【技术实现步骤摘要】
本专利技术主要涉及目标检测，具体涉及一种变电站巡检无人机避障目标检测方法及系统。
技术介绍
1、近年来，随着国家电力方面的发展，变电站越来越多，这对电力巡检发起了很大的挑战。伴随着无人机的异军突起，凭借其体积小、易部署和经济效益高等优势，在电力巡检中具有重要地位。自此能自主飞行的电力巡检无人机成为了当下发展的新潮流。但电力巡检无人机能自主飞行的最大的困难就是实现自主避障，目前传统无人机避障普遍使用传感器用于障碍物检测，其类型主要有超声波、雷达、激光、红外线等。利用超声波传感器进行检测异物实现了无人机的避障，超声波传感器虽然结构简单，成本低，但是检测目标单一并且容易受到外界环境的影响。由于无人机巡检过程种环境、光照强度及天气情况变化大，对于复杂环境中的变电巡检过程中，传统的避障目标检测很难做出有效应对。
2、伴随着深度学习的迅速发展，计算机视觉已经部署在各种应用场景，其中利用目标检测技术可以大幅提高感知能力，基于深度学习的通用目标检测性能取得了远超传统方法的性能，这使电力巡检无人机自主飞行成为可能。由于无人机图像小目标众多，分辨率高，基于卷积神经网络的深度学习目标检测算法其思想是通过不断叠加深度卷积来提高精度，但是这样的做法将严重降低算法实时性，给深度网络带来难以承受的推理、后处理计算成本，而且难以在硬件中实际部署。同时yolov5s模型低级特征映射少、感受野小，导致各大目标的召回率、精度偏低，故需针对无人机避障检测图像对网络进行调整。
技术实现思路
1、本专利技术要解决
2、为解决上述技术问题，本专利技术提出的技术方案为：
3、一种变电站巡检无人机避障目标检测方法，包括步骤：
4、1)获取变电站设备航拍图片并进行扩充，通过标注得到标签，再经过图像增强，构建带有标注和标签的图片数据集；
5、2)构建改进yolov5s网络模型：构建改进yolov5s骨干网络、特征融合模块和检测头解耦模块，再根据改进yolov5s骨干网络、特征融合模块和检测头解耦模块构建完整的改进yolov5s网络模型；
6、3)通过步骤1)中的图片数据集对步骤2)的改进yolov5s网络模型进行训练及测试，得到最终的yolov5s网络模型；
7、4)将变电站设备航拍图片输入至最终的yolov5s网络模型中，得到变电站巡检无人机遇到的障碍物，从而实现无人机避障。
8、优选地，步骤2)的具体过程为：
9、2.1)改进yolov5s骨干网络：对yolov5s骨干网络进行修改，添加混合残差空洞卷积模块，得到高层特征和低层特征输出；
10、2.2)构建scam特征融合模块；scam特征融合模块由卷积层、上采样层、下采样层、通道自注意力层组成；下采样层中的res-dconv实现特征映射；csp-convs实现不同层级特征的特征交互；上采样层采用双线性插值法提高特征图的分辨率；通道自注意力层基于低分辨率特征图的空间注意力对高分辨率特征图进行加权筛选；
11、2.3)构建sdcm解耦模块；sdcm解耦模块由c3卷积、box回归检测头和分类检测头组成；通过sdcm解耦模块对检测头进行解耦来实现分阶段地执行不同任务，将目标检测任务分为两个阶段：第一阶段完成回归任务，得到候选框；第二阶段借助跨阶段卷积模块协助完成分类任务，得到类别与置信度；
12、2.4)构建改进yolov5s网络模型架构：将步骤2.1)得到的改进yolov5s骨干网络和步骤2.2)和步骤2.3)得到的scam特征融合模块与检测头解耦模块结合构建完整的改进yolov5s网络模型。
13、优选地，步骤3)中，改进yolov5s网络模型进行训练的具体过程为：
14、3.1)使用训练集对模型进行训练：选取训练集中的x张图像输入至改进yolov5s骨干网络，以输出n个不同尺度的有效特征图，将得到的不同尺度的有效特征图经过特征融合模块中的最大池化层与平均池化层处理后，通过通道自注意力层提取特征，将融合后的特征输入检测头解耦模块，回归检测头生成候选框；
15、3.2)网络参数更新与候选框调整：由训练集网络输出特征图对相应训练集候选框进行调整，根据网络输出特征图、调整后训练集候选框以及相应的gt框计算网络整体损失，并根据网络整体损失对yolov5s网络参数进行更新；通过参数更新后的改进yolov5s网络在验证集上计算验证集损失，并根据验证集损失验证yolov5s网络的拟合状态。
16、3.3)重复上述步骤3.1)-3.2)，直至步骤3.2)得到的损失收敛，以得到训练后的改进yolov5s网络模型。
17、优选地，在步骤1)中，通过引入人工飞行障碍物拍摄图片、visdrone2019数据集和互联网图片对航拍图片并进行扩充。
18、优选地，在步骤1)中，通过增加高斯噪声、水平翻转、改变明暗度、mosaic数据增强和雾化中的一种或多种组合进行图像增强。
