【技术实现步骤摘要】
本专利技术涉及图像处理与计算机视觉领域，更具体地说，本专利技术涉及一种基于yolov5-efh算法的轻量化输电线路绝缘子缺陷检测方法。
技术介绍
1、输电线路绝缘子缺陷检测方法大致可以分为传统的图像处理检测方法、机器学习检测方法和深度学习检测方法。其中深度学习检测方法通过应用卷积神经网络来自动提取目标的特征，具有较强的特征提取能力同时还具有一定的鲁棒性和模型泛化能力，表现出了令人满意的效果。目前已经用于输电线路绝缘子缺陷检测的深度学习算法有两阶段目标检测算法：r-cnn、sppnet；以及单阶段目标检测算法：yolov3、yolov5等。
2、其中：两阶段目标检测算法通常由两个主要步骤组成：第一个阶段主要负责提取候选区域，通常使用区域提议网络来实现。在第二阶段，它会利用第一个阶段产生的候选区域来进行更加精细的对象分类和边界框回归；由于它涉及到两个阶段的处理，整个过程计算量很大，检测速度很慢。
3、目前虽有单阶段目标检测算法的绝缘子缺陷检测的方法，但很少权衡模型的精度和实时性两方面的要求。
4、鉴于此，本专利技术提供了一种基于yolov5-efh算法的轻量化输电线路绝缘子缺陷检测方法。
技术实现思路
1、为了克服现有技术中的问题，本专利技术提出一种基于yolov5-efh算法的轻量化输电线路绝缘子缺陷检测方法，以确保低算力设备上满足实时性和高精度的要求。
2、第一方面，本专利技术提供了一种基于yolov5-efh算法的轻量化输电线路绝缘
3、对yolov5主干网络进行第一改进处理，第一改进处理包括yolov5-effinetv2网络的构建以及引入空间金字塔池化；
4、对yolov5网络颈部进行第二改进处理，第二改进处理包括构建轻量的c3_light结构和上采样方式改进，综合各个改进措施，从而生成yolov5-efh的轻量化绝缘子缺陷检测算法；基于yolov5-efh算法提取输电线路绝缘子的全局特征；
5、基于全局特征分析评价指标，评价指标包括精确率、召回率、不同iou下的平均精确度、模型参数量和浮点运算次数。
6、作为本专利技术的一种优选方案，绝缘子图像的获取还包括：对初始绝缘子图像通过数据预处理进行数据增强，从而获得绝缘子图像数据集，并对绝缘子图像数据集进行数据标注；
7、所述数据预处理的方式包括随机亮度、随机剪裁、随机对比度、翻折、随机遮挡中的一种或多种组合处理方式。
8、作为本专利技术的一种优选方案，第一改进处理包括以下步骤：
9、采用efficientnet-v2网络模型，在fused-mbconv中3x3卷积可以直接在输入特征上操作，融合特征捕获绝缘子图像的边缘和纹理信息；
10、将efficientnet-v2网络模型中的efficienetv2-s结构与yolov5相结合生成yolov5-effinetv2-s网络，并根据预设比例系数更新yolov5-effinetv2-s网络的通道数；
11、加入了sppf模块，使得特征在不同尺度之间有更好的交融，增强高层的语义信息，识别和定位绝缘子缺陷目标；
12、作为本专利技术的一种优选方案，选择efficienetv2-s结构与yolov5相结合,具体实现方式有：通道数在网络中进行乘0.50操作，层数量进行乘0.33操作，从而更新结合后的yolov5-effinetv2-s网络模型，在yolov5-effinetv2-s网络尾部加入了sppf模块。
13、作为本专利技术的一种优选方案，第二改进处理包括以下步骤：
14、提出轻量的c3_light结构，将c3_light结构集成到yolov5框架中；
15、引入转置卷积对上采样进行改进。
16、作为本专利技术的一种优选方案，c3_light结构具体包括以下结构：
17、1x1扩展卷积层，使得不同通道间的特征可以进行更丰富的交互和整合，
18、1x1投影层，将特征图的通道数量再次降低，去除可能存在的特征冗余，实现通道间的特性信息交互。
19、深度可分离卷积在大幅降低计算量的同时，仍能够有效地提取空间特征，
20、加入se注意力机制，增强通道特征信息的获取，促使网络关注更多缺陷的小目标特征。
21、作为本专利技术的一种优选方案，se注意力机制公式如下所示：
22、
23、式中，z表示全局特征，fsq表示挤压操作，x表示输入特征图，h为特征图的高度，w为特征图的宽度，xi,j为第i行第j列像素的特征向量。
24、激励操作公式：
25、s＝fex(z,w)＝σ(w2δ(w1z))；
26、式中，s表示激励得分向量，fex表示激励操作，表示行c列的权重矩阵，表示c行列的权重矩阵，r代表缩放比例，σ为sigmoid函数，δ为relu激活函数。
27、作为本专利技术的一种优选方案，上采样具体改进操作如下：
28、在轻量化改进yolov5模型中，左侧使用了一个3x3的卷积核、步长为1、无填充的卷积，右侧采用了3x3的卷积核、步长为2、并且无填充的卷积；
29、转置卷积的运算公式为：
