【技术实现步骤摘要】
本专利技术涉及图像识别，具体涉及一种输电线路异物检测方法。
技术介绍
1、作为电力传输系统的关键环节，输电线路的稳定非常重要，在实际运行中，输电线路可能会遭遇各类外来物的干扰，如塑料薄膜、植物残枝、鸟类筑巢物等，这些外来物不仅可能对输电线路造成物理性损害，还可能触发电路短路、电弧放电等电气问题，极端情况下可能诱发大规模停电事件，进而带来严重的经济和社会后果。
2、传统的异物检测手段主要基于人工巡查，不仅耗时耗力，检测效率上存在局限，难以实现对异物的即时发现与处理。技术的进步使得自动化检测系统逐渐被引入输电线路的监控体系。
3、现有技术中，公开号为cn114463661a的专利文件中，提出一种基于yolov5网络的输电线路安全风险监测方法，所述方法通过采集输电线路异常物体数据集并构建yolov5网络模型进行训练测试，继而对输电线路图像进行识别。相较于人工巡查更加方便，获取结果也更加迅速精确，但因yolov5版本过低，以及对主体模型本身的适配性改动过少，针对输电线异物检测方面，依旧在鲁棒性、收敛性以及精确性方面，有较大提升空间。
技术实现思路
1、专利技术目的：为解决上述问题，本专利技术提供一种输电线路异物检测方法，通过收集并预处理输电线异物图片作为数据集，改进yolov8模型骨干网络部分c2f替换为eclk block；对lsknet网络进行改进并加入yolov8主模型颈部，设计边框损失函数dhiou替代原有常规损失函数；将改进后的模型投入使用，旨在克服现有技
2、技术方案：本专利技术公开了一种输电线路异物检测方法，所述方法包括如下步骤：
3、s1采集输电线异物图片、视频数据并进行预处理，获取pl数据集；
4、s2标注数据集，并划分训练集、验证集、测试集；
5、s3以yolov8为基准模型进行改进：
6、s3.1改进lsknet模块，优化加入基准模型颈部；
7、s3.2设计新的并行大卷积核结构eclk block替换骨干网络的部分c2f，在检测头部分用可变核卷积替换传统卷积模块；
8、s3.3设计边框损失函数dhiou替代原有常规损失函数；
9、s4设置超参数并对改进后的模型进行训练、验证；
10、s5部署最终模型到可视化界面，实现对输电线异物的实时监测。
11、进一步地，步骤s2中，使用开源软件labelimg对采集到的输电线异物数据进行标注，并使用make sense进行半自动化标注，将处理好的数据集按照8:1:1的比例随机划分为训练集、验证集、测试集。
12、进一步地，步骤s3.1中，lsknet模块的改进点在于，在原本的lsknet网络中加入深度卷积，于基准模型颈部使用bifpn结构实现增强特征融合能力。
13、进一步地，所述bifpn结构使用快速归一化特征融合操作，公示如下：
14、
15、其中，wi为权重，wi≥0使用激活函数relu来保证，其次ε使用一个固定的值来确保训练稳定，避免softmax操作，特征融合的网络从下而上输入，构建加权双向特征金字塔网络。
16、进一步地，步骤s3.2中，所述并行大卷积核结构eclk block采用lk block和ecblock并行操作，其中：
17、lk block采用27×27尺寸的深度可分离卷积，主要特征图之外采用ec block获取局部区域的特征辨别物体的边界纹理信息，于ec block模块中使用pconv卷积操作实现资源节省。
18、进一步地，步骤s3.3中所述边框损失函数dhiou结合wiou损失、中心点距离和纵横比，dhiou损失第一项中加入rwiou损失函数，dhiou损失、rwiou、wiou损失的计算公式如下：
19、
20、
21、
22、其中，wg、hg分别表示真实框与预测框并集的最小封闭框的宽高，x、y分别表示预测框的中心点坐标，xgt、ygt分别表示真实框的中心点坐标，α是权重系数，υ用来衡量两个矩形框相对比例的一致性，具体的α、v的计算公式如下：
23、
24、
25、其中，wgt、hgt为目标框的宽高，w、h为预测框的宽高。
