【技术实现步骤摘要】
本专利技术涉及图像检测，尤其是指一种输电线路异物图像检测方法、系统、设备及存储介质。
技术介绍
1、目前，我国输电线路的巡检方法主要仍然依赖人工。然而，由于我国输电线路分布在复杂的地形环境中，传统的人工巡检方法面临诸多挑战。这些挑战包括巡检困难、耗时周期长、高人工成本，以及对工人安全构成的潜在威胁。此外，随着输电线路的里程数不断增长，传统方法已不再适用于我国输电线路未来的发展需求。随着深度学习和嵌入式设备的持续发展，无人机巡检成为备受关注的替代方案。无人机具有飞控智能、成本低、操控简单、安全等诸多优点。因此，人们开始广泛关注无人机在输电线路巡检领域的应用。
2、无人机的嵌入式设备在实际场景的目标检测算法中部署算力缺乏和资源不足是无人机巡检面临的主要问题之一，模型轻量化是无人机在输电线路巡检领域中的关键一步。一般复杂的模型都具有模块化的设计，模型的深度和宽度都很大，因此一些研究工作使用更高效、简洁的模型设计来降低模型的尺寸，关于轻量级模型的研究大致分为如下几个方向：1、模型剪裁在轻量化模型设计中被大量使用，对于已经训练好的复杂网络，模型剪裁采用一种特定的评判标准，将网络内部冗余的参数过滤掉。2、知识蒸馏利用一个较大、高性能的模型(教师模型)来指导训练轻量化的模型(学生模型)。学生模型通过学习教师模型的知识，从而减小模型的复杂度，同时保持性能。
技术实现思路
1、为此，本专利技术所要解决的技术问题在于克服现有技术中yolov5模型下采样倍数较大，导致小目标检测效果不好以及模
2、为解决上述技术问题，基于主干替换、模型剪枝以及知识蒸馏技术，本专利技术提供了一种轻量化的输电线路异物图像检测方法，该方法的具体步骤包括：
3、s1：以yolov5s网络为基础网络，使用resnet50网络对其骨干网络进行替换重构，得到教师网络，将输电线路异物图像训练集分别输入到所述教师网络和学生网络；
4、s2：对所述学生网络进行通道剪枝操作，利用所述教师网络指导剪枝后的学生网络进行训练并更新参数，得到训练好的学生网络；
5、s3：基于所述训练好的学生网络，针对待检测的输电线路异物图像，运行所述训练好的学生模型可以得到检测结果；
6、其中，所述学生网络是基于yolov5s网络改进的yolov5s-shufflenetv2a网络，包括骨干网络、加强特征提取网络和检测网络，所述骨干网络是基于shufflenetv2网络改进的shufflenetv2a网络，所述shufflenetv2a网络包括空间下采样模块和基本单元模块，所述空间下采样模块中左分支为步幅为stride、核大小为n的平均池化层，所述基本单元模块的左右分支经拼接操作生成的特征之后添加了scse注意力机制模块，经过所述scse注意力机制模块处理的特征层再进行通道混洗操作；所述加强特征提取网络包括改进特征层，所述改进特征层用于提取小尺寸目标。
7、在本专利技术的一个实施例中，得到训练好的学生网络的步骤包括：
8、s21：对所述学生网络进行稀疏训练，确定对于网络学习贡献能力小的通道，删除所述贡献能力小的通道，获得剪枝网络，再将所述剪枝网络重新训练微调，得到微调后的剪枝网络；
9、s22：通过知识蒸馏将教师网络学习到的中间层软目标信息，传递给微调后的剪枝网络进行迭代训练并更新网络参数，得到训练好的学生网络。
10、在本专利技术的一个实施例中，所述剪枝网络的获取方法包括：将各通道网络按照批量归一化层的缩放因子分布的均值进行排序，通过删除缩放因子分布的均值趋近于零的通道，即对于网络学习贡献能力小的通道，得到剪枝网络。
11、在本专利技术的一个实施例中，所述缩放因子分布的均值趋近于零的通道的获取方法包括：通过对批量归一化层的缩放因子添加一个l1正则化约束来改进正常训练的损失函数，得到改进损失函数，基于所述改进损失函数将网络参数稀疏化，得到批量归一化层的缩放因子的分布趋向于零的通道。
12、在本专利技术的一个实施例中，所述改进损失函数的计算公式如下：
13、
14、其中，x表示训练输入，y表示训练目标，w表示可训练的权重，表示正常训练的损失值，γ表示批量归一化层的缩放因子，表示对缩放因子γ进行l1正则化的稀疏处理，g(γ)＝|γ|表示稀疏训练的惩罚项，λ表示正常训练和稀疏训练的平衡因子，即稀疏正则项系数。
15、在本专利技术的一个实施例中，所述中间层软目标信息包括软标签加权交叉熵损失值和软标签有界回归损失值。
16、在本专利技术的一个实施例中，所述改进特征层是由与所述骨干网络的第m层的第一输出特征和所述骨干网络其他层输出的多个输出特征经多次上采样、卷积运算后的特征层拼接后，经过卷积后得到的特征层。
