【技术实现步骤摘要】
本专利技术涉及输电线路巡检，特别是一种基于lightweight-yolov8n的高压输电线路绝缘子缺陷检测方法。
技术介绍
1、绝缘子是输电线路的重要组成部分，其长期运行的过程中可能会因为环境及电力负荷等因素产生老化和损伤导致其绝缘性能下降，从而引发放电问题，而绝缘子放电是导致输电线路故障和事故的重要原因之一，故需要巡检人员对绝缘子放电的严重程度进行评估，及早的发现潜在的故障风险，及早采取维护措施,避免扩大故障造成电力系统的波动。然而，当前巡检人员进行绝缘子放电严重程度评估主要依赖于巡检结束后对视频进行分析或凭借经验在现场判断，这些方法效率低下且可能无法实时准确地评估放电程度。因此，亟需一种能够在边缘端实时进行准确评估的算法，以辅助巡检人员在现场进行放电严重程度评估，从而提高巡检效率。
2、当下，人工智能发展迅速，由此衍生出来的深度学习技术的也蓬勃发展，图像识别算法作为深度学习的重点类别之一，已经因其优越性能广泛代替了传统的人工巡检方法。深度学习在图像识别方面的优势主要体现在其能够自动学习和提取特征，处理复杂背景和噪声，以及其强大的泛化能力。其中以cascade r-cnn、faster r-cnn等为代表的双阶段算法，先生成候选区域，再对候选区域进行分类和回归。而另外一种是以yolo族群、ssd为代表的算法。这种算法是将图像识别问题转化成了回归问题，这种方法可以直接在图像上进行目标检测，不需要先生成候选区域。ssd算法的内存占用量大且速度性能不及yolo，所以现下主要以yolo族算法为研究对象。yolo系列算法发
技术实现思路
1、本专利技术所要解决的技术问题是提供一种基于lightweight-yolov8n的高压输电线路绝缘子缺陷检测方法，将其嵌入至巡检无人机上，以提升检测精度和速度。
2、为解决上述技术问题，本专利技术所采用的技术方案是：一种基于lightweight-yolov8n的高压输电线路绝缘子缺陷检测方法，包括以下步骤：
3、s1、利用无人机的高清摄像头对收集到的高压输电绝缘子数据集进行采集和整理；
4、s2、对整理好的数据集进行图像预处理操作，扩充数据集；
5、s3、调用labelme，对图像逐一标注，打好标签，同时按照一定比例对最终数据集进行划分，得到高压输电线路绝缘子数据集；
6、s4、配置算法基础环境，开始训练前设置5类在线图像增强项目，以确保数据集的多样性与泛化能力；
7、s5、将moblienetv3主干网络、simam注意力机制和wiou v3边框损失函数、slideloss分类损失函数结合于yolov8n的基线模型中，重构为lightweight-yolov8n模型；
8、s6、将所得数据集放入lightweight-yolov8n模型中，结合模型对获取的绝缘子图像进行识别，并使用精度(precision )、平均精度均值(mean average precision，map)作为检测精度评价指标；每秒传输帧数(frames per second，fps)作为检测速度评价指标；浮点运算量(gflops )、参数量(parameter )、模型占用量(model size )作为检测模型轻量化程度的评价指标；
9、s7、使用已训练好的模型对待检测图像进行精确识别。
10、优选的，所述步骤s2中，图像预处理操作包括直方图均衡化、高斯滤波、中值滤波、canny算子预处理方法。
11、优选的，所述步骤s3具体如下：
12、s3.1、调用labelme，对图像逐一标注，打好标签，标签分为4类，分别是玻璃绝缘子(glass insulator)、瓷质绝缘子(porcelain insulator)、复合绝缘子(compositeinsulator)、缺陷(defect)，按照6:3:1对最终数据集进行划分为训练集、验证集、测试集；
13、s3.2、将labelme标注后的xml文件通过pycharm平台转化为了txt文件，同样按照6:3:1的比例划分为训练集、验证集、测试集，得到高压输电线路绝缘子完整数据集。
14、优选的，所述步骤s4中的在线图像增强项目包括：mosaic数据增强（第290轮停止）、blur数据增强（p=0.01,blur_limit=(3,7)）、medianblur数据增强（p=0.01,blur_limit=(3,7)）、togray数据增强（p=0.01）、clahe数据增强（p=0.01,clip_limit=(1,4.0)，tile_grid_size=(8,8)），在线增强功能用以提高图像的识别精度，使各类别的典型特征更鲜明，提高训练质量。
15、优选的，所述步骤s5具体如下：用mobilenetv3网络将yolov8n的主干网络中的所有模块全部替换，并将simam注意力机制插入主干网络的最后一层，形成mobilenetv3-simam新主干网络模块。
16、优选的，所述步骤s5包括以下步骤：
17、s5.1、将mobilenetv3网络替换原始骨干网络，并在mobilenetv3网络后插入simam注意力机制，形成轻量化的新骨干网络；
18、s5.2、把颈部的c2f结构全部替换为轻量级csppc结构，在轻量化的基础上提高模型的特征融合能力；
19、s5.3、将ciou边框损失函数替换为wiou v3边框损失函数、把vfloss分类损失函数替换为slideloss分类损失函数。
20、优选的，所述lightweight-yolov8n模型包括backbone模块、特征融合neck模块、检测头head模块，backbone模块是本模型用于提取图像特征的部分，包含了mobilenetv3模块、simam注意力机制模块、csppc轻量化模块、sppf模块； simam由通道注意力模块(cbam)和空间注意力模块(bam)构成；特性融合neck是本模型是本模型中用于连接backbone模块和检测头head模块的部分，包含了cbs模块、upsample层、csppc模块；其中upsample层用于上采样；cbs模块由标准卷积、归一化、silu激活函数构成；csppc模块由dual新型轻量级卷积层和partial新型轻量级卷积层构成；检测头head模块，是本模型中用于预测目标边界框和类别概率的部分，包含了wiou v3边框损失函数和slideloss分类损失函数。
21、本文档来自技高网...
【技术保护点】
1.一种基于LightWeight-YOLOv8n的高压输电线路绝缘子缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于LightWeight-YOLOv8n的高压输电线路绝缘子缺陷检测方法，其特征在于，所述步骤S2中，图像预处理操作包括直方图均衡化、高斯滤波、中值滤波、canny算子预处理方法。
3.根据权利要求1所述一种基于LightWeight-YOLOv8n的高压输电线路绝缘子缺陷检测方法，其特征在于，所述步骤S3具体如下：
4.根据权利要求1所述一种基于LightWeight-YOLOv8n的高压输电线路绝缘子缺陷检测方法，其特征在于，所述步骤S4中的在线图像增强项目包括：Mosaic数据增强、Blur数据增强、MedianBlur数据增强、Togray数据增强、CLAHE数据增强，在线增强功能用以提高图像的识别精度，使各类别的典型特征更鲜明，提高训练质量。
5.根据权利要求1所述一种基于LightWeight-YOLOv8n的高压输电线路绝缘子缺陷检测方法，其特征在于，所述步骤S5具体如下：用Mob
6.根据权利要求5所述一种基于LightWeight-YOLOv8n的高压输电线路绝缘子缺陷检测方法，其特征在于，所述步骤S5包括以下步骤：
7.根据权利要求6所述一种基于LightWeight-YOLOv8n的高压输电线路绝缘子缺陷检测方法，其特征在于，所述LightWeight-YOLOv8n模型包括Backbone模块、特征融合Neck模块、检测头Head模块，Backbone模块是本模型用于提取图像特征的部分，包含了MobileNetV3模块、SimAM注意力机制模块、CSPPC轻量化模块、SPPF模块； SimAM由通道注意力模块和空间注意力模块构成；特性融合Neck是本模型是本模型中用于连接Backbone模块和检测头Head模块的部分，包含了CBS模块、Upsample层、CSPPC模块；其中Upsample层用于上采样；CBS模块由标准卷积、归一化、SiLU激活函数构成；CSPPC模块由Dual新型轻量级卷积层和Partial新型轻量级卷积层构成；检测头Head模块，是本模型中用于预测目标边界框和类别概率的部分，包含了WIoU v3边框损失函数和SlideLoss分类损失函数。
8.根据权利要求1所述一种基于LightWeight-YOLOv8n的高压输电线路绝缘子缺陷检测方法，其特征在于，所述步骤S6具体如下：将所得数据集放入LightWeight-YOLOv8n模型中，结合模型对获取的绝缘子图像进行识别，并使用精度、平均精度均值作为检测精度评价指标；每秒传输帧数作为检测速度评价指标；浮点运算量、参数量、模型占用量作为检测模型轻量化程度的评价指标。
...【技术特征摘要】
1.一种基于lightweight-yolov8n的高压输电线路绝缘子缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于lightweight-yolov8n的高压输电线路绝缘子缺陷检测方法，其特征在于，所述步骤s2中，图像预处理操作包括直方图均衡化、高斯滤波、中值滤波、canny算子预处理方法。
3.根据权利要求1所述一种基于lightweight-yolov8n的高压输电线路绝缘子缺陷检测方法，其特征在于，所述步骤s3具体如下：
4.根据权利要求1所述一种基于lightweight-yolov8n的高压输电线路绝缘子缺陷检测方法，其特征在于，所述步骤s4中的在线图像增强项目包括：mosaic数据增强、blur数据增强、medianblur数据增强、togray数据增强、clahe数据增强，在线增强功能用以提高图像的识别精度，使各类别的典型特征更鲜明，提高训练质量。
5.根据权利要求1所述一种基于lightweight-yolov8n的高压输电线路绝缘子缺陷检测方法，其特征在于，所述步骤s5具体如下：用mobilenetv3网络将yolov8n的主干网络中的所有模块全部替换，并将simam注意力机制插入主干网络的最后一层，形成mobilenetv3-simam新主干网络模块。
6.根据权利要求5所述一种基于lightweight-yolov8n的高压输电线路绝缘子缺陷检测方法，其特征在于，所述...
【专利技术属性】
技术研发人员：叶永盛，谭国光，褚家伟，文斌，杨超，陈曦，黎丽丽，
申请(专利权)人：三峡大学，
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。