【技术实现步骤摘要】
本专利技术涉及目标检测的，具体涉及一种基于改进yolov8模型的轻量化电气设备多目标检测方法及系统。
技术介绍
1、电气设备是电力系统的重要组成部分，其运行状况决定了电网供电的稳定性与可靠性。电气设备长期运行过程中不可避免地会出现性能退化和各种故障，传统的电气设备状态检测和故障诊断主要依赖于人工巡检和经验判断，效率低且易遗漏；另外，工作人员的技能和经验也是影响检测精确度的关键因素，难以满足现代复杂电气设备的检测需求。因此，实现海量数据的自动处理、分析与诊断，克服人工分析的劣势，对电气设备状态检测和故障诊断具有重要意义。
2、近年来，深度学习技术尤其是卷积神经网络(convolutional neural network)在目标检测领域的广泛应用，提高了传统识别任务的准确率，显示了较强的复杂任务识别处理能力。深度学习cnn目标检测常用算法包括r-cnn、faster r-cnn、ssd、yolo等，其中yolo算法平衡了检测速度和准确性，支持多种计算机视觉任务，已成为目标检测任务的优选基础算法，目前已更新为性能更加完善的yolov8版本。文献[李姝,李思远,刘国庆.基于yolov8无人机航拍图像的小目标检测算法研究[j].小型微型计算机系统,2024,45(09):2165-2174.doi:10.20009/j.cnki.21-1106/tp.2024-0329.]提出了一种改进yolov8s算法lw-yolo，采用分层卷积、不同深度特征提取和多尺度特征融合等策略，提高了小目标检测的精度，但检测速度与yolov8s相
技术实现思路
1、本专利技术的目的在于提供一种轻量化电气设备多目标检测方法及系统，该方法及系统可以在保证检测精度的同时，降低模型复杂度和计算量。
2、为了实现上述目的，本专利技术采用的技术方案是：一种轻量化电气设备多目标检测方法，其特征在于，包括以下步骤：
3、步骤s1：通过图像采集装置采集不同类型的电气设备的多角度图像，获得实验数据集；
4、步骤s2：对实验数据集进行标注，并对标注后的数据进行数据扩增，形成新的数据集，并将新的数据集划分为训练集、测试集和验证集；
5、步骤s3：通过构建ghostnet轻量化网络结构、引入cbam注意力机制和sppfcspc卷积结构对yolov8模型进行改进，得到基于改进yolov8模型的多目标检测模型；
6、步骤s4：利用训练集对基于改进yolov8模型的多目标检测模型进行训练，达到最大迭代次数后，得到训练后的检测模型，并利用验证集进行验证，确定多目标检测最优模型；
7、步骤s5：将测试集输入到多目标检测最优模型，得到电气设备目标的检测结果；
8、步骤s6：对检测结果进行评估：采用均值平均精确率、准确率、召回率以及检测速度对多目标检测最优模型进行全面评估，输出检测结果。
9、进一步地，所述不同类型的电气设备包括低压配电柜、电力变压器、绝缘子、变压器套管、安全帽、变压器散热、变压器油枕和跌落熔断器。
10、进一步地，所述ghostnet轻量化网络结构采用多个基于ghostconv的卷积模块，使用线性变换生成ghost特征图，同时将原有网络中的bottleneck模块替换为ghostbottleneck模块，得到c3ghost模块；将yolov8模型的conv和c2f模块替换为ghostconv和c3ghost模块，得到ghostnet轻量化网络。
11、进一步地，所述cbam注意力机制包括通道注意力模块和空间注意力模块，在通道注意力模块对输入特征进行最大池化和平均池化操作，然后将两个结果进行全连接、相加和添加激活函数后，得到图像中目标位置信息敏感的通道注意力特征；在空间注意力模块将最大池化和平均池化拼接后，通过卷积和sigmoid激活函数，得到目标的空间注意力特征；最终，将空间注意力特征和通道注意力特征相乘，输出加权后的注意力增强特征，使模型能更全面和有效的理解输入数据，提高模型的性能和准确率。
12、进一步地，所述sppfcspc卷积结构包括卷积层i、卷积层ii、卷积层iii、本文档来自技高网...
