一种基于改进Yolo算法的无人机航拍绝缘子目标检测方法技术

一种基于改进Yolo算法的无人机航拍绝缘子目标检测方法包括：(1)对需要应用的绝缘子场景进行无人机航拍，并将航拍视频抽帧为图像数据；(2)对图像数据进行标注，并将采集并标注好的数据按照比例划分为训练集和验证集；(3)对训练集数据通过Mosaic+Mixup方法混合增强；(4)使用Ghostnetv2网络替换Yolov7版本主干特征提取网络；(5)使用自制数据集对网络进行训练；(6)将训练好的模型文件以ONNX文件导出，并使用TensorRT部署生成Engine模型；(7)使用Engine模型部署并进行无人机检测。本发明专利技术基于YoloV7模型构建目标检测模型，该模型对于分辨率较高图像且目标面积较小的绝缘子以及被遮挡的绝缘子有更加优异的识别效果，识别准确率更高，识别位置更精确。识别位置更精确。识别位置更精确。

【技术实现步骤摘要】
一种基于改进Yolo算法的无人机航拍绝缘子目标检测方法


[0001]本专利技术涉及输电线路无人机航拍巡检
，具体是一种基于改进Yolo算法的无人机航拍绝缘子目标检测方法。

技术介绍

[0002]绝缘子在输电线路中，起到支撑导线和防止电流回地两大重要作用。绝缘子一般工作在户外，长期暴露大自然环境中，受强紫外线照射、雨水侵蚀、空气污染、气候变化等因素影响，存在断串、内部击穿等故障风险，对线路安全运行造成重大威胁。因此，输电线路绝缘子检测是电网巡检的重点。近年来，随着无人机飞控、计算机视觉、北斗导航等技术的快速发展，基于无人机图像的绝缘子检测技术成为电网巡检的研究热点。但由于航拍输电线路图像中具有较多目标信息，导致图像背景复杂多样、绝缘子目标信息不够突出，进而严重影响了绝缘子目标检测的鲁棒性和准确性。
[0003]传统的航拍图像使用的目标检测算法，主要采用阶段性设计的方法对图像进行区域窗口提取、特征提取和窗口分类。然而对于具有多样性表征的目标，基于滑动窗口的区域选择策略存在缺乏针对性、计算复杂度高、存在窗口冗余、鲁棒性较差等问题。在无人机航拍图像中，除了受到小尺度目标和尺度变化大等影响之外，目标对象还会受到亮度、遮挡、背景复杂多变等因素的干扰。传统的目标检测算法易于受干扰因素的影响，造成误检和漏检的情况。近些年，随着一大批深度学习算法的涌现，在目标检测、实例分割等技术上取得了突破性进步。通过深度卷积神经网络，突破了以往目标检测算法只能提取浅层特征的瓶颈。同时，显著提高了图像对于深层特征的提取能力，从而提高了复杂背景下的目标检测性能。
[0004]现有的航拍图像处理算法，大都采用卷积神经网络(CNN，Convolutional neural network)进行检测。CNN通过收集语义子特征的层次结构来生成复杂对象的特征表示。这些子特征通常可以分组形式分布在每层的特征向量，代表各种语义实体。但是，这些子特征的激活通常在空间上受到相似模式和嘈杂背景的影响，从而导致错误的定位和识别。
[0005]由于航拍静态目标的尺度变化差异大、目标遮挡等诸多极具挑战性的问题，还未找到普遍合适的解决方案，因此还需要进一步深入研究。

技术实现思路

[0006]为了解决上述现有技术中存在的缺陷，本专利技术提供了一种基于改进Yolo算法的无人机航拍绝缘子目标检测方法，能够解决对于目标面积较小的绝缘子以及被遮挡的绝缘子识别精度低的问题。
[0007]本专利技术采用的技术方案：一种基于改进Yolo算法的无人机航拍绝缘子目标检测方法，包括以下步骤：
[0008](1)对需要应用的绝缘子场景进行无人机航拍，并将航拍视频抽帧为图像数据；
[0009](2)对图像数据进行标注，并将采集并标注好的数据按照比例划分为训练集和验
证集；
[0010](3)对训练集数据通过Mosaic+Mixup方法混合增强；
[0011](4)使用Ghostnetv2网路替换改进Yolo主干特征提取网络；
[0012](5)使用改进yolo网络模型训练，配置得到TensorRT的数据、模型即环境
[0013](6)将训练好的模型文件以ONNX文件导出，使用TensorRT部署生成Engine模型；
[0014](7)使用Engine模型部署并进行无人机检测。
[0015]优选的，所述的Mosaic+Mixup混合增强方法分别为：
[0016]其中所述Mosaic方法为：在训练集中随机选择n张图片，n∈4
×
N，N为正整数，取其部分拼入训练图片中；
[0017]其中所述Mixup方法为：分别从两个批次不同的训练集中，随机选择两张图像，并以λ为参数生成新的图像。
[0018]优选的，步骤(3)中所述的Mosaic+Mixup方法混合数据增强公式为：
[0019]mixed_batch
x
＝λ
×
batch
x1
+(1
‑
λ)
×
batch
x2
[0020]mixed_batch
y
＝λ
×
batch
y1
+(1
‑
λ)
×
batch
y2
[0021]其中，所述batch
x1
为一个批次样本，batch
y1
为该批次样本对应的标签；batch
x2
为另一个批次的样本，batch
y2
为该批次对应的标签。其中所述λ为参数α、β的贝塔分布计算出的混合系数，其公式为：
[0022]λ＝Beta(α,β)
[0023]其中所述Beta为贝塔分布，α、β为可调参数，本专利技术中使用α＝β＝0.5，可发挥该方法的最佳性能。
[0024]优选的，步骤(4)中使用Ghostnetv2网路替换改进Yolo主干特征提取网络，其中Ghostnetv2网络为：
[0025]Ghostnetv2使用DFC注意力机制，将普通的注意力聚合过程分成两个全连接层，分别沿水平和竖直方向聚合特征，其表达式为：
[0026][0027][0028]其中，F
H
和F
W
是权重，输入是原始特征，F
HW
×
H
×
W
是可学习权重，A＝{a
11
,a
12
,
…
,a
HW
}是得到的注意力图。
[0029]优选的，步骤(4)中所述的使用DFC注意力机制构建Ghostnetv2网络具体为：
[0030]对于输入特征对于输入特征为实数，它被送到2个分支里面，一个是Ghost分支，得到输出特征Y，一个是DFC分支,得到注意力矩阵A，再使用1
×
1的点卷积将模块中的输入X转化为DFC的输入Z，模块的最终输入为两个分支输出的element
‑
wise乘法，其公式为：
[0031][0032]其中为输入特征，A为DFC生成的注意力矩阵图，O为ghost模块最终输出，
⊙
为element
‑
wise乘法，Sigmoid为sigmoid函数，其公式为：
[0033][0034]优选的，步骤(4)所述的改进Yolo算法采用的LeakyReLu激活函数，其表达式为：
[0035][0036]其中，x为函数输入，α为负斜率(negative_slope)，本专利技术中取值为0.01。
[0037]优选的，步骤(6)中将训练好的模型文件以ONNX文件导出，使用TensorRT部署生成Engine模型，其特征在于：
[0038]将训练好的pytorch绝缘子检测模型，通过pytorch的ONNX处理接口，将对应的模型文件转换为ONNX格本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进Yolo算法的无人机航拍绝缘子目标检测方法，其特征在于包括以下步骤：(1)对需要应用的绝缘子场景进行无人机航拍，并将航拍视频抽帧为图像数据；(2)对图像数据进行标注，并将标注好的图像数据按照比例划分为训练集和验证集；(3)对训练集数据进行增强；(4)使用Ghostnetv2网路替换改进Yolov主干特征提取网络；(5)使用改进yolov网络模型训练，配置得到TensorRT的数据、模型即环境；(6)将训练好的模型文件导出，使用TensorRT部署生成Engine模型；(7)使用Engine模型部署并进行无人机检测。2.根据权利要求1所述的基于改进Yolo算法的无人机航拍绝缘子目标检测方法，其特征在于：步骤(3)中对训练集数据进行增强的方法采用的是Mosaic+Mixup方法混合增强。3.根据权利要求1所述的基于改进Yolo算法的无人机航拍绝缘子目标检测方法，其特征在于：所述的Mosaic+Mixup混合增强方法分别为：其中所述Mosaic方法为：在训练集中随机选择n张图片，n∈4
×
N，N为正整数，取其部分拼入训练图片中；其中所述Mixup方法为：分别从两个批次不同的训练集中，随机选择两张图像，并以λ为参数生成新的图像。4.根据权利要求3所述的Mosaic+Mixup混合增强方法，其原理公式为：mixed_batch
x
＝λ
×
batch
x1
+(1
‑
λ)
×
batch
x2
mixed_batch
y
＝λ
×
batch
y1
+(1
‑
λ)
×
batch
y2
其中，所述batch
x1
为一个批次样本，batxh
y1
为该批次样本对应的标签；batch
x2
为另一个批次的样本，batch
y2
为该批次对应的标签，其中所述λ为参数α、β的贝塔...

【专利技术属性】
技术研发人员：高海龙，任孝峰，王丽峰，王栋，赵昌新，肖学权，张潇，徐志鹏，滕松，顾洋，杜文亮，周勇，马佳伊，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：