一种自适应特征融合与轻量化制造技术

本发明专利技术公开了一种自适应特征融合与轻量化

【技术实现步骤摘要】
一种自适应特征融合与轻量化YOLOv5s的绝缘子缺陷检测方法


[0001]本专利技术涉及绝缘子缺陷检测技术，尤其涉及一种自适应特征融合与轻量化
YOLOv5s
的绝缘子缺陷检测方法
。

技术介绍

[0002]随着电力系统的发展，输电线路和变电站的数量增加，相应的绝缘子数量也迅速增加
。
绝缘子在电力系统的安全运行中起着重要的作用
。
绝缘子持续暴露在自然环境中，容易出现破损现象，绝缘子的损坏会引起导体之间的短路，还会严重损坏电气设备，甚至导致电网意外断电
。
因此，绝缘子缺陷检测，对整个电力系统的安全运行至关重要
。
当前，输电线路的巡检已经普遍采用无人机进行数据采集，并利用深度学习方法对绝缘子进行缺陷检测，具有巡检速度快和安全性高的优点，能够极大的提高巡检的效率
。
[0003]基于深度学习的检测方法是一种端到端学习方法
。
通过多层网络堆叠，深度学习网络可以从大量数据中学习复杂的高级特征表示，并能够大量减少检测时间，有效提高对象状态检测的准确性和效率
。
基于深度学习的对象检测器可以分为单级检测器和两级检测器
。
[0004]单级检测器具有简单高效的优点
。Wang
等人提出了一种网络缩放方法，可以提高基于单级检测器的对象检测器的性能，该方法通过修改深度
、
宽度
、
分辨率和网络结构等方面，从而提高模型的性能/>。Wang
等人提出了一种轻量级
CNN
来识别边缘智能终端上的覆冰绝缘子，该方法采用
MobileNetv3
作为特征提取网络，单次多盒探测器
(SSD)
作为绝缘子冰厚测量网络
。Zhang
等人提出了一种密集连接的特征金字塔网络，并与
YOLOv3
模型进行融合，提高了绝缘子漏帽检测性能，但增加了网络计算量
。Liu
等人采用多尺度融合结构
、
空间金字塔模型和多尺度检测头技术，构建了
MTI
‑
YOLO
模型，提高了模型的检测准确率
。
然而，这也导致了模型的检测速度下降，并且该模型仅仅能够检测正常绝缘子，不能检测绝缘子缺陷
。Yan
等人为解决弱小目标检测中弱小目标信息量少
、
信息真假混杂的难题，提出一种融合多层级特征的遥感图像地面弱小目标检测算法
CC
‑
YOLO
算法
AP
0.5:0.95
达到
42.3
％，
AP
0.5
达到
94.6
％，检测速率
FPS
达到了
58.8
帧
/s
，具有一定的鲁棒性和实时性
。Hao
等人提出了一种改进的基于
YOLOv4(ID
‑
YOLO)
的绝缘子缺陷检测模型，该模型采用了一种新的多尺度双向特征金字塔网络，实现了更有效的特征融合，解决了图像中识别小尺度绝缘体缺陷的困难
。Wu
等人提出基于改进
YOLOv4
算法的
PCB
缺陷检测方法，该算法使用改进二分
K
‑
means
聚类结合交并比
(IoU)
损失函数来确定锚框，并引用
MobileNetV3
作为特征提取网络，提升对
PCB
小目标缺陷的检测性能
。Gao
等人提出了一种改进的绝缘子小缺陷检测网络，该网络具有批量归一化卷积块关注模块
BN
‑
CBAM
和特征融合模块，实现了更好的绝缘子小缺陷检测性能
。
但该网络模型占用内存较大，运行时间长
。
[0005]基于两级检测器，
Lei
等人采用
Faster R
‑
CNN
网络对高压线进行故障检测，使用两级检测器来定位破碎的绝缘子和鸟巢，但速度无法满足实时性要求
。Zhao
等人改进了
Faster R
‑
CNN
的锚生成和非最大抑制方法，提高了检测速度，但精度较低
。Tao
等人提出了一种新的级联深度卷积神经网络架构，用于检测绝缘体中的缺陷
。Chen
等人提出基于多注意力
Faster RCNN
的缺陷检测方法，分别于特征提取以及特征融合部分引入注意力机制以获得具有抗干扰能力的特征表示，提升检测效果
。Zhao
等人利用
Faster R
‑
CNN
网络定位绝缘子区域，然后采用直线检测
、
图像旋转和垂直投影等方法完成绝缘子故障检测，但对图像质量要求较高且检测速度慢
。Kang
等人设计了一种绝缘子表面缺陷检测系统，利用
Faster R
‑
CNN
网络定位绝缘子区域，通过分类评分和异常评分确定缺陷状态，但存在误检和漏检问题
。
[0006]综上所述，在具有复杂背景的航空图像中检测绝缘子缺陷是极其困难的
。
此外，绝缘子缺陷检测模型在训练期间存在训练样本不平衡的问题，导致模型的鲁棒性较弱
。
且绝缘子串在整幅图像通常占有较大区域，而故障区域属于小目标，这需要深度学习网络能融合多尺度特征，更精准的检测缺陷区域
。

