一种基于FReLU激活函数的YOLOv7-Dense的绝缘子检测方法及系统技术方案

本发明专利技术公开了一种基于FReLU激活函数的YOLOv7

【技术实现步骤摘要】
一种基于FReLU激活函数的YOLOv7
‑
Dense的绝缘子检测方法及系统


[0001]本专利技术属输电线路绝缘子检测领域，具体涉及一种基于FReLU激活函数的YOLOv7
‑
Dense的绝缘子检测方法及系统。

技术介绍

[0002]绝缘子主要用于电气绝缘和机械支撑，是架设输电线路过程中的重要原件。在输电线路的运行过程中，绝缘子长期承受高压电流和自然环境变化的影响，其表面堆积的污秽会导致绝缘子的绝缘能力下降，严重时可能导致闪络事故。目前清洗绝缘子的方法常常是使用人工进行高压水枪清洗，由于部分绝缘子位置高、清洗难度大、安全性差，使用智能机器人代替人工很有必要。在水冲洗机器人进行作业时，机器人需要具备检测出绝缘子串位置的能力，因此如何在变电站环境中准确的检测绝缘子目前的研究重点。
[0003]绝缘子的检测属于计算机视觉的目标检测领域，YOLOv7是目前YOLO目标检测系列最先进的算法，在准确率和速度上都超过了以往的YOLO系列，但是YOLOv7在检测绝缘子时其特征提取能力的不足使得检测效果差。
[0004]故，现存需要解决YOLOv7的特征提取能力差的问题。