17、基于与所述检测方法同样的专利技术构思，本专利技术还提供一种输电线路异物图像检测系统，包括：
18、数据输入模块，用于以yolov5s网络为基础网络，使用resnet50网络对其骨干网络进行替换重构，得到教师网络，将输电线路异物图像训练集分别输入到所述教师网络和学生网络；
19、网络参数更新模块，用于对所述学生网络进行通道剪枝操作，利用所述教师网络指导剪枝后的学生网络进行训练并更新参数，得到训练好的学生网络；
20、检测结果输出模块，用于基于所述训练好的学生网络，针对待检测的输电线路异物图像，运行所述训练好的学生模型可以得到检测结果；
21、其中，所述学生网络是基于yolov5s网络改进的yolov5s-shufflenetv2a网络，包括骨干网络、加强特征提取网络和检测网络，所述骨干网络是基于shufflenetv2网络改进的shufflenetv2a网络，所述shufflenetv2a网络包括空间下采样模块和基本单元模块，所述空间下采样模块中左分支为步幅为stride、核大小为n的平均池化层，所述基本单元模块的左右分支经拼接操作生成的特征之后添加了scse注意力机制模块，经过所述scse注意力机制模块处理的特征层再进行通道混洗操作；所述加强特征提取网络包括改进特征层，所述改进特征层用于提取小尺寸目标。
22、本专利技术还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的输电线路异物图像检测方法。
23、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的输电线路异物图像检测方法。
24、本专利技术的上述技术方案相比现有技术具有以下优点：
25、本专利技术在加强特征提取网络中添加了小目标特征提取模块，并在骨干网络中添加scse注意力机制模块；替换yolov5主干网络为轻量级神经网络shufflenetv2并对其进行合理改进；通过通道剪枝和知识蒸馏的方法获取轻量化的模型；实现了在无人机nx开发板上部署模本文档来自技高网...
【技术保护点】
1.一种输电线路异物图像检测方法，其特征在于，包括：
2.根据权利要求1所述的输电线路异物图像检测方法，其特征在于：得到训练好的学生网络的步骤包括：
3.根据权利要求2所述的输电线路异物图像检测方法，其特征在于：所述剪枝网络的获取方法包括：将各通道网络按照批量归一化层的缩放因子分布的均值进行排序，通过删除缩放因子分布的均值趋近于零的通道，即对于网络学习贡献能力小的通道，得到剪枝网络。
4.根据权利要求3所述的输电线路异物图像检测方法，其特征在于：所述缩放因子分布的均值趋近于零的通道的获取方法包括：通过对批量归一化层的缩放因子添加一个L1正则化约束来改进正常训练的损失函数，得到改进损失函数，基于所述改进损失函数将网络参数稀疏化，得到批量归一化层的缩放因子的分布趋向于零的通道。
5.根据权利要求4所述的输电线路异物图像检测方法，其特征在于：所述改进损失函数的计算公式如下：
6.根据权利要求2所述的输电线路异物图像检测方法，其特征在于：所述中间层软目标信息包括软标签加权交叉熵损失值和软标签有界回归损失值。
7.根据
8.一种输电线路异物图像检测系统，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～7任一项所述的输电线路异物图像检测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～7任一项所述的输电线路异物图像检测方法。
...【技术特征摘要】
1.一种输电线路异物图像检测方法，其特征在于，包括：
2.根据权利要求1所述的输电线路异物图像检测方法，其特征在于：得到训练好的学生网络的步骤包括：
3.根据权利要求2所述的输电线路异物图像检测方法，其特征在于：所述剪枝网络的获取方法包括：将各通道网络按照批量归一化层的缩放因子分布的均值进行排序，通过删除缩放因子分布的均值趋近于零的通道，即对于网络学习贡献能力小的通道，得到剪枝网络。
4.根据权利要求3所述的输电线路异物图像检测方法，其特征在于：所述缩放因子分布的均值趋近于零的通道的获取方法包括：通过对批量归一化层的缩放因子添加一个l1正则化约束来改进正常训练的损失函数，得到改进损失函数，基于所述改进损失函数将网络参数稀疏化，得到批量归一化层的缩放因子的分布趋向于零的通道。
5.根据权利要求4所述的输电线路异物图像检测方法，其特征在于：所述改进损失函数的计算公式...
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。