【技术实现步骤摘要】
本专利技术涉及输电线路检测方法领域，具体是一种基于改进yolov5的输电线路目标检测方法及设备。
技术介绍
1、电力系统的输配电设备主要应用于电网运行中电能的传输和控制，保障着电网的安全可靠运行。我国能源基地大都远离负荷中心，远距离大规模电能输送以电力线路为载体，近年来输电线路建设速度加快。据不完全统计，我国110(66)kv及以上电压等级输电线路长度140万千米以上，电力线路中任何一点出现故障都可能导致电网运行风险。输电线路铁塔巡检和绝缘子检测是电力线路巡检工作的重要组成部分。近年来，鸟类频繁在输电线路塔上筑巢，其引发的故障很多，而且绝缘子缺损也会导致输电线路的正常运行。其中输电线路挂上异物严重时更会导致线路失火。所以定时进行输电线路巡检非要具有必要性。
2、随着人工智能、机器学习技术的发展，许多学者开展了关于目标识别算法的研究。其主要可以分为两大类：一类是两阶段(two-stage)目标检测算法，它是基于候选区域和cnn提取的‘两步法’算法模型；另一类是单阶段(one-stage)目标检测算法，它是直接完成从特征到分类、回归预测的算法模型。虽然现有的单阶段算法能够实现目标检测，但由于输电线路图片中需要检测的目标种类复杂，包含鸟巢、异物、绝缘子及其缺陷，因此单阶段算法在用于输电线路图片中目标检测时，存在检测精度低、速度慢、难以实现实时检测。故如何做到精度和检测速度都提升，实现实时检测，是个值得研究的对象。
技术实现思路
1、本专利技术提供了基于改进yolov5的输电线
2、为了达到上述目的，本专利技术所采用的技术方案为：
3、基于改进yolov5的输电线路目标检测方法，包括以下步骤：
4、步骤s1、获取输电线路包含绝缘子、绝缘子缺陷、鸟巢和异物的图片，作为数据集；
5、步骤s2、对步骤s1获取的数据集进行预处理后，将预处理后的数据集划分为训练集和验证集；
6、步骤s3、生成改进的yolov5网络模型，改进的yolov5网络模型包括初步特征提取网络、加强特征提取网络、分类回归层，所述初步特征提取网络的输出连接加强特征提取网络的输入，加强特征提取网络的输出连接所述分类回归层的输入，其中：
7、所述初步特征提取网络包括十层，十层依次为第一层cbs模块层、第二层cbs模块层、第三层c3模块层、第四层cbs模块层、第五层c3模块层、第六层cbs模块层、第七层c3ca模块层、第八层cbs模块层、第九层c3ca模块层、第十层sppf模块层，所述c3ca模块层均为引入ca注意力机制的c3模块；图片输入至初步特征提取网络时，通过初步特征提取网络提取得到并输出三个维度的初步特征；
8、所述加强特征提取网络包括十四层，十四层依次为第一层gsconv模块层、第二层上采样模块层、第三层concat模块层、第四层vovgscsp模块层、第五层gsconv模块层、第六层上采样模块层、第七层concat模块层、第八层vovgscsp模块层、第九层gsconv模块层、第十层concat模块层、第十一层vovgscsp模块层、第十二层gsconv模块层、第十三层concat模块层、第十四层vovgscsp模块层；初步特征提取网络输出的三个维度的初步特征经加强特征提取网络处理后，得到并输出三个维度的加强特征；
9、所述分类回归层包括卷积核大小为3×3的卷积层和卷积核大小为1×1的卷积层，分类回归层对加强特征提取网络输出的三个维度的加强特征经过分类回归后，得到最终的目标检测结果；
10、步骤s4、采用步骤s2得到的训练集、验证集，对步骤s3生成的改进的yolov5网络模型进行训练；
11、步骤s5、获取待检测图片，将待检测图片输入至步骤s4中训练好的改进的yolov5网络模型，由改进的yolov5网络模型从待检测图片中识别目标。
12、进一步的步骤s2中，预处理包括图像扩增处理、图片标记处理。
13、进一步的步骤s2中，按9:1的比例将数据集中数据划分为训练集和验证集进一步的，步骤s4过程如下：
14、步骤s4.1、基于迁移学习方法对改进的yolov5网络模型进行预训练；
15、步骤s4.2、预训练完成后将训练集数据输入至改进的yolov5网络模型中，对改进的yolov5网络模型进行训练，直至损失函数计算结果最小，由此完成改进的yolov5网络模型的训练。
