【技术实现步骤摘要】
本专利技术属于图像处理，具体涉及一种改进的yolov5s模型的变电站高压开关柜检测方法及装置。
技术介绍
1、变电站作为电力系统的重要枢纽，是电力信息收集与电力系统控制的基本单元，集中了大量的电力设备用于监控和保护电力能源的输送。随着电力网络的规模不断扩大，各个电力设备之间的关系越来越复杂，变电站中的高压柜开关数量剧增，从安全生产角度出发，需要实时掌握高压柜上每一个开关的运行状态，然而在实际操作中，变电站仍多采用人工巡检的方式来记录高压柜仪表开关的状态读数，不仅消耗大量人力效率低下，而且容易出错。此外现场监控摄像头仅起到拍摄、存储作用，未起到事前排查隐患和事中及时报警的作用。
2、为解决上述问题，传统图像方法首先被用于电力设备检测与识别领域。现有技术中将图像处理的方法(包括去噪、锐化、边缘检测等图像预处理方法、基于颜色特征、纹理特征以及形态特征的图像识别方法以及基于图像差值运算的设备异常检测方法)应用于变电站设备巡检。现有技术中还设计了应用于电力机器人的变电站开关状态识别方法，提取设备图像的sift特征，通过模板匹配定位待测设备的位置，使用最大类间方差方法分割出开关标志字符图像，最后使用k-nn算法识别出开关标志状态。
3、传统图像处理方法虽然在电力设备的识别中取得了一定效果，但需基于专业知识手动设计特征，费时费力。基于深度学习的高压柜开关状态检测方法，通过设计并训练神经网络，可以有效地摒弃噪声、畸变等负面影响，让网络自主学习到高压柜开关图像更一般的特征，相比传统方法鲁棒性更好、泛化能力更强，并且基于深度
4、在高压柜开关检测中，开关种类繁多，各个类别的开关数量差异较大，目前的检测算法主要基于faster-rcnn两阶段目标检测模型和yolo系列单阶段检测模型，单阶段网络的深度、参数量和数据需求均低于两阶段网络，因此适合内容较少的数据集，缺点是小物品的检测和检测精度都较差。考虑到实际应用需求，我们不仅需要考虑模型的准确性，还需要考虑模型的大小和推理速度。
5、因此亟需设计一种能够准确、高效的进行高压柜开关检测，而且能够实现模型较小。
技术实现思路
1、本专利技术提供了一种改进的yolov5s模型的变电站高压开关柜检测方法，利用该方法能够准确、快速对高压柜开关进行检测，且本专利技术提供的变电站高压开关柜检测模型较小。
2、本专利技术具体实施例提供了一种改进的yolov5s模型的变电站高压开关柜检测方法，包括：
3、对获得的多个高压开关柜图像进行清洗、分类、标签标注和类别平衡预处理，采用数据增强方法将类别平衡后的高压开关柜图像进行扩充得到高压开关柜样本集；
4、构建改进的yolov5s模型，所述改进的yolov5s模型包括主干网络efficientnet、改进neck网络和检测头网络，将高压开关柜样本输入主干网络efficientnet得到多尺寸特征图，所述改进neck网络包括fpn和pan，在所述fpn上采用多个融合单元，将上一层融合单元输出的上一层融合特征图和邻近且大于上一层融合特征图尺寸的两个特征图分别输入当前层融合单元得到当前层融合特征图，基于最小尺寸特征图和多层融合特征图通过pan进行下采样得到多尺寸检测特征图，将所述多尺寸检测特征图输入检测头网络得到针对高压开关柜样本的开关预测标注；
5、基于针对高压开关柜样本的开关预测标注和标签标注构建损失函数，基于高压开关柜样本集采用所述损失函数对改进的yolov5s模型进行训练得到变电站高压开关柜检测模型；
6、应用时，将高压开关柜图像输入变电站高压开关柜检测模型得到高压开关柜图像的开关标注，从而实现对高压柜开关检测。
7、进一步的，所述融合单元包括bic模块和csp2模块；
8、其中，将上一层融合单元输出的上一层融合特征图、邻近且大于上一层融合特征图尺寸的第一特征图，邻近且大于第一特征图尺寸的第二特征图分别输入当前层融合单元的bic模块进行多尺度融合得到当前层初始融合特征图，将当前层初始融合特征图输入csp2模块得到当前层融合特征图；
9、所述第一特征图和第二特征图均来自efficientnet输出的多尺寸特征图。
10、进一步的，将上一层融合单元输出的上一层融合特征图、邻近且大于上一层融合特征图尺寸的第一特征图，邻近且大于第一特征图尺寸的第二特征图分别输入当前层融合单元的bic模块进行多尺度融合得到当前层初始融合特征图，包括：
11、通过当前层的bic模块将上一层融合特征图通过转置卷积进行上采样使得上一层融合特征图和第一特征图的尺寸相同，并将第一特征图的通道进行压缩以对第一特征图进行数据降维，将第二特征图进行通道压缩后进行下采样使得第二特征图的尺寸与第一特征图的尺寸相同，将上采样后的上一层融合特征图、通道压缩后的第一特征图和下采样后的第二特征图进行拼接，将拼接的特征图进行卷积降维得到当前层初始融合特征图。
12、进一步的，最上层融合单元用于将已降维的最小尺寸特征图和邻近且大于最小尺寸特征图尺寸的两个不同尺寸特征图进行拼接得到最上层融合特征图。
13、进一步的，所述efficientnet包括输入层和baseline，所述baseline包括一个3×3普通卷积，堆叠的mbconv结构；