30、p′＝k-1；
31、i″＝i′+2(k-1)；
32、
33、式中：i′表示绝缘子原图像尺寸o通过卷积核尺寸k、步长为s和填充为p的转置卷积方式进行卷积得到的图像尺寸；，i″表示图像尺寸i′经填充p′形成的图像尺寸；使用转置卷积推导回原绝缘子图像尺寸o″,绝缘子图像尺寸o与o″的形状和转置结果一致；
34、步长大于1的通项公式：
35、
36、第二方面，本专利技术提供了一种计算机可读存储介质，：储存有指令，当所述指令在计算机上运行时，使得计算机执行所述的一种基于yolov5-efh算法的轻量化输电线路绝缘子缺陷检测方法。
37、第三方面，本专利技术提供了一种电子设备，包括：包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
38、所述处理器通过调用所述存储器中存储的计算机程序，执行所述的一种基于yolov5-efh算法的轻量化输电线路绝缘子缺陷检测方法。
39、本专利技术一种基于yolov5-efh算法的轻量化输电线路绝缘子缺陷检测方法的技术效果和优点：
40、本专利技术改进后的yolov5-efh算法在绝缘子的检测精度上表现得更好，能够显著提高缺陷检测的准确性，并且降低了模型复杂度，实现了轻量化的绝缘子缺陷检测算法。
41、选取efficientnet-v2作为yolov5的主干网络，降低模型复杂度和减少模型参数量。利用转置卷积减少特征在上采样过程中的信息丢失，确保模型在减负的同时保持高精度。最后，提出一种新型的轻量化c3_light模块用本文档来自技高网...
【技术保护点】
1.一种基于YOLOv5-EFH算法的轻量化输电线路绝缘子缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于YOLOv5-EFH算法的轻量化输电线路绝缘子缺陷检测方法，其特征在于，绝缘子图像的获取还包括：对初始绝缘子图像通过数据预处理进行数据增强，从而获得绝缘子图像数据集，并对绝缘子图像数据集进行数据标注；
3.根据权利要求2所述的一种基于YOLOv5-EFH算法的轻量化输电线路绝缘子缺陷检测方法，其特征在于，第一改进处理包括以下步骤：
4.根据权利要求3所述的一种基于YOLOv5-EFH算法的轻量化输电线路绝缘子缺陷检测方法，其特征在于，选择EfficienetV2-S结构与YOLOv5相结合,具体实现方式有：通道数在网络中进行乘0.50操作，层数量进行乘0.33操作，从而更新结合后的YOLOv5-EffiNetV2-S网络模型，在YOLOv5-EffiNetV2-S网络尾部加入了SPPF模块。
5.根据权利要求4所述的一种基于YOLOv5-EFH算法的轻量化输电线路绝缘子缺陷检测方法，其特征在于，第二改进
6.根据权利要求5所述的一种基于YOLOv5-EFH算法的轻量化输电线路绝缘子缺陷检测方法，其特征在于，C3_Light结构具体包括以下结构：
7.根据权利要求6所述的一种基于YOLOv5-EFH算法的轻量化输电线路绝缘子缺陷检测方法，其特征在于，SE注意力机制公式如下所示：
8.根据权利要求7所述的一种基于YOLOv5-EFH算法的轻量化输电线路绝缘子缺陷检测方法，其特征在于，上采样具体改进操作如下：
9.一种计算机可读存储介质，其特征在于：储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-8任意一项所述的一种基于YOLOv5-EFH算法的轻量化输电线路绝缘子缺陷检测方法。
10.一种电子设备，其特征在于，包括：包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
...【技术特征摘要】
1.一种基于yolov5-efh算法的轻量化输电线路绝缘子缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于yolov5-efh算法的轻量化输电线路绝缘子缺陷检测方法，其特征在于，绝缘子图像的获取还包括：对初始绝缘子图像通过数据预处理进行数据增强，从而获得绝缘子图像数据集，并对绝缘子图像数据集进行数据标注；
3.根据权利要求2所述的一种基于yolov5-efh算法的轻量化输电线路绝缘子缺陷检测方法，其特征在于，第一改进处理包括以下步骤：
4.根据权利要求3所述的一种基于yolov5-efh算法的轻量化输电线路绝缘子缺陷检测方法，其特征在于，选择efficienetv2-s结构与yolov5相结合,具体实现方式有：通道数在网络中进行乘0.50操作，层数量进行乘0.33操作，从而更新结合后的yolov5-effinetv2-s网络模型，在yolov5-effinetv2-s网络尾部加入了sppf模块。
5.根据权利...
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。