基于改进YOLOv8的变电站呼吸器变色检测方法与流程

本发明涉及图像分析，尤其涉及一种基于改进yolov8的变电站呼吸器变色检测方法。

背景技术：

1、电力变压器是变电站中的重要设备，其正常运行为维持变电站安全生产的提供了基本的保障。呼吸器是变压器中用于隔离空气中水分的重要部件，可以避免变压器因受潮导致的变压器油绝缘强度下降，故对呼吸器变色的检测是变压器缺陷检测的关键环节之一。传统变电站一般采取人工巡检的模式来发现变压器呼吸器的故障，这种方式消耗大量的人力资源且效率低下；随着近年巡检机器人的普及，变电站的运行和维护逐渐转向了无人值守模式，通过巡检机器人搭载的摄像头捕捉变压器图像，并使用计算机视觉技术检测呼吸器的状态已逐渐成为主流方法。

2、然而，变电站的场景特点和巡检机器人带来的限制对用于变电站呼吸器检测的计算机视觉模型的设计提出了新的挑战。相比通用领域的计算机视觉模型，用于变电站巡检的模型应具备以下特点：1)受到部署条件，需要有尽可能小的参数量和计算成本；2)能在相对有限且伴有样本不平衡问题的变电站缺陷数据中有效学习到设备及相关缺陷的关键特征；3)需要在变电站复杂的场景变化实现更高的检测精度和满足实时检测的需求。而现阶段的呼吸器变色检测方法的研究虽然以取得一定成果，但仍存在以下两方面问题：

3、1.目前已有的呼吸器检测模型大多基于早期出现的经典目标检测方法。这类方法虽然在长期的应用积累中具有较高的算法稳定性，但仍然存在参数量较多、计算成本较高的问题，并不适于在存储和计算资源有限的变电站巡检机器人上进行边缘端的部署。此外，这些模型还存在检测速度较慢，可能无法满足实时检测需求的问题。

4、2.将最先进的通用目标检测算法应用到包括电力视觉等不同的工业领域是技术发展的趋势，但直接将通用算法迁移到变电站巡检相关任务而忽略了变电站巡检数据独有的特点反而不能实现最佳的应用效果。首先，在变电站呼吸器变色检测任务中，数据规模远小于训练通用模型时所使用的数据量，且往往伴随着严重的样本不平衡问题。其次，在巡检过程中采集到的呼吸器图像具有多种不同的尺度，对模型的多尺度特征学习能力提出了较高的要求。最后，由于变电站场景中拍摄到的呼吸器图像具有复杂的背景，这使通用模型在变电站场景中不能有效捕捉到呼吸器及其变色缺陷相关的关键特征，抑制了模型的检测精度。

5、因此，将高性能的单阶段检测器yolov8应用于变电站巡检中的变压器呼吸器变色检测任务，针对变压器呼吸器数据的基本特点改善原始网络在变电站场景中存在的问题，使模型在能满足实时检测需求的同时也能有效改进检测精度，对变电站的智能化巡检具有重要的研究意义。

技术实现思路

1、本发明的目的是设计一种基于改进yolov8的变电站呼吸器变色检测方法，克服变电站呼吸器及其缺陷数据不平衡、呼吸器在图像中存在多种不同尺度和变电站拍摄图像背景复杂等问题对检测精度的不利影响，同时实现更优的速度-精度平衡且更适合边缘端部署。本发明设计一种新数据增强方式来缓解样本不平衡问题，并通过更高效的多尺度特征融合结构和注意力机制来改善模型对多尺度特征的提取能力和对呼吸器变色关键特征的学习能力，提高呼吸器变色检测的精度。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于改进yolov8的变电站呼吸器变色检测方法，该方法包括以下步骤：

4、s1，基于变电站呼吸器图像构建呼吸器变色检测数据集，包含不同类型的呼吸器及其变色缺陷图像；

5、s2，选取高性能单阶段目标检测模型yolov8为基线模型，以满足低计算成本和低参数量的边缘端部署需求；

6、s3，对较少的呼吸器及其变色缺陷类型采用“裁剪+生成”的增强方法，得到分布更均匀的“真实+虚拟”数据集，用于改进yolov8网络的训练；

7、s4，通过引入bifpn结构代替原有的panet作为模型颈部网络，实现更高效的多水平特征融合；

8、s5，在颈部网络输出端使用cbam注意力模块改进基线模型对呼吸器关键特征的学习和提取能力；

9、s6，采用随机梯度下降法训练模型，通过边框回归、目标分类两个预测分支得到呼吸器变色检测结果。

10、进一步的，所述步骤s1中，基于变电站呼吸器图像构建呼吸器变色检测数据集，包含不同类型的呼吸器及其变色缺陷图像，具体包括：

11、对变电站巡检中拍摄得到的变压器呼吸器图像进行清洗和筛选，选取其中清晰、从不同角度和距离拍摄的不同类型呼吸器图像。

12、进一步的，所述步骤s2中，选取单阶段目标检测模型yolov8为基线模型，以满足低计算成本和低参数量的边缘端部署需求，具体包括：

13、首先，从不同规模yolov8模型中的选取参数量和计算量最低的yolov8n模型，作为基线模型以满足边缘段部署和实时检测的需求。

14、然后，基于迁移学习的思想，迁移预训练权重初始化模型，以避免从头开始训练模型而产生的检测精度低和过拟合问题。

15、进一步的，所述步骤s3中，对较少的呼吸器及其变色缺陷类型采用“裁剪+生成”的增强方法，得到分布更均匀的“真实+虚拟”数据集，用于改进yolov8网络的训练，具体包括：