技术实现思路

[0005]本专利技术的目的在于解决YOLOv7的特征提取能力差的问题，提出了一种基于FReLU激活函数的YOLOv7
‑
Dense的绝缘子检测方法及系统，提高了绝缘子检测的精度与速度。
[0006]为达到上述目的，本专利技术采用如下技术方案：
[0007]一种基于FReLU激活函数的YOLOv7
‑
Dense的绝缘子检测方法，包括以下步骤：
[0008]步骤一：采集输电线路中的绝缘子图像作为自采数据集，所述自采数据集与公开绝缘子数据集一同建立绝缘子混合数据集；
[0009]步骤二：对步骤一中建立的绝缘子混合数据集中所有图像首先进行锐化增强处理，再进行图像预处理得到绝缘子数据集；
[0010]步骤三：对步骤二中得到的绝缘子数据集进行绝缘子标签的标注，保存标注的绝缘子图片信息和标签信息，将标注完成的绝缘子数据集划分为训练集和测试集；
[0011]步骤四：构建DenseNet，将DenseNet与YOLOv7进行组装得到YOLOv7
‑
Dense原网络模型；对YOLOv7
‑
Dense原网络模型的backbone进行参数的修改和设定得到YOLOv7
‑
Dense
‑
backbone网络模型；将YOLOv7
‑
Dense
‑
backbone网络模型接入YOLOv7的head构建完整的YOLOv7
‑
Dense网络模型；
[0012]步骤五：利用FReLU激活函数替换步骤四中YOLOv7
‑
Dense网络模型的ReLU和PReLU激活函数，得到基于FReLU激活函数的YOLOv7
‑
Dense网络模型；
[0013]步骤六：将步骤三中得到的训练集和测试集输入至步骤五中的基于FReLU激活函数的YOLOv7
‑
Dense网络模型中，对基于FReLU激活函数的YOLOv7
‑
Dense网络模型进行训练
得到最优绝缘子检测参数，保存得到最优绝缘子检测参数的基于FReLU激活函数的YOLOv7
‑
Dense网络模型。
[0014]进一步地，步骤二中所述锐化增强处理利用基于二阶导数的图像增强—拉普拉斯算子对应的滤波公式与绝缘子混合数据集的原始图像进行像素相乘得到锐化增强后的图像；所述基于二阶导数的图像增强—拉普拉斯算子为具体公式如下：
[0015][0016]式中f(i,j)表示第i行和第j列的元素，所述基于二阶导数的图像增强—拉普拉斯算子对应的滤波公式W1如下：
[0017]。
[0018]进一步地，步骤二中所述图像预处理包括两种方式：数据增强和基础变换；所述数据增强使用随机裁剪、随机翻转、随机色彩空间变换和随机图像色彩变换对图像进行处理；所述基础变换先对普通的图像进行归一化操作，再对归一化操作后的图像进行一次resize操作；所述归一化操作先将所有像素除以255，所有的像素值映射到[0,1]范围内后，再对所有像素使用均值和方差。
[0019]进一步地，步骤三中所述标注在图像标注工具中进行，所述图像标注工具为labelimg，所述保存的格式为txt格式，所述训练集和测试集划分的比例为7:3；所述训练集和测试集分别存放在不同的文件夹中，所述文件夹外设置四个记事本文件；所述四个记事本文件中分别存放训练集的图像和bounding box的坐标信息、训练集的标签数据、测试集的图像和bounding box的坐标信息和测试集的标签数据。
[0020]进一步地，步骤四中所述DenseNet利用DenseBlock构建，公式如下：
[0021]x
L
＝H
L
([x1,x2,...,x
L
‑1])
[0022]式中x
L
表示第L层的输出结果，H
L
(.)表示非线性转换函数，所述H
L
(.)包括一系列的BN、ReLU、Pooling和Conv操作；
[0023]所述DenseBlock的内部结构包括BN层、ReLU层、1*1的Conv层和3*3的Conv层，所述DenseBlock包括6个BottleNeck层；所述BottleNeck层包括1个BN
‑
ReLU
‑
1*1的Conv
‑
BN
‑
ReLU
‑
3*3的Conv；所述1*1的Conv的stride＝1、padding＝0；所述3*3的Conv的stride＝padding＝1；每组Conv之间通过短接线连接；
[0024]所述组装包括将DenseBlock加入YOLOv7的Backbone的第一个CBS模块和最后一个CBS模块之后组成YOLOv7
‑
Dense原网络模型的Backbone，所述完整YOLOv7
‑
Dense网络模型包括卷积层、Dense层、MP层和Concat层；
[0025]所述构建完整的YOLOv7
‑
Dense网络模型具体为在YOLOv7
‑
Dense
‑
backbone网络模型中输入一张RGB三通道的640*640大小的图片，最后输出一个256通道数的特征矩阵，将特征矩阵输出至Head进行特征预测。
[0026]进一步地，步骤四中所述对YOLOv7
‑
Dense原网络模型的backbone进行参数的修改和设定具体为：利用小尺寸数据集对YOLOv7
‑
...

