一种基于YOLO检测器的绝缘子缺陷检测方法及系统与流程

本发明涉及图像检测，特别是涉及基于yolo检测器的绝缘子缺陷检测方法及系统。

背景技术：

1、随着我国电力系统规模的不断扩大，其电力传输网络也变得越来越庞大和复杂。绝缘子在电力传输系统中起着电气隔离和机械支撑的重要作用，是系统中不可缺少的一部分。然而，由于电力传输系统中的绝大多数绝缘子都工作在室外，因此极易受外界极端天气的影响而产生缺陷。若不进行处理和维护，则极易导致电力安全事故，严重影响电力传输系统的稳定运行。因此，绝缘子的定位和缺陷检测是电力传输系统中的重要环节之一。

2、近年来，利用无人机（uav）从航拍图像或视频中自动识别绝缘子缺陷已越来越普遍，这种检测方法已逐渐取代人工检测图像识别，成为一个突出的研究课题。具体来说，现有的绝缘子图像检测技术的技术主要分为传统方法和深度学习方法。传统方法一般采用直方图均衡化、canny边缘提取、hough变换等算法。相比之下，基于深度学习的目标检测器可以通过深度神经网络（dnn）自动提取、分析图像特征并进行缺陷预测。这极大地节省了人力资源，提高了检测速度和精度，也使得这类方法成为了绝缘子缺陷检测领域新的研究热点。基于深度学习的目标检测器中最具代表性的是yolo系列检测器（如yolov4、yolov5等），现已被当作主流方法广泛地应用于各种表面缺陷检测领域中，其中亦包括绝缘子缺陷检测。然而，航拍绝缘子图像通常会存在以下问题：多尺度（即绝缘子串通常属于大区域、而串落故障区域属于小尺度目标）、长宽比大（即绝缘子本身的形状呈长条状）以及背景复杂等。这些问题给不但要求所设计的检测器需具备极大长宽比目标特征的提取能力，也还需对存在多尺度、复杂背景状态的目标检测具有良好的泛化能力。

3、因此，提供一种有效解决上述问题的基于yolo检测器的绝缘子缺陷检测方法及系统是本领域技术人员亟待解决的问题。

技术实现思路

1、本发明的目的在于提供一种基于yolo检测器的绝缘子缺陷检测方法，该方法逻辑清晰，安全、有效、可靠且操作简便，可以有效解决由绝缘子极大长宽比特性、串落缺陷的小尺度性以及背景的复杂性等因素引起的缺陷检测性能不佳问题。

