一种基于改进制造技术

本发明专利技术公开了一种基于改进

【技术实现步骤摘要】
一种基于改进YOLOv3网络的无人机电力巡检隐患识别方法


[0001]本专利技术涉及无人机电力巡检
，具体涉及一种基于改进
YOLOv3
网络的无人机电力巡检隐患识别方法
。

技术介绍

[0002]目前输电线路分布范围广泛，且不可避免地会受到一定损坏，若不能及时发现并处理存在的问题，会给输电线路的稳定运行带来极大的隐患，使得电力系统难以有效运行
。
传统的电力巡检方式，基本通过人工巡检完成，为及时发现设备存在的问题，在电力巡检过程中，巡检人员用眼睛
、
望远镜或者其他工具对输电线路的各部件进行观察和检测
。
然而巡检人员的观察视野有限，难以进行较为全面且有效的电力设备巡视检查，这使得人工巡检的劳动强度大且巡检效率低
。
[0003]随着无人机技术的发展，无人机的应用越来越广泛，无人机的性能也得到了显著提高，这使得无人机在电力巡检中得到广泛应用
。
但现有的无人机巡检方法还存在一定的缺陷：首先，无人机电力巡检需要对杆塔目标物体进行全方位巡查
、
精细拍照，来发现各种潜在问题，拍照的精准度
、
清晰度无法得到很好的保障，且照片背景复杂，分类识别容易受背景干扰，传统的卷积神经网络在数据集上无法达到良好的效果，无法准确识别巡检中的干扰项，例如树叶
、
冰雪等；其次，目前无人机巡检模型复杂，导致其部署在无人机上较为困难，同时检测速度慢，不能实时检测出电网故障，导致巡检人员不能做出及时的判断
。
因此，设计一种高效
、
实时的无人机电力巡检隐患识别方法，来克服上述缺陷，成为目前电力巡检亟待解决的技术问题
。

