基于改进YOLOv5的GIS红外特征识别系统及方法

本发明涉及图像处理与目标检测领域，具体涉及一种基于改进yolov5的gis红外特征识别系统及方法。

背景技术：

1、随着深度学习技术的发展，卷积神经网络（cnn）等深度学习模型在红外目标检测中得到广泛应用。尽管很多红外目标检测网络模型已经在各个领域应用，但在电力行业中，红外目标检测网络模型仍有待深入研究。

2、gis设备具有占地面积小、维护工作量小、运行可靠性高、安全性强、噪音小等特点，在电力行业中有着广泛应用。由红外热成像图像对gis设备不同部件进行识别可以解决不少问题，近年来随着目标检测算法的不断更新，其检测速度和精度都有了极大提升，其中yolo系列深度学习算法在电力设备红外图像处理领域得到了成功应用。但目前gis设备红外热成像图像的获取极度依赖于手持式红外热像仪，数据集的获取成为一大难题，而数据集的质量会直接影响算法训练的效果，而边缘智能终端由于算力有限的问题，在gis设备现场巡检中更有待提升。故鉴于轻量化和高识别准确率算法需求，本发明选择yolov5算法进行改进，以构建gis红外目标检测网络模型。

技术实现思路

1、针对现有技术的不足，本发明提出了一种基于改进yolov5的gis红外特征识别系统及方法，本发明采集gis设备部件红外图像，在噪点较多、目标较多的情况下使用基于改进yolov5的gis红外目标检测网络模型对gis设备部件进行识别，具有良好的识别效果。

2、本发明的目的通过如下技术方案来实现：一种基于改进yolov5的gis红外特征识别系统，包括gis红外图像采集模块和gis红外特征识别模块，gis红外图像采集模块采集gis设备部件红外图像，gis红外特征识别模块内置基于改进yolov5的gis红外目标检测网络模型，基于改进yolov5的gis红外目标检测网络模型用于gis设备部件识别；所述基于改进yolov5的gis红外目标检测网络模型包括主干网络、颈部网络、头部网络三部分；主干网络依次由调焦模块、第一cbl模块、csp模块、第二cbl模块、第一融合ca注意力机制的csp模块、第三cbl模块、第二融合ca注意力机制的csp模块、第四cbl模块、spp模块，各模块之间依次为输入输出的关系；颈部网络包括四个gscbl模块和五个gscsp模块，主干网络中spp模块输出的特征依次经第一gscsp模块、第一gscbl模块处理；第一gscbl模块输出的特征经上采样后与第二融合ca注意力机制的csp模块输出的特征进行特征融合，然后依次经第二gscsp模块、第二gscbl模块处理，第二gscbl模块输出的特征经上采样后与第一融合ca注意力机制的csp模块输出的特征进行特征融合，然后经第三gscsp模块处理，得到第一融合特征图；第一融合特征图经第三gscbl模块处理后与第二gscbl模块输出的特征进行特征融合，然后经第四gscsp模块处理，得到第二融合特征图；第二融合特征图经第四gscbl模块处理后与第一gscbl模块输出的特征进行特征融合，然后经第五gscsp模块处理，得到第三融合特征图；头部网络包括三个解耦头，第一融合特征图、第二融合特征图、第三融合特征图分别输入各自对应的解耦头处理，得到九幅特征图输出。

3、进一步优选，每个解耦头均包括三层，第一层为一个cbl模块，第二层为两个cbl模块，第三层为三个卷积层（conv），第一层主要用于降低通道维数；第一层的输出分别进入第二层的两个cbl模块，第二层中的一个cbl模块的输出进入第三层的一个卷积层（带sigmoid激活函数）中，其输出特征图代表分类任务的结果；第二层中的另一个cbl模块的输出进入第三层的另外两个卷积层（其中一个带sigmoid激活函数，另一个不带sigmoid激活函数）中，其输出特征图代表回归任务的结果。

4、进一步优选，所述cbl模块依次由卷积层（conv）、批归一化层（bn）和leaky relu激活函数组成。

5、进一步优选，gscbl模块依次由gs卷积层（gsconv）、批归一化层（bn）和leaky relu激活函数组成。

6、进一步优选，csp模块包括两条输入分支，其中一条输入分支为卷积层（conv），另一条输入分支依次包括cbl模块、若干个残差部件、卷积层；两个输入分支的特征融合后经批归一化层（bn）、leaky relu激活函数、cbl模块处理后输出。

7、进一步优选，融合ca注意力机制的csp模块的输入分为两条输入分支，一条输入分支包括cbl模块、若干个残差部件、ca注意力模块、卷积层；另一条输入分支为卷积层；然后两条输入分支得到的特征融合后，再经过ca注意力模块、批归一化层（bn）、leaky relu激活函数、cbl模块然后得到输出结果。

8、进一步优选，gscsp模块包括两条输入分支，其中一条输入分支为gs卷积层（conv），另一条输入分支依次包括gscbl模块、偶数个gscbl模块、gs卷积层；两个输入分支的特征融合后经批归一化层（bn）、leaky relu激活函数、gscbl模块处理后输出。

9、进一步优选，gs卷积层的输入分为两条输入分支，一条输入分支包括卷积层、dw卷积层（dwconv）；另一条输入分支为卷积层；然后两条输入分支得到的特征融合后，再经过通道重组得到输出结果。

10、本发明提供了一种基于改进yolov5的gis红外特征识别方法，通过gis设备部件红外图像数据集训练基于改进yolov5的gis红外目标检测网络模型，用训练好的基于改进yolov5的gis红外目标检测网络模型进行gis红外目标检测。

11、进一步优选，gis设备部件红外图像数据集的构建方式为：获取gis设备部件红外图像，并利用标注工具labelimg完成标记并进行数据增强，得到gis设备部件红外图像数据集，将gis设备部件红外图像数据集划分为训练集和测试集；训练集用于训练基于改进yolov5的gis红外目标检测网络模型，测试集用于评估基于改进yolov5的gis红外目标检测网络模型的性能。

12、进一步优选，训练时，训练集输入基于改进yolov5的gis红外目标检测网络模型的主干网络中，提取训练集的特征；所提取的特征，在颈部网络中得到训练集的特征图；在头部网络中进行预测，通过计算损失函数来确定模型参数的更新方向。

13、进一步优选，用基于改进yolov5的gis红外目标检测网络模型检测测试集，并用平均精度指标和每秒帧率指标评估，不符合评估要求时，更新模型参数继续训练；当符合评估要求时，保留模型参数用于gis红外目标检测。

14、本发明的有益效果如下：

15、1.本发明在主干网络csp模块中引入了ca注意力模块，实现对输入特征图的通道注意力加权，从而提高深度神经网络的表征能力。ca注意力机制的优点主要在于四个方面：1）学习到不同的channel：传统的卷积层在卷积时对所有的channel进行相同的处理，并没有对不同channel的重要性进行区分。而ca注意力机制可以学习到每个通道的重要性，重点关注重要的通道，不太关注无关通道，从而使得网络可以更好的关注到特征的重要信息，提高网络的识别精度。在实际应用中，可以将ca注意力机制应用于卷积层或者残差块中，对每个通道进行加权处理，使得网络可以更好地将不同通道的信息进行整合。2）可以在不同层次上使用：ca注意力机制可以应用于不同的卷积层，甚至可以通过堆叠多个ca注意力模块，构建出具有多尺度特征提取能力的网络。在底层卷积层中，主要提取的是局部的特征，而在高层卷积层中则越来越提取全局的特征。利用ca注意力可以使得底层的卷积层更加关注重要的局部特征，高层卷积层更加关注全局特征，从而提高网络的特征提取能力和泛化能力。3）计算开销较小：ca注意力机制的提出，使得注意力机制在计算上变得更加轻量化。ca注意力机制只需要全局平均池化和全局最大池化操作，将池化的结果进行点乘得到每个通道的权重，再将每个通道的计算结果合并即可。这种方式的计算开销相对较小，可以让模型更高效地计算。4）可以减少过拟合：由于ca注意力机制可以使得网络更关注重要的信息，减少不同通道之间的干扰，因此可以减少过拟合问题，提高模型的泛化能力。

16、2.本发明在颈部网络卷积层的改进，即将yolov5颈部网络中的卷积层（conv）都替换为gs卷积层（gsconv），具有平移不变性和跨尺度特征提取能力。gs卷积层（gsconv）是一种基于传统卷积运算的改进结构，相较于传统的卷积操作，gs卷积层（gsconv）具有如下优点：1）具有平移不变性：gs卷积层（gsconv）在局部卷积的基础上，引入了可学习的全局偏移值，使得卷积后得到的特征图在位置上具有平移不变性。与传统卷积层（conv）相比，gs卷积层（gsconv）够显著提高模型在目标检测、图像分割等任务中的鲁棒性和泛化能力。2）能够提升特征提取能力：传统卷积层（conv）针对不同的感受野提取特征，但是这种感受野的大小和形状是固定的，很难兼顾多尺度的物体信息。而gs卷积层（gsconv）在每个卷积核的感受野加入了全局偏移值，通过偏移操作提取特征，使得每个卷积核都能够兼顾多尺度的信息，从而能够显著提高特征提取的能力。3）可以替代部分池化操作：传统的下采样操作会破坏特征图的空间信息，导致特征图的分辨率下降，从而可能会降低模型的性能。gs卷积层（gsconv）引入的全局偏移值相当于对特征图进行了平移操作，能够部分替代池化操作，从而保持特征图的高分辨率，提高模型的特征提取能力。4）能够增强图像语义信息：gs卷积层（gsconv）在每个卷积核的感受野内引入可学习的全局偏移值，相当于每个像素点进行了平移操作，使得每个卷积核的感受野内像素值都包含了全局位置信息，从而能够更加有效地捕捉到图像的语义信息，提高模型的识别精度。

17、3.本发明在头部网络中，使用解耦头替换原来yolov5自带的yolov3头。解耦头通过将分类任务和回归任务分别交于不同的子头部，提高了网络的表达能力以及特征有效性，从而提高了检测准确度，它是一种对于目标检测任务的有益补充，能够有效提高gis红外目标检测的准确性。