一种基于改进YOLOv5s的煤矿电力设备缺陷检测方法技术

本发明专利技术提供了一种基于改进YOLOv5s的煤矿电力设备缺陷检测方法。属于计算机视觉的目标检测技术领域。将煤矿电力设备图像输入改进的YOLOv5s网络模型进行故障识别；改进的YOLOv5s网络模型利用多分支的坐标注意力模块，增强针对煤矿电力设备图像中煤矿电力设备故障识别的能力，煤矿电力设备故障包括：渗漏油、表盘破损、外壳破损、呼吸器硅胶变色四种故障情况；利用特征融合网络模块通过将主干网络和颈部网络之间非相邻的特征信息进行跨层连接，增强特征表达及融合能力；将快速空间金字塔池化平均池化模块嵌入颈部网络的路径融合网络之间，以提升网络浅层定位信息传递到深层的能力；输出根据煤矿电力设备图像检测的结果。其步骤简单，使用方便，检测效率高。检测效率高。检测效率高。

【技术实现步骤摘要】
一种基于改进YOLOv5s的煤矿电力设备缺陷检测方法


[0001]本专利技术涉及计算机视觉的目标检测
，具体是一种基于改进YOLOv5s的煤矿电力设备缺陷检测方法

技术介绍

[0002]煤炭是我国重要的战略能源，促进了我国整体的经济发展。然而由于煤矿环境恶劣、工况复杂，一些电力设备长期处于恶劣的环境当中，受到高温、严寒、空气污染等因素的影响，电力设备容易发生老化或损坏等问题。为了保证煤矿的生产安全及效率，需要对煤矿电力设备运行状态进行定期巡视检查，该类巡检具有重要的工程意义和现实价值。
[0003]传统的煤矿电力设备检测通常采用人工巡检，但是由于人工巡检存在着劳动强度大、检测质量分散、难度高等特点，致使巡检工作效率较低。随着人工智能的迅速发展，我国煤矿智能检测技术不断进步，该类技术主要利用智能机器人替代人工实现自动巡检。目前，基于自动巡检机器人的煤矿电力设备缺陷检测主要涉及图像处理、机器学习和深度学习等方法。与前两者相比，基于深度学习的检测方法具有准确性高和实时性强的优点，在工程实践中的模型部署方面也具有较好的优势。
[0004]基于深度学习的目标检测算法主要分为一阶段检测算法和二阶段检测算法。一阶段检测算法主要包括SSD和YOLO等方法，该类方法利用回归的思想来预测所有类别及相应的置信度和边界框信息，并执行端到端的目标识别，故而在检测速度上有一定的优势。二阶段检测算法主要包括R
‑
CNN、FastR
‑
CNN和FasterR
‑
CNN等方法，该类方法通过在图像上进行滑动滤波窗口以提取感兴趣区域，从而可以获得略高的检测精度；但与一阶段检测算法相比，检测时间较长，并不适用于实时性要求较高的场所。在现有的一阶段检测算法中，YOLO系列表现出了较好的性能，可以提供更好的检测结果，因此该检测算法已被广泛应用于工程实践。

