一种基于改进YOLOv7的自爆绝缘子检测方法

本发明涉及图像处理，尤其涉及一种基于改进yolov7的自爆绝缘子检测方法。

背景技术：

1、随着国家对电网建设的不断扩大，电网设备的大规模增加造成输电线路的检修难度逐年上升。输电系统中的绝缘子长期暴露在户外的恶劣复杂环境中，很容易在外力作用下出现自爆问题。无人机巡检作为现阶段的主流巡检手段，前期靠无人机拍摄大量图片，再通过人为筛选缺陷图片的方法工作量大，效率低，而且浪费人力物力。随着深度学习的出现和发展，通过计算机视觉和无人机结合的巡检方式逐渐突显出它的优点。

2、然而，因为绝缘子所处环境的复杂性，常有绝缘子因背景干扰，造成视觉误差，使得检测任务具有了挑战。尤其在无人机拍摄图像时，时常因为视角问题造成目标图像遮挡，且绝缘子自爆往往涉及到绝缘子串中的某一小部分脱落，存在目标较小的情况，而这些问题最终会导致一些模型的检测精度降低。尽管为了解决这些问题，已经有一些相关方法被提出，但这些方法往往在检测过程会造成待检目标漏检或误检的情况，使其在实际应用中效果不足。因此，现有的绝缘子检测方法的性能还有待提高。

3、如何在保证模型原有性能稳定的同时，解决自爆绝缘子的误检和漏检问题以及如何高效捕获检测目标的细粒度特征，是当前研究的重要方向之一。

技术实现思路

1、本发明的目的在于提供一种基于改进yolov7的自爆绝缘子检测方法，解决自爆绝缘子在面对复杂环境、目标遮挡、小目标等原因时造成的目标漏检和误检，同时提升检测精度。

2、为了保证上述发明目的的实现，本发明采用的技术方案为：

3、一种基于改进yolov7的自爆绝缘子检测方法，包括以下步骤：

4、步骤1、获取训练所需的初始自爆绝缘子图像；

5、步骤2、通过有监督数据增强和图像融合方式对步骤1中获取的自爆绝缘子图像的数据进行数量扩充并标注，形成自爆绝缘子数据集并划分训练集和验证集；

6、步骤3、通过无监督学习方法重新定义步骤2所得数据集的初始锚框；

7、步骤4、基于步骤3所得锚框将步骤2形成的自爆绝缘子数据集导入改进yolov7算法中进行训练，获取训练完成的自爆绝缘子检测模型；

8、步骤5、对训练完成的自爆绝缘子检测模型进行性能评估及测试，获取目标检测结果。

9、具体地，步骤2中，所述有监督数据增强即选用图像旋转和图像加雾操作来对步骤1中获取的自爆绝缘子图像数据扩充；所述图像融合即使用eiseg算法将自爆绝缘子从步骤1中获取的自爆绝缘子图像中分割出来，分割后得到掩膜图像，然后使用alpha融合将前景(自爆绝缘子)通过透明度叠加到背景上。

10、具体地，所述图像旋转用以模拟不同角度的绝缘子；所述图像加雾用以模拟雾天环境所获得的绝缘子图像；所述eiseg算法是基于飞桨开发的高效智能的交互式分割标注软件；所述alpha融合是将前景通过透明度叠加到背景图片上的过程。

11、具体地，步骤3中，所述无监督学习方法为k-means++聚类算法，具体操作步骤包括：

12、1)随机选择步骤2形成的自爆绝缘子数据集中的一个点作为聚类中心；

13、2)计算每个样本被选为下一聚类中心的概率：

14、

15、其中x和α分别表示数据集和每个样本，l(α)表示每个样本与当前已有聚类中心之间的最短距离(值越大、选中为聚类中心的概率越大)；

16、3)重复步骤2)，直到找到k个聚类中心。

17、具体地，步骤4中，所述改进yolov7算法具体是在算法主干部分集成gam注意力机制，在算法颈部构建一种将底层特征和高层特征融合的模块。

18、具体地，所述gam(global attention mechanism)注意力机制基本思想为给定输入特征图g1，中间特征图g2和输出特征图g3，定义表达式为：

19、

20、

21、其中，mc表示通道注意力特征图谱，ms表示空间注意力特征图谱；表示按照元素进行乘法操作。

22、具体地，所述构建一种将底层特征和高层特征融合的模块，模块主要通过c2f(cspdarknet53 to 2-stage fpn)融合深度可分离卷积dsc(depthwise separableconvolution)架构；将c2f模块其中的cbs模块更换为深度可分离卷积dsc，得到高效的特征融合模块，该模块由深度可分离卷积dsc、split操作和bottleneck特征金字塔层组成，命其名为：dsc-c2f。

23、在上述方案中，本发明基于全局注意力机制和特征融合改进yolov7算法，获取更高效的特征全局信息。

24、与现有技术相比，本发明的有益效果是：

25、本发明通过图像旋转、图像加雾和图像融合构建自爆绝缘子图集，扩充图像数量并提高模型的泛化能力和拟合性能。

26、本发明基于简单无监督方法聚类出新的初始锚框，防止模型精度降低。

27、本发明通过构建一种基于改进yolov7的自爆绝缘子检测方法实现解决绝缘子检测在复杂环境、目标遮挡、小目标等情况下出现的漏检和误检问题，且模型在自爆绝缘子检测上召回率和map0.5提升效果显著，整体性能优于传统方法。

技术特征：

1.一种基于改进yolov7的自爆绝缘子检测方法，其特征在于，包括下列步骤：

2.根据权利要求1所述的基于改进yolov7的自爆绝缘子检测方法，其特征在于，步骤2中，所述有监督数据增强即选用图像旋转和图像加雾操作来对步骤1中获取的自爆绝缘子图像数据扩充；所述图像融合即使用eiseg算法将自爆绝缘子从步骤1中获取的自爆绝缘子图像中分割出来，分割后得到掩膜图像，然后使用alpha融合将自爆绝缘子作为前景通过透明度叠加到背景上。

3.根据权利要求2所述的基于改进yolov7的自爆绝缘子检测方法，其特征在于，所述图像旋转用以模拟不同角度的绝缘子；所述图像加雾用以模拟雾天环境所获得的绝缘子图像；所述eiseg算法是基于飞桨开发的高效智能的交互式分割标注软件；所述alpha融合是将前景通过透明度叠加到背景图片上的过程。

4.根据权利要求1所述的基于改进yolov7的自爆绝缘子检测方法，其特征在于，步骤3中，所述无监督学习方法为k-means++聚类算法，具体操作步骤包括：

5.根据权利要求1所述的基于改进yolov7的自爆绝缘子检测方法，其特征在于，步骤4中，所述改进yolov7算法具体是在算法主干部分集成gam注意力机制，在算法颈部构建一种将底层特征和高层特征融合的模块。

6.根据权利要求5所述的基于改进yolov7的自爆绝缘子检测方法，其特征在于，所述gam注意力机制基本思想为给定输入特征图g1，中间特征图g2和输出特征图g3，定义表达式为：

7.根据权利要求5所述的基于改进yolov7的自爆绝缘子检测方法，其特征在于，所述构建一种将底层特征和高层特征融合的模块，模块主要通过c2f融合深度可分离卷积dsc架构；将c2f模块其中的cbs模块更换为深度可分离卷积dsc，得到高效的特征融合模块，该模块由深度可分离卷积dsc、split操作和bottleneck特征金字塔层组成，命其名为：dsc-c2f。

技术总结
本发明涉及一种基于改进YOLOv7的自爆绝缘子检测方法，属于图像处理技术领域。本发明包括以下步骤：获取训练所需的初始自爆绝缘子图像；通过有监督数据增强和图像融合方式对获取的自爆绝缘子图像的数据进行数量扩充并标注，形成自爆绝缘子数据集并划分训练集和验证集；通过无监督学习方法重新定义所得数据集的初始锚框；基于所得锚框将数据集导入改进YOLOv7算法中进行训练，获取训练完成的自爆绝缘子检测模型；对训练完成的模型进行进行性能评估及测试，获取目标检测结果。本发明相比于原始YOLOv7模型在精准率，召回率和mAP<subgt;0.5</subgt;上提升效果显著，且解决了在复杂环境、目标遮挡等情况下目标漏检和误检的问题。

技术研发人员：侯亚东,刘泓滨
受保护的技术使用者：昆明理工大学
技术研发日：
技术公布日：2024/4/17