【技术实现步骤摘要】
本专利技术涉及故障检测和计算机视觉，具体涉及一种基于c2f-faster的yolov8n输电线路故障检测方法。
技术介绍
1、由于长期暴露在复杂自然环境中，高压输电线路易受雨雪腐蚀、沙暴、雷击等自然条件扰乱，因此输电线路易发生故障现象。此时，定期巡检变得尤为关键。无人机检测模式可以有效克服人工巡检“费时、缓慢、艰难、风险”的弊端，具有高效安全、操控灵活、受限条件少以及成本低等优势。该方式主要是通过巡检人员操控无人机上的图像采集装置获取高压输电线路的视频或图片数据，然后巡检人员借助自身专业知识对采集的视频或图片数据中存在的故障元件进行检测。但随着输电网络规模不断扩大，无人机采集到的数据倍增，给相关技术人员带来巨大工作负担。这种依赖人工进行输电线路故障检测的方式暴露出效率低、受主观因素限制等缺点。因此，在智能电网发展需求的催化下，基于人工智能方法对高压输电线路故障进行自动、准确检测具有重要意义。利用无人机对高压输电线路巡检并基于计算机视觉技术对巡检数据中存在的故障目标进行自动、准确检测是目前输电线路巡检领域中的重要研究方向，同时也是一个极具挑战性的课题。因此，在巡检大数据背景下开展基于人工智能巡检方式的研究具有重要意义。
2、yolo(you only look once)作为经典的目标检测算法，它的优势在于实时性高、简洁高效、多尺度检测、全局上下文信息利用和多任务学习。这些特点使得它在快速目标检测和实时应用场景中表现出色。但从另一方面来说，yolov8系列模型参数量过大，计算成本过高的问题和训练模型时间过长的问题长期存
技术实现思路
1、针对上述yolov8系列模型参数量过大，计算复杂度和成本过高的问题，以及训练模型时间过长的技术问题，本技术方案提供了一种基于c2f-faster的yolov8n输电线路故障检测方法，通过改进yolov8n的主干网络和颈部网络，可以降低计算复杂度和模型容量，且主干网络能从输入图像中提取和获得不同尺度和复杂度的特征；能有效的解决上述问题。
2、本专利技术通过以下技术方案实现：
3、一种基于c2f-faster的yolov8n输电线路故障检测方法，包括如下步骤：
4、s100：利用无人机在在输电线路巡检时收集到的图像建立输电线路故障检测数据集；
5、s200：将采集到的数据集进行标记，并按照8：2：1随机划分为训练集、验证集、测试集；
6、s300：将模型c2f模块替换为c2f-faster模块，改进yolov8n的主干网络(backbone)和颈部网络(neck)，构建基于c2f-faster的yolov8n检测模型；所述改进yolov8n的主干网络和颈部网络具体的操作方式为：
7、(1)将yolov8n网络主干网络模型10层结构的第三层改为c2f-faster层，该层由1个嵌入层(embedding)、3个合并层(merging)、全局最大池化层(global pool)和4个fasternet block层组成；其中fasternet block层由一个3×3的卷积层和2个1×1的卷积层构成，模块输入可与模块输出构成残差链接；输入通道数为32、输出通道数为32、参数量为3920；全局最大池化可以通过以下公式计算：
8、
9、式中：kh是高度方向上的核大小；kw是高度方向上的核大小；sh是高度方向上的步幅；sw宽度方向上的步幅；
10、fasternet block具体来说，只在输入通道的一部分上应用正则conv进行空间特征提取，而不影响其余通道；对于连续或规则的内存访问，将第一个或最后一个连续的通道视为用于计算的整个特征图的代表；
11、(2)yolov8n网络主干网络模型10层结构的第七层为c2f-faster层，由嵌入层、3个合并层、全局平均池化层和4个fasternet block层；其中fasternet block层由一个3×3的卷积层和2个1×1的卷积层构成；输入通道数为128、输出通道数为128、参数量为87552；
12、(3)yolov8n网络主干网络模型10层结构的第九层为c2f-faster层，由嵌入层、3个合并层、全局平均池化层和4个fasternet block层；其中fasternet block层由一个3×3的卷积层和2个1×1的卷积层构成；输入通道数为256、输出通道数为256、参数量为240128；
13、s400：基于所述训练集训练基于c2f-faster的yolov8n检测模型，得到检测模型；
14、s500：将所述测试集输入基于c2f-faster的yolov8n检测模型，输出输电线路故障检测结果，实现输电线路故障诊断。
15、进一步的，步骤s100所述的输电线路故障检测数据集涵盖绝缘子放电痕迹、绝缘子缺陷、绝缘子、防震锤损坏、防震锤、输电导线异物、鸟巢共6中类型。
16、进一步的，步骤s200中所述的将采集到的数据集进行标记，并按照8﹕2﹕1随机划分为训练集、验证集、测试集，包括步骤：
