【技术实现步骤摘要】
本专利技术涉及电力配网侧安全业务领域，尤其涉及一种yolov5网络算法改进的配网架空线路异常检测方法。
技术介绍
1、在配网架空线路上，架空线路事故频发，主要原因是配网10kv中压架空线路中的电线杆高度一般10-15米，易受机械施工车辆、大型货车以及人为等的破坏，需要实时监控，防止破坏线路。因此为了保障配网侧架空线路运行安全，必须对异常物体进行自动监控，及时检测出入侵异常物体，尽早发现安全隐患。但是目前的检测方法依赖人工巡检，缺点是浪费人力和时间；基于机器学习的方法能在一定程度上识别出异常物体，缺点存在检测速度和精度不高，不能有效实时检测。
技术实现思路
1、针对上述现有技术的不足，本专利技术的目的题是提供一种基于yolov5网络算法改进的配网架空线路异常检测方法，提高配网侧架空线路安全监控能力，运行效率高，能有效提高检测的精度又能实时检测架空线路异常物体。
2、本专利技术所采用的技术方案是：
3、一种yolov5网络算法改进的配网架空线路异常检测方法，包括以下步骤：
4、s1、获取配网架空线路视频监控图像，包括大型机械施工车辆、大型货车及漂浮物三类异常源图像，制作训练样本和测试样本，然后对图像进行预处理；
5、s2、构建改进的yolov5网络算法模型；
6、s3、将预处理好的训练样本输入到改进的yolov5网络算法模型训练；
7、s4、在测试样本验证模型结果并封装服务给相关电网业务系统调用。
8、
9、s1-1、准备数据集，采集大型机械施工车辆、大型货车及漂浮物三类别图片作为样本；
10、s1-2、图片设置统一大小为2000x2000pix，标注图片中的类别位置、大小信息，将样本数据转化成pascal voc格式；
11、s1-3、对样本数据进行预处理，采用moasic数据增强算法，具体方法步骤如下：
12、1）随机选取图片拼接基准点坐标，另外随机选取四张图片；
13、2）四张图片根据基准点，分别经过尺寸调整和比例缩放后，放置在指定尺寸的大图的左上，右下，左下，右下位置；
14、3）根据每张图片的尺寸变换方式，将映射关系对应到图片标签上；
15、4）根据指定的横纵坐标，对大图进行拼接，处理超过边界的检测框坐标。
16、所述s2具体为：
17、s2-1、基于yolov5的网络结构进行改进，其结构包含输入端、backbone、neck、输出端四部分，对backbone主干网的c3结构改进为efficientformer结构，具体方法步骤如下：
18、首先用3x3 conv构建patch embedding layer；
19、为保持没给block内的特征维度的一致性，在前3个stage用4d tensor的卷积操作（mb4d），在后面2个stage用3d tensor的注意力机制模块（mb3d）；
20、在4d tensor的卷积操作中，用pooling操作作为token mixer，同时用conv_bn构建多层神经网络（mlp，multi layer perceptron）；
21、在3d tensor的注意力机制模块中，用multie-head self-attention（mhs）作为token mixer，用ln_liner的方法构建mlp；
22、s2-2、对输出端的损失函数进行改进，采用wiou（wise intersection overunion，wise iou）损失函数，具体实现方法步骤如下：
23、首先计算预测框和真实框的iou得分；
24、计算两个框之间的距离：用预测框和真实框的边框中心点计算两者之间的距离，并将这个距离作为两个框之间的最大距离，进而计算框之间的区域；
25、根据两个框之间的区域，计算权重系数；
26、s2-3、对输出端的nms（non maximum suppression,非极大抑制）算法进行改进，采用wiou-nms算法，具体算法实现方法步骤如下：
27、先对预测出的所有边框按分数由高到低排列；
28、再取分数最高的预测框作为target，分别算出target与其余预测框的wiou；
29、若wiou大于某一设定的阈值，则该预测框与target同时负责预测同一个物体，将该预测框删除，否则保留该预测框；
30、接着在未被删除的预测框中选择分数最高的预测框作为新的target，重复上面的步骤，直到判断出所有框是否应该删除。
31、所述s3具体为：
32、s3-1、搭建yolov5网络模型训练环境，采用pytorch-gpu深度学习框架；
33、s3-2、配置好训练参数进行训练。
34、所述s4具体为：
35、s4-1、验证模型结果采用精度（precision）和召回率（recall），其计算公式如下：
36、
37、式中tp（true positive）表示正确检测识别出异常物体，fp（false positive）表示错误检测识别出异常物体，fn（false negative）表示未检测识别出异常物体；
38、s4-2、用flask部署改进后的yolov5模型权重，然后封装api服务给电网相关业务系统调用。
39、本专利技术中，所述的改进的yolov5网络算法是基于yolov5网络结构进行改进，主干网络原来的c3结构改进为efficientformer结构，输出端的损失函数改进为wiou损失函数，输出端的nms算法改进为wiou-nms算法。
40、本专利技术的有益效果在于：
41、通过电网配网侧视频监控所采集的现场三类源图像，结合改进的yolov5网络算法模型，主干网络使用efficientformer可以减少参数计算量，提升检测速度又能克服全卷积网络的缺陷，wiou损失函数可以在训练过程中降低学习到错误的特征，从而提高检测分类的精度，无需人工巡查和监控，可自动化实现精准有效的安全监控，保障配网侧架空线路的运行安全。
本文档来自技高网...【技术保护点】
1.一种基于YOLOv5网络算法改进的配网架空线路异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于YOLOv5网络算法改进的配网架空线路异常检测方法，其特征在于，所述S1具体为：
3.根据权利要求1所述的一种基于YOLOv5网络算法改进的配网架空线路异常检测方法，其特征在于，所述S2具体为：
4.根据权利要求1所述的一种基于YOLOv5网络算法改进的配网架空线路异常检测方法，其特征在于，所述S3具体为：
5.根据权利要求1所述的一种基于YOLOv5网络算法改进的配网架空线路异常检测方法，其特征在于，所述S4具体为：
【技术特征摘要】
1.一种基于yolov5网络算法改进的配网架空线路异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于yolov5网络算法改进的配网架空线路异常检测方法，其特征在于，所述s1具体为：
3.根据权利要求1所述的一种基于yolov5网络算法改进的配网架空线...
【专利技术属性】
技术研发人员：陈力，吴鹏，周昊辰，江翔，杜云澜，田祥雨，徐梓豪，
申请(专利权)人：国网江苏省电力有限公司，
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。