本發(fā)明涉及計算機(jī)視覺目標(biāo)檢測，具體涉及一種基于改進(jìn)yolov5的絕緣子缺陷檢測方法。

背景技術(shù)：

1、絕緣子狀態(tài)檢測和安全防護(hù)對保障輸電線路的正常運行起著至關(guān)重要的作用。為了提高絕緣子的檢測效率，無人機(jī)巡檢已經(jīng)代替人工巡檢成為主流的巡檢方式，由于無人機(jī)采集到的圖片數(shù)量繁多且圖像中的背景復(fù)雜，絕緣子尺寸大小存在很大差異，如果采用人工判讀的方式極有可能出現(xiàn)誤檢和漏檢，相關(guān)檢測算法大體上可以分為以傳統(tǒng)圖像處理方法和深度學(xué)習(xí)方法兩大類，基于傳統(tǒng)圖像處理檢測方法，雖然可以識別絕緣子，但是其泛化性和魯棒性較差，識別準(zhǔn)確率也較低；基于深度學(xué)習(xí)的方法可以提高檢測精度或進(jìn)行精確缺陷定位，但是模型較為復(fù)雜，難以同時滿足速度和精度要求。

2、隨著計算機(jī)圖形處理技術(shù)的飛速發(fā)展，基于視覺圖像的絕緣子檢測方法已經(jīng)取得了顯著的進(jìn)步。這些方法的核心在于從圖像中提取關(guān)鍵特征，進(jìn)而對絕緣子進(jìn)行檢測和分類。深度學(xué)習(xí)，作為一種模仿人腦工作原理的技術(shù)，憑借其強(qiáng)大的特征提取能力，在這一領(lǐng)域展現(xiàn)出了優(yōu)于傳統(tǒng)圖像處理技術(shù)的性能。其中，yolo(you?only?look?once)系列算法作為實時目標(biāo)檢測的代表，被廣泛應(yīng)用于絕緣子的檢測和分類中。

3、yolov2是yolo系列中的一個重要版本，它通過引入一系列改進(jìn)，如批量歸一化、高分辨率分類器以及錨框(anchorboxes)等，顯著提升了檢測性能。然而，由于其固定網(wǎng)格尺寸的限制，yolov2在檢測小物體時仍面臨一定的困難。這主要是因為小物體在圖像中所占的像素較少，難以被固定尺寸的網(wǎng)格有效捕捉。

4、為了克服這一局限，yolov3應(yīng)運而生。yolov3通過引入可變網(wǎng)絡(luò)尺寸和縱橫比特性，以及多尺度預(yù)測，顯著提高了在絕緣子目標(biāo)檢測領(lǐng)域的精度。這些改進(jìn)使得yolov3能夠更好地適應(yīng)不同尺寸和形狀的絕緣子，從而提高了檢測的準(zhǔn)確性。然而，yolov3也存在一定的局限性，即其權(quán)重?zé)o法獨立學(xué)習(xí)。這意味著在訓(xùn)練過程中，不同層次的權(quán)重可能會相互干擾，影響最終的檢測效果。

5、為了進(jìn)一步提升檢測性能，yolov4進(jìn)行了多項創(chuàng)新。它實現(xiàn)了多個檢測頭和錨框聚類，以增強(qiáng)整體檢測性能。同時，yolov4還將骨干網(wǎng)絡(luò)替換為更先進(jìn)的算法(如cspnet等)，以提高絕緣子缺陷檢測算法的效率。這些改進(jìn)使得yolov4在檢測速度和準(zhǔn)確性方面均取得了顯著提升。

6、然而，即使到了yolov5，絕緣子缺陷檢測算法仍面臨一些挑戰(zhàn)。yolov5通過引入新的殘差模塊來降低網(wǎng)絡(luò)參數(shù)，提高檢測速度。然而，這在一定程度上犧牲了網(wǎng)絡(luò)精度。在復(fù)雜背景下，yolov5可能難以有效區(qū)分目標(biāo)與背景特征，導(dǎo)致識別準(zhǔn)確性下降。這主要是因為復(fù)雜背景中的干擾因素(如與目標(biāo)相似的紋理、顏色或形狀)可能使目標(biāo)被遮擋或與背景混淆，從而增加誤檢和漏檢的風(fēng)險。

7、此外，目標(biāo)的大小、角度和視角變化也可能對檢測效果產(chǎn)生影響。在處理小目標(biāo)或特殊角度時，算法可能面臨更大的挑戰(zhàn)。這是因為小目標(biāo)在圖像中所占的像素較少，而特殊角度則可能導(dǎo)致目標(biāo)的形狀和紋理發(fā)生變化，從而增加了檢測的難度。