2、基于以上目的，本发明提供的技术方案如下：

3、一种基于yolo检测器的绝缘子缺陷检测方法，包括如下步骤：

4、获取处理后的航拍数据集；

5、构建由主干特征提取网络、路径聚合无参注意特征金字塔网络和可变形解耦检测头构成的初始缺陷检测模型；

6、构建目标损失函数训练所述初始缺陷检测模型，以获取优化后的缺陷检测模型；

7、根据所述处理后的航拍数据集和所述优化后的缺陷检测模型，获取缺陷检测结果。

8、优选地，所述获取处理后的航拍数据集，包括如下步骤：

9、航拍采集输电线路上的多个绝缘子图像，形成航拍数据集；

10、将所述航拍数据集依次进行数据增强、标准化处理和标签制作，以获取处理后的航拍数据集。

11、优选地，所述主干特征提取网络包括：原始主干网络、条带池化融合模块和可变形卷积；

12、将所述条带池化融合模块和所述可变形卷积引入原始主干网络，以构建所述主干特征提取网络，包括如下步骤：

13、将所述条带池化融合模块分别附加在所述原始主干网络中下采样模块和恒等块的末端处；

14、将所述可变形卷积替换所述下采样模块中的卷积。

15、优选地，所述路径聚合无参注意特征金字塔网络包括：原始路径聚合特征金字塔网络和无参注意力模块；

16、将所述无参注意力模块引入所述原始路径聚合特征金字塔网络，以构建所述路径聚合无参注意特征金字塔网络，包括如下步骤：

17、将所述原始路径聚合特征金字塔网络附加逆向路径的横向连接；

18、将所述无参注意力模块分别附加在所述原始路径聚合特征金字塔网络中的每个卷积之后；

19、其中，所述逆向途径中的下采样模块由卷积、批标准化层、激活函数和下采样操作组成。

20、优选地，所述可变形解耦检测头包括：原始检测头和所述可变形卷积；

21、获取可变形解耦检测头，包括如下步骤：

22、将所述原始检测头替换为解耦检测头；

23、将所述解耦检测头中的前两层卷积层替换为所述可变形卷积；

24、其中，所述原始检测头中的单卷积分支包含分类、回归和iou的预测值；

25、所述解耦检测头包括三条卷积分支，每条卷积分支分别与分类、回归和iou的预测值相对应。

26、优选地，所述目标损失函数包括：分类损失和边界框回归损失；

27、获取所述目标损失函数，具体为：

28、采用ciou损失函数替换iou损失函数，作为所述边界框回归损失；

29、采用focal 损失函数替换交叉熵损失函数，作为所述分类损失。

30、优选地，在所述初始缺陷检测模型和所述优化后的缺陷检测模型中均还包括由k-means聚类算法生成的锚框。

31、一种基于yolo检测器的绝缘子缺陷检测系统，包括：

32、获取模块，用于获取处理后的航拍数据集；

33、初始模型模块，用于构建由主干特征提取网络、路径聚合无参注意特征金字塔网络和可变形解耦检测头构成的初始缺陷检测模型；

34、训练模块，用于获取构建目标损失函数训练所述初始缺陷检测模型，以获取优化后的缺陷检测模型；

35、预测模块，用于根据所述处理后的航拍数据集和所述优化后的缺陷检测模型，获取缺陷检测结果。

36、本发明所提供的基于yolo检测器的绝缘子缺陷检测方法，是通过采集航拍数据集并处理得到处理后的航拍数据集；构建由主干特征提取网络、路径聚合无参注意特征金字塔网络和可变形解耦检测头构成的初始缺陷检测模型；构建目标损失函数训练初始缺陷检测模型，得到优化后的缺陷检测模型；将处理后的航拍数据集输入至优化后的缺陷检测模型，得到缺陷检测结果。

37、相比于现有技术，通过对特征提取网络、特征金字塔网络、检测头以及目标损失函数的改进，可以有效解决由绝缘子极大长宽比特性、串落缺陷的小尺度性以及背景的复杂性等因素引起的缺陷检测性能不佳问题，提高了绝缘子缺陷缺陷检测效率和精度。

38、本发明还提供了基于yolo检测器的绝缘子缺陷检测系统，由于与该方法属于相同的技术构思，解决相同的技术问题，理应具有相同的有益效果，在此不再赘述。

技术特征：

1.一种基于yolo检测器的绝缘子缺陷检测方法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于yolo检测器的绝缘子缺陷检测方法，其特征在于，所述获取处理后的航拍数据集，包括如下步骤：

3.如权利要求1所述的基于yolo检测器的绝缘子缺陷检测方法，其特征在于，将所述条带池化融合模块和所述可变形卷积引入原始主干网络，以构建所述主干特征提取网络，包括如下步骤：

4.如权利要求3所述的基于yolo检测器的绝缘子缺陷检测方法，其特征在于，将所述无参注意力模块引入所述原始路径聚合特征金字塔网络，以构建所述路径聚合无参注意特征金字塔网络，包括如下步骤：

5.如权利要求4所述的基于yolo检测器的绝缘子缺陷检测方法，其特征在于，获取可变形解耦检测头，包括如下步骤：

6.如权利要求1所述的基于yolo检测器的绝缘子缺陷检测方法，其特征在于，所述目标损失函数包括：分类损失和边界框回归损失；

7.如权利要求1所述的基于yolo检测器的绝缘子缺陷检测方法，其特征在于，在所述初始缺陷检测模型和所述优化后的缺陷检测模型中均还包括由k-means聚类算法生成的锚框。

8.一种基于yolo检测器的绝缘子缺陷检测系统，其特征在于，包括：

技术总结
本发明所提供的基于YOLO检测器的绝缘子缺陷检测方法及系统，方法是通过采集航拍数据集并处理得到处理后的航拍数据集；构建由主干特征提取网络、路径聚合无参注意特征金字塔网络和可变形解耦检测头构成的初始缺陷检测模型；构建目标损失函数训练初始缺陷检测模型，得到优化后的缺陷检测模型；将处理后的航拍数据集输入至优化后的缺陷检测模型，得到缺陷检测结果。该方法通过对特征提取网络、特征金字塔网络、检测头以及目标损失函数的改进，可以有效解决由绝缘子极大长宽比特性、串落缺陷的小尺度性以及背景的复杂性等因素引起的缺陷检测性能不佳问题，提高了绝缘子缺陷缺陷检测效率和精度，该系统具有相同有益效果。

技术研发人员：欧周权,谢振球,姜雄辉
受保护的技术使用者：通达电磁能股份有限公司
技术研发日：
技术公布日：2024/2/1