一种基于复杂环境背景条件下的绝缘子缺陷检测方法技术

本发明专利技术提出一种基于复杂环境背景条件下的绝缘子缺陷检测方法，该方法包括：对无人机采集到的绝缘子缺陷图像数据进行数据增强；在数据增强后，将图像数据做预处理，先归一化，再将图像缩放成

【技术实现步骤摘要】
一种基于复杂环境背景条件下的绝缘子缺陷检测方法


[0001]本专利技术属于输电线路中绝缘子缺陷检测领域，具体涉及一种基于复杂环境背景条件下绝缘子缺陷的智能检测方法，适用于电力系统中电力线路巡检的应用
。

技术介绍

[0002]根据国家电网公司发布的电力系统故障统计数据得知，由绝缘子故障所引起的电力系统故障占比最大
。
绝缘子作为输电线路上起着防止电流返地和支撑导体的绝缘部件，安装在复杂的户外环境中，难免会出现缺陷，随着绝缘子缺陷程度增加，绝缘子的绝缘性能会受到影响，会严重影响输电的稳定和安全
。
如何准确
、
快速检测出输电线路上的绝缘子缺陷，对于电力传输线路的输电稳定和可靠性有着至关重要的作用
。
[0003]此外，在传统的绝缘子缺陷检测研究中，采取的检测方法包括直接观测法，基于轮廓特征检测方法，红外成像检测技术以及灰度相似度匹配技术，但是此类检测方法具有实时性和智能性不足，以及容易受复杂环境背景干扰特点
。
在目前对于复杂环境背景下的绝缘子缺陷检测研究中，对于无人机采集的绝缘子缺陷数据，主要是先利用标注工具进行绝缘子缺陷进行标注，然后使用深度学习算法训练模型，并根据训练结果调参优化模型
。
但这类方法对于复杂环境下的绝缘子缺陷检测不够精确
。
[0004]因此，提出一种准确率高的，能够对复杂环境背景下的绝缘子缺陷进行准确检测方法
。