8、最后，目標(biāo)與背景之間的對比度也是影響檢測效果的一個重要因素。當(dāng)對比度較低時，目標(biāo)在圖像中變得不明顯，這同樣會削弱yolov5絕緣子缺陷檢測算法的特征提取能力。因此，在實際應(yīng)用中，我們需要根據(jù)具體的場景和需求選擇合適的算法參數(shù)和預(yù)處理方法，以提高檢測的準(zhǔn)確性和魯棒性。

9、針對電力線路背景復(fù)雜、待檢測目標(biāo)尺度差異大的特點，絕緣子狀態(tài)檢測亟需研發(fā)一種基于改進(jìn)yolov5的絕緣子缺陷檢測方法來提高檢測的準(zhǔn)確性和魯棒性，有效地提高絕緣子狀態(tài)檢測的準(zhǔn)確性和可靠性，保障輸電線路的正常運行。

技術(shù)實現(xiàn)思路

1、本發(fā)明旨在針對現(xiàn)有技術(shù)的技術(shù)缺陷，提供一種基于改進(jìn)yolov5的絕緣子缺陷檢測方法，基于yolov5算法進(jìn)行改進(jìn)，通過在主干網(wǎng)絡(luò)的c3模塊中引入eca注意力機(jī)制,對通道維度上的特征進(jìn)行加權(quán)計算以提高算法的特征提取能力，將yolov5的檢測頭與自適應(yīng)空間特征融合模塊相結(jié)合，充分利用不同尺度的特征信息進(jìn)而提升模算法的檢測精度，提高了檢測的準(zhǔn)確性和魯棒性。

2、本發(fā)明提供如下技術(shù)方案：一種基于改進(jìn)yolov5的絕緣子缺陷檢測方法，所述方法包括如下步驟：

3、步驟1：獲取絕緣子缺陷圖像，對收集的絕緣子缺陷圖像進(jìn)行數(shù)據(jù)預(yù)處理，創(chuàng)建數(shù)據(jù)集；

4、步驟2：按照比例隨機(jī)劃分出訓(xùn)練集、測試集和驗證集三個部分；

5、步驟3：重新構(gòu)建形成改進(jìn)yolov5網(wǎng)絡(luò)；

6、步驟3-1：yolov5包含主干、頸部和檢測輸出，所述主干采用cspdarknet作為主干提取特征，在主干的c3模塊中引入eca注意力機(jī)制，對通道維度上的特征進(jìn)行加權(quán)計算；

7、步驟3-2：所述頸部采用fpn和pan的特征金字塔結(jié)構(gòu)進(jìn)行特征融合；

8、步驟3-3：所述檢測輸出中的檢測頭與自適應(yīng)空間特征融合模塊結(jié)合，自適應(yīng)調(diào)整不同尺度特征圖融合時的權(quán)重；

9、步驟4：將步驟2中的數(shù)據(jù)集作為步驟3中改進(jìn)yolov5網(wǎng)絡(luò)的輸入，進(jìn)行網(wǎng)絡(luò)訓(xùn)練；

10、步驟5：將待測絕緣子圖像輸入到改進(jìn)yolov5網(wǎng)絡(luò)模型中，得出絕緣子及其缺陷的檢測結(jié)果和目標(biāo)位置信息。

11、優(yōu)選的，所述步驟1中數(shù)據(jù)預(yù)處理采用mosaic、mixup進(jìn)行圖像聯(lián)合增強(qiáng)。

12、優(yōu)選的，所述步驟3-1中，特征圖輸入至eca注意力機(jī)制中先經(jīng)過全局平均池化操作，然后通過卷積核大小為k的一維卷積捕獲通道之間的關(guān)聯(lián)性，一維卷積的輸出經(jīng)sigmoid激活函數(shù)轉(zhuǎn)化為每個特征通道所對應(yīng)的注意力權(quán)重，最后將輸入特征圖中每個通道的元素與對應(yīng)的注意力權(quán)重進(jìn)行元素積操作，得到eca注意力機(jī)制輸出的特征圖。

13、優(yōu)選的，所述eca注意力機(jī)制中一維卷積的卷積核大小k與特征圖的通道數(shù)c，計算如式(1)所示：

14、

15、，式(1)中，c代表特征圖的通道數(shù)，γ和b為可調(diào)節(jié)參數(shù)，|t|odd表示距離t最近的奇數(shù)。

16、優(yōu)選的，所述步驟3-3中自適應(yīng)空間特征融合公式表達(dá)式如式(2)所示：

17、

18、，式(2)中，代表融合特征yl在位置(i,j)處的特征向量,和分別代表特征向量和在自適應(yīng)融合時的權(quán)重，其計算方法分別如式(3)、式(4)和式(5)所示：

