像更深层次特征，并通过大量训练更新优化网络参数，提高网络检测精度，目前已经提出了许多有效的目标检测算法。当前，基于卷积神经网络的目标检测算法大致可以分为两类，第一类是以R
‑
CNN、Faster R
‑
CNN为代表的两阶段检测算法。第二类是以SSD和YOLO系列为代表的单阶段目标检测算法，该方法将目标检测任务视为回归问题，在检测精度方面略低于两阶段检测算法，但检测实时性大幅度提升。
[0004]考虑到当前针对输电线路巡检研究更多是集中在正常光照环境条件下，对雾天雨天等此类能见度较差的拍摄场所探索度不高。但我国输电线路分布广泛，在一些雾天较多的山区也有布置。因此，一种足以在雾天环境下准确巡检的算法是必不可少的。在雾、雨、昏暗环境下无人机捕获的图像细节丢失严重，现有的目标检测算法无法提取足够的特征，易造成目标丢失及错误的识别。
[0005]目前，针对雾天下的目标检测任务，研究者大多采用“先去雾后检测的方法”，此类方法在视觉上显著提升了能见度，但去雾过程中引入噪声也对识别精度产生影响，因此效果提升不明显。

技术实现思路

[0006]为解决上述技术问题，本专利技术提供一种基于改进YOLOv7算法的雾天场景下绝缘子缺陷检测方法，能够有效实现雾天环境下绝缘子目标及缺陷检测。
[0007]本专利技术采取的技术方案为：
[0008]基于改进YOLOv7算法的雾天场景下绝缘子缺陷检测方法，包括以下步骤：
[0009]步骤1：以绝缘子数据集为基础，通过大气散射模型生成轻雾数据集、浓雾数据集
和混合浓度数据集；
[0010]步骤2：将生成的不同雾气绝缘子缺陷图像数据集进行绝缘子及缺陷标注，获得YOLOv7算法模型所需数据集，再将数据集划分为训练集、验证集和测试集；
[0011]步骤3：基于改进YOLOv7算法，构建雾天场景下的绝缘子缺陷检测模型；
[0012]步骤4：使用训练集对步骤3的绝缘子缺陷检测模型进行训练，训练完成后使用划分好的测试集对绝缘子缺陷检测模型的性能进行评估。
[0013]所述步骤1中，以实验绝缘子数据集为基础，通过大气散射模型，采用中心点合成雾的方法，生成不同雾气浓度的绝缘子数据集；
[0014]实验绝缘子数据集包含600张绝缘子自爆图像，由三部分构成：
[0015]第一部份来自中国电力线绝缘子数据集(Chinese Power Line Insulator Dataset，CPLID)，共有600张正常绝缘子串图像和248张绝缘子自爆图像；
[0016]第二部分为百度飞桨公开的绝缘子自爆图像；
[0017]第三部分为真实拍摄所收集到绝缘子图像，其中：绝缘子自爆图像21张。
[0018]所述步骤1中，大气散射模型的数学表达式为：
[0019]I(x)＝J(x)t(x)+A(1
‑
t(x))；
[0020]其中：I(x)为有雾图像；J(x)为无雾图像；t(x)为透射率；A为全局大气光值；A(1
‑
t(x))为大气光强值；
[0021]中心点合成雾是指通过设定图片的一个点为雾化中心点进行雾合成扩散，距离雾化中心点的距离越远，雾合成的效果越弱；
[0022]大气透射率t(x)计算式为：
[0023]t(x)＝e
‑
βd(x)
；
[0024]其中：
[0025][0026][0027][0028]式中：β为散射系数；d(x)为图像各点到雾化中心的距离；a为比例系数；(i
ce
,j
ce
)为图像雾化中心；i
ce
,j
ce
分别表示雾化中心的横、纵坐标。
[0029]H,W分别表示图像的高、宽；c为雾化尺寸；b能够控制雾气的浓度，b值越大表示雾气浓度越大；雾化尺寸c决定生成雾的大小，c值越大表示雾气范围越大。
[0030]所述步骤2中，采用Labelimg软件进行绝缘子与缺陷位置及缺陷类型的标注，所述训练集、验证集和测试集，按照8：1：1的比例进行划分。
[0031]所述步骤3中，YOLOv7模型包括：主干Backbone的特征提取网络、颈部Neck的特征融合网络、预测端head；
[0032]主干Backbone的特征提取网络包括：CBS模块、E
‑
ELAN模块、MPConv模块、SPPCSPC模块；
[0033]绝缘子缺陷检测模型的构件包括以下步骤：
[0034]S3.1：在主干Backbone的特征提取网络中SPPCSPC模块之前和预测端Head前，引入
CA注意力机制，将位置信息与通道信息相结合，来提高网络的特征提取能力；
[0035]CA注意力机制考虑了对空间信息的编码，最终输出包含了来自于水平方向的注意力特征图和来自垂直方向的注意力特征图。两张注意力特征图中的每个元素都反应了感兴趣的对象是否存在于相应的行和列中。
[0036]S3.2：在颈部Neck的特征融合网络中，在路径聚合网络PANet基础上进行BIFPN_Add进行特征叠加与深浅层特征的融合；使输出特征同时含有位置及语义信息，增强复杂背景中较小目标的检出能力。
[0037]在颈部Neck的特征融合网络中将8倍下采样后形成的80
×
80特征图和16倍下采样后形成的40
×
40特征图与后面的特征图通过BIFPN_Add进行特征叠加与深浅层特征的融合，使得位置信息提取的更加充分，减少了特征信息丢失。
[0038]S3..3：CIoU未考虑到真实框与预测框之间的方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进YOLOv7算法的雾天场景下绝缘子缺陷检测方法，其特征在于包括以下步骤：步骤1：以绝缘子数据集为基础，通过大气散射模型生成轻雾数据集、浓雾数据集和混合浓度数据集；步骤2：将生成的不同雾气绝缘子缺陷图像数据集进行绝缘子及缺陷标注，获得YOLOv7算法模型所需数据集，再将数据集划分为训练集、验证集和测试集；步骤3：基于改进YOLOv7算法，构建雾天场景下的绝缘子缺陷检测模型；步骤4：使用训练集对步骤3的绝缘子缺陷检测模型进行训练，训练完成后使用划分好的测试集对绝缘子缺陷检测模型的性能进行评估。2.根据权利要求1所述基于改进YOLOv7算法的雾天场景下绝缘子缺陷检测方法，其特征在于：所述步骤1中，以实验绝缘子数据集为基础，通过大气散射模型，采用中心点合成雾的方法，生成不同雾气浓度的绝缘子数据集；大气散射模型的数学表达式为：I(x)＝J(x)t(x)+A(1
‑
t(x))；其中：I(x)为有雾图像；J(x)为无雾图像；t(x)为透射率；A为全局大气光值；A(1
‑
t(x))为大气光强值；中心点合成雾是指通过设定图片的一个点为雾化中心点进行雾合成扩散，距离雾化中心点的距离越远，雾合成的效果越弱；大气透射率t(x)计算式为：t(x)＝e
‑
βd(x)
；其中：其中：其中：式中：β为散射系数；d(x)为图像各点到雾化中心的距离；a为比例系数；(i
ce
,j
ce
)为图像雾化中心；i
ce
,j
ce
分别表示雾化中心的横、纵坐标；H,W分别表示图像的高、宽；c为雾化尺寸；b能够控制雾气的浓度，b值越大表示雾气浓度越大；雾化尺寸c决定生成雾的大小，c值越大表示雾气范围越大。3.根据权利要求1所述基于改进YOLOv7算法的雾天场景下绝缘子缺陷检测方法，其特征在于：所述步骤2中，采用Labelimg软件进行绝缘子与缺陷位置及缺陷类型的标注，所述训练集、验证集和测试集按照8：1：1的比例进行划分。4.根据权利要求1所述基于改进YOLOv7算法的雾天场景下绝缘子缺陷检测方法，其特征在于：所述步骤3中，YOLOv7模型包括：主干Backbone的特征提取网络、颈部Neck的特征融合网络、预测端head；主干Backbone的特征提取网络包括：CBS模块、E
‑
ELAN模块、MPConv模块、SPPCSPC模块绝缘子缺陷检测模型的构件包括以下步骤：S3.1：在主干Backbone的特征提取网络中SPPCSPC模块之前和预测端Head前，引入CA注
意力机制，将位置信息与通道信息相结合，来提高网络的特征提取能力；S3.2：在颈部Neck的特征融合网络中，在路径聚合网络PANet基础上进行BIFPN_Add进行特征叠加与深浅层特征的融合；使输出特征同时含有位置及语义信息，增强复杂背景中较小目标的检出能力；S3.3：将CIoU损失函数改为SIoU损失函数。5.根据权利要求4所述基于改进YOLOv7算法的雾天场景下绝缘子缺陷检测方法，其特征在于：所述S3.1包括以下步骤：S3.1.1：坐标注意力生成将坐标信息嵌入在两个方向上生成的特征图进行拼接，使用1
×
1卷积变换函数F1对其进行变换：f＝δ(F1([z
h...

【专利技术属性】
技术研发人员：邹红波，陈俊廷，柴延辉，杨钦贺，张鹏超，卢俊，李朝瑞，
申请(专利权)人：国网湖北省电力有限公司襄阳供电公司，
类型：发明
国别省市：