CN114723750B - 基于改进yolox算法的输电线路耐张线夹缺陷检测方法 - Google Patents
基于改进yolox算法的输电线路耐张线夹缺陷检测方法 Download PDFInfo
- Publication number
- CN114723750B CN114723750B CN202210631775.3A CN202210631775A CN114723750B CN 114723750 B CN114723750 B CN 114723750B CN 202210631775 A CN202210631775 A CN 202210631775A CN 114723750 B CN114723750 B CN 114723750B
- Authority
- CN
- China
- Prior art keywords
- training
- strain clamp
- feature
- yolox
- improved
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 62
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 230000005540 biological transmission Effects 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 6
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 230000004927 fusion Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 16
- 229910000831 Steel Inorganic materials 0.000 claims description 12
- 239000010959 steel Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 9
- 230000008014 freezing Effects 0.000 claims description 8
- 238000007710 freezing Methods 0.000 claims description 8
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 7
- 229910052782 aluminium Inorganic materials 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000005452 bending Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 claims description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000002788 crimping Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000010257 thawing Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 238000007689 inspection Methods 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 238000003916 acid precipitation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开一种基于改进YOLOX算法的输电线路耐张线夹缺陷检测方法，构建输电线路耐张线夹的X光图像数据集，将数据集输入图像特征增强模块进行预处理，并针对每一类缺陷制作相应的标签；构建YOLOX模型并进行改进，增加一个Resblock body0模块、特征层feat1和以及类预测层YOLO Head以增加网络的深度，并引入空间、通道注意力机制；使用VOC2007数据集训练改进后的网络，获得预训练权重W1；利用W1并结合Mosaic数据增强方法训练耐张线夹数据集获得权重W2，将W2输入改进后的YOLOX网络进行分类预测。本发明通过改进YOLOX算法，提升了对耐张线夹细微缺陷的检测效果，可以准确高效地实现输电线路耐张线夹的缺陷检测。
Description
技术领域
本发明属于输电线路技术领域，具体涉及基于改进YOLOX算法的输电线路耐张线夹缺陷检测方法。
背景技术
