一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115861263A(43)申请公布日2023.03.28(21)申请号202211633632.2G06V10/774(2022.01)(22)申请日2022.12.19G06V10/82(2022.01)G06N3/08(2023.01)(71)申请人安徽南瑞继远电网技术有限公司G06N3/0464(2023.01)地址230088安徽省合肥市高新区科学大道90号申请人南瑞集团有限公司(72)发明人李宇薛强杨建旭侯士杰周红陈康伟(74)专利代理机构合肥国和专利代理事务所(普通合伙)34131专利代理师张祥骞(51)Int.Cl.G06T7/00(2017.01)G06T7/13(2017.01)G06V10/44(2022.01)权利要求书2页说明书7页附图3页(54)发明名称一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法(57)摘要本发明涉及一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法，与现有技术相比解决了绝缘子缺陷检测效率低、漏检率高的缺陷。本发明包括以下步骤：绝缘子缺陷图像样本的获取和预处理；构建绝缘子缺陷检测模型；绝缘子缺陷检测模型的训练；待检测绝缘子缺陷图像的获取；待检测绝缘子缺陷图像检测结果的获得。本发明提高了绝缘子缺陷图像检测效率，并克服了绝缘子图像的复杂背景，取得了良好的检测效果。CN115861263ACN115861263A权利要求书1/2页1.一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法，其特征在于，包括以下步骤：11)绝缘子缺陷图像样本的获取和预处理：获取绝缘子缺陷图像样本，并进行预处理，将其作为训练样本；12)构建绝缘子缺陷检测模型：基于YOLOv5网络结合Ghost网络、并联加权混合域卷积注意力模块和改进的neck层构建绝缘子缺陷检测模型；13)绝缘子缺陷检测模型的训练：将训练样本输入绝缘子缺陷检测模型进行训练；14)待检测绝缘子缺陷图像的获取：获取待检测绝缘子缺陷图像并进行预处理；15)待检测绝缘子缺陷图像检测结果的获得：将预处理后的待检测绝缘子缺陷图像输入训练后的绝缘子缺陷检测模型，获得绝缘子缺陷图像检测结果。2.根据权利要求1所述的一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法，其特征在于，所述构建绝缘子缺陷检测模型包括以下步骤：21)将YOLOv5网络的骨干网络Backbone中标准卷积替换为Ghost卷积：Ghost卷积将普通卷积通过线性转换生成的Ghostfeaturemap存在一般卷积层包含的特征信息中，具体表达式为：y′i表示一般卷积层中特征图的第i个特征图，j表示每个一般卷积层生成的特征图进行的第j次线性变换，φi,j()表示y′i生成第j个Ghost特征图的线性变换；22)并联加权混合域注意力模块PW‑CBAM嵌入到Backbone模块后；PW‑CBAM首先赋予通道注意力模块和空间注意力模块相同的优先级，将输入的特征图F进行全局平均池化和全局最大池化得到P，各自再通过多层感知器，将所得结果进行加和，经过sigmoid激活得到MC(F)；令MC(F)和F进行点乘操作，生成最终的通道注意力特征图Fc；同时将P进行Concat操作，使卷积降维为一个通道，利用sigmoid激活得到MS(F)，再将MS(F)和F进行点乘操作，生成最终的空间注意力特征图FS,再对通道注意力特征图Fc和空间注意力特征图FS进行加权处理；其表达式如下：MC(F)＝σ(MLP(AvgPool(F)+MLP(MaxPool(F))))(2)7×7MS(F)＝σ(f(Concat(AvgPool(F),MaxPool(F))))(3)其中，Mc(F)∈R1×1×c为通道注意力模块的输出，MS(F)∈RW×H×1为空间注意力模块的输出，σ表示sigmoid函数，MLP表示多层感知机，f7×7表示一个卷积核大小为7×7的卷积运算，2CN115861263A权利要求书2/2页FC和FS分别为通道和空间注意力特征图，表示元素乘法，在该过程中，MC和MS被沿着通道和空间维度进行广播，Fout是对两种类型的特征图加权的结果；23)将加权双向特征金字塔网络BiFPN中对输入特征做权重处理的过程去除，用其替换YOLOv5的neck网络结构，使得PAN结构每个结点的输入边都有一条是来自主干特征提取网络部分的原始特征层；24)增加绝缘子图像检测层，在原本检测层的基础上再增加为四尺度的检测层，实现绝缘子图片的多尺度检测；25)改进损失函数，采用CIOU损失函数作为改进YOLOv5算法预测回归损失函数，DIOU_NMS作为非极大值抑制，其表达式如下：其中w和h分别代表预测框的宽度和高度；wgt和hgt分别为真实框的宽度和高度；采用DIOU_NMS