一种绝缘子缺陷检测模型构建方法及系统技术方案

一种绝缘子缺陷检测模型构建方法及系统，为一种基于双注意力非对称卷积YOLOv5s的绝缘子缺陷检测模型构建方法及系统，涉及输电线路绝缘子缺陷智能检测方法及系统，其步骤：构建输电线路绝缘子图像数据集；基于非对称卷积模块、通道和空间的双注意力机制CBAM和YOLOv5s构建用于绝缘子缺陷检测的双注意力非对称卷积YOLOv5s(Dual Attention

【技术实现步骤摘要】
一种绝缘子缺陷检测模型构建方法及系统


[0001]本专利技术涉及输电线路绝缘子缺陷智能检测方法及系统，特别是涉及一种绝缘子缺陷检测模型构建方法及系统。

技术介绍

[0002]随着我国输电线路的高速发展，绝缘子运行维护需求量增长与巡检人员数量之间的矛盾逐渐凸显。近些年，无人机航拍巡检代替人工巡检，一定程度上降低了巡检的难度和工作量，但是无人机航拍的绝缘子图像需要回传到后台人工判断和统计，存在检测效率低、实时性难以保障。
[0003]由于绝缘子图像背景复杂、角度多变和纵横比高特点，传统图像特征提取和分类器机器学习方法对复杂背景干扰比较敏感，很容易将阴影识别为缺陷，而基于深度学习的绝缘子检测面临缺陷目标较小、纵横比高、遮挡等问题，检测精度和速度还有待进一步提升，因此绝缘子缺陷检测面临巨大的挑战。
[0004]有鉴于此特提出本专利技术。