耐张线夹作为输电线路重要的组成部分，不仅需要承担线路所有的张力，而且作为导流载体。若耐张线夹因自身缺陷而导致输电线路的故障，轻则减少输电设备的使用寿命，重则发生断线事故，从而引起大规模停电，造成巨大的经济损失。因此耐张线夹必需要拥有良好的工作状态。然而在实际情况中，输电线路跨度大、范围广，所处地段环境气候较差，线路直接裸露在空气中，酸雨、冰雪等恶劣环境极易对线路中耐张线夹产生损伤，需要对耐张线夹的工作状态进行定期检测。对于耐张线夹的一些外部缺陷，例如耐张线夹股裂、引流处铝管拉裂以及引流板变型等可以通过视觉直接检测，但对于耐张线夹内部缺陷，无法通过视觉直接检测。
利用X光对金具内部缺陷进行无损检测，已成功的运用到耐张线夹的缺陷检测中，可将被测物体信息反应在成像板中，通过分析成像板图像，便可得知被测物体内部状况，因此可作为耐张线夹无损探伤的工具。由于耐张线夹内部缺陷复杂，一个耐张线夹可能存在多种缺陷，依靠巡检人员直接判别耐张线夹X光图像缺陷具有工作量大、效率低以及成本高等缺点。采用图像缺陷检测技术对耐张线夹X光图像进行缺陷检测，可以做到准确、高效的识别耐张线夹缺陷的种类及所处位置。
发明内容
针对现有耐张线夹缺陷检测的不足，本发明旨在提供一种基于改进YOLOX算法的输电线路耐张线夹缺陷检测方法，用于准确检测耐张线夹是否有缺陷以及缺陷的种类，为巡检人员进行耐张线夹工况检测提供技术参考。
为达到此发明目的，本发明通过以下方案予以实现：一种基于改进YOLOX算法的输电线路耐张线夹缺陷检测方法，包括如下步骤：
S1、构建输电线路耐张线夹X光图像数据集：在停电状态下，检测人员采用脉冲式射线机对输电线路耐张线夹进行X光成像，构建含有A区漏压、A区欠压、过压、钢锚弯曲、钢锚飞边以及C区漏压等6类缺陷的耐张线夹X光图像数据集，并按8:1:1分为训练集、验证集与测试集；设计一个由高斯滤波、直方图均衡化以及伽马校正三个步骤依次构成的图像特征增强模块，以输电线路耐张线夹的X光图像作为输入，调整图像特征增强模块参数，获得预处理后的耐张线夹X光图像；
S2、构建由主干特征提取网络CSPDarknet-L、特征融合网络PANet以及分类预测网络YOLO Head三个部分组成的改进YOLOX算法的耐张线夹X光图像缺陷检测模型：利用Focus、CBS、Resblock bodyi(i=0、1、2、3、4)以及SPPBottleneck模块构建主干特征提取网络CSPDarknet-L；在主干特征提取网络CSPDarknet-L与特征融合网络PANet之间加入CBAM注意力机制；从主干特征提取网络CSPDarknet-L的Resblock bodyn(n=1、2、3、4)结构中分别引出4个不同尺度大小的初步特征层feat1、feat2、feat3、feat4，输入特征融合网络PANet进行特征融合；将特征融合后的4个增强特征层输入到4个YOLO Head中进行分类预测，以实现对耐张线夹X光图像中细微缺陷的检测；
S3、训练改进的YOLOX网络模型：将VOC2007数据集按8:1:1分为训练集、验证集与测试集输入到改进后的YOLOX网络模型进行预训练，共训练100轮，取训练损失值最小的预训练权重W1进行迁移学习；将预处理后的耐张线夹X光图像数据集中的训练集结合预训练权重W1进行再训练；再训练分为冻结与解冻两个阶段，第一阶段冻结改进的YOLOX网络模型主干并使用Mosaic数据增强方法迭代训练50次，加快训练效率并防止权值被破坏，学习率Lr1设为0.001；第二阶段对改进的YOLOX网络模型主干进行解冻，再迭代训练50轮次，学习率Lr2设为0.0005；
S4、利用训练好的改进的YOLOX网络模型对耐张线夹X光图像中缺陷进行检测：再训练结束后获得100组权重，取出损失值最小的权重W2输入到改进后的YOLOX网络模型，并利用测试集图像验证改进后的YOLOX网络模型的缺陷检测效果。
进一步地，步骤S1使用的图像特征增强模块由高斯滤波、直方图均衡化以及伽马校正三个步骤依次构成，图像特征增强模块是先经过高斯函数对图像卷积核进行滤波降噪，再由直方图均衡化改变像素的灰度，调节图像曝光，最后利用伽马校正调节目标与背景的对比度。将图像特征增强模块三个步骤参数α 1、α 2、α 3均设置在区间[0，255]之间，通过合理调节图像特征增强模块参数（高斯滤波参数α 1=95，直方图均衡化参数α 2=115，伽马校正参数α 3=54），参数设置越大增强效果越明显，但可能造成细微缺陷的丢失，因此参数的设定必须兼顾所有缺陷的特征表达。
进一步地，步骤S2中利用Focus、CBS、Resblock bodyi(i=0、1、2、3、4)以及SPPBottleneck模块构建主干特征提取网络CSPDarknet-L，其具体操作包括：
(1) 利用普通卷积Conv、标准化BN以及SiLU激活函数构建CBS模块，将残差块拆分为主干部分和大残差边shortconv两部分构建CSPLayer结构，采用CBS与CSPLayer结构构建Resblock body结构，SPPBottleneck模块由CBS与4个大小为1×1、5×5、9×9以及13×13的池化核进行最大池化所构成；
(2) 将输入图片大小设置为640×640×3，首先经过Focus结构与CBS等操作图像大小变为320×320×64；然后经过Resblock body0结构，并利用1×1的卷积保持通道数不变，使图像尺寸变为160×160×64；最后依次经过Resblock bodyn(n=1、2、3、4)结构，并在Resblock body4中加入SPPBottleneck模块，完成对主干特征提取网络CSPDarknet-L的构建。
