CN115830407A - 一种基于yolov4目标检测模型的电缆管线故障判别算法 - Google Patents
一种基于yolov4目标检测模型的电缆管线故障判别算法 Download PDFInfo
- Publication number
- CN115830407A CN115830407A CN202111085513.3A CN202111085513A CN115830407A CN 115830407 A CN115830407 A CN 115830407A CN 202111085513 A CN202111085513 A CN 202111085513A CN 115830407 A CN115830407 A CN 115830407A
- Authority
- CN
- China
- Prior art keywords
- target detection
- yolov4
- algorithm
- fault
- pipeline
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 8
- 230000009286 beneficial effect Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013526 transfer learning Methods 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明涉及一种基于YOLOV4目标检测模型的电缆管线故障判别算法。利用YOLOV4目标检测算法，能够实现管线障碍物的快速批量识别操作。将得到的图像通过神经网络进行自动辨识，根据形状差异区分不同的故障类型，进而得到故障管线的分类情况。本发明将YOLOV4目标检测算法应用于电缆管线故障识别领域，能够实现管线的故障识别和具体状态分类，有助于快速、便捷地识别电缆管线故障，提升了整体效率。
Description
技术领域
本发明涉及神经网络分类算法，特别涉及YOLOV4目标检测模型，是一种用于电缆管线状态识别和故障分类的算法。
背景技术
电缆管线是保障城市运行的重要基础设施和“生命线”，为人们的生产、生活提供重要保障。然而，每年由于地下管线位置与走向不清造成的施工误挖管线故障时有发生。快速判别管线状态并对故障管线进行分类，有利于推进工作人员的排查维修工作，对减少故障危害有着重要意义。
对地下电缆管线的排查巡检，现有采用人工方式定期制定排查计划进行管线维护，计划巡检的方式存在一定的局限性，无法实时快速获取管线状态，且效率不高成本过高。通过计算机算法判别管线故障，有利于快速、便捷、大批量地掌握电缆状态，从而快速排查故障，减小对人民生产生活的影响，因此亟需一种专用的故障判别算法对管线状态进行监测。
发明内容
鉴于此，本发明所要解决的技术问题是提供一种基于YOLOV4目标检测模型的电缆管线故障判别算法，能够利用计算机算法实现电缆故障的识别和分类。
本发明的技术方案为：一种基于YOLOV4目标检测模型的电缆管线故障判别算法，具体包括：
1）利用电缆管线小车，通过摄像头拍摄管线内部画面，采集管线图像；
2）将步骤1）获取的图像传入训练完成的YOLOV4目标检测算法中，通过算法得到一系列预测值，将目标物种置信度进行筛选；
3）将步骤2）提取出的预测值通过解码得到真实框的信息，从而掌握障碍物实际位置信息。
1.根据权利要求1所述基于YOLOV4目标检测模型的电缆管线故障判别算法，其特征在于，还包括算法所采用的YOLOV4目标检测算法训练完成的故障特征库，具体包括如下训练步骤：
1）数据采集
利用已有的电缆勘测小车进入电缆管线拍下管线内部的图像；
2）数据预处理
（1）无效数据处理；将模糊不清、方位错误以及内容有误的图像进行筛选剔除，无效图片的存在会影响训练集的准确性；
（2）数据增强；样本集可能存在数据量少、相似性高、场景单一等问题，适当地对图像进行处理以提高数据的多样性和普适性是及其必要的；
针对本发明电缆管线的拍摄图像，做了图像镜面翻转、不同方向旋转、马赛克数据增强等处理，扩充样本数量也扩展了样本多样性；
由于电缆管线内部构造基本一致，应用场景的单一有助于提高检测的准确性。因此利用常规的翻转、镜像等操作来扩充数据集不会出现因场景不同而无法预测的问题。马赛克数据增强，能够增大批处理规模，增加图像场景复杂度。有助于准确描绘管线位置进而增加故障判断的准确性；
3）模型训练
利用预处理过后的数据集进行模型的训练，使该算法完成故障特征库的构建，能够预测出其他图像的故障情况。
2.根据权利要求1所述基于YOLOV4目标检测模型的电缆管线故障判别算法，其特征在于搭建适用于电缆管线的YOLOV4目标检测模型；
