【技术实现步骤摘要】
本专利技术涉及输电线路，特别是一种基于改进yolox的输电线路螺栓故障检测方法。
技术介绍
1、随着国家经济的发展，电力行业的增长导致了对电网的稳定性要求增加。伴随输电网络的扩大，产生了许多远离城镇和暴露在恶劣环境条件下的输电线路。螺栓是高架输电线路的一个重要组成部分，用于固定输电塔的重要部分。螺栓通常用于将高压线固定在塔的一端，以确保稳定。然而，这些输电塔及其附件在环境因素、人为因素和设备本身的影响下，容易受到损害，可能会导致严重的隐患，如螺母和螺栓的丢失或脱落，如果不及时修复，会对电网、周边地区造成严重损失，并有可能导致大规模停电。总的来说，电网的安全和可靠运行有赖于输电线路及其附件的正确维护和修理。因此，必须定期检查和处理这些部件的使用情况，防止潜在的危险发生，确保电网的稳定。
2、因此，利用现有的检测设备进行自动检测是有效的输电线路故障检测的必要条件。目前，关于输电塔故障检测的研究很多，但对于销钉缺失检测的方法很少。传统的检测算法有其局限性，如难以获取振动信号，图像分析受销钉和螺母的尺寸和质量影响，状态分析会受到复杂背景信息和图像清晰度的影响，导致结果不可靠。由于图钉尺寸小，缺乏明显特征，检测效果并不理想。因此，研究具有较强泛化能力和较高识别精度的识别方法对识别小目标缺陷非常重要。为了更有效的提高输电线路检测图像中螺栓检测的准确性，需要进一步研究开发更先进的算法和模型，以提高输电线路检测图像中螺栓检测的准确性和可靠性。
3、目前流行且效果较好的深度学习目标检测方法，均依赖于候选目标区域生成的方法来
技术实现思路
1、本专利技术所要解决的技术问题是提供一种基于改进yolox的输电线路螺栓故障检测方法，解决了在螺栓故障检测中，小目标检测不到和容易漏检的问题。
2、为解决上述技术问题，本专利技术所采用的技术方案是：一种基于改进yolox的输电线路螺栓故障检测方法，包括以下步骤：
3、s1，获取输电线路巡检图像数据，采集包含故障螺栓、正常螺栓两类样本的输电线路巡检图片，进行图像预处理；
4、s2，制作数据集按8：1：1比例随机划分为训练集、验证集以及测试集，并对训练集和验证集中的螺栓及其故障目标进行标记；
5、s3，对yolox模型部分结构进行修改，增强模型检测小目标的能力，提高检测速度；
6、s4，将训练集中的图像输入改进后yolox模型进行特征提取与预测；
7、s5，调整好模型训练过程中的参数及方法，通过s4中的方法及s2中的数据集对目标检测模型进行训练，达到设定的epoch即停止训练；
8、s6，对改进后yolox算法进行剪枝操作，进一步调整达到运行要求。
9、优选的，所述步骤s3中yolox模型包括backbone、neck和head三部分，其中
10、backbone由focus模块、卷积块和csp模块构成；将原始640ⅹ640ⅹ3的图像输入focus模块，通过切片操作，先将特征图变为320×320×12的特征图；然后使用32个卷积核卷积得到320×320×32的特征图；采用swin transformer替换yolox中的cspdarknet主干网络；
11、neck部分进行特征融合，网络结构由于采用fpn+pan结构可将不同主特征层与不同的检测层进行融合，fpn从上向下传达语义特征，pan自底向上传达定位特征；引入加权特征融合结构，在聚合不同分辨率的特征，增强多尺度检测的能力，在该部分插入eca通道注意力机制。
12、优选的，所述采用swin transformer替换yolox中的cspdarknet主干网络，首先，在一个swin transformer block中，对于输入特征xi，进行layer norm对xi标准化ln(xi)；
13、其次，计算窗口注意力w-msa(ln(xi))，与残差结构相加得到该层的中间结果再次标准化
14、最后，通过全连接层叠加残差结构得到该层的输出
15、式中，w-msa表示窗口注意力，xi表示输入特征，表示输出结果；
16、注意力的计算方式增加了偏置b，公式如下：
