一种基于YOLOv5的变电站智能巡检方法技术

本发明专利技术公开一种基于YOLOv5的变电站智能巡检方法，包括步骤：建立生锈、污秽、异物、佩戴安全帽状态、箱门开闭状态、变压器硅胶颜色状态的数据集；在图形工作站上搭建深度学习环境并针对数据集训练YOLOv5模型，调整训练参数获得原始模型的最优性能；在原始模型的基础上对模型主干部分引入坐标注意力；输出端用YOLOv6解耦检测头；定位损失函数采用SIoU损失函数，获得最终的变电站智能巡检模型；通过固定的摄像头采集变电站中各个电气设备的图像，将图像输入所建立的变电站智能巡检模型对变电站中各个设备状态进行检测。本发明专利技术能够对变电站巡检目标进行快速有效的检测，降低了人工成本并提高了巡检效率。提高了巡检效率。提高了巡检效率。

【技术实现步骤摘要】
一种基于YOLOv5的变电站智能巡检方法


[0001]本专利技术属于变电站巡检
，特别是涉及一种基于YOLOv5的变电站智能巡检方法。

技术介绍

[0002]传统电力巡检方式主要使用人工方式结合少量环境监控器的方式实现，但是变电站内部构造复杂，电气设备种类繁多，异常情况多种多样，并且设备出现异常时可能对人身安全和设备安全带来危害(变电站细节)，并且人工巡检存在劳动强度大和主观因素多等问题。
[0003]随着电力生产智能化程度不断提升，逐步朝智能变电站、无人值守变电站发展，基于深度学习的智能巡检已有以无人机、巡检机器人、监控摄像头为平台的应用。现阶段对箱门开闭状态、硅胶颜色状态、佩戴安全帽状态和异物的巡检技术主要使用Faster R
‑
CNN和SSD模型，但是Faster R
‑
CNN速度慢，训练时对设备硬件占用高，SSD运行速度快，但是检测精度低。现阶段对生锈和污秽的巡检技术主要使用语义分割算法结合目标检测算法，先分割出需要检测的设备部位，例如绝缘子、呼吸器，然后在分割出的图像中用目标检测算法定位生锈和污秽，大大增加了工作量并且模型运行速度慢。

