【技术实现步骤摘要】
本专利技术涉及图像处理，具体涉及基于改进yolov8n的输电线路绝缘子的缺陷检测方法和系统。
技术介绍
1、随着我国用电量的持续增长，高压输电线路不断扩增。在输电线路中，绝缘子是重要组成部分之一，主要用于电气绝缘和机械固定。由于绝缘子长期暴露在恶劣的环境中，输电线路上的绝缘子容易出现烧伤、破损等故障，这些故障会导致其绝缘性能下降，从而严重影响电网的安全稳定运行。近年来，随着人工智能技术的迅速发展，基于深度学习的绝缘子缺陷检测方法逐渐应用在航拍绝缘子图像中，既提高了检测效率，同时也节省了人力。
2、然而，航拍绝缘子图片受一些因素影响，例如拍摄角度、拍摄距离、绝缘子所处的复杂环境等影响，对于输电线路这种目标密集背景下对绝缘子缺陷难以进行高效准确的检测和提取，进而导致绝缘子缺陷检测方法很难达到预期效果。
3、因此有必要提供新的基于改进yolov8n的输电线路绝缘子的缺陷检测方法和系统。
技术实现思路
1、基于现有技术中存在的上述问题，本专利技术实施例的目的在于提供基于改进yolov8n的输电线路绝缘子的缺陷检测方法和系统，能够在输电线路这种目标密集背景下对绝缘子缺陷进行高效准确的检测和提取，进而提高了系统检测的准确度。
2、为实现上述目的，本专利技术采用的技术方案是：基于改进yolov8n的输电线路绝缘子的缺陷检测方法，包括：
3、s1，采集输电线路中的绝缘子缺陷图像，并对图像进行预处理，得到初始数据集；
4、s2，将所述初始数
5、s3，将所述目标数据集进行划分为训练集、验证集和测试集；
6、s4，以yolov8n网络模型为基准模型构建改进的yolov8n网络模型作为绝缘子缺陷检测网络模型；
7、s5，将训练集输入到绝缘子缺陷检测网络模型中进行模型训练，并基于训练结果改进绝缘子缺陷检测网络模型参数得到训练后的绝缘子缺陷检测网络模型；
8、s6，将验证集输入至所述训练后的绝缘子缺陷检测网络模型中进行模型评估；
9、s7，将测试集输入至所述训练后的绝缘子缺陷检测网络模型中得到绝缘子缺陷检测结果。
10、进一步的，s1中，所述采集输电线路中的绝缘子缺陷图像，并对图像进行预处理，得到初始数据集，包括：
11、利用无人机采集输电线路的绝缘子缺陷图像，构建成绝缘子缺陷图像数据集；数据集中，针对绝缘子缺陷图像特点采取先分后标注的方法对原始图像进行预处理，将图像分割成小块，然后对分割后的小图像进行缺陷标注，得到初始数据集。
12、进一步的，s4中，所述以yolov8n网络模型为基准模型构建改进的yolov8n网络模型作为绝缘子缺陷检测网络模型，包括：
13、步骤s41，将c2f模块中嵌入至cd_lsk模块中；
14、步骤s42，引入pconv部分卷积模块；
15、步骤s43，引入focalmodulation模块；
16、步骤s44，将原有yolov8n中的损失函数ciou替换成powerful-iou。
17、进一步的，所述将c2f模块中嵌入至cd_lsk模块中，包括：在传递到botleneck块加入cd_lsk模块；cd_lsk模块具体工作过程包括：首先，由前面传入的特征图经过两个大核卷积后显式地产生具有各种大感受野的多个特征；其次，顺序分解比简单地应用单个更大的内核更有效；最后，为了增强网络专注于最相关的空间上下文区域来检测目标的能力，使用空间选择机制从不同尺度的大卷积核中空间选择特征图。
18、进一步的，所述引入focalmodulation模块，包括：focalmodulation工作过程为，首先，输入图像通过主干网络进行特征提取，生成多层特征图；接着，应用特征调制模块对这些特征图进行处理，通过引入一个调制因子来增强重要特征，同时抑制无关或干扰特征；然后，聚焦机制作用于特征图，动态调整每个位置的权重，确保模型更加关注难以检测的物体或复杂背景区域；最后，经过分类和回归头的处理，输出目标的类别和位置，实现目标检测和分割任务，提高在挑战性场景下的检测精度。
19、进一步的，所述将原有yolov8n中的损失函数ciou替换成powerful-iou，包括，在绝缘子缺陷检测中，powerful-iou损失函数未能充分考虑到小目标的特征差异；通过在惩罚因子p的计算中引入目标框的宽度权重w_dw和高度权重w_dh，修改后的惩罚系数公式如下：
20、
21、其中，dw1、dw2、dw2、dh2为预测框与目标框对应边距离的绝对值，wgt为目标框的宽度，hgt为目标框的高度，w_dw为目标框的宽度权重，w_dh为目标框的高度权重。
22、进一步的，s6中，所述将验证集输入至所述训练后的绝缘子缺陷检测网络模型中进行模型评估，包括：将测试集输入至训练后的绝缘子缺陷检测网络模型中，基于所述绝缘子缺陷检测网络模型的查准率p、召回率r和平均精度均值map对其进行评估；评价模型性能的指标公式如下：
23、
24、其中，tp为预测正确的正样本数量，fn为预测错误的负样本数量，fp为预测错误的正样本数。
25、基于改进yolov8n的输电线路绝缘子的缺陷检测系统，应用于上述基于改进yolov8n的输电线路绝缘子的缺陷检测方法，所述系统包括：
26、数据集采集模块，用于采集输电线路中的绝缘子缺陷图像，并对图像进行预处理，得到初始数据集；
27、数据集增强模块，用于将所述初始数据集内的图像进行数据增强，得到目标数据集；
28、数据集划分模块，用于将所述目标数据集进行划分为训练集、验证集和测试集；
