【技术实现步骤摘要】
本专利技术涉及电力，具体涉及一种基于改进yolov5s的风电塔筒表面裂缝智能检测方法。
技术介绍
1、混凝土结构缺陷是一个普遍存在的现象,然而工程上很难定量分析,常常需要花费大量的人力及时间。
2、对于风电塔筒表面裂缝的监测,目前工程上通常使用高空悬挂吊篮或蜘蛛人进行手持接触式测量，检测范围有限。高空作业受到气流、温度等环境因素影响较难保证检测的准确度且具有较高的危险性；同时,人力成本的增加和检测效率低下导致经济成本居高不下。
3、随着计算机技术的不断发展，越来越多的深度学习算法参层出不穷，但都有利有弊。基于传统的yolov5s算法在进行裂缝识别时准确率一般，尤其在对风电塔筒这种高耸建筑进行识别时裂缝识别时容易造成误检漏检现象。因此本专利技术提出一种基于改进yolov5s的风电塔筒表面裂缝智能检测方法，提高检测的准确率，减少漏检误检现象。
技术实现思路
1、为了解决以上技术问题，本专利技术提供了一种基于改进yolov5s的风电塔筒表面裂缝智能检测方法，方法包括：
2、步骤s1、获取历史风电塔筒表面裂缝图像并进行预处理，得到预处理后的图像；
3、步骤s2、对所述与处理后的图像中的裂缝进行标注，得到标注后的图像；
4、步骤s3、使用所述标注后的图像对改进后的yolov5s算法进行训练，得到风电塔筒表面裂缝检测模型；
5、步骤s4、将实时待处理的风电塔筒裂缝图像输入到风电塔筒裂缝检测模型，实现风电塔筒表面裂缝的智能检
6、可选的，所述步骤s1中，预处理过程具体包括：
7、在获取的历史风电塔筒表面裂缝图像中加入椒盐噪声：在所述历史风电塔筒表面裂缝图像中随机选择预设个数的像素点作为噪声点，对选定的噪声点进行灰度值设定；
8、根据加入椒盐噪声后图像的中心为中轴线，对图像进行上下翻转和左右翻转，得到翻转后的图像；
9、对所述翻转后的图像进行像素增减，得到缩放后的图像，完成图像预处理。
10、可选的，所述步骤s3中，改进后的yolov5s算法具体包括：backbone模块、slim-neck模块和head模块；
11、所述backbone模块用于提取不同尺寸大小的特征图，所述backbone模块包括cbs模块、c3模块和sppf模块；
12、所述slim-neck模块用于将得到的特征图输入slim-neck模块中对得到聚合特征；
13、所述head模块用于基于聚合特征框选检测结果。
14、可选的，将所述backbone模块中cbs模块和c3模块的普通卷积替换为坐标卷积：
15、o(x,y)＝∑∑i(i，j)*h(x-i,y-i)
16、其中，o(x,y)是输出图像o的像素值，i(i,j)是输入图像i的像素值，h(x-i,y-i)是滤波器h在位置(x-i,y-i)的权重。
17、可选的，在c3模块与spff模块之间介入cbam注意力机制：
18、
19、
20、f'＝mc(f)f
21、f”＝ms(f)f'
22、式中mc(f)表示通道注意力输出权值；σ表示激活函数sigmoid；表示平均池化后在空间上的特征映射；表示最大池化后在空间上的特征映射；w0表示第1个全连接层的权重矩阵；w1表示第2个全连接层的权重矩阵；ms(f)表示空间注意力输出权值；f7*7表示尺寸为7×7的卷积核；表示在通道上平均池化后特征映射；表示在通道上最大池化后特征映射；f表示输入特征图；f'表示经过通道注意力加权得到的特征图；f”表示经过空间注意力加权得到的特征图。
23、可选的，所述slim-neck模块将颈部中的所有普通卷积替换为gsconv之后，再引入vov-gscsp模块；vov-gscsp模块是将输入特征图先经过1×1普通卷积进行降维，将结果同时输入进两条支路，其中一条支路为输入到gsbottleneck模块中进行两层gsconv，另一条支路是与两层gsconv的结果做concat操作，最后经过1×1卷积进行输出；gsconv计算公式为：
24、h_v'＝w*concat[(h_v,agg(h_n1),agg(h,_n2),...,agg(h_nk))]
25、其中，h_v表示节点v的原始特征向量，h_n1,h_n2,…,h_nk表示节点v的邻居节点的原始特征向量，h_v’表示节点v的更新后的特征向量；concat表示将特征向量串联起来，agg表示对邻居特征进行聚合的函数，w是可学习的权重矩阵。
