System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 输电线路红外图像的多目标检测方法、装置、设备及介质制造方法及图纸_技高网

输电线路红外图像的多目标检测方法、装置、设备及介质制造方法及图纸

技术编号:43564496 阅读:5 留言:0更新日期:2024-12-06 17:35
本发明专利技术涉及红外图像识别技术领域,特别涉及一种输电线路红外图像的多目标检测方法、装置、设备及介质,包括:基于改进YOLOv5s算法的Backbone部分计算待检测输电线路红外图像的注意力权重特征信息,并根据初始高维信息和注意力权重特征信息得到全局特征关系信息,且根据处理后的全局特征关系信息和初始高维信息得到强化后图像全局重要信息;基于改进YOLOv5s算法的Neck部分对强化后图像全局重要信息进行特征聚合,得到聚合图像信息,并基于改进YOLOv5s算法的Head部分,根据聚合图像信息得到目标检测结果。由此,解决了传统检测方法的检测精度低、在实际应用中性能下降的问题,提升了目标检测的精度和鲁棒性。

【技术实现步骤摘要】

本专利技术涉及红外图像识别,特别涉及一种输电线路红外图像的多目标检测方法、装置、设备及介质


技术介绍

1、传统的电力系统输电线路的巡检主要依赖于人工巡查,这种方法不仅耗时长、成本高昂且存在安全问题。近年来,无人机配合红外热像仪对输电线路进行巡检已经逐渐成为一种新兴的巡检方式,红外热像仪可以准确捕捉设备的热量分布,帮助提前发现设备异常热量的区域,用于识别可能存在的问题。无人机搭配红外热像仪能够实时准确地获取输电线路的热图像,从而评估输电线路的运行状况。加之人工智能的不断发展,无人机搭配深度学习算法对输电线路的电力设备进行监测,特别是yolo(you only look once,yolo)算法在目标检测领域的出色表现,使其成为处理图像的有力工具。

2、在目标检测领域,以深度学习为基础的目标检测算法主要分为两类,一类是以yolo系列算法和ssd(single shot multibox detector,ssd)算法为代表的单阶段目标检测算法,另一类是r-cnn(region based convolutional neural network,基于区域的卷积神经网络)系列算法为代表的双阶段目标检测算法。yolo系列的单阶段检测算法的优点在于实时检测性高,检测速度快。其在处理输入图像时,会直接对图像的各个区域进行识别和分类定位。双阶段目标检测算法主要是指模型将目标检测任务划分为两个阶段,第一阶段是生成候选区域,第二阶段是对生成的候选区域进行分类回归,优点在于检测精度较高,但速度较慢。因此目前工业检测领域主要使用yolo算法来进行目标检测。

3、为了提高yolo系列算法的检测精度,现有技术一通过引入双向特征金字塔网络(bifpn),替代了yolov5中原有的特征金字塔网络,以促进信息的自由交换和特征的融合,提高了模型的精度。现有技术二则基于yolov5s和yolov5x算法,构建了集成模型,并引入了加权框融合(weighted boxes fusion,wbf)推理技术,使得模型在复杂背景、不同光照和天气条件下,对杆塔的识别效果良好,显示出较高的鲁棒性。现有技术三提出了一种改进的yolov5算法,用于多目标检测,其主要改进包括采用shufflenetv2作为主要特征提取结构,以降低网络参数量,并将panet网络中的bottleneck csp模块替换为lightcsp模块,以加速特征融合。现有技术四在yolov5的基础上,采用了轻量级的ghost卷积技术,替换了传统的卷积操作,并用重复加权的bifpn网络替换了原有的特征提取网络,以实现对绝缘子缺陷的快速检测。

4、然而,上述现有的输电线路红外图像检测技术均面临一些挑战:首先,背景干扰严重或复杂背景导致图像质量下降,这使得传统检测方法难以充分利用图像信息,影响模型对特征的准确表达,容易产生误检和漏检。其次,当面对不同大小和数量的目标时,传统模型倾向于识别大尺寸且出现数量多的易分类样本,而忽视了尺寸小、距离远、出现数量少的难分类样本,导致传统模型在pc端进行算法模拟时效果显著,但是实际应用中模型的性能将大打折扣,亟需解决。