29、改进建模模块，用于以yolov8n网络模型为基准模型构建改进的yolov8n网络模型作为绝缘子缺陷检测网络模型；
30、模型训练模块，用于将训练集输入到绝缘子缺陷检测网络模型中进行模型训练，并基于训练结果改进绝缘子缺陷检测网络模型参数得到训练后的绝缘子缺陷检测网络模型；
31、模型验证评估模块，用于将验证集输入至所述训练后的绝缘子缺陷检测网络模型中进行模型评估；
32、检测结果生成模块，用于将测试集输入至所述训练后的绝缘子缺陷检测网络模型中得到绝缘子缺陷检测结果。
33、本专利技术的实施方式还提供了一种网络侧服务端，包括：
34、至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述的基于改进yolov8n的输电线路绝缘子的缺陷检测方法。
35、本专利技术的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述的基于改进yolov8n的输电线路绝缘子的缺陷检测方法。
<本文档来自技高网...【技术保护点】
1.一种基于改进YOLOv8n的输电线路绝缘子的缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的基于改进YOLOv8n的输电线路绝缘子的缺陷检测方法，其特征在于，S1中，所述采集输电线路中的绝缘子缺陷图像，并对图像进行预处理，得到初始数据集，包括：
3.根据权利要求1所述的基于改进YOLOv8n的输电线路绝缘子的缺陷检测方法，其特征在于，S4中，所述以YOLOv8n网络模型为基准模型构建改进的YOLOv8n网络模型作为绝缘子缺陷检测网络模型，包括：
4.根据权利要求3所述的基于改进YOLOv8n的输电线路绝缘子的缺陷检测方法，其特征在于，所述将C2f模块中嵌入至CD_LSK模块中，包括：在传递到Botleneck块加入CD_LSK模块；CD_LSK模块具体工作过程包括：首先，由前面传入的特征图经过两个大核卷积后显式地产生具有各种大感受野的多个特征；其次，顺序分解比简单地应用单个更大的内核更有效；最后，为了增强网络专注于最相关的空间上下文区域来检测目标的能力，使用空间选择机制从不同尺度的大卷积核中空间选择特征图。
5.根据权
6.根据权利要求1所述的基于改进YOLOv8n的输电线路绝缘子的缺陷检测方法，其特征在于，所述将原有YOLOv8n中的损失函数CIoU替换成Powerful-Iou，包括，在绝缘子缺陷检测中，Powerful-Iou损失函数未能充分考虑到小目标的特征差异；通过在惩罚因子P的计算中引入目标框的宽度权重W_dw和高度权重W_dh，修改后的惩罚系数公式如下：
7.根据权利要求6所述的基于改进YOLOv8n的输电线路绝缘子的缺陷检测方法，其特征在于，S6中，所述将验证集输入至所述训练后的绝缘子缺陷检测网络模型中进行模型评估，包括：将测试集输入至训练后的绝缘子缺陷检测网络模型中，基于所述绝缘子缺陷检测网络模型的查准率P、召回率R和平均精度均值mAP对其进行评估；评价模型性能的指标公式如下：
8.基于改进YOLOv8n的输电线路绝缘子的缺陷检测系统，其特征在于，应用于权利要求1中所述基于改进YOLOv8n的输电线路绝缘子的缺陷检测方法，所述系统包括：
9.一种网络侧服务端，其特征在于，包括：
10.一种计算机可读存储介质，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时实现权利要求1至7中任一项所述的基于改进YOLOv8n的输电线路绝缘子的缺陷检测方法。
...【技术特征摘要】
1.一种基于改进yolov8n的输电线路绝缘子的缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的基于改进yolov8n的输电线路绝缘子的缺陷检测方法，其特征在于，s1中，所述采集输电线路中的绝缘子缺陷图像，并对图像进行预处理，得到初始数据集，包括：
3.根据权利要求1所述的基于改进yolov8n的输电线路绝缘子的缺陷检测方法，其特征在于，s4中，所述以yolov8n网络模型为基准模型构建改进的yolov8n网络模型作为绝缘子缺陷检测网络模型，包括：
4.根据权利要求3所述的基于改进yolov8n的输电线路绝缘子的缺陷检测方法，其特征在于，所述将c2f模块中嵌入至cd_lsk模块中，包括：在传递到botleneck块加入cd_lsk模块；cd_lsk模块具体工作过程包括：首先，由前面传入的特征图经过两个大核卷积后显式地产生具有各种大感受野的多个特征；其次，顺序分解比简单地应用单个更大的内核更有效；最后，为了增强网络专注于最相关的空间上下文区域来检测目标的能力，使用空间选择机制从不同尺度的大卷积核中空间选择特征图。
5.根据权利要求3所述的基于改进yolov8n的输电线路绝缘子的缺陷检测方法，其特征在于，所述引入focalmodulation模块，包括：focalmodulation工作过程为，首先，输入图像通过主干网络进行特征提取，生成多层特征图；接着，应用特征调制模块对这些特征图进行处理，通过引入一个调制因子来增强重要特征，同时抑制无关或干扰特征；然后...
【专利技术属性】
技术研发人员：郑剑锋，邹喆，汤佳乐，张江勇，刘安心，
申请(专利权)人：常州大学，
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。