14、其中，通过输入层将高压开关柜样本输入baseline中，通过多个mbconv结构完成对高压开关柜样本的特征提取得到多尺寸特征图。
15、进一步的，所述mbconv为结合深度可分离卷积和注意力机制的倒残差结构，包括1×1普通卷积、深度可分离卷积、eca模块、1×1普通卷积和droput模块。
16、进一步的，所述mbconv的1×1普通卷积和深度可分离卷积之间，以及深度可分离卷积和eca模块之间采用的激活函数为h-swish函数，所述h-swish函数为：
17、
18、其中，x为上一层神经网络的输出。
19、进一步的，对获得的多个高压开关柜图像进行清洗、标签标注和类别平衡预处理，包括：
20、从配电房监控摄像头拍摄的录像中抽取多个高压开关柜图像，将多个高压开关柜图像进行清洗以去除模糊图像，将清洗后的高压开关柜图像进行分类和标签标注，基于各类别标签对应的高压开关柜图像数量进行类别均衡预处理。
21、进一步的，采用数据增强方法将类别平衡后的高压开关柜图像进行扩充得到高压开关柜样本集，包括采用mosaic数据增强方法将类别均衡预处理后的高压开关柜图像进行平移、缩放、裁剪以及添加噪声以扩充得到高压开关柜样本集。
22、本专利技术具体实施例还提供了一种改进的yolov5s模型的变电站高压开关柜检测装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机存储器本文档来自技高网...
【技术保护点】
1.一种改进的YOLOv5s模型的变电站高压开关柜检测方法，其特征在于，包括：
2.根据权利要求1所述的改进的YOLOv5s模型的变电站高压开关柜检测方法，其特征在于，所述融合单元包括BiC模块和CSP2模块；
3.根据权利要求2所述的改进的YOLOv5s模型的变电站高压开关柜检测方法，其特征在于，将上一层融合单元输出的上一层融合特征图、邻近且大于上一层融合特征图尺寸的第一特征图，邻近且大于第一特征图尺寸的第二特征图分别输入当前层融合单元的BiC模块进行多尺度融合得到当前层初始融合特征图，包括：
4.根据权利要求2所述的改进的YOLOv5s模型的变电站高压开关柜检测方法，其特征在于，最上层融合单元用于将已降维的最小尺寸特征图和邻近且大于最小尺寸特征图尺寸的两个不同尺寸特征图进行拼接得到最上层融合特征图。
5.根据权利要求1所述的改进的YOLOv5s模型的变电站高压开关柜检测方法，其特征在于，所述EfficientNet包括输入层和Baseline，所述Baseline包括一个3×3普通卷积，堆叠的MBConv结构；
6.
7.根据权利要求6所述的改进的YOLOv5s模型的变电站高压开关柜检测方法，其特征在于，所述MBConv的1×1普通卷积和深度可分离卷积之间，以及深度可分离卷积和ECA模块之间采用的激活函数为H-Swish函数，所述H-Swish函数为：
8.根据权利要求1所述的改进的YOLOv5s模型的变电站高压开关柜检测方法，其特征在于，对获得的多个高压开关柜图像进行清洗、标签标注和类别平衡预处理，包括：
9.根据权利要求1所述的改进的YOLOv5s模型的变电站高压开关柜检测方法，其特征在于，采用数据增强方法将类别平衡后的高压开关柜图像进行扩充得到高压开关柜样本集，包括采用Mosaic数据增强方法将类别均衡预处理后的高压开关柜图像进行平移、缩放、裁剪以及添加噪声以扩充得到高压开关柜样本集。
10.一种改进的YOLOv5s模型的变电站高压开关柜检测装置，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，所述计算机存储器中采用权利要求1-9任一项所述的变电站高压开关柜检测模型；
...【技术特征摘要】
1.一种改进的yolov5s模型的变电站高压开关柜检测方法，其特征在于，包括：
2.根据权利要求1所述的改进的yolov5s模型的变电站高压开关柜检测方法，其特征在于，所述融合单元包括bic模块和csp2模块；
3.根据权利要求2所述的改进的yolov5s模型的变电站高压开关柜检测方法，其特征在于，将上一层融合单元输出的上一层融合特征图、邻近且大于上一层融合特征图尺寸的第一特征图，邻近且大于第一特征图尺寸的第二特征图分别输入当前层融合单元的bic模块进行多尺度融合得到当前层初始融合特征图，包括：
4.根据权利要求2所述的改进的yolov5s模型的变电站高压开关柜检测方法，其特征在于，最上层融合单元用于将已降维的最小尺寸特征图和邻近且大于最小尺寸特征图尺寸的两个不同尺寸特征图进行拼接得到最上层融合特征图。
5.根据权利要求1所述的改进的yolov5s模型的变电站高压开关柜检测方法，其特征在于，所述efficientnet包括输入层和baseline，所述baseline包括一个3×3普通卷积，堆叠的mbconv结构；
6.根据权利要求5所述的改进的yolov5s模型的变电站高压开关柜检测方法，其特征在于，所述mbconv为结合深度...
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。