技术实现思路

[0005]本专利技术的目的在于提供一种绝缘子缺陷检测模型构建方法及系统，本专利技术基于YOLOv5s模型使用非对称卷积模块ACBlock替换了主干网络中残差单元的卷积来强化网络特征提取能力；然后在主干网络中引入通道和空间结合的注意力机制CBAM，通过对不同重要的特征采用不同的加权方式进一步提升网络的特征表达能力；最后针对YOLOv5s使用PIoU损失函数优化边框回归损失，能够有效地提升长宽比高、倾斜的绝缘子的IoU效果。本专利技术不仅可以在复杂的场景下提高绝缘子检测的精度，还能减少绝缘子的漏检。
[0006]本专利技术的目的是通过以下技术方案实现的：本专利技术一种绝缘子缺陷检测模型的构建方法，包括以下步骤：S1，构建输电线路绝缘子图像数据集；S2，基于非对称卷积模块ACBlock、通道和空间的双注意力机制CBAM和YOLOv5s构建用于绝缘子图像的检测模型；S3，使用所述绝缘子图像数据集对所述检测模型进行训练，并采用PIoU损失函数对所述检测模型进行参数更新；S4， 将绝缘子图像输入训练好的模型进行检测，输出绝缘子图像中目标的位置和类别。
[0007]进一步可选地，步骤S1包括如下步骤：S11，构建航拍绝缘子数据集，并通过镜像、旋转和添加噪声等数据增强方法来扩充数据集；S12，对绝缘子图像样本进行标注，使用矩形框标注绝缘子及其缺陷位置，并标注类别为绝缘子或缺陷。数据集采用YOLO格式，图片标注使用的是LabelImg，标注后的文件
以.xml作为后缀，将标签文件转为.txt文件。
[0008]进一步可选地，步骤S2包括如下步骤：S21，使用非对称卷积模块ACBlock做为BottleneckCSP1中残差单元的卷积，构建ACBlock
‑
BottleneckCSP1。基于ACBlock
‑
BottleneckCSP1搭建非对称卷积YOLOv5s网络；S22，在非对称卷积YOLOv5s的主干网络中引入通道和空间结合的注意力机制CBAM。分别在主干网络中第一个ACBlock
‑
BottleneckCSP1之前和最后一个ACBlock
‑
BottleneckCSP1之后引入CBAM注意力机制。
[0009]进一步可选地，步骤S3包括如下步骤：S31，数据集划分为训练集、验证集和测试集；S32，设置批量、训练轮数、学习率和冲量等训练参数；S33，利用所述训练集和验证集，使用梯度下降法求解损失函数的最优解，并根据损失函数的最优解对所述检测模型进行参数更新，保存训练好的模型；S34，使用所述测试数据对训练好的模型进行测试。
[0010]进一步可选地，PIoU损失函数公式如下：其中，为所有正样本的集合，为正样本数，为真实目标，为预测目标边框。是经二进制约束函数处理后真实目标和预测目标框交集的像素点数和并集的像素点数比值。
[0011]本专利技术一种绝缘子缺陷检测模型构建系统，为一种基于双注意力非对称卷积YOLOv5s的绝缘子缺陷检测模型构建系统，其包括一个或多个处理器以及存储有程序指令的非暂时性计算机可读存储介质，当一个或多个处理器执行程序指令时，一个或多个处理器用于实现根据上述技术方案任意一项的方法。
[0012]本专利技术具有以下有益效果：本专利技术在YOLOv5s的主干网络中使用ACBlock
‑
BottleneckCSP1和添加通道和空间结合的注意力机制CBAM改善绝缘子检测精度低和漏检问题。以像素计数方式计算交并比PIoU函数作为边界框回归损失函数，使目标定位更加准确，减少了绝缘子的漏检。本专利技术有助于绝缘子缺陷的智能诊断水平提高，能够满足绝缘子缺陷检测实时性和高精度需求。
附图说明
[0013]附图作为本专利技术的一部分，用来提供对本专利技术的进一步的理解，本专利技术的示意性实施例及其说明用于解释本专利技术，但不构成对本专利技术的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。在附图中：
图1：为本专利技术一种实施例的基于双注意力非对称卷积YOLOv5s的绝缘子缺陷检测模型构建方法的流程示意图；图2：为本专利技术一种实施例的基于DAAC
‑
YOLOv5s的缺陷模型的结构示意图；图3：为本专利技术一种实施例的ACBlock结构示意图；图4：为本专利技术一种实施例的分别使用DIOU、CIOU和GIOU作为边界框回归损失的改进模型和使用PIOU的DAAC
‑
YOLOv5s模型的训练过程回归损失对比图。
[0014]图5：为本专利技术一种实施例的原始YOLOv5s模型和改进后的模型DAAC
‑
YOLOv5s的检测结果对比图；图6：为本专利技术一种实施例的基于DAAC
‑
YOLOv5s的绝缘子缺陷检测系统的系统框架图。
[0015]需要说明的是，这些附图和文字描述并不旨在以任何方式限制本专利技术的构思范围，而是通过参考特定实施例为本领域技术人员说明本专利技术的概念。
具体实施方式
[0016]下面结合附图对本专利技术的具体实施方式作进一步详细的描述。
[0017]本专利技术将深度学习的目标检测算法应用到绝缘子检测与缺陷识别上，在YOLOv5s算法的基础上结合绝缘子缺陷检测面临的困难，提出了改进后的算法DAAC
‑
YOLOv5s，从而使绝缘子快速准确的检测，减少绝缘子的漏检和误检。
[0018]图1示出了本专利技术一种实施例的基于双注意力非对称卷积YOLOv5s的绝缘子缺陷检测模型构建方法的流程示意图。如图1所示，该检测模型构建方法包括：S1，构建输电线路绝缘子图像数据集。其中，S1包括如下步骤：S11，构建航拍绝缘子数据集，针对数据不足的问题，考虑到检测场景的特点，采用旋转、裁剪、平移、CutMix、加噪、自适应亮度校正对绝缘子图像数据进行扩充。针对航拍视屏不断变化角度的特点，使用旋转的方法增加不同角度的图像；考虑到无人机在拍摄和传输图像中会产生噪声，采用添加噪声的方式对图像进行预处理；同时使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种绝缘子缺陷检测模型构建方法，为一种基于非对称卷积YOLOv5s的绝缘子缺陷检测模型构建方法，其特征在于，所述方法包括以下步骤：S1，构建输电线路绝缘子图像数据集；S2，基于非对称卷积模块(Asymmetric Convolution Block，ACBlock)、通道和空间的双注意力机制CBAM和YOLOv5s构建用于绝缘子图像的检测模型；S3，使用所述绝缘子图像数据集对所述检测模型进行训练，并采用PIoU损失函数对所述检测模型进行参数更新；S4，将绝缘子图像输入训练好的模型进行检测，输出绝缘子图像中目标的位置和类别。2.如权利要求1所述的一种绝缘子缺陷检测模型构建方法，其特征在于，所述步骤S1包括如下步骤：S11，构建航拍绝缘子数据集，并通过镜像、旋转和添加噪声等数据增强方法来扩充数据集；S12，对绝缘子图像样本进行标注，使用矩形框标注绝缘子及其缺陷位置，并标注类别为绝缘子或缺陷；数据集采用YOLO格式，图片标注使用的是LabelImg，标注后的文件以.xml作为后缀，将标签文件转为.txt文件。3.如权利要求1所述的一种绝缘子缺陷检测模型构建方法及，其特征在于，所述步骤S2包括如下步骤：S21，使用非对称卷积模块ACBlock做为BottleneckCSP1中残差单元的卷积，构建ACBlock
‑
BottleneckCSP1；基于ACBlock
‑
BottleneckCSP1搭建非对称卷积YOLO...

【专利技术属性】
技术研发人员：赵立杰，袁昌彪，黄明忠，王国刚，张延华，
申请(专利权)人：沈阳化工大学，
类型：发明
国别省市：