【技术实现步骤摘要】
本专利技术涉及电力输电线路目标检测，具体涉及一种基于改进yolov5s的高压线路异物检测方法及系统。
技术介绍
1、随着电力行业的快速发展和城市建设的迅猛发展，高压输电线路已成为现代社会不可或缺的重要基础设施。然而，由于高压线路的特殊性和广阔的覆盖区域，经常会出现一些不可控因素的干扰，如鸟类在高压输电线路上筑巢，垃圾袋、风筝等异物的进入。这些异物不仅会给线路设备带来损坏风险，还会导致电力系统的不稳定和电能传输的中断，给电力系统运行和供电安全带来严重威胁，因此需要巡检人员定时对输电线路维护检修来保证输电线路的安全运行。
2、目前，随着目标检测技术的发展，技术人员也开始将目标检测应用到无人机巡检的图像中，但输电线路的环境背景复杂，输电线路异物的目标大小也有较大差异，特别是在黑暗环境下和雾天等恶劣环境下，巡检的效率也会大打折扣。
技术实现思路
1、本专利技术针对现有技术中的不足，提供一种基于改进yolov5s的高压线路异物检测方法及系统。主要改进了特征融合网络、使用解耦头预测网络、修改损失函数的方法来提高目标检测的准确率。对各种环境下的无人机巡检图像的目标检测都有较好的准确率和检测速度，针对输电线路异物的特点，对特征提取网络和特征融合网络进行优化，增强目标特征的利用率，对多尺寸目标都有较低的漏检率，能够准确、及时的检测出异物目标，保障输电线路安全。
2、为实现上述目的，本专利技术采用以下技术方案：
3、一种基于改进yolov5s的高压线路异物检测方法，
4、s1、从无人机巡检时拍下的输电线路图像中挑选出包含异物的图片，同时挑选一些网络图片和视频，并对视频进行逐帧截取获得一部分图片来构建输电线路异物图像数据集；
5、s2、对输电线路异物图像数据集中部分图片进行亮度调整来模拟夜晚的环境，对输电线路异物图像数据集中部分图片进行雾化处理来模拟浓雾天气；
6、s3、标注输电线路异物图像数据集中的图片，获得每张图片中目标的类别和坐标信息，并将输电线路异物图像数据集划分为训练集和测试集；
7、s4、建立yolov5s模型，所述yolov5s模型包括backbone主干网络、neck网络和head预测网络；所述neck网络采用加权双向特征金字塔网络结构；所述head预测网络采用解耦头将目标定位任务和分类任务解耦，同时目标定位损失使用w-iou损失函数；
8、s5、使用训练集对yolov5s模型进行训练，在每一训练轮次计算w-iou损失函数值，根据w-iou损失函数值调整yolov5s模型的参数，直至达到最大训练轮次，得到训练好的yolov5s模型；
9、s6、利用训练好的yolov5s模型对测试集进行测试，得到图像中目标的位置信息、种类信息和置信度。
10、为优化上述技术方案，采取的具体措施还包括：
11、进一步地，s1还包括：采用裁剪、缩放、旋转和遮挡的方法对输电线路异物图像数据集的样本进行扩充。
12、进一步地，s3中，所述标注输电线路异物图像数据集中的图片具体为：使用labelimg标注工具对图片中目标进行标注，使用矩形框工具将目标框住并标记种类标签，自动生成.txt格式标注文件。
13、进一步地，s4中，所述backbone主干网络用于对图片进行不同维度的特征提取，所述neck网络用于对backbone主干网络传送过来的不同维度、不同尺寸的特征图进行特征融合，所述head预测网络用于预测检测结果并计算目标定位损失；
14、所述建立yolov5s模型还包括，在backbone主干网络第6层之后增加一层cbs卷积层用于生成20*20*512大小的高层特征，将yolov5s模型第19层的concat层和第22层的concat层更换为三通道3t-add层。
15、进一步地，s4中，所述w-iou损失函数的表达式如下：
16、lwiou＝rlwiouv1
17、式中，lwiou表示w-iou损失函数，r表示非单调聚焦系数，lwiouv1表示参考距离的w-iou v1损失函数，表达式如下：
18、lwiou v1＝rwiou·liou
19、式中，rwiou表示锚框和检测目标框重叠部分与并集部分的比值，liou表示锚框和检测目标框之间的距离损失；
20、
21、式中，(x，y)表示锚框的中心点坐标，(xgt，ygt)表示检测目标的最小包围框的中心点坐标，wg和hg是锚框和检测目标框的并集的最小封闭框的宽和高，*表示为了防止rwiou产生阻碍收敛的梯度而将wg、hg从计算图中分离出来；
22、liou＝1-iou
23、式中，iou表示预测的边框和真实的边框之间的交并比。
