【技术实现步骤摘要】
本专利技术涉及配电网设备安全运行领域，特别涉及一种融合shufflenet和cbam的输电线路杆塔鸟巢轻量级检测方法。
技术介绍
1、现阶段我国在大力推进智能电网的建设来满足不同产业的需求，输电网的规模也逐渐增大，高架输电线的正常运行以及故障的及时检测是保障安全稳定输电的前提，也是降低因输电线路故障造成国民经济损失的必要手段。输电线路面临的安全隐患有鸟类在杆塔上筑巢引起短路故障、鸟类排泄物引起绝缘子污闪，造成电力系统发生故障、鸟类自身引发输电线路的短路、鸟类啄食复合绝缘子伞裙和外漏复合绝缘子芯棒造成绝缘子发生闪络。因此，为了保障电力系统的安全可靠稳定运行以及减少国民经济损失，对鸟类在输电线路杆塔上是否筑巢的检测是非常必要的。
2、目前对输电线路杆塔检测有人工巡检和无人机巡检两种方式，人工巡检的识别精度受巡检人员工作经验的影响，存在工作人员因疲劳造成的检测速度下降和漏检误检问题，同时也面临着较高的成本和工作人员的安全问题。无人机巡检技术是基于无人机采集输电线路杆塔鸟窝图片，依赖图像识别技术自动确定和标注输电线路杆塔上鸟窝的位置。无人机巡检具有巡线效率高、不受地形限制以及不受气候、地理环境影响等优势，通过分析无人机采集图片来判断是否有鸟巢是一种更加方便、精确、实时和经济的方法，也是目前最主流的电力巡检方式之一。
3、针对无人机拍照获取到大量的输电线路杆塔图像，传统的故障检测算法泛化性能较差、检测目标单一并且对图像中的复杂背景具有较差的适应性。采用深度学习的目标检测方法相比于传统方法具备成本低、精度高、检测稳定
4、yolov4可以获得实时的、高精度的检测结果，shufflenet是一种计算效率极高的卷积神经网络cnn(convolutional neural network)架构，具有轻量级的优势，本专利技术提出了一种适用于移动设备的轻量化模型，该模型将原yolov4中的主干网络cspdarknet53替换为shufflenet。为了在后续池化操作中在不增加计算量和降低网络训练速度的情况下，融合和保留更多的特征信息，将yolov4框架中的spp模块部分的5*5池化、9*9池化都更改为平均池化，1*1池化和13*13池化保持最大池化不变。这种方法可以避免输电线路杆塔鸟窝图像的背景信息复杂且背景信息和鸟窝相似时，只采用最大池化操作可能会只保留背景信息，丢失杆塔鸟窝信息，从而导致模型出现漏检和误检的情况。
5、为了提高杆塔鸟巢检测精度，基于注意力机制，在主干网络后面加入了混合注意力机制模块cbam，对元素空间位置和通道都进行关注，提取出杆塔鸟巢更纯净的特征。引入迁移学习来解决训练集样本不足导致模型训练效果差的情况。本专利技术借助yolov4，融合现有先进的网络结构和迁移学习方法，在提高输电线路杆塔鸟巢检测准确率的同时提高模型的计算效率，增加该模型在其它设备的适用性。
技术实现思路
1、为了克服现有技术中的不足，本专利技术提供一种融合shufflenet和cbam的输电线路杆塔鸟巢轻量级检测方法，实现对配电网巡视中输电线路杆塔鸟巢的检测。
2、为了达到上述专利技术目的，解决其技术问题所采用的技术方案如下：
3、一种融合shufflenet和cbam的输电线路杆塔鸟巢轻量级检测方法，包括以下步骤：
4、步骤1：基于无人机技术拍摄输电线路杆塔图像，人工检查筛除像素较低的图像，并使用目标标注工具labelimg对图像中的检测目标鸟巢进行标注；
5、步骤2：将无人机采集的人工标注后的图像通过完成对比度、亮度数据增强、随机通道变换、随机尺寸变换，在提高目标精准定位和识别准确率的同时，扩充训练数据集，防止模型发生过拟合，提高模型对不同尺寸、不同光照度图像的检测鲁棒性；
6、步骤3：通过shufflenet网络提取经过步骤2处理后的图像上的特征，获取特征一，使用cbam混合注意力机制在特征一上再次提取特征，获得特征二，在特征二上使用改进后的池化层完成池化操作，将池化层的输出输入到head层获得检测结果；
7、步骤4：融合迁移学习，将包含80个类别图像的公共数据集coco作为源域，前期采集的杆塔鸟巢图像作为目标域进行模型迁移。
8、进一步的，所述步骤3中，在neck层中将主干网络层中的cspdarknet53替换为轻量级网络shufflenet提取图像中的特征，在提高计算速度的同时，增加该目标检测模型在其它设备的适用性。