技术实现思路

[0005]本专利技术提出一种基于复杂环境背景条件下的绝缘子缺陷检测方法，将
YOLOv7
模型
、ConvNeXtBlock
纯卷积特征提取模块
、SimAM
注意力机制
、
混合池化和
CARAFE
通用级上采样算子进行结合，用于绝缘子缺陷检测，能增强特征提取和聚焦，提升还原的细致度和准确性，能够更加准确检测出复杂环境背景下的绝缘子缺陷以及及时发现输电线路上存在的隐患；在使用过程中的步骤为：
[0006]步骤
(1)
：将中国输电线路绝缘子数据集中带缺陷的绝缘子图像提取出来，并使用数据增强的方式，来增加数据样本的多样性，数据增强方式包括：翻转
、
旋转
、
缩放和对比度调节；
[0007]步骤
(2)
：将数据增强后的图像进行批归一化和尺寸缩放处理，把图像统一缩放成
640
×
640
×3的大小，按照
8:1:1
的比例将绝缘子缺陷图像划分成训练集
、
验证集和测试集；
[0008]步骤
(3)
：将划分出来的训练集输入预设的网络模型进行训练，使用自适应时刻估计方法每一次迭代过程中的网络参数，自动调整学习率，使网络在训练的过程中快速收敛到最优解，再将验证集的样本用来验证每次迭代训练后模型的检测性能，依据验证的效果进行参数调优，再将测试集的样本代入训练好的网络，得出检测结果；
[0009]所述预设的网络模型包括
YOLOv7
模型
、ConvNeXtBlock
纯卷积特征提取模块
、SimAM
注意力机制
、
混合池化和
CARAFE
通用级上采样算子，所述
YOLOv7
模型用于基本的原始
网络模型；所述
ConvNeXtBlock
纯卷积特征提取模块用于增强对所述
640
×
640
×3图像特征的提取；所述
SimAM
注意力机制用于增强网络的感知能力和自适应性；所述混合池化用于保留更多在特征提取过程中丢失的细节特征；所述
CARAFE
通用级上采样算子用于还原特征图；
[0010]所述预设的网络模型的具体内容为：
[0011]输入为
640
×
640
×3图像；
[0012]接入4个
CBS
模块；
[0013]再接入1个
ConvSimCB
模块；
[0014]再接入1个
MP1
模块；
[0015]再接入1个
ELAN
模块；
[0016]再分为2个分支：
[0017]分支1接入1个
CBS
模块；
[0018]分支2接入1个
MP1
模块；
[0019]再在
MP1
模块后接入1个
ELAN
模块；
[0020]再分为2个分支：
[0021]分支1接入1个
CBS
模块；
[0022]分支2接入1个
MP1
模块；
[0023]再在
MP1
模块后接入1个
ConvSimCB
模块；
[0024]再接入1个
MIXPCSPC
模块；
[0025]再接入1个
CBS
模块；
[0026]再接入1个
CARAFE
模块；
[0027]再将分支1后的
CBS
模块输出和
CARAFE
模块输出拼接；
[0028]再接入1个
ELAN
‑
W
模块；
[0029]再接入1个
CBS
模块；
[0030]再接入1个
CARAFE
模块；
[0031]再将分支1后的
CBS
模块输出和
CARAFE
模块输出拼接；
[0032]再接入1个
ELAN
‑
W
模块；
[0033]再分为2个分支：
[0034]分支1接入1个
REP
模块；
[0035]分支2接入1个
MP2
模块；
[0036]再将
MP2
模块输出和第1个
ELAN
‑
W
模块输出拼接；
[0037]再接入1个
ELAN
‑
W
模块；
[0038]再分为2个分支：
[0039]分支1接入1个
REP
模块；
[0040]分支2接入1个
MP2
模块；
[0041]再将
MP2
模块输出和
MIXPCSPC
模块输出拼接；
[0042]再接入1个
ELAN
‑
W
模块；
[0043]再接入1个
REP
模块；
[0044]再在所有
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于复杂环境背景条件下的绝缘子缺陷检测方法，其特征在于，将
YOLOv7
模型
、ConvNeXtBlock
纯卷积特征提取模块
、SimAM
注意力机制
、
混合池化和
CARAFE
通用级上采样算子进行结合，用于绝缘子缺陷检测，能增强特征提取和聚焦，提升还原的细致度和准确性，能够更加准确检测出复杂环境背景下的绝缘子缺陷以及及时发现输电线路上存在的隐患；在使用过程中的步骤为：步骤
(1)
：将中国输电线路绝缘子数据集中带缺陷的绝缘子图像提取出来，并使用数据增强的方式，来增加数据样本的多样性，数据增强方式包括：翻转
、
旋转
、
缩放和对比度调节；步骤
(2)
：将数据增强后的图像进行批归一化和尺寸缩放处理，把图像统一缩放成
640
×
640
×3的大小，按照
8:1:1
的比例将绝缘子缺陷图像划分成训练集
、
验证集和测试集；步骤
(3)
：将划分出来的训练集输入预设的网络模型进行训练，使用自适应时刻估计方法每一次迭代过程中的网络参数，自动调整学习率，使网络在训练的过程中快速收敛到最优解，再将验证集的样本用来验证每次迭代训练后模型的检测性能，依据验证的效果进行参数调优，再将测试集的样本代入训练好的网络，得出检测结果；所述预设的网络模型包括
YOLOv7
模型
、ConvNeXtBlock
纯卷积特征提取模块
、SimAM
注意力机制
、
混合池化和
CARAFE
通用级上采样算子，所述
YOLOv7
模型用于基本的原始网络模型；所述
ConvNeXtBlock
纯卷积特征提取模块用于增强对所述
640
×
640
×3图像特征的提取；所述
SimAM
注意力机制用于增强网络的感知能力和自适应性；所述混合池化用于保留更多在特征提取过程中丢失的细节特征；所述
CARAFE
通用级上采样算子用于还原特征图；所述预设的网络模型的具体内容为：输入为
640
×
640
×3图像；接入4个
CBS
模块；再接入1个
ConvSimCB
模块；再接入1个
MP1
模块；再接入1个
ELAN
模块；再分为2个分支：分支1接入1个
CBS
模块；分支2接入1个
MP1
模块；再在
MP1
模块后接入1个
ELAN
模块；再分为2个分支：分支1接入1个
CBS
模块；分支2接入1个
MP1
模块；再在
MP1
模块后接入1个
ConvSimCB
模块；再接入1个
MIXPCSPC
模块；再接入1个
CBS
模块；再接入1个
CARAFE
模块；再将分支1后的
CBS
模块输出和
CARAFE
模块输出拼接；再接入1个
ELAN
‑
W
模块；再接入1个
CBS
模块；
再接入1个
CARAFE
模块；再将分支1后的
CBS
模块输出和
CARAFE
模块输出拼接；再接入1个
ELAN
‑
W
模块；再分为2个分支：分支1接入1个
REP
模块；分支2接入1个
MP2
模块；再将
MP2
模块输出和第1个
ELAN
‑
W
模块输出拼接；再接入1个
ELAN
‑
W
模块；再分为2个分支：分支1接入1个
REP
模块；分支2接入1个
MP2
模块；再将
MP2
模块输出和
MIXPCSPC
模块输出拼接；再接入1个
ELAN
‑
W
模块；再接入1个
REP
模块；再在所有
REP
模块后都接入1个
CBM
模块；再将
CBM
模块接入检测头；输出检测结果；所述
CBS
模块结构的具体内容为：输入后接入1个卷积层；再接入1个批归一化层；再接入1个
Silu
激活函数；最后输出；所述
ConvSimCB
模块结构的具体内容为：输入后接入1个
ConvNeXtBloc...

【专利技术属性】
技术研发人员：林科宏，殷林飞，卢泉，
申请(专利权)人：广西大学，
类型：发明
国别省市：