26、进一步地，步骤s4中，所述超参数设置如下：
27、训练次数为300次，batch size为设为16，使用adam优化器，最大学习率设为0.01，最小设置为0，并采用余弦退火算法动态调整学习率。
28、有益效果：
29、1.本专利技术在模型颈部网络增加改进的lsknet模块，通过加入深度卷积，在不增加计算负担的情况下，实现了大核卷积的效果。使得网络能够在保持较小的参数量的同时，获得更大的感受野，捕捉目标及其背景信息的精度进一步提高。
30、2.本专利技术在原yolov8主模型骨干网络的部分c2f换成本专利技术设计的一种并行的大卷积核结构，通过lk block和ec block并行操作，能够有效获得更广阔空间范围的目标特征，从而减少特征图冗余的背景信息，进一步增强特征显著性，减少过拟合现象，从而提高了改进后模型的性能。
31、3.本专利技术在头部网络用可变核卷积替换传统卷积模块，提高了特征提取的准确性，使得卷积操作能够更加精准地适应不同目标，支持线性增减卷积参数的数量，在硬件环境中性能得到了进一步优化。
32、4.本专利技术根据iou和wiou损失的思想，提出一种新的dhiou损失函数计算方法。将传统的iou中的交和并运算进行了改进，可以更好地考虑预测框和真实框之间的iou、中心点距离、纵横比等多个因素，从而提高了检测的准确性。
33、5.本专利技术在颈部网络使用bifpn(加权双向特征金字塔)结构增强特征融合能力。bifpn通过可学习的权重来控制不同层级特征的融合，从而在保留更多有用信息的同时，实现特征的无损融合。
本文档来自技高网...【技术保护点】
1.一种输电线路异物检测方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的一种输电线路异物检测方法，其特征在于，步骤S2中，使用开源软件LabelImg对采集到的输电线异物数据进行标注，并使用Make Sense进行半自动化标注，将处理好的数据集按照8:1:1的比例随机划分为训练集、验证集、测试集。
3.根据权利要求1所述的一种输电线路异物检测方法，其特征在于，步骤S3.1中，LSKNet模块的改进点在于，在原本的LSKNet网络中加入深度卷积，于基准模型颈部使用BiFPN结构实现增强特征融合能力。
4.根据权利要求3所述的一种输电线路异物检测方法，其特征在于，所述BiFPN结构使用快速归一化特征融合操作，公式如下：
5.根据权利要求1所述的一种输电线路异物检测方法，其特征在于，步骤S3.2中，所述并行大卷积核结构ECLK block采用LK block和EC block并行操作，其中：
6.根据权利要求1所述的一种输电线路异物检测方法，其特征在于，步骤S3.3中所述边框损失函数DhIoU结合WIoU损失
7.根据权利要求1所述的一种输电线路异物检测方法，其特征在于，步骤S4中，所述超参数设置如下：
...【技术特征摘要】
1.一种输电线路异物检测方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的一种输电线路异物检测方法，其特征在于，步骤s2中，使用开源软件labelimg对采集到的输电线异物数据进行标注，并使用make sense进行半自动化标注，将处理好的数据集按照8:1:1的比例随机划分为训练集、验证集、测试集。
3.根据权利要求1所述的一种输电线路异物检测方法，其特征在于，步骤s3.1中，lsknet模块的改进点在于，在原本的lsknet网络中加入深度卷积，于基准模型颈部使用bifpn结构实现增强特征融合能力。
4.根据权利要求3所述的一种输电线路异物检测方法，其特征...
【专利技术属性】
技术研发人员：田海阳，尹彤彤，王媛媛，严少峰，朱俊勋，宋照渝，黄佳泷，李亚州，王梅峰，
申请(专利权)人：淮阴工学院，
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。