一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法技术

本发明专利技术提供了一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法，步骤为：步骤1，根据无人机巡检实时传输图片数据，获取绝缘子图像与对应XML标签数据；步骤2，对绝缘子图像进行处理；步骤3，以YOLOv3为基本框架，进行剪枝修改操作后建立深度学习模型；步骤4，将由4个并行maxpool层组成的的SPPnet模块引入到剪枝后的YOLOv3中；步骤5，将处理好的绝缘子图像和修改后的TXT标签数据转换成训练数据；步骤6，得到绝缘子识别模型；步骤7，得到每张图片中检测出的绝缘子图框信息；步骤8，判断绝缘子故障。优点是：在不减少平均精度的情况下，减少了训练时间、降低了对图片质量的要求，同时降低了对车载服务器的计算力要求，提高了绝缘子巡检智能化水平。

A yolov3 pruning method for insulator defect identification

【技术实现步骤摘要】
一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法
本专利技术涉及电网巡检维护技术，具体涉及一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法。
技术介绍
随着经济快速地发展，智能电网建设的日益进步，对输电线路巡检的智能化、快速化提出了更高的要求。众所周知，绝缘子是一种特殊的绝缘控件，能够在架空输电线路中起到重要作用，其主要功能是实现电气绝缘和机械固定，为此规定有各种电气和机械性能的要求。但是，人工维护和检修的过程也极为繁琐且危险系数很高，据调查统计，因绝缘子缺陷造成的安全事故次数较多。所以，定期巡检杆塔绝缘子对电力巡检来说是一件非常必要的工作。近年来电力巡检的技术发展迅速，多开始使用无人机对输电线路进行定航巡检，然后人工观察、筛选无人机所拍图片来检查缺陷所在。此方法虽然解决了人工检修的危险性但后期的筛选工作依旧繁琐庞杂，且因为图片质量和清晰度等问题人工检查图片会造成许多漏判误判的结果。后来开始逐步使用基于深度学习模型的人工智能算法来进行图片识别筛选工作，但不同巡检现场特征不同，不能总使用同一套学习结果，现场样本量少、有效样本更少变成了不可避免的问题。
技术实现思路
为解决上述问题，本专利技术公开了一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法，在不减少平均精度的情况下，减少了训练速度、降低了对图片质量的要求，同时降低了对车载服务器的计算力要求，提高了绝缘子巡检智能化水平。为了达到以上目的，本专利技术提供如下技术方案：一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法，具体步骤为：步骤1，根据无人机巡检实时传输图片数据，获取绝缘子图像与对应XML标签数据，并根据Darknet-53的文件特性将其改为TXT格式；步骤2，对绝缘子图像进行初步处理，得到处理后的绝缘子图像，并修改TXT标签数据中的标示框位置对应的像素信息，得到修改后的TXT标签数据；步骤3，以YOLOv3为基本框架，进行剪枝修改操作后建立深度学习模型，包括以下步骤：步骤301，使用Darknet-53作为一种新的基础主干框架网，进行神经网络特征提取，Darknet-53添加了更多连续的3×3和1×1的卷积层，并将它们组成基础计算模块，相较于YOLOv2中的Darknet-19，功能强大许多；步骤302，进行稀疏训练，给每个通道分配相应的比例因子，其绝对值表示通道的重要性，从而利于进行通道剪枝；步骤303，进行通道修剪，直接抛弃与通道号无关的maxpool层，并引入全局阈值来控制剪枝率，同时设置局部安全阈值以保证模型的完整性；步骤304，输出层仅保留8*8的输出尺度以减少模型的大小及训练计算量；步骤4，将由4个并行maxpool层（1×1,5×5,9×9和13×13）组成的的SPPnet模块引入到剪枝后的YOLOv3中；步骤5，将处理好的绝缘子图像和步骤3修改后的TXT标签数据转换成用于深度学习网络模型训练的训练数据；步骤6，利用训练数据训练深度学习网络模型，得到绝缘子识别模型；步骤7，将待检测的实时图片输入到训练完成后的绝缘子检测模型中，得到每张图片中检测出的绝缘子图框信息；步骤8，根据检测出的绝缘子图框信息判断绝缘子故障。进一步的，所述步骤1中所使用的标注工具LabelImg是一个可视化的图像标定工具，YOLOv3算法所需要的数据集需要借此工具标定图像中的目标，生成遵循PASCALVOC的格式的XML文件，并将XML文件转为TXT文件。进一步的，所述步骤2中将步骤1获取得到的绝缘子图像统一等比缩放为图像像素宽度与高度为416或其他32的倍数的图像。进一步的，所述步骤3中利用步骤5生成的训练数据训练步骤3中的深度学习网络模型；其中，每隔一个训练周期检测深度学习网络AP值、损失值等参数变化情况。进一步的，所述步骤5中将步骤2修改后得到的TXT标签数据导入到LISTS文件中，从而将训练图片引入到模型中。进一步的，所述步骤6中训练完成后的模型权重以WEIGHTS文件形式保存，并可以在下一次训练中直接调用本次训练权重。与现有技术相比，本专利技术的有益效果在于：1、使用了基于Darknet框架的YOLOv3算法识别绝缘子与绝缘子故障缺陷，并且在此基础上对YOLOv3算法进行通道减少、框架瘦身、添加SPPnet模块等剪枝处理，从而进一步优化YOLOv3的轻量化性能，以适用于输电线路巡检现场中因无人机拍摄图片数量较少、模糊不清、角度偏差等原因造成的有效样本数量不足的情况；2、本专利技术能够尽可能快地实现现场拍摄图片训练，同时避免YOLOv3因样本数量过少而导致的精度下降问题；3、该方法仅对YOLOv3框架稍作剪枝修改（裁剪了50%的YOLOv3框架的通道数并于特定卷积层后添加SPPnet模块），然而平均精度（mAP）几乎没有下降，训练速度大幅提高；4、本专利技术减少了对车载服务器的计算力需求，降低了实现YOLOv3算法的硬件要求。附图说明图1为本专利技术的检测方法流程图。图2为本专利技术的剪枝后YOLOv3模型结构图。图3为本专利技术的SPPnet模块结构图。具体实施方式下面结合附图和具体实施方式，进一步阐明本专利技术，应理解下述具体实施方式仅用于说明本专利技术而不用于限制本专利技术的范围。如图所示，一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法，具体步骤为：步骤1：根据无人机巡检实时传输图片数据，获取绝缘子图像与对应XML标签数据，并根据Darknet-53的文件特性将其改为TXT格式，所使用的标注工具LabelImg是一个可视化的图像标定工具，YOLOv3算法所需要的数据集需要借此工具标定图像中的目标，生成遵循PASCALVOC的格式的XML文件；步骤2：对绝缘子图像进行初步处理，将步骤1获取得到的绝缘子图像统一等比缩放为图像像素宽度与高度为416或其他32的倍数的图像，得到处理后的绝缘子图像，并修改TXT标签数据中的标示框位置对应的像素信息，得到修改后的TXT标签数据；步骤3：以YOLOv3为基本框架，进行剪枝修改操作后建立深度学习模型，包括以下步骤：步骤301：使用Darknet-53作为一种新的基础主干框架网，进行神经网络特征提取，Darknet-53添加了更多连续的3×3和1×1的卷积层，并将它们组成基础计算模块，相较于YOLOv2中的Darknet-19，功能强大许多；步骤302：进行稀疏训练，给每个通道分配相应的比例因子，其绝对值表示通道的重要性，从而利于进行通道剪枝；步骤303：进行通道修剪，直接抛弃与通道号无关的maxpool层，并引入全局阈值来控制剪枝率，同时设置局部安全阈值以保证模型的完整性；步骤304：输出层仅保留8*8的输出尺度以减少模型的大小及训练计算量；步骤4：将由4个并行maxpool层（1×1,5×5,9×9和13×本文档来自技高网...