YOLOV4的主要目的在于设计一个能够应用于实际工作环境中的快速目标检测系统，且能够被并行优化，并没有很刻意的去追求理论上的低计算量。此外，此算法简化以及优化了一些最新提出的算法，包括（SPP，PAN，SAM），从而使YOLOV4能够在一块GPU上就可以训练起来。YOLOV4网络主要由三大部分组成，分别为“Darknet53-SPP-PAN”，针对本发明的YOLOV4网络构建，具体包括如下步骤：
1）Darknet53：通过下采样卷积+残差块的基本结构能让我们在过渡层也能得到一定的浅层信息，采用了含有53个以CBM(Conv+Bn+Mish激活函数)为基础的网络结构，同时它借鉴了残差网络residual network的做法，在一些层之间设置了快捷链路(shortcutconnections)。卷积采用Darknet53的卷积部分进行操作，选择Darknet53是因为其本身是一个经过预训练的网络，浅层网络有提取图像细节的能力，只需做迁移学习，学习其他数据集即可较为快速地构建可识别特定特征的网络；
2）SPP：采用1×1，5×5，9×9，13×13的最大池化的方式，进行多尺度融合，更有效的增加主干特征的接收范围，显著的分离了最重要的上下文特征；
3）PAN：其对特征点进行不断的下采样后，拥有了一堆具有高语义内容的特征层，然后重新进行上采样，使得特征层的长宽重新变大，用大尺寸的特征图去检测小目标，此操作划分为FPN层，在之后还添加了一个自底向上的特征金字塔。这样结合操作，FPN层自顶向下传达强语义特征，而特征金字塔则自底向上传达强定位特征，从不同的主干层对不同的检测层进行参数聚合。
3.根据权利要求1所述基于YOLOV4目标检测模型的电缆管线故障判别算法，其特征在于本发明构建了YOLOV4目标检测模型。相较于传统FAST-RCNN，使用YOLOV4能够更加快速地处理图像，并且获取的轮廓更加精确而非简单的矩形框选。选用Darknet53作为卷积层的模型较好地运用了迁移式学习，基于前人预测好的训练集与实际训练集结合在小样本的条件下仍能得到较优结果。
4.根据权利要求1所述基于YOLOV4目标检测模型的电缆管线故障判别算法，其特征在于将YOLOV4目标检测算法与电缆管线故障判断结合，能够利用机器学习算法代替人眼识别。一方面减小了工人的工作量实现自动化预警，另一方面能够实现批量快速判断提高工作效率。有助于后期利用计算机进行大数据分析管理，还能够将故障情况进行总结和预测。
本发明的有益效果在于：本发明一种基于YOLOV4目标检测模型的电缆管线故障判别算法，包括：YOLOV4目标检测模型；所述模型通过“Darknet53-SPP-PAN”的方式搭建。训练完成的故障特征库；所述训练包括“数据采集”“数据预处理”以及“模型训练”，能够用于采集管线图像的故障预测及分类。使用者能够将管线小车拍摄的管线内部图像传入训练完成的模型内，同故障特征库比较后判别管线状态并实现故障分类。通过故障判别算法可快速、便捷、大批量地实现故障判断分类，大大提升了巡检效率降低了成本损耗。
附图说明
图1为本发明的电缆故障判别算法涉及技术流程图；
图2为本发明具体实施方式流程图；
图3为Darknet53的网络结构图；
图4为SPP的网络结构图；
图5为PAN的网络结构图；
图6为CONCAT的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述：
本发明实施例提供一种基于YOLOV4目标检测模型的电缆管线故障判别算法，其技术流程图如图1所示，具体包括如下步骤：
1）利用电缆管线小车，通过摄像头拍摄管线内部画面，采集管线图像；
2）将步骤1）获取的图像传入训练完成的YOLOV4目标检测算法中，通过算法得到一系列预测值，将目标物种置信度进行筛选；
3）将步骤2）提取出的预测值通过解码得到真实框的信息，从而掌握障碍物实际位置信息。
下面是对算法模型搭建以及训练方式的具体描述：
适用于电缆管线故障判别的YOLOV4目标检测模型，主要运用Python语言搭建，分为“Darknet53-SPP-PAN”三个部分；
1）Darknet53：通过下采样卷积+残差块的基本结构能让我们在过渡层也能得到一定的浅层信息，采用了含有52个以CBM(Conv+Bn+Mish激活函数)为基础的网络结构，同时它借鉴了残差网络residual network的做法，在一些层之间设置了快捷链路(shortcutconnections)。卷积采用Darknet53的卷积部分进行操作，选择Darknet53是因为其本身是一个经过预训练的网络，浅层网络有提取图像细节的能力，只需做迁移学习，学习其他数据集即可较为快速地构建可识别特定特征的网络；