17、
18、式中：q、k、v为注意力机制中所需的3个向量，分为query向量、key向量value向量；b为采取的偏置d为缩放系数；
19、swin transformer交替使用两种注意力机制，滑动窗口注意力在前一个block中采用窗口注意力w-msa，在后一个block中采用滑动窗口注意力，两者成对出现。
20、优选的，eca通道注意力机制如下：
21、输入原始特征图片，对原始图片的所有通道全局平均池化处理后，再利用大小为q的快速一维卷积产生通道权值，计算出不同通道的对应概率后再与原始输入特征相乘，作为下一层的输入；通过函数自适应的方式确定q值，其取值与通道维数c成正比，如公式所示：
22、
23、
24、其中c为通道维数，q为快速一维卷积产生通道权值，|*|odd为最近的奇数，λ＝2,b＝1；
25、在不降低维数的通道级全局平均池化之后，eca注意力机制通过考虑每个通道及其k个邻居来捕获局部跨通道交互信息。
26、优选的，所述步骤s6中对s5中模型进行模型剪枝操作如下：
27、s61，根据模型各项重要网络参数，确定剪枝层数，计算一个网络层输出变化量对该层权重的偏导数，该数值反映该层对输出的敏感度，敏感度越大对输出的影响越大，剪枝时需要优先考虑；
28、s62，对要剪枝的网络层进行权重排序，根据排序结果和剪枝率，确定阈值，剔除网络中低于阈值的权重；
29、s63，根据新的模型参数和权重，生成剪枝后的yolox模型。
30、优选的，所述s5中模型训练评价指标如下：
31、准确率是衡量模型算法的准确性，计算公式为：
32、
33、召回率是衡量模型算法全面查找正样本的能力，计算公式为：
34、
35、平均精度ap是衡量模型算法在每个类别上的好坏，计算公式为：
36、
37、所有类别平均精度map由平均精度ap求和取平均得到，计算公式为：
38、
39、式中是每一个类别的平均精度，c是总类别数；
40、f1-score为均衡平均数，数值为精准度precision和召回率recall的调和平均值，f1-score主要用来对目标检测模型的精准度和召回率做出本文档来自技高网...
【技术保护点】
1.一种基于改进YOLOX的输电线路螺栓故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于改进YOLOX的输电线路螺栓故障检测方法，其特征在于，所述步骤S3中YOLOX模型包括Backbone、Neck和Head三部分，其中
3.根据权利要求2所述一种基于改进YOLOX的输电线路螺栓故障检测方法，其特征在于，所述采用Swin Transformer替换YOLOX中的CSPDarknet主干网络，首先，在一个SwinTransformer Block中，对于输入特征Xi，进行Layer Norm对Xi标准化LN(Xi)；
4.根据权利要求2所述一种基于改进YOLOX的输电线路螺栓故障检测方法，其特征在于，ECA通道注意力机制如下：
5.根据权利要求1所述一种基于改进YOLOX的输电线路螺栓故障检测方法，其特征在于，所述步骤S6中对S5中模型进行模型剪枝操作如下：
6.根据权利要求1所述一种基于改进YOLOX的输电线路螺栓故障检测方法，其特征在于，所述S5中模型训练评价指标如下：
【技术特征摘要】
1.一种基于改进yolox的输电线路螺栓故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于改进yolox的输电线路螺栓故障检测方法，其特征在于，所述步骤s3中yolox模型包括backbone、neck和head三部分，其中
3.根据权利要求2所述一种基于改进yolox的输电线路螺栓故障检测方法，其特征在于，所述采用swin transformer替换yolox中的cspdarknet主干网络，首先，在一个swintransformer...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。