【技术保护点】
1.一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法，其特征在于，具体步骤为：/n步骤1，根据无人机巡检实时传输图片数据，获取绝缘子图像与对应XML标签数据，并根据Darknet-53的文件特性将其改为TXT格式；/n步骤2，对绝缘子图像进行初步处理，得到处理后的绝缘子图像，并修改TXT标签数据中的标示框位置对应的像素信息，得到修改后的TXT标签数据；/n步骤3，以YOLOv3为基本框架，进行剪枝修改操作后建立深度学习模型，包括以下步骤：/n步骤301，使用Darknet-53作为基础主干框架网，进行神经网络特征提取；/n步骤302，进行稀疏训练，给每个通道分配相应的比例因子，其绝对值表示通道的重要性，从而利于进行通道剪枝；/n步骤303，进行通道修剪，直接抛弃与通道号无关的maxpool层，并引入全局阈值来控制剪枝率，同时设置局部安全阈值以保证模型的完整性；/n步骤304，输出层仅保留8*8的输出尺度以减少模型的大小及训练计算量；/n步骤4，将由4个并行maxpool层（1×1,5×5,9×9和13×13）组成的的SPPnet模块引入到剪枝后的YOLOv3中；/n步骤5，将处理好的绝缘子图像和步骤3修改后的TXT标签数据转换成用于深度学习网络模型训练的训练数据；/n步骤6，利用训练数据训练深度学习网络模型，得到绝缘子识别模型；/n步骤7，将待检测的实时图片输入到训练完成后的绝缘子检测模型中，得到每张图片中检测出的绝缘子图框信息；/n步骤8，根据检测出的绝缘子图框信息判断绝缘子故障。/n...

【技术特征摘要】
1.一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法，其特征在于，具体步骤为：
步骤1，根据无人机巡检实时传输图片数据，获取绝缘子图像与对应XML标签数据，并根据Darknet-53的文件特性将其改为TXT格式；
步骤2，对绝缘子图像进行初步处理，得到处理后的绝缘子图像，并修改TXT标签数据中的标示框位置对应的像素信息，得到修改后的TXT标签数据；
步骤3，以YOLOv3为基本框架，进行剪枝修改操作后建立深度学习模型，包括以下步骤：
步骤301，使用Darknet-53作为基础主干框架网，进行神经网络特征提取；
步骤302，进行稀疏训练，给每个通道分配相应的比例因子，其绝对值表示通道的重要性，从而利于进行通道剪枝；
步骤303，进行通道修剪，直接抛弃与通道号无关的maxpool层，并引入全局阈值来控制剪枝率，同时设置局部安全阈值以保证模型的完整性；
步骤304，输出层仅保留8*8的输出尺度以减少模型的大小及训练计算量；
步骤4，将由4个并行maxpool层（1×1,5×5,9×9和13×13）组成的的SPPnet模块引入到剪枝后的YOLOv3中；
步骤5，将处理好的绝缘子图像和步骤3修改后的TXT标签数据转换成用于深度学习网络模型训练的训练数据；
步骤6，利用训练数据训练深度学习网络模型，得到绝缘子识别模型；
步骤7，将待检测的实时图片输入到训练完成后的绝缘子检测模型中，得到每张图片中检测出的绝缘子图框信息；
步骤...

【专利技术属性】
技术研发人员：陈嘉琛，俞曜辰，陈雨辰，顾雅茹，陈中，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32