本发明属于图像处理,具体设计一种基于改进yolov8模型及余弦退火学习率衰减法的绝缘子缺陷识别方法。
背景技术:
1、绝缘子作为电力系统中输电线路的重要组成元件,是电力系统中不可或缺的一部分,目前我国对电力的需求不断增大,且对电能质量以及其可靠性也十分重视,所以需要对输电线路进行巡检。当绝缘子由负荷或是环境因素收到影响时,如高温,覆冰等,绝缘子往往会出现各类缺陷,进而影响电力系统的安全和可靠运行。由于电力系统输电线路环境十分复杂,仅靠传统的人工巡检,不仅效率低下且十分消耗人力物力,无法满足现代电力系统巡检的需求。因此,对绝缘子进行缺陷识别具有重要的实际意义,能够提高电力系统的安全性和稳定性。
2、目前使用的人工智能算法虽然能快速定位图像中的缺陷绝缘子,但是不同种类的绝缘子,如玻璃绝缘子,复合绝缘子,陶瓷绝缘子等,以及缺陷种类的不同,如闪污,破损,自爆等。种类繁多,容易出现误判。如果将不同种绝缘子,以及不同的缺陷种类分开训练,则会导致样本需求过大,巨大的工作量,所以需要解决多种类绝缘子缺陷识别问题。
3、随着计算机视觉、深度学习的不断发展,基于深度学习的图像识别已经在精度与实时性方面,远远赶超传统图像识别算法。深度学习具有强大的自适应能力和非线性建模能力,在图像处理和模式识别方面已经取得了很大的成功。yolo(you only look once)模型是一种基于深度学习的目标检测模型,相比于传统的机器学习算法,其运行速度较快,在实时系统中被广泛使用。yolov8是ultralytics公司在2023年1月10号开源的yolov5的下一个重大更新版本,相比于其他图像识别算法,yolov8较其他算法具有更快速,更精确,更易于使用的优点,其与其他算法相比的精确度对比表如表1所示。
4、可以胜任于电力系统中输电线路巡检实时检测任务,其算法在绝缘子缺陷识别任务中具有十分广泛的应用前进以及重要的实际意义。
5、在中国专利文献cn109949318a中记载了一种,但该方法未涉及到射频数据的分割,也未提到将分割和分类两项任务进行融合的操作。
技术实现思路
1、本发明目的在于提供一种绝缘子缺陷识别方法,一种基于改进yolov8模型及余弦退火学习率衰减法的绝缘子缺陷识别方法,对图像中单个或者多个正常绝缘子和缺陷绝缘子进行精确识别,从而实现绝缘子的精准检测。进而提高电力系统输电线路巡检的效率和成功率。
2、为达到上述技术目的,本发明提供一种基于改进yolov8模型及余弦退火学习率衰减法的绝缘子缺陷识别方法,通过以下步骤实现:
3、s1、通过无人机采集到的绝缘子图像,构建绝缘子原始数据集,再对图像中绝缘子区域进行标注得到已标注的数据集;
4、s2、将标注后的数据集进行数据预处理,并对标注后的数据集进行划分得到训练集和测试集。
5、s3、将划分好的数据集放入改进yolov8模型中进行训练,构建绝缘子缺陷识别模型;将待识别图像放入模型中,对图片中的绝缘子进行识别。
6、优选的方案中,步骤s1中使用labelimg图片标注工具对通过无人机采集到的不同种类的正常绝缘子和缺陷绝缘子进行标注。
7、优选的方案中,步骤s2中将标注后的数据集进行数据预处理,具体步骤包括:
8、s21、对得到的绝缘子数据集进行数据清洗,得到清洗过后的数据集;
9、s22、利用数据增强方法,对得到的清洗过后的数据集进行旋转、缩放、平移、裁剪的操作,对数据集进行数据扩充,得到扩充后的数据集。
10、优选的方案中,将划分好的数据集放入改进yolov8模型中进行训练,在步骤s3中所述改进yolov8模型,包括backbone模块、特性融合neck模块、检测头head模块和余弦退火学习率衰减法模块;
11、所述backbone模块,由多个卷积层和池化层组成,用于从输入图像中提取低级和高级特征;
12、所述特性融合neck模块,由多个卷积层和上采样层组成,用于融合来自骨干网络不同层次的特征;
13、所述检测头head模块,由多个卷积层和全连接层组成,用于从neck网络提取的特征中预测目标边界框和类别概率;
14、所述余弦退火学习率衰减法模块,在模型训练时根据训练情况对学习率进行动态调整。
15、优选的方案中,数据清洗是使用ffdnet模型进行去噪;所述数据增强方法使用的是mosaic数据增强方法。
16、优选的方案中,backbone模块由darknet-53构成,包括卷积模块cbs、残差模块c2f以及空间金字塔池化结构sppf;
17、卷积模块cbs,用于首先将输入特征图提取为状态特征更为明显的特征图;
18、残差模块c2f,用于模型的轻量化以及获得更加丰富的梯度流信息;
19、空间金字塔池化结构sppf,用于将三次全局最大池化和全局平均池化得到的特征图进行多次拼接,实现特征融合。
20、优选的方案中,特性融合neck模块采用sppf和fpn-pan模块进行上采样和下采样操作:由空间金字塔池化结构sppf特征融合后得到的特征图,通过fpn模块进行上采样操作将特征图中的特征信息传递到下一级特征图,再通过pan模块进行上采样操作将图像中待检测目标的位置信息融合到上一级特征图;从而得到不同级别,不同大小的特征图。
21、优选的方案中,检测头head模块,使用的检测头是无锚检测头,不再使用预定义的锚框来匹配目标框,而是直接在通过特性融合neck模块得到的特征图上预测目标框的位置和大小;将cbam轻量化注意力机制加入网络中;使用wise-iouv3损失函数来替换原有的ciou+dfl损失函数来计算目标框的位置和大小。
22、优选的方案中,余弦退火学习率衰减法模块,通过余弦函数来降低学习率其公式如下:
23、
24、其中,i代表第几次迭run;nmin和nmax代表所设置学习率的最大值和最小值;tcur代表当前执行了多少个epoch;ti代表第i次run中总的epoch数。
25、本发明的优点及有益效果是:本发明利用目前最优秀的图像分类,物体检测和实例分割任务模型yolov8,其速度之快,精度之高等优点,符合电力系统输电线路实时巡检的高要求。此外,yolov8改进的轻量化网络,能够适应于各类设备之上,覆盖面广,实用度高。本发明将余弦退火学习率衰减法于改进yolov8模型相结合,通过在训练途中改变学习率来提高训练速度及其精度。此外余弦退火学习率衰减法可以在训练初期使改进yolov8模型具有较大的学习率,从而加快模型的收敛速度,而在训练后期则逐渐降低学习率,从而使得模型更加稳定。
1.一种基于改进yolov8模型及余弦退火学习率衰减法的绝缘子缺陷识别方法,其特征是包括以下步骤:
2.根据权利要求1所述基于改进yolov8模型及余弦退火学习率衰减法的绝缘子缺陷识别方法,其特征是:步骤s1中使用labelimg图片标注工具对通过无人机采集到的不同种类的正常绝缘子和缺陷绝缘子进行标注。
3.根据权利要求1所述基于改进yolov8模型及余弦退火学习率衰减法的绝缘子缺陷识别方法,其特征是:步骤s2中将标注后的数据集进行数据预处理,具体步骤包括:
4.根据权利要求1所述基于改进yolov8模型及余弦退火学习率衰减法的绝缘子缺陷识别方法,其特征是:将划分好的数据集放入改进yolov8模型中进行训练,在步骤s3中所述改进yolov8模型,包括backbone模块、特性融合neck模块、检测头head模块和余弦退火学习率衰减法模块;
5.根据权利要求3所述基于改进yolov8模型及余弦退火学习率衰减法的绝缘子缺陷识别方法,其特征是:所述数据清洗是使用ffdnet模型进行去噪;所述数据增强方法使用的是mosaic数据增强方法。
6.根据权利要求4所述基于改进yolov8模型及余弦退火学习率衰减法的绝缘子缺陷识别方法,其特征是:所述backbone模块由darknet-53构成,包括卷积模块cbs、残差模块c2f以及空间金字塔池化结构sppf;
7.根据权利要求4所述基于改进yolov8模型及余弦退火学习率衰减法的绝缘子缺陷识别方法,其特征是:所述特性融合neck模块采用sppf和fpn-pan模块进行上采样和下采样操作:由空间金字塔池化结构sppf特征融合后得到的特征图,通过fpn模块进行上采样操作将特征图中的特征信息传递到下一级特征图,再通过pan模块进行上采样操作将图像中待检测目标的位置信息融合到上一级特征图;从而得到不同级别,不同大小的特征图。
8.根据权利要求4所述基于改进yolov8模型及余弦退火学习率衰减法的绝缘子缺陷识别方法,其特征是:所述检测头head模块,使用的检测头是无锚检测头,不再使用预定义的锚框来匹配目标框,而是直接在通过特性融合neck模块得到的特征图上预测目标框的位置和大小;将cbam轻量化注意力机制加入网络中,能够使本模型更能注意到每张绝缘子图像中信息量最丰富的地方。通过使用精度更高,速度更快的wise-iouv3损失函数来替换原有的ciou+dfl损失函数来计算目标框的位置和大小。
9.根据权利要求4所述基于改进yolov8模型及余弦退火学习率衰减法的绝缘子缺陷识别方法,其特征是:所述余弦退火学习率衰减法模块,通过余弦函数来降低学习率其公式如下: