System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于计算机视觉领域,具体涉及一种基于改进yolov5s的多目标故障检测方法。
技术介绍
1、电网作为我国经济发展的重要基础设施,关乎国计民生,其安全稳定的运行是维持社会生产和保障人民生活的重要条件。然而,电网系统的运行与维护面临着许多挑战,其中之一是确保电网设备的正常运行和及时维修。电网巡检作为电力运营的重要环节,旨在检测和识别电网设备的潜在问题,以保障电力系统的安全和可靠运行。
2、传统的电网巡检方法主要依赖人工巡视,但这种方法存在一些局限性。人工巡检不仅耗时耗力,还可能存在主观判断和漏检的问题。而随着计算机视觉和人工智能技术的发展,目标检测技术逐渐应用于电网巡检中,利用深度学习方法对海量图像数据中的目标缺陷进行检测,不仅在检测精度上有所提升,而且在检测效率上也远远超过人工处理的方式。
3、目标检测技术通过对电网图像和视频进行分析,能够准确地识别和定位电力设备,如变电站、输电塔、电缆等。基于深度学习的目标检测算法,如faster r-cnn、yolo和ssd,赋予了电网巡检系统自动识别异常情况的能力,如设备损坏、渗漏等。这为电力维护人员提供了可靠的信息,使得问题能够迅速被发现和解决,从而降低了事故风险,提高了电力系统的可靠性和安全性。但对于包含多目标的故障检测来说,现有技术中往往容易存在小目标难以检测的问题。
技术实现思路
1、本专利技术的技术目的主要在于,对应用在目标检测任务中的yolov5s模型进行改进,利用改进后的yolov5s模型解决小目
2、为实现上述技术目的,本专利技术提供的技术方案为:
3、一种基于改进yolov5s的多目标故障检测方法,其特征在于,包括以下步骤:
4、s1)制作用于训练与评价模型的数据集;
5、s2)在yolov5s模型的架构基础上,通过在其骨干网络中增加cbam注意力模块,在其输出端增加小目标检测头,以及损失函数采用siou,构建改进yolov5s模型;
6、s3)利用步骤s1)制作的数据集训练nanodet模型和所述改进yolov5s模型,将经过训练的nanodet模型与改进yolov5s模型级联,获得级联网络;
7、s4)利用级联网络进行故障检测:首先将待检测的初始巡检图片输入所述级联网络的nanodet模型,通过nanodet模型输出的第一预测框从初始巡检图片中提取出包含待检测目标的区域图像,并获得所述区域图像的位置信息,之后将所述区域图像导入改进yolov5s模型,利用改进yolov5s模型对区域图像中的目标做进一步的检测与识别,通过改进yolov5s模型输出的第二预测框从区域图像中提取出每个目标,并获得每个目标在区域图像中的位置信息和故障类别信息;
8、s5)根据目标在区域图像中的位置信息,以及区域图像在初始巡检图片中的位置信息,获得第二预测框与初始巡检图片的位置关系,基于所述位置关系,将第二预测框映射在初始巡检图片上,将每个检测出的目标在初始巡检图片上加以标识,并显示出对应目标的故障类别信息,最终完成在初始巡检图片中进行目标检测与识别的任务。
9、进一步的,所述步骤s1)包括以下子步骤:
10、s11)选择不同大小、不同拍摄角度或拍摄方向的巡检图片;
11、s12)确定检测目标,使用标注工具对巡检图片中包含待检测目标的区域位置信息进行标注,并将其以文本形式进行存储,得到第一数据集;在第一数据集的基础上对包含待检测目标区域中的每个目标的位置和故障类别进行标注,并将相关的位置信息和故障类别信息以文本形式进行存储,得到第二数据集;
12、s13)采用图像质量评价及数据清洗、图像翻转、增加随机噪声、色温变换、mosaic数据增强中的任一种或多种对所述第一数据集和第二数据集进行数据增强处理。
13、进一步的,所述步骤s2)构建改进yolov5s模型的方法包括以下步骤:
14、s21)在yolov5s模型骨干网络的架构基础上,将cbam注意力模块嵌在骨干网络的末端,使其骨干网络输出的特征图通过cbam注意力模块的处理后再进入颈部网络;
15、s22)在yolov5s模型颈部网络的架构基础上,对颈部网络中获取的80×80特征图继续进行上采样处理,并将上采样获得的特征图与骨干网络中的160×160像素特征图进行融合,之后将获得的融合特征图向输出端传递;