19、

20、

21、式中，且和參數(shù)和通過自適應(yīng)學(xué)習(xí)得到。

22、優(yōu)選的，所述mosaic、mixup進(jìn)行圖像聯(lián)合增強(qiáng)，計算方法如式(6)、式(7)：

23、mix_batchx＝λ×batchx1+(1-λ)×batchx2??(6)

24、min_batchy＝λ×batchy1+(1-λ)×batchy2??(7)

25、，其中，batchx1為一個批次樣本，batchy1為一個批次樣本對應(yīng)的標(biāo)簽；為另一batchy2個批次的樣本，為另一個批次樣本對應(yīng)的標(biāo)簽；λ為參數(shù)是貝塔分布計算出的混合系數(shù)，其計算公式為式(8)：

26、λ＝b(α,β)??(8)

27、，式(8)中α是采用mosaic方法增強(qiáng)數(shù)據(jù)的比例，β是采用mixup方法來增強(qiáng)數(shù)據(jù)的比例。

28、優(yōu)選的，所述步驟3-2中頸部網(wǎng)絡(luò)中三個層級所輸出的特征圖分別具有不同的尺寸和通道數(shù)，其尺寸分別為原始圖像的1/8、1/16和1/32，通過上采樣操作與下采樣操作對特征圖的形狀進(jìn)行調(diào)整，確保使其具有相同的尺寸和通道數(shù)，能夠在自適應(yīng)融合步驟中進(jìn)行加權(quán)融合。

29、優(yōu)選的，上采樣：首先使用1×1卷積對特征圖調(diào)整通道數(shù)，再通過插值算法調(diào)整尺寸，其計算公式為式(9)：

30、fup＝interp(conv1×1(fi),htarget,wtarget)??(9)

31、，式(9)中，i為特征圖的層級，htarget和wtarget是目標(biāo)特征圖的尺寸；

32、對于1/2倍的下采樣：使用步幅為2的3×3卷積，同時對特征圖的尺寸和通道數(shù)進(jìn)行調(diào)整，其計算公式為式(10)：

33、

34、，式(10)中，i為特征圖的層級，conv3×3表示3×3卷積操作，步長為2；

35、對于1/4倍的下采樣：首先對特征圖進(jìn)行池化操作，再通過步幅為2的3×3卷積，同時調(diào)整特征圖的尺寸和通道數(shù)，其計算公式為式(11)：

36、

37、，式(11)中，i為特征圖的層級，conv3×3表示3×3卷積操作，步長為2，maxpool表示池化操作；

38、在特征圖尺寸和通道數(shù)調(diào)整完成后，進(jìn)行自適應(yīng)融合，其計算公式為式(12)：

39、fout＝sigmoid(w1·f1+w2·f2+w3·f3)???(12)

40、，式(12)中，wi是自適應(yīng)權(quán)重，fi是調(diào)整后的特征圖。

41、優(yōu)選的，所述步驟2中訓(xùn)練集、測試集和驗證的設(shè)置比例為8:1:1。

42、優(yōu)選的，所述訓(xùn)練完成的改進(jìn)yolov5網(wǎng)絡(luò)模型，采用精度性能指標(biāo)和速度性能指標(biāo)對模型的檢測性能進(jìn)行定量評估，所述精度性能指標(biāo)采用map，包括map@0.5及map@0.5:0.95，其中，map計算方式如式(13)所示：

43、

44、，式(13)中，n為檢測目標(biāo)的類別數(shù)，ap為類別i的平均準(zhǔn)確度，ap的計算方式如式(14)所示：

45、

46、，式(14)中，p和r分別用于表示檢測類別i的準(zhǔn)確率和召回率，p和r的計算方式分別如式(15)和式(16)所示：

47、

48、，式(15)(16)中，tp表示被正確識別的正例數(shù)量，fp表示被錯誤識別為正例的負(fù)例數(shù)量，fn表示被錯誤識別為負(fù)例的正例數(shù)量；

49、所述速度性能指標(biāo)采用fps，fps計算方式如式(17)所示：

50、fps＝n/t?(17)

51、，式(17)中n表示總幀數(shù)，t表示總時間。

52、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

53、在以上技術(shù)方案中，一種基于改進(jìn)yolov5的絕緣子缺陷檢測方法，所述方法包括如下步驟：

54、步驟1：獲取絕緣子缺陷圖像，對收集的絕緣子缺陷圖像進(jìn)行數(shù)據(jù)預(yù)處理，創(chuàng)建數(shù)據(jù)集；

55、步驟2：按照比例隨機(jī)劃分出訓(xùn)練集、測試集和驗證集三個部分；

56、步驟3：重新構(gòu)建形成改進(jìn)yolov5網(wǎng)絡(luò)；

57、步驟3-1：yolov5包含主干、頸部和檢測輸出，所述主干采用cspdarknet作為主干提取特征，在主干的c3模塊中引入eca注意力機(jī)制，對通道維度上的特征進(jìn)行加權(quán)計算；

58、步驟3-2：所述頸部采用fpn和pan的特征金字塔結(jié)構(gòu)進(jìn)行特征融合；

59、步驟3-3：所述檢測輸出中的檢測頭7與自適應(yīng)空間特征融合模塊結(jié)合，自適應(yīng)調(diào)整不同尺度特征圖融合時的權(quán)重；

60、步驟4：將步驟2中的數(shù)據(jù)集作為步驟3中改進(jìn)yolov5網(wǎng)絡(luò)的輸入，進(jìn)行網(wǎng)絡(luò)訓(xùn)練；

61、步驟5：將待測絕緣子圖像輸入到改進(jìn)yolov5網(wǎng)絡(luò)模型中，得出絕緣子及其缺陷的檢測結(jié)果和目標(biāo)位置信息；

62、本發(fā)明公開了一種基于改進(jìn)yolov5的絕緣子缺陷檢測方法，該方法通過一系列創(chuàng)新性的改進(jìn)，顯著提升了絕緣子缺陷檢測的準(zhǔn)確性和魯棒性；

63、1、特征提取能力的提升：

64、yolov5的主干網(wǎng)絡(luò)中，特別是在c3模塊中引入了eca(efficient?channelattention)注意力機(jī)制，這一機(jī)制通過對通道維度上的特征進(jìn)行加權(quán)計算，使得模型能夠更加關(guān)注對檢測任務(wù)更為關(guān)鍵的特征信息，這種加權(quán)計算不僅增強(qiáng)了模型對重要特征的敏感性，還抑制了冗余或噪聲信息的影響，從而顯著提升了特征提取的質(zhì)量；

65、2、特征融合的優(yōu)化：

66、頸部網(wǎng)絡(luò)采用了fpn(feature?pyramidnetwork)和pan(pathaggregationnetwork)相結(jié)合的特征金字塔結(jié)構(gòu)。這種結(jié)構(gòu)能夠有效地融合不同尺度的特征信息，使得模型能夠同時捕捉到全局和局部的特征細(xì)節(jié)，這對于絕緣子缺陷檢測來說尤為重要，因為缺陷可能出現(xiàn)在絕緣子的不同部位，且大小、形狀各異，通過優(yōu)化特征融合，模型能夠更準(zhǔn)確地定位并識別出這些缺陷。

67、3、檢測精度的提升：

68、該方法將yolov5的檢測頭與自適應(yīng)空間特征融合模塊相結(jié)合，這一模塊能夠根據(jù)不同尺度特征圖的特點，自適應(yīng)地調(diào)整融合時的權(quán)重，從而充分利用不同尺度的特征信息，這種自適應(yīng)調(diào)整不僅提高了模型對目標(biāo)尺度和位置變化的敏感性，還增強(qiáng)了模型對復(fù)雜背景的適應(yīng)能力，因此，該方法在檢測精度上取得了顯著提升，尤其是在處理小目標(biāo)或特殊角度的絕緣子缺陷時表現(xiàn)更為突出；

69、4、準(zhǔn)確性和魯棒性的增強(qiáng)：

70、通過上述改進(jìn)，該方法在絕緣子缺陷檢測任務(wù)中表現(xiàn)出了更高的準(zhǔn)確性和魯棒性，準(zhǔn)確性方面，模型能夠更準(zhǔn)確地識別出絕緣子及其缺陷的位置和類型；魯棒性方面，模型對光照變化、遮擋、噪聲等干擾因素的適應(yīng)性更強(qiáng)，能夠在各種復(fù)雜場景下保持穩(wěn)定的檢測性能；

71、5、實際應(yīng)用價值的提升：

72、該方法不僅提高了絕緣子缺陷檢測的準(zhǔn)確性和魯棒性，還具有重要的實際應(yīng)用價值，例如，在電力巡檢中，該方法可以幫助巡檢人員快速準(zhǔn)確地發(fā)現(xiàn)絕緣子上的缺陷，從而及時采取措施進(jìn)行修復(fù)或更換，確保電力系統(tǒng)的安全穩(wěn)定運行，此外，該方法還可以為其他類似的目標(biāo)檢測任務(wù)提供有益的參考和借鑒；

73、綜上所述，基于改進(jìn)yolov5的絕緣子缺陷檢測方法在特征提取、特征融合、檢測精度以及準(zhǔn)確性和魯棒性等方面均取得了顯著提升，更加精準(zhǔn)的定位識別檢測目標(biāo)，進(jìn)一步提升算法復(fù)雜環(huán)境下對輸電線路絕緣子缺陷的檢測性能，具有重要的實際應(yīng)用價值和推廣意義。