进一步地，步骤S2中用加入Resblock body0结构提升主干特征提取网络的深度，并使用1×1的卷积调整通道数为64，其目的是在提升对细微缺陷的特征提取的同时，并不改变网络的整体通道数的变化，此时相较于原网络通道数不变，特征层大小变为原来的二分之一。
进一步地，步骤S2中主干特征提取网络CSPDarknet-L的Resblock bodyn(n=1、2、3、4)结构中分别引出4个特征层feat1、feat2、feat3、feat4输入特征融合网络PANet，将特征融合后的4个增强特征层输入到4个YOLO Head中进行分类预测，其具体操作为：从Resblock body4中引出的初步特征层feat4经过Conv后得到增强特征层P1；P1经过上采样与Resblock body3中引出的初步特征层feat3进行Concat连接，连接后经过CSPLayer与Conv结构得到增强特征层P2；同样，将P2上采样与Resblock body2中引出的初步特征层feat2进行Concat连接，连接后经过CSPLayer与Conv结构得到增强特征层P3；将P3继续上采样与Resblock body1中引出的初步特征层feat1进行Concat连接，连接后经过CSPLayer得到增强特征层P4；此外，增强后的特征层还需经过由上至下的再次融合，具体操作为：将P4直接下采样与P3进行Concat连接，经过一个CSPLayer结构后得到增强特征层P5，P5继续下采样与P2进行Concat连接，经过一个CSPLayer结构后得到增强特征层P6，P6继续下采样与P1进行Concat连接，经过一个CSPLayer结构后得到增强特征层P7；
最终经过特征融合后，可得到7个增强特征层P1~P7；取增强特征层P4、P5、P6、P7对应输入到80×80×11、40×40×11、20×20×11、10×10×11四种不同尺寸的YOLO Head网络中进行分类预测，实现对耐张线夹X光图像中极小、小、中、大缺陷的检测。
进一步地，步骤S2从主干特征提取网络种引出4个特征层大小分别为80×80×128，40×40×256，20×20×512，10×10×1024，在进行特征融合前先将特征层经过空间、通道注意力机制，再进行上采样、下采样以及concat等操作，最后从PANet层引出4个分类预测的YOLO Head，这4个YOLO Head可以对大、中、小以及微型缺陷进行分类和预测。
进一步地，步骤S3中再训练分为冻结与解冻两个阶段，第一阶段冻结改进的YOLOX网络模型主干并使用Mosaic数据增强方法迭代训练50次；第二阶段对改进的YOLOX网络模型主干进行解冻，再迭代训练50轮次，其具体操作为：冻结训练时随机将4幅耐张线夹X光图像进行拼接，形成一幅新图像进行训练，丰富图片形式与缺陷数目；在冻结训练阶段batchsize=8，学习率Lr1=0.001，解冻训练阶段batchsize=4，学习率Lr1=0.0005，并开启多线程，线程数num_workers=2。
进一步地，步骤S3使用Mosaic数据增强方法并通过多次训练，结果表明可以得到损失值更小的训练权重，权重的损失值越小则代表模型训练的效果越好，利用此权重可以更好的进行分类预测。
与现有技术相比，本发明有益效果包括：
本发明提供的一种基于改进YOLOX算法的输电线路耐张线夹缺陷检测方法，能够在获取耐张线夹X光图像之后，自动判别耐张线夹内部是否有缺陷，具有较高的检测精度与检测速度，可为电力巡检提供技术参考。
附图说明
图1为本发明方法的流程图；
图2为耐张线夹平面图；
图3为本发明中应用的改进YOLOX算法结构图。
具体实施方式
本发明实施流程图如图1所示，下面将详细地对实施例进行说明，对耐张线夹X光缺陷检测包括以下步骤：
（一）将获取的耐张线夹X光缺陷图像进行分析可攘括为6类缺陷，共4976张图片，每张图片可能存在多个缺陷，共计10632个缺陷，缺陷及其各自数量如表1：
表1
A区漏压：是指铝管和凹槽未被压接，此时断线事故最大，应及时补救；A区欠压：是指铝管和凹槽未被完全压接，之间留有缝隙；过压：是指压接过度，致使非压区受到压接；钢锚弯曲：是指钢锚受到外力导致变形；钢锚飞边：是指钢锚表面存在裂纹；C区漏压：是指C区压接不完全或者未被压接。将每类缺陷数量按9：1分成训练集与测试集，进一步将训练集提出10%作为验证集，另外80%输入改进后的网络进行训练，在每一轮的训练后，都利用验证集验证此轮的训练效果，如果验证结果的损失值在逐步下降，则证明训练有效，反之，则训练无效，停止训练。
（二）将耐张线夹X光图像输入图像特征增强模块进行预处理，先进行高斯滤波进行滤波，降低图片中的噪声对图像增强的影响；再进行直方图均衡化，改变图像中各像素的灰度，增强动态范围偏小的图像对比度；最后进行伽马校正，调整图像目标和背景的对比度。将增强后的图像作为网络的输出。
（三 ）构建更改后的YOLOX网络模型，如图3所示，具体操作如下：
步骤1：构建YOLOX网络所需的基础结构，具体包括：
Focus结构，首先使用一张图片中每隔一个像素点取一个值，获得4个独立特征层，然后将这4个特征层进行堆叠，则将宽高信息集中到了通道信息中，此时输入通道便扩大了4倍；
CBS结构，包括普通卷积（Conv）、标准化（Batch Normalization）以及激活函数（SiLU）。
CSPLayer结构，可看成是一个大的残差结构，主干部分会对num-blocks进行循环，而循环内部为残差结构，然后建立一个大的残差边，残差边绕过了主干部分。
Resblock body结构，由CBS以及CSPLayer构成。
SPPBottleneck结构，利用大小分别为1×1，5×5，9×9以及13×13的池化核对输入进来的特征层进行最大池化，将最大池化后的结果再经过CBS结构。
YOLO Head结构，将特征层输入后先进行CBS操作，然后分为分类层和回归预测层，再分别经过两次CBS结构输出结果。
步骤2：将输入图片大小设置为640×640×3。
步骤3：利用Focus结构，对图片特征初步提取，此时图片大小为320×320×12。
步骤4：进一步利用CBS结构对特征提取，此时图片大小变为160×160×64。
步骤5：进一步利用5次Resblock body结构对特征进行提取，并在最后一个Resblock body中加入SPPBottleneck结构，五次卷积的特征层大小分别为160×160×64，80×80×128，40×40×256，20×20×512，10×10×1024。
步骤6：从主干特征提取网络中引出4个特征层feat1、2、3、4，特征层大小分别为：80×80×128，40×40×256，20×20×512，10×10×1024。
步骤7：对引出的4个特征层加入空间、通道注意力机制对输出的特征进行初步融合。
步骤8：构建PANet层，从Resblock body4中引出的初步特征层feat4经过Conv后得到增强特征层P1；P1经过上采样与Resblock body3中引出的初步特征层feat3进行Concat连接，连接后经过CSPLayer与Conv结构得到增强特征层P2；同样，将P2上采样与Resblockbody2中引出的初步特征层feat2进行Concat连接，连接后经过CSPLayer与Conv结构得到增强特征层P3；将P3继续上采样与Resblock body1中引出的初步特征层feat1进行Concat连接，连接后经过CSPLayer得到增强特征层P4；此外，增强后的特征层还需经过由上至下的再次融合，具体操作为：将P4直接下采样与P3进行Concat连接，经过一个CSPLayer结构后得到增强特征层P5，P5继续下采样与P2进行Concat连接，经过一个CSPLayer结构后得到增强特征层P6，P6继续下采样与P1进行Concat连接，经过一个CSPLayer结构后得到增强特征层P7；
步骤9：从PANet层引出增强特征层P4、P5、P6、P7对应输入到80×80×11，40×40×11，20×20×11，10×10×11四种不同尺寸的YOLO Head网络中进行分类预测，实现对耐张线夹X光图像中极小、小、中、大缺陷的检测，同时可以将缺陷的种类、预测的置信度以及缺陷的位置信息标记出。
（四）使用VOC2007数据集对改进的YOLOX网络模型进行训练，获得预训练权重W1进行迁移学习。
（五）对网络的训练参数设定进行再训练，总共训练100轮，前50轮设定为冻结训练，batch-size大小为8，学习率为0.001；后50轮为解冻训练，batch-size大小为4，学习率为0.0005；并启用多线程训练，线程数num-workers设定为2。
（六）将预处理后耐张线夹X光数据集做为输入，利用（四）中获得的预训练权重并结合Mosaic数据增强方法进行训练，获得进行分类预测的权重W2。
（七）取损失值最小的训练权重W2，输入测试集进行分类预测，预测结果的mAP值为90.30%。
本实施例中根据实际运行中可能出现的影响情况：将耐张线夹X光图像输入图像特征增强模块进行预处理时，图像特征增强模块参数调整应该适中，应当兼顾所有缺陷的特征表达；分类的每种缺陷数据集应当尽可能的多，分成训练集与测试集的时候不应随机分配，应当每种缺陷按9：1划分。
以上所述仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (3)
1.一种基于改进YOLOX算法的输电线路耐张线夹缺陷检测方法，其特征在于，包括如下步骤：
S1、构建输电线路耐张线夹X光图像数据集：在停电状态下，检测人员采用脉冲式射线机对输电线路耐张线夹进行X光成像，构建含有A区漏压、A区欠压、过压、钢锚弯曲、钢锚飞边以及C区漏压6类缺陷的耐张线夹X光图像数据集，并按8:1:1分为训练集、验证集与测试集；设计一个由高斯滤波、直方图均衡化以及伽马校正三个步骤依次构成的图像特征增强模块，以输电线路耐张线夹的X光图像作为输入，调整图像特征增强模块参数，获得预处理后的耐张线夹X光图像；
S2、构建由主干特征提取网络CSPDarknet-L、特征融合网络PANet以及分类预测网络YOLO Head三个部分组成的改进YOLOX算法的耐张线夹X光图像缺陷检测模型：利用Focus、CBS、Resblock bodyi，其中i=0、1、2、3、4，以及SPPBottleneck模块构建主干特征提取网络CSPDarknet-L；在主干特征提取网络CSPDarknet-L与特征融合网络PANet之间加入CBAM注意力机制；主干特征提取网络CSPDarknet-L的Resblock bodyn，其中n=1、2、3、4，从Resblock bodyn结构中分别引出4个不同尺度大小的初步特征层feat1、feat2、feat3、feat4，输入特征融合网络PANet进行特征融合；将特征融合后的4个增强特征层输入到4个YOLO Head中进行分类预测，以实现对耐张线夹X光图像中细微缺陷的检测；
所述步骤S2中利用Focus、CBS、Resblock bodyi，其中i=0、1、2、3、4，以及SPPBottleneck模块构建主干特征提取网络CSPDarknet-L，其具体操作包括：
S2.1、利用普通卷积Conv、标准化BN以及SiLU激活函数构建CBS模块，将残差块拆分为主干部分和大残差边shortconv两部分构建CSPLayer结构，采用CBS与CSPLayer结构构建Resblock body结构，SPPBottleneck模块由CBS与4个大小为1×1、5×5、9×9以及13×13的池化核进行最大池化所构成；
S2.2、 将输入图片大小设置为640×640×3，首先经过Focus结构与CBS操作图像大小变为320×320×64；然后经过Resblock body0结构，并利用1×1的卷积保持通道数不变，使图像尺寸变为160×160×64；最后依次经过Resblock bodyn结构，其中n=1、2、3、4，并在Resblock body4中加入SPPBottleneck模块，完成对主干特征提取网络CSPDarknet-L的构建；
所述步骤S2中Resblock bodyn结构中分别引出4个不同尺度大小的初步特征层feat1、feat2、feat3、feat4，输入特征融合网络PANet进行特征融合，将特征融合后的4个增强特征层输入到4个YOLO Head中进行分类预测，其具体操作为：从Resblock body4中引出的初步特征层feat4经过Conv后得到增强特征层P1；P1经过上采样与Resblock body3中引出的初步特征层feat3进行Concat连接，连接后经过CSPLayer与Conv结构得到增强特征层P2；同样，将P2上采样与Resblock body2中引出的初步特征层feat2进行Concat连接，连接后经过CSPLayer与Conv结构得到增强特征层P3；将P3继续上采样与Resblock body1中引出的初步特征层feat1进行Concat连接，连接后经过CSPLayer得到增强特征层P4；此外，增强后的特征层还需经过由上至下的再次融合，具体操作为：将P4直接下采样与P3进行Concat连接，经过一个CSPLayer结构后得到增强特征层P5，P5继续下采样与P2进行Concat连接，经过一个CSPLayer结构后得到增强特征层P6，P6继续下采样与P1进行Concat连接，经过一个CSPLayer结构后得到增强特征层P7；
最终经过特征融合后，得到7个增强特征层P1~P7；取增强特征层P4、P5、P6、P7对应输入到80×80×11、40×40×11、20×20×11、10×10×11四种不同尺寸的YOLO Head网络中进行分类预测，实现对耐张线夹X光图像中极小、小、中、大缺陷的检测；
S3、训练改进的YOLOX网络模型：将VOC2007数据集按8:1:1分为训练集、验证集与测试集输入到改进后的YOLOX网络模型进行预训练，共训练100轮，取训练损失值最小的预训练权重W1进行迁移学习；将预处理后的耐张线夹X光图像数据集中的训练集结合预训练权重W1进行再训练；再训练分为冻结与解冻两个阶段，第一阶段冻结改进的YOLOX网络模型主干并使用Mosaic数据增强方法迭代训练50次；第二阶段对改进的YOLOX网络模型主干进行解冻，再迭代训练50轮次；
所述步骤S3再训练分为冻结与解冻两个阶段，第一阶段冻结改进的YOLOX网络模型主干并使用Mosaic数据增强方法迭代训练50次；第二阶段对改进的YOLOX网络模型主干进行解冻，再迭代训练50轮次；其具体操作为：冻结训练时随机将4幅耐张线夹X光图像进行拼接，形成一幅新图像进行训练；在冻结训练阶段一次训练所选取的图片数batchsize=8，训练的学习率Lr1=0.001，解冻训练阶段一次训练所选取的图片数batchsize=4，训练的学习率Lr1=0.0005，并开启多线程提前加载训练图片，线程数num_workers=2；
S4、利用训练好的改进的YOLOX网络模型对耐张线夹X光图像中缺陷进行检测：再训练结束后获得100组权重，取出损失值最小的权重W2输入到改进后的YOLOX网络模型，并利用测试集图像验证改进后的YOLOX网络模型的缺陷检测效果。
2.根据权利要求1所述的一种基于改进YOLOX算法的输电线路耐张线夹缺陷检测方法，其特征在于，所述步骤S1中的缺陷定义，具体包括A区漏压：铝管和凹槽未被压接；A区欠压：是指铝管和凹槽未被完全压接，之间留有缝隙；过压：是指压接过度，致使非压区受到压接；钢锚弯曲：是指钢锚受到外力导致变形；钢锚飞边：是指钢锚表面存在裂纹；C区漏压：是指C区压接不完全或者未被压接。
3.根据权利要求1所述的一种基于改进YOLOX算法的输电线路耐张线夹缺陷检测方法，其特征在于，所述步骤S1中图像特征增强模块是先经过高斯函数对图像卷积核进行滤波降噪，再由直方图均衡化改变像素的灰度，调节图像曝光，最后利用伽马校正调节目标与背景的对比度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210631775.3A CN114723750B (zh) | 2022-06-07 | 2022-06-07 | 基于改进yolox算法的输电线路耐张线夹缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210631775.3A CN114723750B (zh) | 2022-06-07 | 2022-06-07 | 基于改进yolox算法的输电线路耐张线夹缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114723750A CN114723750A (zh) | 2022-07-08 |
| CN114723750B true CN114723750B (zh) | 2022-09-16 |
Family
ID=82232439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210631775.3A Active CN114723750B (zh) | 2022-06-07 | 2022-06-07 | 基于改进yolox算法的输电线路耐张线夹缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114723750B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114898125B (zh) * | 2022-07-14 | 2023-04-07 | 武汉东沃慧达科技有限公司 | 基于光场成像技术的轮轴识别方法、系统及存储介质 |
| CN115131337B (zh) * | 2022-07-22 | 2024-05-03 | 南昌大学 | 一种基于改进CenterNet算法的输电线路耐张线夹缺陷检测方法 |
| CN115035354B (zh) * | 2022-08-12 | 2022-11-08 | 江西省水利科学院 | 基于改进yolox的水库水面漂浮物目标检测方法 |
| CN116205895B (zh) * | 2023-03-16 | 2024-04-02 | 四川轻化工大学 | 一种基于改进YOLOv5的变压器漏油检测方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472467A (zh) * | 2019-04-08 | 2019-11-19 | 江西理工大学 | 基于YOLO v3的针对交通枢纽关键物体的检测方法 |
| CN111028204B (zh) * | 2019-11-19 | 2021-10-08 | 清华大学 | 一种基于多模态融合深度学习的布匹缺陷检测方法 |
| CN111462109A (zh) * | 2020-04-17 | 2020-07-28 | 广东电网有限责任公司 | 一种耐张线夹的缺陷检测方法、装置、设备及存储介质 |
| CN111709931B (zh) * | 2020-06-16 | 2023-05-23 | 四川赛康智能科技股份有限公司 | 一种耐张线夹缺陷检测识别报告自动获取方法及系统 |
| CN113066047A (zh) * | 2021-02-23 | 2021-07-02 | 青岛科技大学 | 轮胎x射线图像杂质缺陷检测方法 |
| CN112967243B (zh) * | 2021-02-26 | 2023-01-13 | 清华大学深圳国际研究生院 | 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法 |
| CN113469953B (zh) * | 2021-06-10 | 2022-06-14 | 南昌大学 | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 |
| CN113642558A (zh) * | 2021-08-16 | 2021-11-12 | 云南电网有限责任公司电力科学研究院 | 耐张线夹压接缺陷的x射线图像识别方法及装置 |
| CN114240821A (zh) * | 2021-10-25 | 2022-03-25 | 上海电机学院 | 一种基于改进型yolox的焊缝缺陷检测方法 |
| CN114170140A (zh) * | 2021-11-10 | 2022-03-11 | 佛山科学技术学院 | 一种基于Yolov4的隔膜缺陷识别方法 |
| CN114240885B (zh) * | 2021-12-17 | 2022-08-16 | 成都信息工程大学 | 一种基于改进的Yolov4网络的布匹瑕疵检测方法 |
| CN114549407A (zh) * | 2022-01-11 | 2022-05-27 | 广东电网有限责任公司广州供电局 | 基于x射线图像的耐张线夹压接缺陷程度判断方法 |
| CN114581848A (zh) * | 2022-03-05 | 2022-06-03 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种用于烟草仓储害虫的检测方法、系统及装置 |
-
2022
- 2022-06-07 CN CN202210631775.3A patent/CN114723750B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114723750A (zh) | 2022-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114723750B (zh) | 基于改进yolox算法的输电线路耐张线夹缺陷检测方法 | |
| KR102263397B1 (ko) | 뉴럴 네트워크 학습에 이용될 오토 라벨링된 이미지 중에서 라벨 검수를 위한 샘플 이미지를 획득하는 방법 및 이를 이용한 샘플 이미지 획득 장치 | |
| CN113469953B (zh) | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 | |
| CN112200178B (zh) | 基于人工智能的变电站绝缘子红外图像检测方法 | |
| CN103136763A (zh) | 用于检测视频序列异常段落的电子装置及其方法 | |
| CN110726725A (zh) | 一种输电线路金具锈蚀检测方法及装置 | |
| CN115861263A (zh) | 一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法 | |
| CN113486877A (zh) | 基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法 | |
| CN114549407A (zh) | 基于x射线图像的耐张线夹压接缺陷程度判断方法 | |
| CN115147439B (zh) | 基于深度学习与注意力机制的混凝土裂缝分割方法及系统 | |
| CN115147397A (zh) | 一种输电线路耐张线夹x光图像缺陷检测方法 | |
| CN114049538A (zh) | 基于udwgan++网络的机场裂缝图像对抗生成方法 | |
| CN113221839B (zh) | 一种货车图像自动识别方法及识别系统 | |
| CN112734732B (zh) | 基于改进ssd算法的铁路隧道漏缆卡具检测方法 | |
| CN110136059A (zh) | 直线特征的风电叶片图像拼接方法 | |
| CN111310899B (zh) | 基于共生关系和小样本学习的电力缺陷识别方法 | |
| CN115018818B (zh) | 一种基于多网络融合模型的输电线路耐张线夹缺陷检测方法 | |
| CN114581407B (zh) | 一种光伏模块的自适应缺陷检测方法 | |
| CN116523881A (zh) | 一种电力设备异常温度检测方法及装置 | |
| CN114842315B (zh) | 轻量化高铁轮毂垫片防松识别方法及装置 | |
| CN116468625A (zh) | 基于金字塔高效通道注意力机制的单幅图像去雾方法和系统 | |
| CN115082650A (zh) | 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法 | |
| CN115131337B (zh) | 一种基于改进CenterNet算法的输电线路耐张线夹缺陷检测方法 | |
| Terzoglou et al. | Employing deep learning framework for improving solar panel defects using drone imagery | |
| TW202213939A (zh) | 太陽能發電模組缺陷智慧診斷系統與方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |