一种轻量化改进的绝缘子缺陷自动检测方法与流程

本发明涉及自动检测技术，尤其是涉及一种轻量化改进的绝缘子自动检测方法。

背景技术：

1、随着我国电力行业的快速发展，架空输电线路的长度也在快速增长，伴随而来的就是电力线路定期巡检需求的增加。输电线路的架设环境比较复杂，长期暴露在野外环境下，容易受到外界环境因素的影响，导致输电线路部件的老化、破损，影响输电线路安全稳定运行，一旦发生故障，会导致重大的经济损失。绝缘子在输电线路中主要作用是电气绝缘和机械固定，是输电线路中不可或缺的装置。但是，在使用过程中，由于环境温度及天气的影响，绝缘子可能出现裂缝、破损、自爆以及掉片等故障，容易导致输电线路供电的中断，影响居民和企业正常安全用电。因此，检测绝缘子是否完好是输电线路巡检过程中的重要任务。

2、例如一种在中国专利文献上公开的“一种基于机械学习的绝缘子缺陷自动检测方法”，其公开号为cn107103600a，包括图像生成模型参数量较小，检测精度较低等问题。

技术实现思路

1、本发明是为了克服现有技术中图像生成模型参数量较小、检测精度较低、参数量大时网络计算量过大等问题，提供了一种轻量化改进的绝缘子缺陷自动检测方法，使用轻量型的ghost卷积代替常规卷积，使用重复加权双向特征金字塔网络替换原特征提取网络，提高网络对不同尺度的特征提取能力，引入坐标注意力机制提高了主干特征提取效率，完成后对改进后的神经网络进行训练，得到训练好的绝缘子缺陷目标检测网络。

2、本发明在提升检测精度的同时降低了模型的计算体积，有效地实现了绝缘子缺陷的快速检测和提高模型空间的利用效率。

3、为了实现上述技术目的，本发明采用以下技术方案：

4、一种轻量化改进的绝缘子缺陷自动检测方法，包括以下步骤：

5、步骤s1：采用线路绝缘子数据和巡检数据中采集到的玻璃绝缘子缺陷图像，对采集到的数据集进行数据增强，构成绝缘子图像数据集；

6、步骤s2：对完成的绝缘子图像数据集以8:2的比例划分为训练集和测试集；

7、步骤s3：构造轻量化改进的yolov5神经网络；

8、步骤s4：在yolov5的主干网络中使用轻量型的ghost卷积代替常规卷积；

9、步骤s5：利用重复加权双向特征金字塔网络替换原有特征提取网络；

10、步骤s6：对神经网络算法引入坐标注意力机制，通过嵌入位置信息到通道注意力，从而使移动网络获取更大区域的信息而避免引入大的开销；

11、步骤s7：通过对完成训练后的神经网络进行动量、权重衰减、批量大小、学习率和训练总轮数等参数设置，对轻量化改进的yolov5网络进行训练；

12、步骤s8：将步骤s1中收集到的绝缘子缺陷数据输入到步骤s7中完成训练的网络，检测输入的图片中绝缘子及其缺陷所在位置、类别和相对应的置信度，在输入图像上进行标记并输出。

13、作为优选，所述步骤s1中，所述数据增强过程通过随机亮度、随机剪切、随机平移的方式将数据集进行扩充处理，对扩充后的数据集样本进行标注，使用矩形框标注绝缘子及其缺陷的位置和类别；完成以上操作以构成完整的绝缘子图像数据集。

14、作为优选，所述步骤s4中ghost卷积包括以下步骤:

15、步骤s4-1：通过控制卷积的输出层数，进行常规卷积；

16、步骤s4-2：利用步骤s4-1中产生的特征图像，通过线性操作产生更多的特征图，在输出n个特征图的情况下，传统卷积参数量为p1，ghost卷积参数量p2，两者的计算公式如式(1)和式(2)所示，两者之间参数量对比如式(3)所示：

17、p1＝n*c*k2    (1)

18、

19、

20、其中，n为输出特征图的通道数量，c为输入特征图的通道数量，k为常规卷积核大小，s为线性操作的变换次数，d为线性变换卷积核大小。

21、作为优选，所述步骤s5中包括以下步骤：

22、步骤s5-1：构造自上而下和自下而上的双向数据通道，并且在同一特征横向输入和输出的节点上，加入横向连接；

23、步骤s5-2：重复多次步骤s5-1的操作，进行加权特征图的融合和高效的双向跨尺度连接，进而融合更多的特征图像进行特征输出。

24、主要思想为加权特征图的融合和高效的双向跨尺度连接。通过构造自上而下和自下而上的双向通道，并且在同一特征横向输入和输出的节点上加入横向连接，经过多次重复，可以融合更多的特征。

25、作为优选，所述步骤s6包括以下步骤：

26、步骤s6-1：坐标注意力机制首先对输入的特征图在宽和高两个方向上使用全局平均池化，获得两个特征图，具体如下所示：

27、

28、

29、步骤s6-2：获得的宽和高两个方向的特征图进行拼接操作，再送入共享的卷积模块，此时特征维度降低为原来的c/r，再将经过批量归一化处理的特征图f1送入sigmoid激活函数得到特征图f，具体如下所示：

30、f＝δ(f1([zh,zw]))

31、步骤s6-3：将特征图f按照原有高度和宽度进行卷积，分别得到通道数与原来一样的特征图fh和fw，经过sigmoid激活函数后分别得到特征图在高度上的注意力权重gh和在宽度上的注意力权重gw，具体如下所示：

32、gh＝σ(fh(fh))

33、gw＝σ(fw(fw))

34、步骤s6-4：最后通过乘法加权计算，得到在高度和宽度上带有注意力权重的特征图，具体如下所hi：

35、

36、其中，代表高度为h的第c个通道的输出，w为池化核的宽度，代表宽度为w的第c个通道的输出，h为池化核的高度。

37、作为优选，所述步骤s7对yolov5网络的训练改进包括以下内容：

38、步骤s7-1：进行网络训练时，将数据集统一缩放到640*640大小，在深度为0.33，宽度为0.50的强量化改进后的yolov5网络模型上进行训练；

39、步骤s7-2：使用随机梯度下降sgd方法进行参数更新方式，各个参数设置如下：初始学习率为0.01，动量0.937，权值衰减系数为0.0005，批量大小设置为32，训练总轮数为100；

40、步骤s7-3：完成训练后，将得到的识别模型的权值文件保存，并利用测试对模型的性能进行评价；

41、步骤s7-4：输入待检测的图片，输出识别出的绝缘子及其缺陷的位置框、类别和相应置信度。

42、作为优选，在步骤s8采用混合扩充后的绝缘子缺陷图像数据集后，使用相应参数并用完成改进后的yolov5神经网络进行训练，完成训练后得到最终改进后的yolov5神经网络模型。

43、因此，本发明与现有技术相比，具有以下有益效果：

44、在yolov5的主干网络中以ghost卷积模块降低模型的参数量，达到降低模型体积的效果；将fpn+panet特征提取网络修改为bifpn特征提取网络，通过增加横向跨层连接的方式，加强模型对于图片特征的提取能力；

45、在主干网络的最后引入ca坐标注意力机制，增强主干网络中特征的表达能力，而且可以在不带来额外计算成本的前提下，提升网络的精度。