16、s23)在yolov5s模型输出端架构的基础上,增加160×160像素特征图的小目标检测头,与输出所述融合特征图的模块连接。
17、进一步的,所述步骤s1)包括以下子步骤:
18、s11)选择不同大小、不同拍摄角度或拍摄方向的巡检图片;
19、s12)确定检测目标,使用标注工具对巡检图片中包含待检测目标的区域位置信息进行标注,并其以文本形式进行存储,得到第一数据集;在第一数据集的基础上对包含待检测目标的区域中每个目标的位置和故障类别进行标注,并将相关的位置信息和故障类别信息以文本形式进行存储,得到第二数据集;
20、s13)采用图像质量评价及数据清洗、图像翻转、增加随机噪声、色温变换、mosaic数据增强中的任一种或多种对所述第一数据集和第二数据集进行数据增强处理。
21、进一步的,所述步骤s2)构建改进yolov5s模型的方法包括以下步骤:
22、s21)在yolov5s模型骨干网络的架构基础上,将cbam注意力模块嵌在骨干网络的末端,使骨干网络输出的特征图通过将cbam注意力模块的处理后再进入颈部网络;
23、s22)在yolov5s模型颈部网络的架构基础上,对颈部网络中获取的80×80特征图继续进行上采样处理,并将上采样获得的特征图与骨干网络中的160×160像素特征图进行融合,之后将获得的融合特征图向输出端传递;
24、s23)在yolov5s模型输出端架构的基础上,增加160×160像素特征图的小目标检测头,与输出所述融合特征图的模块连接。
25、进一步的,所述所述损失函数siou的计算公式为:
26、
27、
28、
29、
30、式中,iou指的是真实框与预测框的交集和并集之比,δ指的是距离损失,ω指的是形状损失,θ表示对ω的关注程度,e为常数,ωω表示由于真实框和预测框宽度不同产生的形状差异值,ωh表示由于真实框和预测框高度不同产生的形状差异值,ρx表示真实框和预测框的中心点在坐标系x轴上的距离差异值,ρy表示真实框和预测框的中心点在坐标系y轴上的距离差异值,和表示真实框中心位置的x轴和y轴坐标,bcx和bcy表示预测框中心位置的x轴和y轴坐标,cω和ch分别表示真实框与预测框最小外接矩形的宽和高。
31、作为优选,所述本文档来自技高网...
【技术保护点】
1.一种基于改进YOLOv5s的多目标故障检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于改进YOLOv5s的多目标故障检测方法,其特征在于,步骤S1)包括以下子步骤:
3.根据权利要求1所述的一种基于改进YOLOv5s的多目标故障检测方法,其特征在于,步骤S2)构建改进YOLOv5s模型的方法包括以下步骤:
4.根据权利要求1或3所述的一种基于改进YOLOv5s的多目标故障检测方法,其特征在于,所述所述损失函数SIOU的计算公式为:
5.根据权利要求1所述的一种基于改进YOLOv5s的多目标故障检测方法,其特征在于,所述NanoDet模型,将移除最后一层的ShuffleNetV2网络结构作为其骨干网络,通过所述骨干网络提取8倍、16倍和32倍的下采样特征后,再输入到路径聚合网络中,进行多尺度特征融合。
6.根据权利要求1所述的一种基于改进YOLOv5s的多目标故障检测方法,其特征在于,所述步骤S3)在训练改进YOLOv5s模型前,设有以下操作:
7.根据权利要求1所述的一种基于改进YO
8.根据权利要求1所述的一种基于改进YOLOv5s的多目标故障检测方法,其特征在于,步骤骤S3)中,所述NanoDet模型和改进YOLOv5s模型的训练参数为:
...【技术特征摘要】
1.一种基于改进yolov5s的多目标故障检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于改进yolov5s的多目标故障检测方法,其特征在于,步骤s1)包括以下子步骤:
3.根据权利要求1所述的一种基于改进yolov5s的多目标故障检测方法,其特征在于,步骤s2)构建改进yolov5s模型的方法包括以下步骤:
4.根据权利要求1或3所述的一种基于改进yolov5s的多目标故障检测方法,其特征在于,所述所述损失函数siou的计算公式为:
5.根据权利要求1所述的一种基于改进yolov5s的多目标故障检测方法,其特征在于,所述nanodet模型,将移...
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。