【技术保护点】
1.一种轻量化电气设备多目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种轻量化电气设备多目标检测方法，其特征在于，所述不同类型的电气设备包括低压配电柜、电力变压器、绝缘子、变压器套管、安全帽、变压器散热、变压器油枕和跌落熔断器。
3.根据权利要求1所述的一种轻量化电气设备多目标检测方法，其特征在于，所述Ghostnet轻量化网络结构采用多个基于GhostConv的卷积模块，使用线性变换生成Ghost特征图，同时将原有网络中的BottleNeck模块替换为GhostBottleNeck模块，得到C3Ghost模块；将YOLOv8模型的Conv和C2f模块替换为GhostConv和C3Ghost模块，得到Ghostnet轻量化网络。
4.根据权利要求1所述的一种轻量化电气设备多目标检测方法，其特征在于，所述CBAM注意力机制包括通道注意力模块和空间注意力模块，在通道注意力模块对输入特征进行最大池化和平均池化操作，然后将两个结果进行全连接、相加和添加激活函数后，得到图像中目标位置信息敏感的通道注意力特征；在空间注意力模块将最大池
5.根据权利要求1所述的一种轻量化电气设备多目标检测方法，其特征在于，所述SPPFCSPC卷积结构包括卷积层I、卷积层II、卷积层III、卷积层IV、最大池化层I、最大池化层II、最大池化层III、Concat层I、卷积层V、卷积层VI、Concat层II和卷积层VII；所述SPPFCSPC卷积结构的输入分别与卷积层I和卷积层II的输入端相连接，卷积层II的输出端与卷积层III的输入端相连接，卷积层III的输出端与卷积层IV的输入端相连接，卷积层IV的输出端与最大池化层I的输入端相连接，最大池化层I的输出端与最大池化层II的输入端相连接，最大池化层II的输出端与最大池化层III的输入端相连接，最大池化层III的输出端与Concat层I的输入端相连接，Concat层I的输出端与卷积层V的输入端相连接，卷积层V的输出端与卷积层VI的输入端相连接，卷积层VI的输出端与Concat层II的输入端相连接，Concat层II的输出端与卷积层VII的输入端相连接，卷积层I和卷积层VII的输出端作为SPPFCSPC卷积结构的输出。
6.根据权利要求1、3、4或5所述的一种轻量化电气设备多目标检测方法，其特征在于，所述基于改进YOLOv8模型的多目标检测模型的网络结构包括Backbone模块、Neck模块和Head模块；
7.根据权利要求6所述的一种轻量化电气设备多目标检测方法，其特征在于，GCG的网络结构包括GhostConv-I、BN和GeLU；GhostConv-I的输入端作为GCG的输入，GhostConv-I的输出端与BN的输入端相连接，BN的输出端与GeLU的输入端相连接，GeLU的输出端作为GCG的输出。
8.根据权利要求6所述的一种轻量化电气设备多目标检测方法，其特征在于，GC3的网络结构包括GCG-VII、GCG-VIII、GhostBottleneck、GCG-IX、Concat-VII；GCG-VII和GCG-VIII的输入端作为GC3的输入，GCG-VIII输出端与GhostBottleneck的输入端相连接，GhostBottleneck的输出端与GCG-IX的输入端相连接，GCG-IX的输出端和GCG-VII的输出端均与Concat-VII的输入端相连接，Concat-VII的输出端作为GC3的输出；
9.根据权利要求1所述的一种轻量化电气设备多目标检测方法，其特征在于，利用训练集对基于改进YOLOv8模型的多目标检测模型进行训练时引入Wise-IoU损失函数和GELU激活函数；
10.一种轻量化电气设备多目标检测系统，其特征在于，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-9任一项所述的方法。
...【技术特征摘要】
1.一种轻量化电气设备多目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种轻量化电气设备多目标检测方法，其特征在于，所述不同类型的电气设备包括低压配电柜、电力变压器、绝缘子、变压器套管、安全帽、变压器散热、变压器油枕和跌落熔断器。
3.根据权利要求1所述的一种轻量化电气设备多目标检测方法，其特征在于，所述ghostnet轻量化网络结构采用多个基于ghostconv的卷积模块，使用线性变换生成ghost特征图，同时将原有网络中的bottleneck模块替换为ghostbottleneck模块，得到c3ghost模块；将yolov8模型的conv和c2f模块替换为ghostconv和c3ghost模块，得到ghostnet轻量化网络。
4.根据权利要求1所述的一种轻量化电气设备多目标检测方法，其特征在于，所述cbam注意力机制包括通道注意力模块和空间注意力模块，在通道注意力模块对输入特征进行最大池化和平均池化操作，然后将两个结果进行全连接、相加和添加激活函数后，得到图像中目标位置信息敏感的通道注意力特征；在空间注意力模块将最大池化和平均池化拼接后，通过卷积和sigmoid激活函数，得到目标的空间注意力特征；最终，将空间注意力特征和通道注意力特征相乘，输出加权后的注意力增强特征，使模型能更全面和有效的理解输入数据，提高模型的性能和准确率。
5.根据权利要求1所述的一种轻量化电气设备多目标检测方法，其特征在于，所述sppfcspc卷积结构包括卷积层i、卷积层ii、卷积层iii、卷积层iv、最大池化层i、最大池化层ii、最大池化层iii、concat层i、卷积层v、卷积层vi、concat层ii和卷积层vii；所述sppfcspc卷积结构的输入分别与卷积层i和卷积层ii的输入端相连接，卷积层ii的输出端与卷积层iii的输入端相连接，卷积层iii的输出端与卷积层iv的输入端相连接，卷积层iv的输出端与最大池化层i的输入端相连接，最大池化层i的输出端与最大池化层ii的输入端相连接，最大池化层ii的输出端与最大池化层iii...
【专利技术属性】
技术研发人员：李丽，曾昌健，林剑，刘云峰，郭清彬，林键炜，黄琪源，蔡柳晖，刘波，
申请(专利权)人：福建省电力有限公司泉州电力技能研究院，
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。