技术实现思路

[0005]针对煤矿电力设备缺陷精度低的问题，提供一种基于改进YOLOv5s的煤矿电力设备缺陷检测方法，使用了YOLOv5s检测算法，包含多分支的坐标注意力模块，提高了目标检测精度；其次，包含特征融合网络模块，使非相邻的特征信息进行有效交流，增强了模型特征表达及融合能力；最后，针对煤矿电力设备缺陷定位困难的问题，包含快速空间金字塔池化平均池化模块，使模型更关注设备缺陷的位置。
[0006]为解决上述问题，本专利技术提供一种基于改进YOLOv5s的煤矿电力设备缺陷检测方法，步骤如下：
[0007]1)针对煤矿电力设备图像进行数据化处理，并对煤矿电力设备图像进行预处理；
[0008]2)将完成预处理的煤矿电力设备图像输入改进的YOLOv5s网络模型进行故障识别；
[0009]3)利用多分支的坐标注意力模块，增强改进的YOLOv5s模型针对煤矿电力设备图
像中煤矿电力设备故障识别的能力，煤矿电力设备故障包括：渗漏油、表盘破损、外壳破损、呼吸器硅胶变色四种故障情况；
[0010]4)利用特征融合网络模块通过将主干网络和颈部网络之间非相邻的特征信息进行跨层连接，增强改进的YOLOv5s模型的特征表达及融合能力；将快速空间金字塔池化平均池化模块嵌入颈部网络的路径融合网络之间，以提升网络浅层定位信息传递到深层的能力；
[0011]5)改进的YOLOv5s网络模型输出根据煤矿电力设备图像检测的结果，具体生成渗漏油、表盘破损、外壳破损、呼吸器硅胶变色、无故障五种状态的几率，并输出几率最大的结果；从而判断出煤矿电力设备是否出现故障，若出现故障则是渗漏油、表盘破损、外壳破损、呼吸器硅胶变色中的哪一种故障；
[0012]所述的改进的YOLOv5s网络模型基于常规YOLOv5s网络模型，在YOLOv5s网络模型的主干中添加多分支的坐标注意力模块MCA，顺序连接的CBS模块、CBS模块、C3模块、CBS模块、C3模块、CBS模块、C3模块、CBS模块、C3模块、MCA坐标注意力模块、快速空间金字塔池化模块SPPF模块，构建为改进YOLOv5s网络模型主干部分；CBS模块包括：卷积层、批归一化层、SiLU激活函数；
[0013]在YOLOv5s网络模型中，将第3个C3模块与第4个C3模块，通过跨过颈部的FPN层直接传递至颈部的PAN层，保证了非相邻之间特征信息的有效交流，并将关键的特征信息进一步重复利用，实现多特征层之间的信息融合，构建特征融合模块：
[0014]在YOLOv5s网络模型的颈部中第一个C3与第二个C3后添加快速空间金字塔池化平均池化模块SPPFA，构建颈部部分；
[0015]依次连接YOLOv5s网络模型主干部分backbone、YOLOv5s网络模型颈部部分Neck、YOLOv5s网络模型输出部分head，YOLOv5s网络模型主干部分的输出端连接YOLOv5s网络模型颈部的输入端，YOLOv5s网络模型颈部的输出端连接YOLOv5s网络模型输出部分的输入端，特征融合模块将主干网络和颈部网络之间非相邻的特征信息进行跨层连接，增强YOLOv5s模型的特征表达及融合能力；
[0016]收集煤矿电力设备缺陷样本图像以及煤矿电力设备正常的图像，对图像中的煤矿电力设备是否出现故障，以及故障种类进行人工标注，之后将人工标注后的图像对改进的YOLOv5s网络模型进行训练，直至达到训练要求从而获得悬链好的改进的YOLOv5s网络模型。
[0017]进一步，MCA模块包括顺序连接的Y通道平均池化、X通道平均池化、全局平均池化、卷积1、卷积2、卷积3、非线性激活函数1、非线性激活函数2、非线性激活函数3；
[0018]由Y通道平均池化、X通道平均池化、全局平均池化作为MCA模块的三个输入端；Y通道平均池化的输出端与卷积1的输入端相连，卷积1的输出端与非线性激活函数1的输入端相连；X通道平均池化的输出端与卷积2的输入端相连，卷积2的输出端与非线性激活函数2的输入端相连；全局平均池化的输出端与卷积3的输入端相连，卷积3的输出端与非线性激活函数3的输入端相连；非线性激活函数1、非线性激活函数2、非线性激活函数3最终生成的归一化权重g
h
、g
w
、g
hw
相乘作为MCA坐标注意力模块的输出端。
[0019]进一步，所述特征融合模块包括20
×
20特征层1、20
×
20特征层2、20
×
20特征层3、20
×
20特征层4、40
×
40特征层1、40
×
40特征层2、40
×