技术实现思路

[0007]为解决现有技术中存在的不足，本专利技术的目的在于，提供一种自适应特征融合与轻量化
YOLOv5s
的绝缘子缺陷检测方法
。
[0008]为实现本专利技术的目的，本专利技术所采用的技术方案是：
[0009]一种自适应特征融合与轻量化
YOLOv5s
的绝缘子缺陷检测方法，包括步骤：
[0010](1)
构建改进的
YOLOv5s
模型，改进的
YOLOv5s
模型包括特征提取网络
、
特征融合结构和检测输出部分；
[0011]特征提取网络为
EfficientNet
网络，由多个
MBConv
卷积块组成；特征融合结构在特征金字塔结构的基础上增加自适应特征融合
ASFF
模块，自适应地融合不同级别的特征；
[0012](2)
采集历史绝缘子图像进行预处理制作绝缘子数据集，并将数据集分为训练集和验证集；采用数据训练集对改进的
YOLOv5s
模型进行训练，并通过验证集评估算法性能；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种自适应特征融合与轻量化
YOLOv5s
的绝缘子缺陷检测方法，其特征在于，包括步骤：
(1)
构建改进的
YOLOv5s
模型，改进的
YOLOv5s
模型包括特征提取网络
、
特征融合结构和检测输出部分；特征提取网络为
EfficientNet
网络，由多个
MBConv
卷积块组成；特征融合结构在特征金字塔结构的基础上增加自适应特征融合
ASFF
模块，自适应地融合不同级别的特征；
(2)
采集历史绝缘子图像进行预处理制作绝缘子数据集，并将数据集分为训练集和验证集；采用数据训练集对改进的
YOLOv5s
模型进行训练，并通过验证集评估算法性能；
(3)
使用训练好的改进的
YOLOv5s
模型进行实时绝缘子缺陷检测
。2.
根据权利要求1所述的一种自适应特征融合与轻量化
YOLOv5s
的绝缘子缺陷检测方法，其特征在于，
MBConv
卷积块依次包括：一个含有批归一化
BN
和
Swish
激活函数的普通卷积，一个含有批归一化
BN
和
Swish
激活函数的
kxk
深度可分离卷积层，一个
SE
模块，一个含有批归一化
BN
和线性激活函数
y
＝
x
的普通卷积，最后一个
Dropout
层
。3.
根据权利要求2所述的一种自适应特征融合与轻量化
YOLOv5s
的绝缘子缺陷检测方法，其特征在于，深度可分离卷积层的
kxk
有
5x5
和
3x3
两种结构
。4.
根据权利要求2所述的一种自适应特征融合与轻量化
YOLOv5s
的绝缘子缺陷检测方法，其特征在于，
SE
模块依次包括平均池化层和两个全连接层，第一个全连接层
FC1
，第二个全连接层
FC2
均含有
Sigmoid
激活函数
。5.
根据权利要求4所述的一种自适应特征融合与轻量化
YOLOv5s
的绝缘子缺陷检测方法，其特征在于...

【专利技术属性】
技术研发人员：贺振东，刘洁，和萍，申永鹏，杨小亮，杨文彬，郑安平，李从善，刁智华，张雷，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：