技术实现思路

1、本专利技术提供一种输电线路红外图像的多目标检测方法、装置、设备及介质,以解决传统检测方法的检测精度低、在实际应用中性能下降的问题,提升了目标检测的精度和鲁棒性。

2、本专利技术第一方面实施例提供一种输电线路红外图像的多目标检测方法,所述方法利用改进yolov5s算法,所述改进yolov5s算法在原始yolov5s算法的backbone部分引入全局上下文注意力机制,并在所述原始yolov5s算法的neck部分加入多个上下文增强模块,其中,所述方法包括以下步骤:

3、获取待检测输电线路红外图像;

4、基于所述改进yolov5s算法的backbone部分,计算所述待检测输电线路红外图像的注意力权重特征信息,并根据所述待检测输电线路红外图像的初始高维信息和所述注意力权重特征信息得到全局特征关系信息,并对所述全局特征关系信息进行处理,且根据处理后的全局特征关系信息和所述待检测输电线路红外图像的初始高维信息得到强化后图像全局重要信息;

5、基于所述改进yolov5s算法的neck部分,对所述强化后图像全局重要信息进行特征聚合,得到聚合图像信息,并基于所述改进yolov5s算法的head部分,根据所述聚合图像信息得到目标检测结果。

6、根据本专利技术的一个实施例,所述目标检测结果包括绝缘子位置和绝缘子置信度、悬垂线夹位置和悬垂线夹置信度、耐张线夹位置和耐张线夹置信度、防震锤位置和防震锤置信度、均压环位置和均压环置信度、故障发热点位置和故障发热点置信度中的至少一种。

7、根据本专利技术的一个实施例,所述基于所述改进yolov5s算法的head部分,根据所述聚合图像信息得到目标检测结果,包括:

8、利用所述改进yolov5s算法的head部分生成检测框,并基于所述检测框和所述聚合图像信息进行分类、定位和置信度评分,得到所述待检测输电线路红外图像中绝缘子位置、绝缘子置信度、悬垂线夹位置、悬垂线夹置信度、耐张线夹位置、耐张线夹置信度、防震锤位置、防震锤置信度、均压环位置、均压环置信度、故障发热点位置和故障发热点置信度;

9、根据所述待检测输电线路红外图像中绝缘子位置、绝缘子置信度、悬垂线夹位置、悬垂线夹置信度、耐张线夹位置、耐张线夹置信度、防震锤位置、防震锤置信度、均压环位置、均压环置信度、故障发热点位置和故障发热点置信度得到所述目标检测结果。

10、根据本专利技术的一个实施例,所述基于所述改进yolov5s算法的neck部分,对所述强化后图像全局重要信息进行特征聚合,得到聚合图像信息,包括:

11、基于所述多个上下文增强模块,对所述强化后图像全局重要信息进行自适应运算,得到多个自适应权重;

12、对所述多个自适应权重进行计算加权和得到所述聚合图像信息。

13、根据本专利技术的一个实施例,所述改进yolov5s算法将所述原始yolov5s算法的损失函数替换为wise-iou v3,在获取待检测输电线路红外图像之前,还包括:

14、获取用于训练的红外图像集;

15、对所述红外图像集进行标记处理,得到标记好的数据集,其中,标签采用yolo格式,共划分绝缘子、悬垂线夹、耐张线夹、防震锤、均压环和故障发热点六种标签;

16、基于预设比例,将所述标记好的数据集划分为训练集和测试集,并利用所述训练集训练所述改进yolov5s算法,并在训练完成后基于所述wise-iou v3,利用所述测试集测试所述改进yolov5s算法,得到测试结果;

17、若所述测试结果满足预设测试条件,则利用所述改进yolov5s算法对所述待检测输电线路红外图像进行多目标检测,否则,调整所述预设比例,并基于调整后的训练集进行重新训练,直至新的测试结果满足所述预设测试条件。

18、根据本文档来自技高网...