40特征层3、80
×
80特征层1、80
×
80
特征层2、80
×
80特征层3；
[0020]由80
×
80特征层1作为输入端，80
×
80特征层1的输出端与40
×
40特征层1、80
×<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv5s的煤矿电力设备缺陷检测方法，其特征在于步骤如下：1)针对煤矿电力设备图像进行数据化处理，并对煤矿电力设备图像进行预处理；2)将完成预处理的煤矿电力设备图像输入改进的YOLOv5s网络模型进行故障识别；3)利用多分支的坐标注意力模块，增强改进的YOLOv5s模型针对煤矿电力设备图像中煤矿电力设备故障识别的能力，煤矿电力设备故障包括：渗漏油、表盘破损、外壳破损、呼吸器硅胶变色四种故障情况；4)利用特征融合网络模块通过将主干网络和颈部网络之间非相邻的特征信息进行跨层连接，增强改进的YOLOv5s模型的特征表达及融合能力；将快速空间金字塔池化平均池化模块嵌入颈部网络的路径融合网络之间，以提升网络浅层定位信息传递到深层的能力；5)改进的YOLOv5s网络模型输出根据煤矿电力设备图像检测的结果，具体生成渗漏油、表盘破损、外壳破损、呼吸器硅胶变色、无故障五种状态的几率，并输出几率最大的结果；从而判断出煤矿电力设备是否出现故障，若出现故障则是渗漏油、表盘破损、外壳破损、呼吸器硅胶变色中的哪一种故障；所述的改进的YOLOv5s网络模型基于常规YOLOv5s网络模型，在YOLOv5s网络模型的主干中添加多分支的坐标注意力模块MCA，顺序连接的CBS模块、CBS模块、C3模块、CBS模块、C3模块、CBS模块、C3模块、CBS模块、C3模块、MCA坐标注意力模块、快速空间金字塔池化模块SPPF模块，构建为改进YOLOv5s网络模型主干部分；CBS模块包括：卷积层、批归一化层、SiLU激活函数；在YOLOv5s网络模型中，将第3个C3模块与第4个C3模块，通过跨过颈部的FPN层直接传递至颈部的PAN层，保证了非相邻之间特征信息的有效交流，并将关键的特征信息进一步重复利用，实现多特征层之间的信息融合，构建特征融合模块，在YOLOv5s网络模型的颈部中第一个C3与第二个C3后添加快速空间金字塔池化平均池化模块SPPFA，构建颈部部分；依次连接YOLOv5s网络模型主干部分backbone、YOLOv5s网络模型颈部部分Neck、YOLOv5s网络模型输出部分head，YOLOv5s网络模型主干部分的输出端连接YOLOv5s网络模型颈部的输入端，YOLOv5s网络模型颈部的输出端连接YOLOv5s网络模型输出部分的输入端，特征融合模块将主干网络和颈部网络之间非相邻的特征信息进行跨层连接，增强YOLOv5s模型的特征表达及融合能力；收集煤矿电力设备缺陷样本图像以及煤矿电力设备正常的图像，对图像中的煤矿电力设备是否出现故障，以及故障种类进行人工标注，之后将人工标注后的图像对改进的YOLOv5s网络模型进行训练，直至达到训练要求从而获得悬链好的改进的YOLOv5s网络模型。2.根据权利要求1所述的一种基于改进YOLOv5s的煤矿电力设备缺陷检测方法，其特征在于，MCA模块包括顺序连接的Y通道平均池化、X通道平均池化、全局平均池化、卷积1、卷积2、卷积3、非线性激活函数1、非线性激活函数2、非线性激活函数3；由Y通道平均池化、X通道平均池化、全局平均池化作为MCA模块的三个输入端；Y通道平均池化的输出端与卷积1的输入端相连，卷积1的输出端与非线性激活函数1的输入端相连；X通道平均池化的输出端与卷积2的输入端相连，卷积2的输出端与非线性激活函数2的输入端相连；全局平均池化的输出端与卷积3的输入端相连，卷积3的输出端与非线性激活函数3
的输入端相连；非线性激活函数1、非线性激活函数2、非线性激活函数3最终生成的归一化权重g
h
、g
w
、g
hw
相乘作为MCA坐标注意力模块的输出端。3.根据权利要求1所述的一种基于改进YOLOv5s的煤矿电力设备缺陷检测方法，其特征在于，所述特征融合模块包括20
×
20特征层1、20
×
20特征层2、20
×
20特征层3、20
×
20特征层4、40
×
40特征层1、40
×
40特征层2、40
×
40特征层3、80
×
80特征层...

【专利技术属性】
技术研发人员：洪彬，金鑫，狄念蒙，张建兵，
申请(专利权)人：江苏师范大学，
类型：发明
国别省市：