技术实现思路

[0004]本专利技术的目的在于提供一种基于改进
YOLOv3
网络的无人机电力巡检隐患识别方法，其可以实现无人机电力巡检过程中对杆塔周围的隐患识别
。
[0005]在本专利技术的一个方面，本专利技术提出了一种基于改进
YOLOv3
网络的无人机电力巡检隐患识别方法
。
根据本专利技术的实施例，所述方法包括以下步骤：
[0006]S1
：采集图像，构建无人机电力巡检缺陷隐患的数据集；
[0007]S2
：对
YOLOv3
深度学习网络进行轻量化改进；
[0008]S3
：利用构建的数据集对改进的
YOLOv3
网络进行离线训练，得到无人机电力巡检隐患识别网络模型，并部署到无人机上；
[0009]S4
：使无人机按照预设航线巡检，实时采集待检测杆塔的目标图像，将采集到的图像输入到改进的
YOLOv3
深度学习网络进行识别
。
[0010]另外，根据本专利技术上述实施例的基于改进
YOLOv3
网络的无人机电力巡检隐患识别方法，还可以具有如下附加的技术特征：
[0011]在本专利技术的一些实施例中，所述步骤
S1
中，缺陷隐患包括绝缘子破损
、
杆塔存在鸟窝
、
螺栓腐蚀
、
螺栓松脱
。
[0012]在本专利技术的一些实施例中，所述步骤
S1
具体包括以下步骤：
[0013]S101
：设置无人机电力巡检中的图像采集模块，利用无人机上的摄像头装置，对杆塔进行拍摄，采集无人机电力巡检的图像；
[0014]S102
：设置无人机电力巡检中的图像数据集标注模块，使用标注软件对采集到的图像进行规范化标注，确定目标所在框的位置坐标及缺陷隐患的类别，形成标准数据集；
[0015]S103
：设置无人机电力巡检中的数据集划分模块，将标注后的数据集打乱顺序，按照一定的比例将其划分为训练集
、
验证集和测试集；
[0016]S104
：设置无人机电力巡检中的数据预处理模块，对数据集进行图像增强
。
[0017]在本专利技术的一些实施例中，所述步骤
S2
具体包括以下步骤：
[0018]S201
：在
YOLOv3
网络模型中添加空间金字塔模块
、
通道剪枝模块以及层剪枝模块，改进得到的
YOLOv3
网络模型包括特征提取骨干网络
、
空间金字塔模块
、
通道剪枝模块
、
层剪枝模块以及
YOLOv3
多尺度预测模块；
[0019]S202
：特征提取骨干网络采用
Darknet
‑
53
网络，输入网络的图像通过
Darknet
‑
53
进行特征提取后，输出结果分别输入空间金字塔模块和
YOLOv3
多尺度预测模块；
[0020]S203
：空间金字塔模块利用不同大小的池化核，实现不同尺度的特征融合，用于
YOLOv3
的多尺度预测；
[0021]S204
：
YOLOv3
多尺度预测模块删除对准确率影响不大的参数，实现对
YOLOv3
网络的轻量化改进；
[0022]S205
：对
YOLOv3
网络模型进行稀疏训练，稀疏训练后通过通道剪枝模块对比例因子小于阈值的卷积层进行通道剪枝，以及通过层剪枝模块对比例因子均值小的归一化层所在的
CBL
模块进行层剪枝；
[0023]S206
：利用
Focal loss
解决一张图像中能够匹配到目标的正样本个数与没有匹配到的负样本个数不均衡的问题，在
Focal loss
中引入调变因子，当样本分类错误时，调变因子趋于1，使得网络损失函数几乎不受影响；当样本被分类正确时，调变因子趋于0，使得网络损失接近于
0。
[0024]在本专利技术的一些实施例中，所述步骤
S206
中，网络损失包括定位损失
、
分类损失
、
置信度损失
。
[0025]在本专利技术的一些实施例中，所述定位损失计算方式如下：
[0026][0027]其中，
IoU
为交并比，即预测框与真实框的交集与并集之比，
Ac
为预测框与真实框的最小闭包区域面积，
U
为预测检测框与真实框的并集；
[0028]回归定位损失定义如下：
[0029]L
GIoU
＝1‑
GIoU。
[0030][0031]在本专利技术的一些实施例中，所述置信度损失计算方法如下：
[0032][0033]其中，
c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
YOLOv3
网络的无人机电力巡检隐患识别方法，其特征在于，所述方法包括以下步骤：
S1
：采集图像，构建无人机电力巡检缺陷隐患的数据集；
S2
：对
YOLOv3
深度学习网络进行轻量化改进；
S3
：利用构建的数据集对改进的
YOLOv3
网络进行离线训练，得到无人机电力巡检隐患识别网络模型，并部署到无人机上；
S4
：使无人机按照预设航线巡检，实时采集待检测杆塔的目标图像，将采集到的图像输入到改进的
YOLOv3
深度学习网络进行识别
。2.
根据权利要求1所述的一种基于改进
YOLOv3
网络的无人机电力巡检隐患识别方法，其特征在于：所述步骤
S1
中，缺陷隐患包括绝缘子破损
、
杆塔存在鸟窝
、
螺栓腐蚀
、
螺栓松脱
。3.
根据权利要求1所述的一种基于改进
YOLOv3
网络的无人机电力巡检隐患识别方法，其特征在于，所述步骤
S1
具体包括以下步骤：
S101
：设置无人机电力巡检中的图像采集模块，利用无人机上的摄像头装置，对杆塔进行拍摄，采集无人机电力巡检的图像；
S102
：设置无人机电力巡检中的图像数据集标注模块，使用标注软件对采集到的图像进行规范化标注，确定目标所在框的位置坐标及缺陷隐患的类别，形成标准数据集；
S103
：设置无人机电力巡检中的数据集划分模块，将标注后的数据集打乱顺序，按照一定的比例将其划分为训练集
、
验证集和测试集；
S104
：设置无人机电力巡检中的数据预处理模块，对数据集进行图像增强
。4.
根据权利要求1所述的一种基于改进
YOLOv3
网络的无人机电力巡检隐患识别方法，其特征在于，所述步骤
S2
具体包括以下步骤：
S201
：在
YOLOv3
网络模型中添加空间金字塔模块
、
通道剪枝模块以及层剪枝模块，改进得到的
YOLOv3
网络模型包括特征提取骨干网络
、
空间金字塔模块
、
通道剪枝模块
、
层剪枝模块以及
YOLOv3
多尺度预测模块；
S202
：特征提取骨干网络采用
Darknet
‑
53
网络，输入网络的图像通过
Darknet
‑
53
进行特征提取后，输出结果分别输入空间金字塔模块和
YOLOv3
多尺度预测模块；
S203
：空间金字塔模块利用不同大小的池化核，实现不同尺度的特征融合，用于
YOLOv3
的多尺度预测；
S204
：
YOLOv3
多尺度预测模块删除对准确率影响不大的参数，实现对
YOLOv3
网络的轻量化改进；
S205
：对
YOLOv3
网络模型进行稀疏训练，稀疏训练后通过通道剪枝模块对比例因子小于阈值的卷积层进行通道剪枝，以及通过层剪枝模块对比例因子均值小的归一化层所在的
CBL
模块进行层剪枝；
S206
：利用
Focal loss
解决一张图像中能够匹配到目标的正样本个数与没有匹配到的负样本个数不均衡的问题，在
Focal loss
中引入调变因子，当样本分类错误时，调变因子趋于1，使得网络损失函数几乎不受影响；当样本被分类正确时，调变因子趋于...

【专利技术属性】
技术研发人员：于滨，高瑞阳，王晨霖，钟海冰，丁川，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：