26、可选的，所述head模块中，使用giou损失函数和soft-nms算法：
27、
28、式中a表示预测的边界框，b表示真实的边界框，c表示两个边界框外接矩形；
29、
30、式中m表示得分较高的候选先验框，bi表示要处理的候选先验框，nt为设定的阈值，iou是衰减高分的候选先验框与前一帧候选先验框的重叠分数；si表示剩余的第i个候选先验框的分数。
31、可选的，改进后yolov5s的训练参数设置为：batch-size大小为8；worke rs大小为8；最大迭代次数为200；动量因子为0.937；初始学习率为0.01，权重衰减系数为0.0005。
32、与现有技术相比，本专利技术的有益效果为：
33、本专利技术根据历史风电塔筒表面裂缝图像并基于改进yolov5算法进行训练，得到风电塔筒表面裂缝检测模型；将待处理的风电塔筒表面裂缝图像或视频输入到风电塔筒表面裂缝检测模型，实现风电塔筒表面裂缝智能检测。本专利技术解决了基于人工视觉检测方法效率低、误检、检测范围有限等问题。且同传统的基于yolov5s算法的裂缝检测方法相比，准确率提升，误检漏检现象减少，鲁棒性更好。
本文档来自技高网...【技术保护点】
1.一种基于改进YOLOv5s的风电塔筒表面裂缝智能检测方法，其特征在于，方法包括：
2.根据权利要求1的基于改进YOLOv5s的风电塔筒表面裂缝智能检测方法，其特征在于，所述步骤S1中，预处理过程具体包括：
3.根据权利要求1的基于改进YOLOv5s的风电塔筒表面裂缝智能检测方法，其特征在于，所述步骤S3中，改进后的YOLOv5s算法具体包括：BackBone模块、Slim-Neck模块和Head模块；
4.根据权利要求3的基于改进YOLOv5s的风电塔筒表面裂缝智能检测方法，其特征在于，将所述BackBone模块中CBS模块和C3模块的普通卷积替换为坐标卷积：
5.根据权利要求4的基于改进YOLOv5s的风电塔筒表面裂缝智能检测方法，其特征在于，在C3模块与SPFF模块之间介入CBAM注意力机制：
6.根据权利要求3的基于改进YOLOv5s的风电塔筒表面裂缝智能检测方法，其特征在于，所述Slim-Neck模块将颈部中的所有普通卷积替换为GSConv之后，再引入VoV-GSCSP模块；VoV-GSCSP模块是将输入特征
7.根据权利要求3的基于改进YOLOv5s的风电塔筒表面裂缝智能检测方法，其特征在于，所述Head模块中，使用GIOU损失函数和Soft-NMS算法：
8.根据权利要求3的基于改进YOLOv5s的风电塔筒表面裂缝智能检测方法，其特征在于，改进后YOLOv5s的训练参数设置为：Batch-size大小为8；Worke rs大小为8；最大迭代次数为200；动量因子为0.937；初始学习率为0.01，权重衰减系数为0.0005。
...【技术特征摘要】
1.一种基于改进yolov5s的风电塔筒表面裂缝智能检测方法，其特征在于，方法包括：
2.根据权利要求1的基于改进yolov5s的风电塔筒表面裂缝智能检测方法，其特征在于，所述步骤s1中，预处理过程具体包括：
3.根据权利要求1的基于改进yolov5s的风电塔筒表面裂缝智能检测方法，其特征在于，所述步骤s3中，改进后的yolov5s算法具体包括：backbone模块、slim-neck模块和head模块；
4.根据权利要求3的基于改进yolov5s的风电塔筒表面裂缝智能检测方法，其特征在于，将所述backbone模块中cbs模块和c3模块的普通卷积替换为坐标卷积：
5.根据权利要求4的基于改进yolov5s的风电塔筒表面裂缝智能检测方法，其特征在于，在c3模块与spff模块之间介入cbam注意力机制：
6.根据权利要求3的基于改进yolov5s的风电塔筒表面裂缝智能检测方...
【专利技术属性】
技术研发人员：冷晓辉，郭永刚，孙国明，胡峰，马超，
申请(专利权)人：通榆远通新能源有限公司，
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。