24、进一步地，s5中，所述对yolov5s模型进行训练的过程中，训练的参数设置如下：
25、训练总轮数为150，单次传递样本数量为16，学习率为0.01，交并比阈值为0.2，w-iou损失函数中边界框阈值参数δ设置为3，交集区域和并集区域的权重参数a＝1.9。
26、进一步地，s6具体为：
27、通过训练好的yolov5s模型的backbone主干网络提取测试集中图片的不同尺寸的特征，再通过训练好的yolov5s模型的neck网络对backbone主干网络传送过来的特征图进行特征融合，送入head预测网络，通过解耦头解耦，将定位任务、分类任务和置信度分开计算，得到图像中目标的位置信息、种类信息和置信度，再通过非极大值抑制算法输出置信度最高的检测框。
28、本专利技术还提出一种基于改进yolov5s的高压线路异物检测系统，包括：
29、数据集采集模块，用于从无人机巡检时拍下的输电线路图像中挑选出包含异物的图片，同时挑选一些网络图片和视频，并对视频进行逐帧截取获得一部分图片来构建输电线路异物图像数据集；
30、数据集调整模块，用于对输电线路异物图像数据集中部分图片进行亮度调整来模拟夜晚的环境，对输电线路异物图像数据集中部分图片进行雾化处理来模拟浓雾天气；
31、数据集标注模块，用于标注输电线路异物图像数据集中的图片，获得每张图片中目标的类别和坐标信息，并将输电线路异物图像数据集划分为训练集和测试集；
32、建模模块，用于建立yolov5s模型，所述yolov5s模型包括backbone主干网络、neck网络和head预测网络；所述neck网络采用加权双向特征金字塔网络结构；所述head预测网络采用解耦头将目标定位任务和分类任务解耦，同时目标定位损失使用w-iou损失函数；
33、训练模块，用于使用训练集对yolov5s模型进行训练，在每一训练轮次计算w-iou损失函数值，根据w-iou损失函数值调整yolov5s模型的参数，直至达到最大训练轮次，得到训练好的yolov5s模型；...
【技术保护点】
1.一种基于改进YOLOv5s的高压线路异物检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于改进YOLOv5s的高压线路异物检测方法，其特征在于，S1还包括：采用裁剪、缩放、旋转和遮挡的方法对输电线路异物图像数据集的样本进行扩充。
3.如权利要求1所述的基于改进YOLOv5s的高压线路异物检测方法，其特征在于，S3中，所述标注输电线路异物图像数据集中的图片具体为：使用labelImg标注工具对图片中目标进行标注，使用矩形框工具将目标框住并标记种类标签，自动生成.txt格式标注文件。
4.如权利要求1所述的基于改进YOLOv5s的高压线路异物检测方法，其特征在于，S4中，所述Backbone主干网络用于对图片进行不同维度的特征提取，所述Neck网络用于对Backbone主干网络传送过来的不同维度、不同尺寸的特征图进行特征融合，所述Head预测网络用于预测检测结果并计算目标定位损失；
5.如权利要求1所述的基于改进YOLOv5s的高压线路异物检测方法，其特征在于，S4中，所述W-IoU损失函数的表达式如下：
7.如权利要求1所述的基于改进YOLOv5s的高压线路异物检测方法，其特征在于，S6具体为：
8.一种基于改进YOLOv5s的高压线路异物检测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于改进yolov5s的高压线路异物检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于改进yolov5s的高压线路异物检测方法，其特征在于，s1还包括：采用裁剪、缩放、旋转和遮挡的方法对输电线路异物图像数据集的样本进行扩充。
3.如权利要求1所述的基于改进yolov5s的高压线路异物检测方法，其特征在于，s3中，所述标注输电线路异物图像数据集中的图片具体为：使用labelimg标注工具对图片中目标进行标注，使用矩形框工具将目标框住并标记种类标签，自动生成.txt格式标注文件。
4.如权利要求1所述的基于改进yolov5s的高压线路异物检测方法，其特征在于，s4中，所述backbone主干网络用于对图片进...
【专利技术属性】
技术研发人员：姚军财，顾铭杰，申静，姚聪颖，时乘，
申请(专利权)人：南京工程学院，
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。