【技术保护点】

1.一种输电线路红外图像的多目标检测方法,其特征在于,所述输电线路红外图像的多目标检测方法利用改进YOLOv5s算法,所述改进YOLOv5s算法在原始YOLOv5s算法的Backbone部分引入全局上下文注意力机制,并在所述原始YOLOv5s算法的Neck部分加入多个上下文增强模块,其中,所述方法包括以下步骤:

2.根据权利要求1所述的输电线路红外图像的多目标检测方法,其特征在于,所述目标检测结果包括绝缘子位置和绝缘子置信度、悬垂线夹位置和悬垂线夹置信度、耐张线夹位置和耐张线夹置信度、防震锤位置和防震锤置信度、均压环位置和均压环置信度、故障发热点位置和故障发热点置信度中的至少一种。

3.根据权利要求2所述的输电线路红外图像的多目标检测方法,其特征在于,所述基于所述改进YOLOv5s算法的Head部分,根据所述聚合图像信息得到目标检测结果,包括:

4.根据权利要求1所述的输电线路红外图像的多目标检测方法,其特征在于,所述基于所述改进YOLOv5s算法的Neck部分,对所述强化后图像全局重要信息进行特征聚合,得到聚合图像信息,包括:

5.根据权利要求1所述的输电线路红外图像的多目标检测方法,其特征在于,所述改进YOLOv5s算法将所述原始YOLOv5s算法的损失函数替换为Wise-IoU v3,在获取待检测输电线路红外图像之前,还包括:

6.一种输电线路红外图像的多目标检测装置,其特征在于,所述输电线路红外图像的多目标检测装置利用改进YOLOv5s算法,所述改进YOLOv5s算法在原始YOLOv5s算法的Backbone部分引入全局上下文注意力机制,并在所述原始YOLOv5s算法的Neck部分加入多个上下文增强模块,其中,所述装置包括:

7.根据权利要求6所述的输电线路红外图像的多目标检测装置,其特征在于,所述目标检测结果包括绝缘子位置和绝缘子置信度、悬垂线夹位置和悬垂线夹置信度、耐张线夹位置和耐张线夹置信度、防震锤位置和防震锤置信度、均压环位置和均压环置信度、故障发热点位置和故障发热点置信度中的至少一种。

8.根据权利要求7所述的输电线路红外图像的多目标检测装置,其特征在于,所述特征聚合与检测模块,用于:

9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-5任一项所述的输电线路红外图像的多目标检测方法。

10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行,以用于实现如权利要求1-5任一项所述的输电线路红外图像的多目标检测方法。

...

【技术特征摘要】

1.一种输电线路红外图像的多目标检测方法,其特征在于,所述输电线路红外图像的多目标检测方法利用改进yolov5s算法,所述改进yolov5s算法在原始yolov5s算法的backbone部分引入全局上下文注意力机制,并在所述原始yolov5s算法的neck部分加入多个上下文增强模块,其中,所述方法包括以下步骤:

2.根据权利要求1所述的输电线路红外图像的多目标检测方法,其特征在于,所述目标检测结果包括绝缘子位置和绝缘子置信度、悬垂线夹位置和悬垂线夹置信度、耐张线夹位置和耐张线夹置信度、防震锤位置和防震锤置信度、均压环位置和均压环置信度、故障发热点位置和故障发热点置信度中的至少一种。

3.根据权利要求2所述的输电线路红外图像的多目标检测方法,其特征在于,所述基于所述改进yolov5s算法的head部分,根据所述聚合图像信息得到目标检测结果,包括:

4.根据权利要求1所述的输电线路红外图像的多目标检测方法,其特征在于,所述基于所述改进yolov5s算法的neck部分,对所述强化后图像全局重要信息进行特征聚合,得到聚合图像信息,包括:

5.根据权利要求1所述的输电线路红外图像的多目标检测方法,其特征在于,所述改进yolov5s算法将所述原始yolov5s算法的损失函数替换为wise-iou v3...

【专利技术属性】
技术研发人员:杨春萍刘凯波陈晓梅康锦萍马永红仇英辉翟明岳崔维新
申请(专利权)人:华北电力大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1