17、s201：使用labelling标注绝缘子放电痕迹、绝缘子缺陷、绝缘子、防震锤损坏、防震锤、输电导线异物、鸟巢共6种类型的数据；
18、s202：将标记框的类别、高宽存于txt文件中；
19、s203：将采集到的数据集进行标记，并按照8﹕2﹕1随机划分为训练集、验证集、测试集。
20、进一步的，步骤s300所述的yolov8n网络主干网络模型10层结构的第一层为卷积模块，由卷积层(conv2d)、二维批量归一化层(batchnorm2d)和silu激活函数构成；输入通道(input)的数量为3、输出通道(output)的数量为16、卷积核(kernal size)的大小为3×3、步长(stride)为2、参数量为464；其中二维批量归一化可以表示为：
21、
22、式中：x是输入数据；μ和σ2分别是批次数据的均值和方差；γ是比例因子；β是偏移；ò是一个小的数，用于防止除以零的情况；
23、yolov8n网络主干网络模型10层结构的第二层为卷积模块，由卷积层、二维批量归一化层和silu激活函数构成；输入通道(input)的数量为16、输出通道(output)的数量为32、卷积核(kernal size)的大小为3×3、步长(stride)为2、参数量为4672；
24、yolov8n网络主干网络模型10层结构的第四层为卷积模块，由卷积层、二维批量归一化层和silu激活函数构成；输入通道的数量为32、输出通道的数量为64、卷积核的大小为3×3、步长为2、参数量为18560；
25、yolov8n网络主本文档来自技高网...
【技术保护点】
1.一种基于C2f-Faster的YOLOv8n输电线路故障检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于C2f-Faster的YOLOv8n输电线路故障检测方法，其特征在于：步骤S100所述的输电线路故障检测数据集涵盖绝缘子放电痕迹、绝缘子缺陷、绝缘子、防震锤损坏、防震锤、输电导线异物、鸟巢共6中类型。
3.根据权利要求1所述的一种基于C2f-Faster的YOLOv8n输电线路故障检测方法，其特征在于：步骤S200中所述将采集到的数据集进行标记，并按照比例随机划分为训练集、验证集、测试集，包括步骤：
4.根据权利要求1所述的一种基于C2f-Faster的YOLOv8n输电线路故障检测方法，其特征在于：步骤S300所述的YOLOv8n网络主干网络模型10层结构的第一层为卷积模块，由卷积层(Conv2d)、二维批量归一化层(BatchNorm2d)和SiLU激活函数构成；输入通道(input)的数量为3、输出通道(output)的数量为16、卷积核(KernalSize)的大小为3×3、步长(stride)为2、参数量为
5.根据权利要求1所述的一种基于C2f-Faster的YOLOv8n输电线路故障检测方法，其特征在于：步骤S300所述的YOLOv8n网络颈部网络模型12层结构的前6层为上采样模块后6层为下采样模块，其中上采样具有2层C2f-Faster，下采样同样具有2层C2f-Faster，下采样模块比上采样模块多了2个卷积层。
6.根据权利要求1所述的一种基于C2f-Faster的YOLOv8n输电线路故障检测方法，其特征在于：步骤S400所述的基于训练集训练基于C2f-Faster的YOLOv8n检测模型，包括以下步骤：
7.根据权利要求6所述的一种基于C2f-Faster的YOLOv8n输电线路故障检测方法，其特征在于：步骤S500具体包括步骤：
...【技术特征摘要】
1.一种基于c2f-faster的yolov8n输电线路故障检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于c2f-faster的yolov8n输电线路故障检测方法，其特征在于：步骤s100所述的输电线路故障检测数据集涵盖绝缘子放电痕迹、绝缘子缺陷、绝缘子、防震锤损坏、防震锤、输电导线异物、鸟巢共6中类型。
3.根据权利要求1所述的一种基于c2f-faster的yolov8n输电线路故障检测方法，其特征在于：步骤s200中所述将采集到的数据集进行标记，并按照比例随机划分为训练集、验证集、测试集，包括步骤：
4.根据权利要求1所述的一种基于c2f-faster的yolov8n输电线路故障检测方法，其特征在于：步骤s300所述的yolov8n网络主干网络模型10层结构的第一层为卷积模块，由卷积层(conv2d)、二维批量归一化层(batchnorm2d)和silu激活函数构成；输入通道(inpu...
【专利技术属性】
技术研发人员：任一鸣，杜董生，邓祥帅，连贺，赵哲敏，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：
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。