19、优选地，增加高斯噪声：选取高斯噪声，并且改变不同的信噪比生成数据；
20、i(o)＝i(i)+n(θ)
21、其中i(o)为增强后图像，i(i)为原始图像，n(θ)为噪声，θ为噪声参数。
22、优选地，图像水平翻转：原始图像的像素矩阵表示为p(x,y)，其中(x,y)是像素的坐标，那么水平翻转后的图像像素矩阵pflipped(x,y):
23、pflipped(x,y)＝p(width-x,y)。
24、优选地，改变图像明暗度：选取不同的亮度比例20％、70％、120％，将原图像进行亮度值变换:
25、i(o)＝f(i(i))
26、式中f(·)为亮度变化函数。
27、本专利技术还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述方法的步骤。
28、本专利技术进一步公开了一种变电站巡检无人机避障目标检测系统，包括相互连接的存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述方法的步骤。
29、与现有技术相比，本专利技术的优点在于：
30、本专利技术通过多种来源的数据对原始图片进行扩展，满足数据样本的多样性以及满足后续模型训练的效果；并通过多种组合形式的数据增强方式来实现数据增强，进一步增加数据集的数量和多样性；在具体的构建改进yolov5s网络模型时，对yolov5s骨干网络进行修改，添加混合残差空洞卷积模块，得到高层特征和低层特征输出；通过提高感受野来增强背景信息对回归、分类的指导，并避免降低局部细节信息损失，提高回归的精度；在构建的scam特征融合模块中，通道自注意力层基于低分辨率特征图的空间注意力对高分辨率特征图进行加权筛选，增强目标的部件特本文档来自技高网...
【技术保护点】
1.一种变电站巡检无人机避障目标检测方法，其特征在于，包括步骤：
2.根据权利要求1所述的变电站巡检无人机避障目标检测方法，其特征在于，步骤2)的具体过程为：
3.根据权利要求2所述的变电站巡检无人机避障目标检测方法，其特征在于，步骤3)中，改进YOLOv5s网络模型进行训练的具体过程为：
4.根据权利要求1或2或3所述的变电站巡检无人机避障目标检测方法，其特征在于，在步骤1)中，通过引入人工飞行障碍物拍摄图片、Visdrone2019数据集和互联网图片对航拍图片并进行扩充。
5.根据权利要求1或2或3所述的变电站巡检无人机避障目标检测方法，其特征在于，在步骤1)中，通过增加高斯噪声、水平翻转、改变明暗度、Mosaic数据增强和雾化中的一种或多种组合进行图像增强。
6.根据权利要求5所述的变电站巡检无人机避障目标检测方法，其特征在于，增加高斯噪声：选取高斯噪声，并且改变不同的信噪比生成数据；
7.根据权利要求5所述的变电站巡检无人机避障目标检测方法，其特征在于，图像水平翻转：原始图像的像素矩阵表示为P(x,y
8.根据权利要求5所述的变电站巡检无人机避障目标检测方法，其特征在于，改变图像明暗度：选取不同的亮度比例20％、70％、120％，将原图像进行亮度值变换:
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序在被处理器运行时执行如权利要求1～8中任意一项所述方法的步骤。
10.一种变电站巡检无人机避障目标检测系统，包括相互连接的存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述计算机程序在被处理器运行时执行如权利要求1～8中任意一项所述方法的步骤。
...【技术特征摘要】
1.一种变电站巡检无人机避障目标检测方法，其特征在于，包括步骤：
2.根据权利要求1所述的变电站巡检无人机避障目标检测方法，其特征在于，步骤2)的具体过程为：
3.根据权利要求2所述的变电站巡检无人机避障目标检测方法，其特征在于，步骤3)中，改进yolov5s网络模型进行训练的具体过程为：
4.根据权利要求1或2或3所述的变电站巡检无人机避障目标检测方法，其特征在于，在步骤1)中，通过引入人工飞行障碍物拍摄图片、visdrone2019数据集和互联网图片对航拍图片并进行扩充。
5.根据权利要求1或2或3所述的变电站巡检无人机避障目标检测方法，其特征在于，在步骤1)中，通过增加高斯噪声、水平翻转、改变明暗度、mosaic数据增强和雾化中的一种或多种组合进行图像增强。
6.根据权利要求5所述的变电站巡检无人机避障目标检测方法，其特征在于，...
【专利技术属性】
技术研发人员：李书清，范琪，龙理晴，朱添益，章健军，颜一帆，贺勇，胡建文，王庚平，李曲婷，张琛，李海燕，易嘉艺，
申请(专利权)人：国网湖南省电力有限公司，
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。