【技术保护点】

【技术特征摘要】
1.一种基于FReLU激活函数的YOLOv7
‑
Dense的绝缘子检测方法，其特征在于，包括以下步骤：步骤一：采集输电线路中的绝缘子图像作为自采数据集，所述自采数据集与公开绝缘子数据集一同建立绝缘子混合数据集；步骤二：对步骤一中建立的绝缘子混合数据集中所有图像首先进行锐化增强处理，再进行图像预处理得到绝缘子数据集；步骤三：对步骤二中得到的绝缘子数据集进行绝缘子标签的标注，保存标注的绝缘子图片信息和标签信息，将标注完成的绝缘子数据集划分为训练集和测试集；步骤四：构建DenseNet，将DenseNet与YOLOv7进行组装得到YOLOv7
‑
Dense原网络模型；对YOLOv7
‑
Dense原网络模型的backbone进行参数的修改和设定得到YOLOv7
‑
Dense
‑
backbone网络模型；将YOLOv7
‑
Dense
‑
backbone网络模型接入YOLOv7的head构建完整的YOLOv7
‑
Dense网络模型；步骤五：利用FReLU激活函数替换步骤四中YOLOv7
‑
Dense网络模型的ReLU和PReLU激活函数，得到基于FReLU激活函数的YOLOv7
‑
Dense网络模型；步骤六：将步骤三中得到的训练集和测试集输入至步骤五中的基于FReLU激活函数的YOLOv7
‑
Dense网络模型中，对基于FReLU激活函数的YOLOv7
‑
Dense网络模型进行训练得到最优绝缘子检测参数，保存得到最优绝缘子检测参数的基于FReLU激活函数的YOLOv7
‑
Dense网络模型。2.根据权利要求1所述的一种基于FReLU激活函数的YOLOv7
‑
Dense的绝缘子检测方法，其特征在于，步骤二中所述锐化增强处理利用基于二阶导数的图像增强—拉普拉斯算子对应的滤波公式与绝缘子混合数据集的原始图像进行像素相乘得到锐化增强后的图像；所述基于二阶导数的图像增强—拉普拉斯算子为具体公式如下：式中f(i,j)表示第i行和第j列的元素，所述基于二阶导数的图像增强—拉普拉斯算子对应的滤波公式W1如下：。3.根据权利要求1所述的一种基于FReLU激活函数的YOLOv7
‑
Dense的绝缘子检测方法，其特征在于，步骤二中所述图像预处理包括两种方式：数据增强和基础变换；所述数据增强使用随机裁剪、随机翻转、随机色彩空间变换和随机图像色彩变换对图像进行处理；所述基础变换先对普通的图像进行归一化操作，再对归一化操作后的图像进行一次resize操作；所述归一化操作先将所有像素除以255，所有的像素值映射到[0,1]范围内后，再对所有像素使用均值和方差。4.根据权利要求1所述的一种基于FReLU激活函数的YOLOv7
‑
Dense的绝缘子检测方法，其特征在于，步骤三中所述标注在图像标注工具中进行，所述图像标注工具为labelimg，所述保存的格式为txt格式，所述训练集和测试集划分的比例为7:3；所述训练集和测试集分别存放在不同的文件夹中，所述文件夹外设置四个记事本文件；所述四个记事本文件中分
别存放训练集的图像和bounding box的坐标信息、训练集的标签数据、测试集的图像和bounding box的坐标信息和测试集的标签数据。5.根据权利要求1所述的一种基于FReLU激活函数的YOLOv7
‑
Dense的绝缘子检测方法，其特征在于，步骤四中所述DenseNet利用DenseBlock构建，公式如下：x
L
＝H
L
([x1,x2,...,x
L
‑1])式中x
L
表示第L层的输出结果，H
L
(.)表示非线性转换函数，所述H
L
(.)包括一系列的BN、ReLU、Pooling和Conv操作；所述DenseBlock的内部结构包括BN层、ReLU层、1*1的Conv层和3*3的Conv层，所述DenseBlock包括6个BottleNeck层；所述BottleNeck层包括1个BN
‑
ReLU
‑
1*1的Conv
‑
BN
‑
ReLU
‑
3*3的Conv；所述1*1的Conv的stride＝1、padding＝0；所述3*3的Conv的stride＝padding＝1；每组Conv之间通过短接线连接；所述组装包括将DenseBlock加入YOLOv7的Backbone的第一个CBS模块和最后一个CBS模块之后组成YOLOv7
‑
Dense原网络模型的Backbone，所述完整YOLOv7
‑
Dense网络模型包括卷积层、Dense层、MP层和Concat层；所述构建完整的YOLOv7
‑
Dense网络模型具体为在YOLOv7
‑
Dense
‑
backbone网络模型中输入一张RGB三通道的640*640大小的图片，最后输出一个256通道数的特征矩阵，将特征矩阵输出至Head进行特征预测。6.根据权利要求1所述的一种基于FReLU激活函数的YOLOv7
‑
Dense的绝缘子检测方法，其特征在于，步骤四中所述对YOLOv7
‑
...

【专利技术属性】
技术研发人员：孙喆，张静，李建兴，王慧芬，孔志战，陈松博，牛婷，王刚，戈弓，陈强，周钢，张琦，赵鹏，冯超宇，张晶晶，赵超，张琰，王晨阳，
申请(专利权)人：西安电力高等专科学校，
类型：发明
国别省市：