技术实现思路

[0004]为了解决上述问题，本专利技术提出了一种基于YOLOv5的变电站智能巡检方法，能对变电站巡检目标进行快速有效的检测，降低了人工成本并提高了巡检效率。
[0005]为达到上述目的，本专利技术采用的技术方案是：一种基于YOLOv5的变电站智能巡检方法，包括步骤：
[0006]S100,建立生锈、污秽、异物、佩戴安全帽状态、箱门开闭状态、变压器硅胶颜色状态的智能巡检数据集；
[0007]S200,在图形工作站上搭建深度学习环境并针对S100中的数据集训练YOLOv5模型，调整训练参数获得原始模型的最优性能；
[0008]S300,在原始模型的基础上对模型主干部分引入坐标注意力应对样本复杂度过高的问题；输出端用YOLOv6解耦检测头；定位损失函数采用SIoU损失函数，获得最终的变电站智能巡检模型；
[0009]S400,通过固定的摄像头采集变电站中各个电气设备的图像，将图像输入所建立的变电站智能巡检模型对变电站中各个设备状态进行检测。
[0010]进一步的是，在所述步骤S100中，在多个变电站、多个拍摄角度和多种天气条件下进行图片采样，并对样本进行筛选和标注，得到生锈、污秽、异物、佩戴安全帽状态、箱门开闭状态、变压器硅胶颜色状态的智能巡检数据集。
[0011]进一步的是，在所述步骤S200中，使用Python语言、Pytorch编译环境、CUDA 10.2运算平台，专业图形工作站搭配RTX500016G独立显卡，对样本预处理后输入YOLOv5s模型，
通过调整训练参数获得原始模型的最优性能。
[0012]进一步的是，在所述步骤S300中，在YOLOv5s主干部分引入注意力机制引入坐标注意力以应对样本复杂度过高的问题；利用CA注意力将通道注意力分解为两个1维特征编码过程，分别沿两个空间方向聚合特征；然后将生成的特征图分别编码为一对方向感知和位置敏感的注意力图。
[0013]进一步的是，坐标注意力基于精确的位置信息，对通道关系和长期依赖性进行编码，具体操作分为坐标信息嵌入和坐标注意力生成，包括步骤：
[0014]S301，坐标信息嵌入部分，为了促进注意力模块能够捕获具有精确位置信息的空间长程依赖，坐标注意力将全局池化分解为一对一维特征编码操作，坐标注意力给定输入x，首先使用尺寸为(H,1)和(1,W)的池化核分别沿着水平坐标和垂直坐标对每个通道进行编码[z
h
,z
w
]；
[0015]S302，在坐标注意力生成部分，首先串联之前模块生成的两个特征图，然后使用一个共享的1
×
1卷积进行变换，[z
h
,z
w
]表示沿空间维度的串联运算，δ为非线性激活函数，得到对空间信息在水平方向和竖直方向的中间特征图f：
[0016]沿着空间维度将f在切分为两个单独的张量f
h
和f
w
，分别经过一次1
×
1卷积操作调整为与输入X相同的通道数，再使用Sigmiod激活函数获取注意力的权重g
h
和g
w
：
[0017]最后，坐标注注意力机制的输出：
[0018]进一步的是，在所述步骤300中，YOLOv6在YOLOX的基础上对解耦头进行了精简设计，同时综合考虑到相关算子表征能力和硬件上计算开销这两者的平衡，采用混合通道策略构成高效的解耦头结构，在维持精度的同时降低了延时，缓解了解耦头中3
×
3卷积带来的额外延时开销。
[0019]进一步的是，采用SIoU损失函数作为定位损失函数，SIoU损失函数包括角度代价、距离代价、形状代价和IoU代价。
[0020]采用本技术方案的有益效果：
[0021]本专利技术公开一种基于YOLOv5的变电站智能巡检方法，包括步骤：建立生锈、污秽、异物、佩戴安全帽状态、箱门开闭状态、硅胶颜色状态数据集；在YOLOv5模型中引入坐标注意力机制、采用YOLOv6解耦检测头替换原耦合检测头、采用SIoU损失函数替换原CIoU损失函数，通过消融实验测试各项优化策略及其组合对模型精度的影响；基于优化后的模型制作应用软件。经测试本专利技术能对变电站巡检目标进行快速有效的检测，降低了人工成本并提高了巡检效率。
[0022]本专利技术以固定摄像头为平台进行智能巡检，具有全方位、全天候、低成本、高效率的优势，比无人机和巡检机器人更适合用于变电站智能巡检。
附图说明
[0023]图1为本专利技术的一种基于YOLOv5的变电站智能巡检方法流程示意图；
[0024]图2为本专利技术所用的YOLOv6解耦检测头结构；
[0025]图3为本专利技术所用的优化后的YOLOv5模型结构图。
具体实施方式
[0026]为了使本专利技术的目的、技术方案和优点更加清楚，下面结合附图对本专利技术作进一步阐述。
[0027]在本实施例中，参见图1所示，本专利技术提出了一种基于YOLOv5的变电站智能巡检方法，包括步骤：
[0028]S100,建立生锈、污秽、异物、佩戴安全帽状态、箱门开闭状态、变压器硅胶颜色状态的智能巡检数据集；
[0029]S200,在图形工作站上搭建深度学习环境并针对S100中的数据集训练YOLOv5模型，调整训练参数获得原始模型的最优性能；
[0030]S300,在原始模型的基础上对模型主干部分引入坐标注意力应对样本复杂度过高的问题；输出端用YOLOv6解耦检测头；定位损失函数采用SIoU损失函数，获得最终的变电站智能巡检模型；
[0031]S400,通过固定的摄像头采集变电站中各个电气设备的图像，将图像输入所建立的变电站智能巡检模型对变电站中各个设备状态进行检测。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv5的变电站智能巡检方法，其特征在于，包括步骤：S100,建立生锈、污秽、异物、佩戴安全帽状态、箱门开闭状态、变压器硅胶颜色状态的智能巡检数据集；S200,在图形工作站上搭建深度学习环境并针对S100中的数据集训练YOLOv5模型，调整训练参数获得原始模型的最优性能；S300,在原始模型的基础上对模型主干部分引入坐标注意力应对样本复杂度过高的问题；输出端用YOLOv6解耦检测头；定位损失函数采用SIoU损失函数，获得最终的变电站智能巡检模型；S400,通过固定的摄像头采集变电站中各个电气设备的图像，将图像输入所建立的变电站智能巡检模型对变电站中各个设备状态进行检测。2.根据权利要求1所述的一种基于YOLOv5的变电站智能巡检方法，其特征在于，在所述步骤S100中，在多个变电站、多个拍摄角度和多种天气条件下进行图片采样，并对样本进行筛选和标注，得到生锈、污秽、异物、佩戴安全帽状态、箱门开闭状态、变压器硅胶颜色状态的智能巡检数据集。3.根据权利要求1所述的一种基于YOLOv5的变电站智能巡检方法，其特征在于，在所述步骤S200中，使用Python语言、Pytorch编译环境、CUDA 10.2运算平台，专业图形工作站搭配RTX 500016G独立显卡，对样本预处理后输入YOLOv5s模型，通过调整训练参数获得原始模型的最优性能。4.根据权利要求1所述的一种基于YOLOv5的变电站智能巡检方法，其特征在于，在所述步骤S300中，在YOLOv5s主干部分引入注意力机制引入坐标注意力以应对样本复杂度过高的问题；利用CA注意力将通道注意力分解为两个1维特征编码过程，分别沿两个空间方向聚合特征；然后将生成的特征图分别编码为一对方向感知和位置敏感的注意力图。5.根据权利要求4所述的一种基于YOLOv5的变电站智能巡检方法，其特征在于，坐标注意力基于精确的位置信...

【专利技术属性】
技术研发人员：张雪霞，李佳锋，闫思溢，苏旭林，高钰涵，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：