9、进一步的，所述步骤3中在neck层引入混合注意力机制cbam，取杆塔鸟巢更纯净的特征，关注杆塔鸟窝结构的空间和内容信息，从而改善特征学习提高杆塔鸟窝的检测精度。
10、进一步的，所述步骤3中在neck层，将spp网络结构中的9*9池化、13*13池化都更改为平均池化，1*1池化和5*5池化保持最大池化不变，以此在不降低计算量和网络训练速度的情况下，融合和保留更多的特征信息，对目标图像的检测包括：
11、将neck层的输出输入到head层，获得最终的检测结果，输出形式包括图像中是否包含鸟巢、鸟巢在图像中的位置、该位置的置信度。
12、进一步的，所述步骤4中引入迁移学习，该过程和融合shufflenet和cbam的输电线路杆塔鸟巢轻量级检测模型的融合包括：
13、步骤4.1：在公开数据集coco上，先训练主干网络中cspdarknet53被替换为shufflenet网络，其它网络结构未变的yolov4模型，去除预训练结果较好的shufflenet-yolov4网络的全连接层和分类层；
14、步骤4.2：将主干网络的预训练权重作为融合shufflenet和cbam的输电线路杆塔鸟巢轻量级目标检测模型的权重，该模型中的其它网络层的初始权重采用随机初始化方式；
15、步骤4.3：利用无人机采集的训练集图像对各层网络权重进行训练和微调，得到最终合适的参数和偏执向量，输入待检测图像完成检测。
16、本专利技术由于采用以上技术方案，使之与现有技术相比，具有以下的优点和积极效果：
17、本专利技术将原yolov4中的主干网络替换为轻量级的shufflenet网络，提高模型的计算速度，降低模型的复杂度，增加模型在其它设备上的适用性。在neck层引入混合注意力机制，修改spp网络结构，提高模型对鸟巢和背景图像相似的情况下，模型的鲁棒性，提高模型检测精度。迁移学习方法的引入和图像的随机通道和尺寸变换的操作可以扩大数据集，提高模型对不同图像的适应度，达到更好的检测效果，适用范围更广。
本文档来自技高网...【技术保护点】
1.一种融合ShuffleNet和CBAM的输电线路杆塔鸟巢轻量级检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种融合ShuffleNet和CBAM的输电线路杆塔鸟巢轻量级检测方法，其特征在于，所述步骤3中，在Neck层中将主干网络层中的CSPDarknet53替换为轻量级网络ShuffleNet提取图像中的特征，在提高计算速度的同时，增加该目标检测模型在其它设备的适用性。
3.根据权利要求1所述的一种融合ShuffleNet和CBAM的输电线路杆塔鸟巢轻量级检测方法，其特征在于，所述步骤3中在Neck层引入混合注意力机制CBAM，取杆塔鸟巢更纯净的特征，关注杆塔鸟窝结构的空间和内容信息，从而改善特征学习提高杆塔鸟窝的检测精度。
4.根据权利要求1所述的一种融合ShuffleNet和CBAM的输电线路杆塔鸟巢轻量级检测方法，其特征在于，所述步骤3中在Neck层，将SPP网络结构中的9*9池化、13*13池化都更改为平均池化，1*1池化和5*5池化保持最大池化不变，以此在不降低计算量和网络训练速度的情况下，融合和保留更多的特征信
5.根据权利要求1所述的一种融合ShuffleNet和CBAM的输电线路杆塔鸟巢轻量级检测方法，其特征在于，所述步骤4中引入迁移学习，该过程和融合ShuffleNet和CBAM的输电线路杆塔鸟巢轻量级检测模型的融合包括：
...【技术特征摘要】
1.一种融合shufflenet和cbam的输电线路杆塔鸟巢轻量级检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种融合shufflenet和cbam的输电线路杆塔鸟巢轻量级检测方法，其特征在于，所述步骤3中，在neck层中将主干网络层中的cspdarknet53替换为轻量级网络shufflenet提取图像中的特征，在提高计算速度的同时，增加该目标检测模型在其它设备的适用性。
3.根据权利要求1所述的一种融合shufflenet和cbam的输电线路杆塔鸟巢轻量级检测方法，其特征在于，所述步骤3中在neck层引入混合注意力机制cbam，取杆塔鸟巢更纯净的特征，关注杆塔鸟窝结构的空间和...
【专利技术属性】
技术研发人员：孔文文，吴茂俊，杨洛，吕行，
申请(专利权)人：江苏金智科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。