16、进一步的，步骤s4.2训练时，采用mosaic数据增强方法对训练集中数据增强后，再用于改进的yolov5网络模型的训练。
17、进一步的，步骤s4.2训练时，采用标签平滑训练方式结合余弦退火算法进行训练。
18、进一步的，步骤s4.2训练过程结束后，采用非极大抑制方法获取预测框。
19、进一步的，步骤s4.2中的损失函数包括重叠损失、中心距离损失、宽高损失。
20、一种电子设备，包括处理器和存储器，所述存储器的存储介质中存储有可被处理器读取和运行的程序指令，所述程序指令被读取和运行时，执行上述基于改进yolov5的输电线路目标检测方法的步骤s1-步骤s5。
21、进一步的，所述电子设备为树莓派。
22、与现有技术相比，本专利技术优点为：
23、本专利技术基于改进yolov5的输电线路目标检测算法，能够实现检测精度和检测速度的大幅提高，比传统算法有更好的精度，在减少网络的参数量的同时，精度也有提高，可以实现实时检测。与现有技术相比，本专利技术的有益效果为：
24、1、能够检测输电线路中鸟巢、异物绝缘子及其缺陷多种不同类目标，并且对于小目标例如较小的异物也能够检测出来，可以达到很好的检测效果。
25、2、通过在加强特征提取网络中使用vovgscsp和gsconv模块，大幅度减少网络的浮点运算量。
26、3、通过在初步特征提取网络中采用c3ca模块，使得网络的检测精度相比于原网络，也有了很大的提升。
本文档来自技高网...【技术保护点】
1.基于改进YOLOv5的输电线路目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进YOLOv5的输电线路目标检测方法，其特征在于，步骤S2中，预处理包括图像扩增处理、图片标记处理。
3.根据权利要求1所述的基于改进YOLOv5的输电线路目标检测方法，其特征在于，步骤S2中，按9:1的比例将数据集中数据划分为训练集和验证集。
4.根据权利要求1所述的一种基于改进YOLOv5的输电线路目标检测方法，其特征在于，步骤S4过程如下：
5.根据权利要求4所述的一种基于改进YOLOv5的输电线路目标检测方法，其特征在于，步骤S4.2训练时，采用mosaic数据增强方法对训练集中数据增强后，再用于改进的YOLOv5网络模型的训练。
6.根据权利要求4所述的一种基于改进YOLOv5的输电线路目标检测方法，其特征在于，步骤S4.2训练时，采用标签平滑训练方式结合余弦退火算法进行训练。
7.根据权利要求4所述的一种基于改进YOLOv5的输电线路目标检测方法，其特征在于，步骤S4.2训练过程结束后，采用非
8.根据权利要求4所述的一种基于改进YOLOv5的输电线路目标检测方法，其特征在于，步骤S4.2中的损失函数包括重叠损失、中心距离损失、宽高损失。
9.一种电子设备，包括处理器和存储器，所述存储器的存储介质中存储有可被处理器读取和运行的程序指令，其特征在于，所述程序指令被读取和运行时，执行权利要求1-8中任意一项所述基于改进YOLOv5的输电线路目标检测方法的步骤S1-步骤S5。
10.根据权利要求9所述的电子设备，其特征在于，所述电子设备为树莓派。
...【技术特征摘要】
1.基于改进yolov5的输电线路目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进yolov5的输电线路目标检测方法，其特征在于，步骤s2中，预处理包括图像扩增处理、图片标记处理。
3.根据权利要求1所述的基于改进yolov5的输电线路目标检测方法，其特征在于，步骤s2中，按9:1的比例将数据集中数据划分为训练集和验证集。
4.根据权利要求1所述的一种基于改进yolov5的输电线路目标检测方法，其特征在于，步骤s4过程如下：
5.根据权利要求4所述的一种基于改进yolov5的输电线路目标检测方法，其特征在于，步骤s4.2训练时，采用mosaic数据增强方法对训练集中数据增强后，再用于改进的yolov5网络模型的训练。
6.根据权利要求4所述的一种基于改进yolo...
【专利技术属性】
技术研发人员：徐善永，邓继承，黄友锐，韩涛，凌六一，杨杰，
申请(专利权)人：安徽理工大学，
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。