16、首先，根据变电站呼吸器图像分布的特点，对数据中较少的呼吸器及其变色缺陷类型进行随机裁剪，得到该类呼吸器及其缺陷的多种不同尺度图像。

17、然后，将裁剪得到的多种尺度该类呼吸器图像作为样本，使用小样本生成方法fastgan产生虚拟的该类呼吸器及缺陷图像以弥补原始数据中该类别样本的不足。

18、最后，筛选“裁剪+生成”所得的数据，选取其中清晰、形状正常的呼吸器图像加入到原始数据集中，得到样本分布更均匀的“真实+虚拟”数据集。

19、进一步的，所述步骤s4中，通过引入bifpn结构代替原有的panet作为模型颈部网络，实现更高效的多水平特征融合，具体包括：

20、首先，在主干网络输出的三种尺度特征基础上，通过构建双向路径和跳跃连接实现双向跨尺度连接，在多尺度融合中实现引入更丰富的信息。

21、其次，根据不同输入特征的重要性对不同特征设置不同的权重，并将权重缩放至(0，1)区间内，实现对多尺度特征的加权融合，融合的公式为：

22、

23、式中，input表示输入输入特征，output表示特征融合输出，wi和wj分别为第i和第j个输入特征的权重，ε为0.0001。

24、最后，将得到的三种不同尺度的融合特征作为多尺度融合输出。

25、进一步的，所述步骤s5中，在颈部网络输出端使用cbam注意力模块改进基线模型对呼吸器关键特征的学习和提取能力，具体包括：

26、首先，将颈部网络输出的多尺度融合特征作为输入，构建通道注意力模块。通过全局最大池化和全局平均池化获得通道注意力向量，用一个共享的多层感知机mlp获得各自的一维向量通道注意力后进行元素加法，最后用sigmoid函数激活得到通道注意力权重，计算公式为：

27、mc(f)＝σ(mlp(avgpool(f))+mlp(maxpool(f)))    (2)

28、式中，mc(·)表示通道注意力模块，f为输入通道注意力模块的特征图，avgpool(·)和maxpool(·)分别为全局平均池化和全局最大池化操作，mlp(·)表示多层感知机，σ(·)表示sigmoid函数。

29、然后，将通道注意力模块输出的特征图作为输入，进一步构建空间注意力模块。先对输入沿通道维度做最大池化和平均池化，将两种池化的结果拼接，最后对拼接得到的特征描述符进行卷积和激活操作得到空间注意力权重，计算公式为：

30、ms(f)＝σ(conv([avgpool(f)；maxpool(f)]))    (3)

31、式中，ms(·)表示空间注意力模块，f为输入空间注意力模块的特征图，avgpool(·)和maxpool(·)分别为全局平均池化和全局最大池化操作，conv(·)表示7×7卷积核的卷积操作，σ(·)表示sigmoid函数。

32、最后，将通道注意力模块和空间注意力模块串联，得到最终的cbam注意力模块，经通道注意力和空间注意力加权的特征图计算如下：

33、

34、

35、式中，f′为通道注意力加权的特征图，f″为cbam模块的输出特征图，为元素乘法运算，mc(·)和ms(·)分别为通道注意力模块和空间注意力模块。

36、进一步的，所述步骤s6中，采用随机梯度下降法训练模型，通过边框回归、目标分类两个预测分支得到呼吸器变色检测结果，具体包括：

37、训练模型时的损失函数由类别损失和位置损失两部分构成，其中位置损失被分为两个部分，整体损失函数为：

38、ltotal＝λ1lbce+λ2lciou+λ3ldfl    (6)

39、式中，lbce为类别损失，lciou为位置损失中的交并比损失，ldfl为位置损失中的分布焦点损失。λ1、λ2、λ3分别用于调节三项损失在总损失中的比例。

40、对于类别损失，模型采用了交叉熵，计算公式如下：

41、lbce＝-(y·log(p)+(1-y)·log(1-p))    (7)

42、式中，y为标签，p为预测输出。

43、对于交并比损失，模型采用ciou损失进行计算，公式为：

44、

45、式中，iou为交并比，b和bgt分别为预测边框和真实边框的中心点，ρ为两框之间的欧氏距离，c为两框闭合区域的对角线距离，v用于测量两边框相对比例的一致性，α为权重系数。

46、此外，模型在位置损失中添加了焦点分布损失项，其计算公式为:

47、ldfl＝-((yi+1-y)log(si)+(y-yi)log(si+1))    (9)

48、式中，y为真实坐标值，yi和yi+1分别为处在y的两侧且与y距离最近的两个整数，si和si+1为模型对真实坐标值到两侧最近整数距离的预测值。

49、根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供一种基于改进yolov8的变电站呼吸器变色检测方法，构建呼吸器变色检测数据集，采用高性能的单阶段检测器yolov8作为基础检测模型；采用“裁剪+生成”的数据增强方式，克服样本不平衡对模型泛化能力的不利影响，使用“真实+虚拟”的数据训练更鲁棒的呼吸器变色检测模型；针对呼吸器图像中存在多种不同尺寸呼吸器的特点，将bifpn结构融入检测模型的颈部网络，提高模型对多尺度特征的提取能力，获取更具表示能力的多尺度融合特征；针对原网络不能较好适应变电站巡检图像复杂背景的问题，在颈部网络输出端引入cbam注意力模块，改善模型对呼吸器及其变色缺陷的关键特征学习能力；使用随机梯度下降算法训练模型，通过边框回归、目标分类两个预测分支获得最终的检测结果。该方法将yolov8检测模型应用于变电站呼吸器变色检测领域，在实现实时检测的同时也提高了对呼吸器及其变色缺陷的检测精度，并且相比已有方法更适合边缘端部署。