2）SPP：采用1×1，5×5，9×9，13×13的最大池化的方式，进行多尺度融合，更有效的增加主干特征的接收范围，显著的分离了最重要的上下文特征；
3）PAN：其对特征点进行不断的下采样后，拥有了一堆具有高语义内容的特征层，然后重新进行上采样，使得特征层的长宽重新变大，用大尺寸的特征图去检测小目标，此操作划分为FPN层，在之后还添加了一个自底向上的特征金字塔。这样结合操作，FPN层自顶向下传达强语义特征，而特征金字塔则自底向上传达强定位特征，从不同的主干层对不同的检测层进行参数聚合。
算法所采用的YOLOV4目标检测模型算法训练完成的故障特征库，具体包括“数据采集”“数据预处理”以及“训练”几个步骤：
数据采集是利用已有的电缆勘测小车进入电缆管线拍下管线内部的图像获取的图片数据；
数据预处理包括包括数据增强处理，由于样本集可能存在数据量少、相似性高、场景单一等问题，因此适当地对图像进行处理以提高数据的多样性和普适性是及其必要的。针对本发明电缆管线的拍摄图像，做了图像马赛克增强处理，扩充样本数量也扩展了样本多样性；
马赛克数据增强综合运用了图片翻转、图片镜像、色域变换等传统数据增强手段，将经过变换的图片拼合到一张图片上。
由于电缆管线内部构造基本一致，应用场景的单一有助于提高检测的准确性。因此利用马赛克增强处理操作来扩充数据集不会出现因场景不同而无法预测的问题。有助于准确描绘管线位置进而增加故障判断的准确性；模型训练是利用预处理过后的数据集进行模型的训练，使该算法完成故障特征库的构建，能够预测出其他图像的故障情况。
本发明适用于实际场景，用于电缆管线的状态识别和故障分类，依托计算机应用软件减少人力、物力、财力的消耗，提高巡检效率，对管线的综合治理具有重要意义。
需要说明的是，本说明书的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
以上对本发明提供的一种基于YOLOV4目标检测模型的电缆管线故障判别算法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明思想在具体实施方式及应用范围均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种基于YOLOV4目标检测模型的电缆管线故障判别算法，其特征在于，具体包括如下操作步骤：
1）利用电缆管线小车，通过摄像头拍摄管线内部画面，采集管线图像；
2）将步骤1）获取的图像传入训练完成的YOLOV4目标检测算法中，通过算法得到一系列预测值，将目标物种置信度进行筛选；
3）将步骤2）提取出的预测值通过解码得到真实框的信息，从而掌握障碍物实际位置信息。
2.根据权利要求1所述基于YOLOV4目标检测模型的电缆管线故障判别算法，其特征在于，还包括算法所采用的YOLOV4目标检测算法训练完成的故障特征库，具体包括如下训练步骤：
1）数据采集
利用已有的电缆勘测小车进入电缆管线拍下管线内部的图像；
2）数据预处理
（1）无效数据处理；将模糊不清、方位错误以及内容有误的图像进行筛选剔除，无效图片的存在会影响训练集的准确性；
（2）数据增强；样本集可能存在数据量少、相似性高、场景单一等问题，适当地对图像进行处理以提高数据的多样性和普适性是及其必要的；
针对本发明电缆管线的拍摄图像，做了马赛克数据增强（图像镜面翻转、不同方向旋转等）处理，扩充样本数量也扩展了样本多样性；
由于电缆管线内部构造基本一致，应用场景的单一有助于提高检测的准确性，因此利用常规的翻转、镜像等操作来扩充数据集不会出现因场景不同而无法预测的问题；马赛克数据增强，能够增大批处理规模，增加图像场景复杂度，有助于准确描绘管线位置进而增加故障判断的准确性；
3）模型训练
利用预处理过后的数据集进行模型的训练，使该算法完成故障特征库的构建，能够预测出其他图像的故障情况。
3.根据权利要求1所述基于YOLOV4目标检测模型的电缆管线故障判别算法，其特征在于搭建适用于电缆管线的YOLOV4目标检测模型；
YOLOV4的主要目的在于设计一个能够应用于实际工作环境中的快速目标检测系统，且能够被并行优化，并没有很刻意的去追求理论上的低计算量，此外，此算法简化以及优化了一些最新提出的算法，包括（SPP，PAN，SAM），从而使YOLOV4能够在一块GPU上就可以训练起来；YOLOV4网络主要由三大部分组成，分别为“Darknet53-SPP-PAN”；针对本发明的YOLOV4网络构建，具体包括如下步骤：
1）Darknet53：通过下采样卷积+残差块的基本结构能让我们在过渡层也能得到一定的浅层信息，采用了含有52个以CBM(Conv+Bn+Mish激活函数)为基础的网络结构，同时它借鉴了残差网络residual network的做法，在一些层之间设置了快捷链路(shortcutconnections)，卷积采用Darknet53的卷积部分进行操作，选择Darknet53是因为其本身是一个经过预训练的网络，浅层网络有提取图像细节的能力，只需做迁移学习，学习其他数据集即可较为快速地构建可识别特定特征的网络；
2）SPP：采用1×1，5×5，9×9，13×13的最大池化的方式，进行多尺度融合，更有效的增加主干特征的接收范围，显著的分离了最重要的上下文特征；
3）PAN：其对特征点进行不断的下采样后，拥有了一堆具有高语义内容的特征层，然后重新进行上采样，使得特征层的长宽重新变大，用大尺寸的特征图去检测小目标，此操作划分为FPN层，在之后还添加了一个自底向上的特征金字塔，这样结合操作，FPN层自顶向下传达强语义特征，而特征金字塔则自底向上传达强定位特征，从不同的主干层对不同的检测层进行参数聚合。
4.根据权利要求1所述基于YOLOV4目标检测模型的电缆管线故障判别算法，其特征在于本发明构建了YOLOV4目标检测模型：相较于传统FAST-RCNN，使用YOLOV4能够更加快速地处理图像，并且获取的轮廓更加精确而非简单的矩形框选，选用Darknet53作为卷积层的模型较好地运用了迁移式学习，基于前人预测好的训练集与实际训练集结合在小样本的条件下仍能得到较优结果。
5.根据权利要求1所述基于YOLOV4目标检测模型的电缆管线故障判别算法，其特征在于将YOLOV4目标检测算法与电缆管线故障判断结合，能够利用机器学习算法代替人眼识别，一方面减小了工人的工作量实现自动化预警，另一方面能够实现批量快速判断提高工作效率，有助于后期利用计算机进行大数据分析管理，还能够将故障情况进行总结和预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111085513.3A CN115830407A (zh) | 2021-09-16 | 2021-09-16 | 一种基于yolov4目标检测模型的电缆管线故障判别算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111085513.3A CN115830407A (zh) | 2021-09-16 | 2021-09-16 | 一种基于yolov4目标检测模型的电缆管线故障判别算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115830407A true CN115830407A (zh) | 2023-03-21 |
Family
ID=85515692
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111085513.3A Pending CN115830407A (zh) | 2021-09-16 | 2021-09-16 | 一种基于yolov4目标检测模型的电缆管线故障判别算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115830407A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116704266A (zh) * | 2023-07-28 | 2023-09-05 | 国网浙江省电力有限公司信息通信分公司 | 一种电力设备故障检测方法、装置、设备及存储介质 |
| CN117095411A (zh) * | 2023-10-16 | 2023-11-21 | 青岛文达通科技股份有限公司 | 一种基于图像故障识别的检测方法及系统 |
| CN117392545A (zh) * | 2023-10-26 | 2024-01-12 | 南昌航空大学 | 一种基于深度学习的sar图像目标检测方法 |
-
2021
- 2021-09-16 CN CN202111085513.3A patent/CN115830407A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116704266A (zh) * | 2023-07-28 | 2023-09-05 | 国网浙江省电力有限公司信息通信分公司 | 一种电力设备故障检测方法、装置、设备及存储介质 |
| CN116704266B (zh) * | 2023-07-28 | 2023-10-31 | 国网浙江省电力有限公司信息通信分公司 | 一种电力设备故障检测方法、装置、设备及存储介质 |
| CN117095411A (zh) * | 2023-10-16 | 2023-11-21 | 青岛文达通科技股份有限公司 | 一种基于图像故障识别的检测方法及系统 |
| CN117095411B (zh) * | 2023-10-16 | 2024-01-23 | 青岛文达通科技股份有限公司 | 一种基于图像故障识别的检测方法及系统 |
| CN117392545A (zh) * | 2023-10-26 | 2024-01-12 | 南昌航空大学 | 一种基于深度学习的sar图像目标检测方法 |
| CN117392545B (zh) * | 2023-10-26 | 2024-02-09 | 南昌航空大学 | 一种基于深度学习的sar图像目标检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Doshi et al. | Road damage detection using deep ensemble learning | |
| CN115830407A (zh) | 一种基于yolov4目标检测模型的电缆管线故障判别算法 | |
| CN111368690B (zh) | 基于深度学习的海浪影响下视频图像船只检测方法及系统 | |
| Moradi et al. | Real-time defect detection in sewer closed circuit television inspection videos | |
| CN115439458A (zh) | 基于深度图注意力的工业图像缺陷目标检测算法 | |
| Zhao et al. | Research on detection method for the leakage of underwater pipeline by YOLOv3 | |
| CN118196309B (zh) | 基于图像处理工控机的高清视觉检测识别系统 | |
| CN116681885A (zh) | 输变电设备红外图像目标识别方法及系统 | |
| CN114708518A (zh) | 基于半监督学习与先验知识嵌入策略的螺栓缺陷检测方法 | |
| CN116597411A (zh) | 极端天气下无人驾驶车辆识别交通标志的方法及系统 | |
| CN115984263A (zh) | 基于改进型孪生神经网络的螺栓松动检测算法及检测系统 | |
| Zhang et al. | Pavement crack detection based on deep learning | |
| CN114332083A (zh) | 一种基于PFNet的工业品伪装瑕疵识别方法 | |
| CN114331961A (zh) | 用于对象的缺陷检测的方法 | |
| CN112967335A (zh) | 气泡尺寸监测方法及装置 | |
| CN117423157A (zh) | 一种结合迁移学习、区域入侵的矿井下异常视频动作理解方法 | |
| CN115100546A (zh) | 一种基于mobilenet的电力设备小目标缺陷识别方法及系统 | |
| Yazid et al. | Automated system form concrete damage classification identification using pretrained deep learning model | |
| CN112164024A (zh) | 一种基于领域自适应的混凝土表面裂缝检测方法及系统 | |
| CN114842234A (zh) | 一种基于fcn全卷积神经网络的电缆管线故障判别算法 | |
| Hussain et al. | A Novel SCD11 CNN Model Performance Evaluation with Inception V3, VGG16 and ResNet50 Using Surface Crack Dataset | |
| Zhao et al. | Image data analytics to support engineers’ decision-making | |
| Saleh et al. | Toward Accurate and Efficient Burn Marks Inspection for MAV Using Active Learning | |
| CN111259843B (zh) | 基于视觉稳定特征分类配准的多媒体导航仪测试方法 | |
| CN117392221B (zh) | 一种基于光学图像的托盘检测及位姿计算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |