CN116681962A - 基于改进YOLOv5的电力设备热图像检测方法及系统 - Google Patents
基于改进YOLOv5的电力设备热图像检测方法及系统 Download PDFInfo
- Publication number
- CN116681962A CN116681962A CN202310492687.4A CN202310492687A CN116681962A CN 116681962 A CN116681962 A CN 116681962A CN 202310492687 A CN202310492687 A CN 202310492687A CN 116681962 A CN116681962 A CN 116681962A
- Authority
- CN
- China
- Prior art keywords
- improved
- thermal image
- steps
- image detection
- detection method
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000001931 thermography Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000002457 bidirectional effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 230000008033 biological extinction Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000012212 insulator Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 101100494262 Caenorhabditis elegans best-12 gene Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于改进YOLOv5的电力设备热图像检测方法及系统,所述方法包括以下步骤:(1)构建红外设备热成像图片数据集;(2)将得到的数据集划分成训练集、验证集和测试集;(3)构建改进的YOLOv5网络模型,包括以下步骤:(4)将数据集输入到改进后的YOLO网络模型进行训练和预测,得到精确的电力设备热图像;本发明改进后的YOLOv5模型通过PConv卷积,通过减少冗余计算和内存访问可以更有效地提取空间特征,并且在主干网络替换的FasterNet在广泛的设备上实现了比其他网络高的多的运行速度,而且不影响识别任务的准确性,这个优点让改进后的模型在具有更快的训练速度和更优的准确度,且更易在多处理平台部署。
Description
技术领域
本发明涉及模型预测技术以及智能算法技术领域,具体涉及基于改进YOLOv5的电力设备热图像检测方法及系统。
背景技术
随着我国大容量高压输电系统的发展,使得变电站在整个电力系统中发挥着越来越重要的作用。而变电站中的许多电力设备,例如变压器,绝缘子,电抗等而作为变电站故障户外的主要识别对象,在变电站复杂恶劣的环境里易出现高温故障现象,很容易中断输电线路的供电,对居民用户安全用电带来极大的影响并且会对电力系统的稳定运行造成巨大的威胁,因此,检测电力设备是否存在温度过高是电网检修的重要任务之一。
传统人工利用红外仪巡检的方法容易漏检误检,标准化巡检流程得不到高效执行,因此,采用电力巡检机器人取代人工巡检,实现全天候高效的无人化巡检因运而生;但是随着输电网络规模的不断扩大,采集到的数据倍增,而深度学习又是一门以数据驱动的技术,因此,在巡检大数据背景下开展基于深度学习巡检方式的研究具有重要意义。
目前,基于深度学习进行目标检测可以克服检测精度低、易受环境干扰以及泛化能力不强等缺点。基于深度学习的目标检测算法可以分为两种:一种是多阶段方法,代表性算法包括R-CNN、FastR-CNN等。另一类是单阶段检测算法,典型算法包括SSD和YOLO系列等。基于SSD(single shot multibox detector)与两阶段微调策略的绝缘子识别方法,相比传统方法能一定程度提高检测精度但无法实现端到端的检测。Faster RCNN算法实现端到端的绝缘子缺陷检测,但其模型计算量大、检测速度慢。现阶段先进的目标检测算法已实现了实时检测,并且在通用物体检测上具有较高的检测精度,但是对于小物体检测、复杂背景物体检测、伪装物体检测、超大物体检测等检测场景,检测精度还有很大的提升空间。
发明内容
发明目的:本发明的目的是提供基于改进YOLOv5的电力设备热图像检测方法及系统,在红外电力设备目标检测上可以做到更轻量级、检测速度更快,可以更易于部署在电力设备温度状态诊断分析系统中,巡检人员可以从红外热成像图像中快速识别出数十种关键电力设备与关键部位,并自动解析热成像图片来判断设备是否存在温度异常情况。
技术方案:本发明所述的基于改进YOLOv5的电力设备热图像检测方法,包括以下步骤:
(1)构建红外设备热成像图片数据集;
(2)将得到的数据集划分成训练集、验证集和测试集;
(3)构建改进的YOLOv5网络模型,包括以下步骤:
(31)将原YOLOv5网络中的骨干网络Backbone改进为FasterNet;
(32)将YOLOv5中的Concat层修改为Concat-BiFPN,实现自上而下与自下而上的深浅层特征双向融合;
(33)使用损失函数为WioU替换原有的IoU;
(34)采用K-means++算法对锚框参数进行优化;
(4)将数据集输入到改进后的YOLO网络模型进行训练和预测,得到精确的电力设备热图像。
进一步的,所述步骤(1)具体包括步骤:
(11)对收集的红外热成像图片样本进行数据清洗;
(12)使用Labelme工具对图片样本进行类别标注,标注类别后生成json文件。
进一步的,所述步骤(2)具体为:按照按7:2:1的比例划分训练集、验证集和测试集。
进一步的,所述步骤(31)包括以下步骤:
(311)对训练集的数据进行二值化得到有效掩码即对于非零像素点赋值为1,对于零像素点赋值为0;
(312)将有效掩码进行平滑处理,然后再将每个像素点的值除以平均值得到归一化因子;
(313)将有效掩码和归一化因子分别与卷积核进行点积操作,得到单个通道的PConv结果;
(314)将所有通道的PConv结果进行叠加,得到最终的PConv输出结果。
进一步的,所述步骤(32)包括以下步骤:
(321)上采样:将来自较低级别的特征图上采样到与较高级别的特征图相同的大小。
(322)下采样:将来自较高级别的特征图下采样到与较低级别的特征图相同的大小。
(323)线性结合:将上采样和下采样的特征图进行线性结合,以获取更丰富的信息。
(324)双向特征流:将线性结合的特征图通过双向特征流进行传递和交互,进一步增强特征表达。
(325)注意力机制:使用注意力机制对特征图进行调整和重新加权,以进一步强化重要的特征。
(326)缩放和归一化:对特征图进行缩放和归一化,以避免梯度消失和爆炸的问题。
(327)重复:重复执行上述步骤多次,以生成多层级的特征金字塔。
进一步的,所述步骤(33)具体公式如下:
其中,C表示类别数,N表示像素数量,yi,c表示第i个像素属于类别c的真实标签,pi,c表示第i个像素属于类别c的预测概率,wc表示类别c的权重。
进一步的,所述步骤(34)具体包括以下步骤:
(341)选择需要聚类的标记框数量k即将标记框分成k类;
(342)随机选择k个标记框作为初始聚类中心;
(343)对于每个标记框,计算它与k个聚类中心的距离,并将其分配给距离最近的聚类中心所在的类;
(344)对于每个聚类,重新计算该类的聚类中心,即该类中所有标记框的平均位置;
(345)重复步骤(343)和(344),直到聚类中心不再发生明显变化或者达到预定的最大迭代次数;
(346)最后得到k个聚类中心,每个聚类中心代表一个聚类,将属于同一个聚类的标记框打上相同的标签,即可完成聚类。
本发明所述的基于改进YOLOv5的电力设备热图像检测系统,包括以下模块:
(1)数据建立模块:用于构建红外设备热成像图片数据集;
(2)数据划分模块:用于将得到的数据集划分成训练集、验证集和测试集;
(3)模型建立模块:用于构建改进的YOLOv5网络模型
(4)训练和预测模块:用于将数据集输入到改进后的YOLO网络模型进行训练和预测,得到精确的电力设备热图像。
本发明所述的一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于改进YOLOv5的电力设备热图像检测方法中的步骤。
本发明所述的一种存储介质,存储有计算机程序,其特征在于,所述计算机程序被设计为运行时实现根据权利要求1至7任一项所述的基于改进YOLOv5的电力设备热图像检测方法中的步骤。
有益效果:与现有技术相比,本发明具有如下显著优点:改进后的YOLOv5模型通过PConv卷积,通过减少冗余计算和内存访问可以更有效地提取空间特征,并且在主干网络替换的FasterNet在广泛的设备上实现了比其他网络高的多的运行速度,而且不影响识别任务的准确性,这个优点让改进后的模型在具有更快的训练速度和更优的准确度,且更易在多处理平台部署。
附图说明
图1为本发明的流程图;
图2为本发明的Avg IOU与锚框数量关系图;
图3为本发明改进后的YOLOv5网络模型结构;
图4为本发明的测试batch0 ground truth真实值的标签;
图5为本发明的模型预测值的标签;
图6为本发明的预测准确率结果图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1和图3所示,本发明实施例提供了一种基于改进YOLOv5的电力设备热图像检测方法,包括以下步骤:
(1)构建红外设备热成像图片数据集;包括以下步骤:
(11)对收集的红外热成像图片样本进行数据清洗;
(12)使用Labelme工具对图片样本进行类别标注,标注类别后生成txt文件。
(2)将得到的数据集划分成训练集、验证集和测试集;按照按7:2:1的比例划分训练集、验证集和测试集。
(3)构建改进的YOLOv5网络模型,包括以下步骤:
(31)将原YOLOv5网络中的骨干网络Backbone改进为FasterNet;包括以下步骤:
(311)对训练集的数据进行二值化得到有效掩码即对于非零像素点赋值为1,对于零像素点赋值为0;
(312)将有效掩码进行平滑处理,然后再将每个像素点的值除以平均值得到归一化因子;
(313)将有效掩码和归一化因子分别与卷积核进行点积操作,得到单个通道的PConv结果;
(314)将所有通道的PConv结果进行叠加,得到最终的PConv输出结果。
(32)将YOLOv5中的Concat层修改为Concat-BiFPN,实现自上而下与自下而上的深浅层特征双向融合;包括以下步骤:
(321)上采样:将来自较低级别的特征图上采样到与较高级别的特征图相同的大小。
(322)下采样:将来自较高级别的特征图下采样到与较低级别的特征图相同的大小。
(323)线性结合:将上采样和下采样的特征图进行线性结合,以获取更丰富的信息。
(324)双向特征流:将线性结合的特征图通过双向特征流进行传递和交互,进一步增强特征表达。
(325)注意力机制:使用注意力机制对特征图进行调整和重新加权,以进一步强化重要的特征。
(326)缩放和归一化:对特征图进行缩放和归一化,以避免梯度消失和爆炸的问题。
(327)重复:重复执行上述步骤多次,以生成多层级的特征金字塔。
(33)使用损失函数为WioU替换原有的IoU;具体公式为:
其中,C表示类别数,N表示像素数量,yi,c表示第i个像素属于类别c的真实标签,pi,c表示第i个像素属于类别c的预测概率,wc表示类别c的权重。
如图2所示,(34)采用K-means++算法对锚框参数进行优化;包括以下步骤:
(341)选择需要聚类的标记框数量k即将标记框分成k类;
(342)随机选择k个标记框作为初始聚类中心;
(343)对于每个标记框,计算它与k个聚类中心的距离,并将其分配给距离最近的聚类中心所在的类;
(344)对于每个聚类,重新计算该类的聚类中心,即该类中所有标记框的平均位置;
(345)重复步骤(343)和(344),直到聚类中心不再发生明显变化或者达到预定的最大迭代次数;
(346)最后得到k个聚类中心,每个聚类中心代表一个聚类,将属于同一个聚类的标记框打上相同的标签,即可完成聚类。
最后得到最佳的12个锚框分别为(20,20),(32,15),(17,31),(27,26),(32,33),(46,27),(32,49),(41,39),(52,48),(63,62),(91,71),(170,181),如表1所示。这12个锚框仅对本数据集中红外图像的检测有效,在其他数据集中可采用同样的方法重新聚类得到适合的锚框。经实验结果分析可知,其BPR(Best Possible Recall)为1,为数据集匹配最优的锚定框。这12个锚框将作为本发明认的参数送入到模型中进行训练。
表1 K-means++算法生成的锚框
Table 1 Prior box Anchor generated by the K-means++algorithm
如图4-5所示,(4)将数据集输入到改进后的YOLO网络模型进行训练和预测,得到精确的电力设备热图像。具体步骤为:
将图像在加入到改进YOLOv5模型同时使用预训练权重进行训练,输入图像尺寸大小为640x480,训练时初始学习率lr设为0.02,练预热Warmup为3,批量大小(batchsize)设为8;训练轮数epoch为300轮。
参数设置完成以后,为了缩短训练时间,可以加载一些预训练权重来进行训练,YOLOv5提供了几个预训练权重,可以根据不同的需求选择不同的版本去进行训练。本模型选择预训练权重yolov5.pt。
最后根据训练结果进行参数调优,直到获得最优的训练模型结果,将最优的模型权重结果保存下来。
如图6所示,YOLOv5与改进的精确率-召回率曲线无论是对所有类别还是对任何一个类别的PR曲线来说,改进后的检测曲线与坐标轴所包围面积均要大于改进前的面积。因此,可以说本发明提出的算法分类性能更好。
表2改进前后算法的指标结果对比
从表2中可以看出,改进后的精确率提升了3.4%,召回率提升了3.8%,mAP_0.5提升了5.9%。召回率的大幅度提升说明了改进后的模型能把正样本分类正确的能力明显增强了,在不同IoU阈值下的mAP的提升说明了改进后的模型对待检测物体定位更准确。
本发明实施例还提供了一种基于改进YOLOv5的电力设备热图像检测系统,包括以下模块:
(1)数据建立模块:用于构建红外设备热成像图片数据集;
(2)数据划分模块:用于将得到的数据集划分成训练集、验证集和测试集;
(3)模型建立模块:用于构建改进的YOLOv5网络模型
(4)训练和预测模块:用于将数据集输入到改进后的YOLO网络模型进行训练和预测,可识别出精确的目标电力设备热图像。
本发明实施例还提供了一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现任一项所述的基于改进YOLOv5的电力设备热图像检测方法中的步骤。
本发明实施例还提供一种存储介质,存储有计算机程序,其特征在于,所述计算机程序被设计为运行时实现所述的基于改进YOLOv5的电力设备热图像检测方法中的步骤。
Claims (10)
1.基于改进YOLOv5的电力设备热图像检测方法,其特征在于,包括以下步骤:
(1)构建红外设备热成像图片数据集;
(2)将得到的数据集划分成训练集、验证集和测试集;
(3)构建改进的YOLOv5网络模型,包括以下步骤:
(31)将原YOLOv5网络中的骨干网络Backbone改进为FasterNet;
(32)将YOLOv5中的Concat层修改为Concat-BiFPN,实现自上而下与自下而上的深浅层特征双向融合;
(33)使用损失函数为WioU替换原有的IoU;
(34)采用K-means++算法对锚框参数进行优化;
(4)将数据集输入到改进后的YOLO网络模型进行训练和预测,得到精确的电力设备热图像。
2.根据权利要求1所述的基于改进YOLOv5的电力设备热图像检测方法,其特征在于,所述步骤(1)具体包括步骤:
(11)对收集的红外热成像图片样本进行数据清洗;
(12)使用Labelme工具对图片样本进行类别标注,标注类别后生成json文件。
3.根据权利要求1所述的基于改进YOLOv5的电力设备热图像检测方法,其特征在于,所述步骤(2)具体为:按照按7:2:1的比例划分训练集、验证集和测试集。
4.根据权利要求1所述的基于改进YOLOv5的电力设备热图像检测方法,其特征在于,所述步骤(31)包括以下步骤:
(311)对训练集的数据进行二值化得到有效掩码即对于非零像素点赋值为1,对于零像素点赋值为0;
(312)将有效掩码进行平滑处理,然后再将每个像素点的值除以平均值得到归一化因子;
(313)将有效掩码和归一化因子分别与卷积核进行点积操作,得到单个通道的PConv结果;
(314)将所有通道的PConv结果进行叠加,得到最终的PConv输出结果。
5.根据权利要求1所述的基于改进YOLOv5的电力设备热图像检测方法,其特征在于,所述步骤(32)包括以下步骤:
(321)上采样:将来自较低级别的特征图上采样到与较高级别的特征图相同的大小。
(322)下采样:将来自较高级别的特征图下采样到与较低级别的特征图相同的大小。
(323)线性结合:将上采样和下采样的特征图进行线性结合,以获取更丰富的信息。
(324)双向特征流:将线性结合的特征图通过双向特征流进行传递和交互,进一步增强特征表达。
(325)注意力机制:使用注意力机制对特征图进行调整和重新加权,以进一步强化重要的特征。
(326)缩放和归一化:对特征图进行缩放和归一化,以避免梯度消失和爆炸的问题。
(327)重复:重复执行上述步骤多次,以生成多层级的特征金字塔。
6.根据权利要求1所述的基于改进YOLOv5的电力设备热图像检测方法,其特征在于,所述步骤(33)具体公式如下:
其中,C表示类别数,N表示像素数量,yi,c表示第i个像素属于类别c的真实标签,pi,c表示第i个像素属于类别c的预测概率,wc表示类别c的权重。
7.根据权利要求I所述的基于改进YOLOv5的电力设备热图像检测方法,其特征在于,所述步骤(34)具体包括以下步骤:
(341)选择需要聚类的标记框数量k即将标记框分成k类;
(342)随机选择k个标记框作为初始聚类中心;
(343)对于每个标记框,计算它与k个聚类中心的距离,并将其分配给距离最近的聚类中心所在的类;
(344)对于每个聚类,重新计算该类的聚类中心,即该类中所有标记框的平均位置;
(345)重复步骤(343)和(344),直到聚类中心不再发生明显变化或者达到预定的最大迭代次数;
(346)最后得到k个聚类中心,每个聚类中心代表一个聚类,将属于同一个聚类的标记框打上相同的标签,即可完成聚类。
8.基于改进YOLOv5的电力设备热图像检测系统,其特征在于,包括以下模块:
(1)数据建立模块:用于构建红外设备热成像图片数据集;
(2)数据划分模块:用于将得到的数据集划分成训练集、验证集和测试集;
(3)模型建立模块:用于构建改进的YOLOv5网络模型
(4)训练和预测模块:用于将数据集输入到改进后的YOLO网络模型进行训练和预测,得到精确的电力设备热图像。
9.一种设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于改进YOLOv5的电力设备热图像检测方法中的步骤。
10.一种存储介质,存储有计算机程序,其特征在于,所述计算机程序被设计为运行时实现根据权利要求1至7任一项所述的基于改进YOLOv5的电力设备热图像检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310492687.4A CN116681962A (zh) | 2023-05-05 | 2023-05-05 | 基于改进YOLOv5的电力设备热图像检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310492687.4A CN116681962A (zh) | 2023-05-05 | 2023-05-05 | 基于改进YOLOv5的电力设备热图像检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116681962A true CN116681962A (zh) | 2023-09-01 |
Family
ID=87779923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310492687.4A Pending CN116681962A (zh) | 2023-05-05 | 2023-05-05 | 基于改进YOLOv5的电力设备热图像检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681962A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117537929A (zh) * | 2023-10-27 | 2024-02-09 | 大湾区大学(筹) | 基于红外热成像的无人机检测方法、系统、设备及介质 |
CN117689731A (zh) * | 2024-02-02 | 2024-03-12 | 陕西德创数字工业智能科技有限公司 | 一种基于改进YOLOv5模型的轻量化新能源重卡电池包识别方法 |
CN117975040A (zh) * | 2024-03-28 | 2024-05-03 | 南昌工程学院 | 基于改进YOLOv5的GIS红外图像识别系统与方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019123756A1 (de) * | 2019-09-05 | 2021-03-11 | Connaught Electronics Ltd. | Neuronales Netzwerk zur Durchführung einer semantischen Segmentierung eines Eingabebildes |
CN112836713A (zh) * | 2021-03-12 | 2021-05-25 | 南京大学 | 基于图像无锚框检测的中尺度对流系统识别与追踪方法 |
WO2021139069A1 (zh) * | 2020-01-09 | 2021-07-15 | 南京信息工程大学 | 自适应注意力指导机制的一般性目标检测方法 |
CN113688723A (zh) * | 2021-08-21 | 2021-11-23 | 河南大学 | 一种基于改进YOLOv5的红外图像行人目标检测方法 |
WO2021244079A1 (zh) * | 2020-06-02 | 2021-12-09 | 苏州科技大学 | 智能家居环境中图像目标检测方法 |
CN114445706A (zh) * | 2022-01-25 | 2022-05-06 | 南京工程学院 | 一种基于特征融合的输电线路目标检测与识别方法 |
WO2022105521A1 (zh) * | 2020-11-20 | 2022-05-27 | 深圳壹账通智能科技有限公司 | 弯曲文本图像的文字识别方法、装置及计算机设备 |
CN114694178A (zh) * | 2022-03-23 | 2022-07-01 | 西安金源电气股份有限公司 | 基于Faster-RCNN算法的电力作业中安全帽监测方法及系统 |
CN115527234A (zh) * | 2022-09-05 | 2022-12-27 | 河北农业大学 | 一种基于改进YOLOv5模型的红外图像笼内死鸡识别方法 |
CN115546765A (zh) * | 2022-10-18 | 2022-12-30 | 中国计量大学 | 基于改进的YOLOv5车载热图像检测 |
CN115690564A (zh) * | 2022-11-18 | 2023-02-03 | 南京林业大学 | 基于Recursive BIFPN网络的室外火灾烟雾图像检测方法 |
CN115861760A (zh) * | 2022-12-30 | 2023-03-28 | 安徽工程大学 | 一种基于相机的目标检测与跟踪方法及系统 |
CN115983343A (zh) * | 2022-12-30 | 2023-04-18 | 合肥中科智存科技有限公司 | 基于FPGA的YOLOv4卷积神经网络轻量化方法 |
-
2023
- 2023-05-05 CN CN202310492687.4A patent/CN116681962A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019123756A1 (de) * | 2019-09-05 | 2021-03-11 | Connaught Electronics Ltd. | Neuronales Netzwerk zur Durchführung einer semantischen Segmentierung eines Eingabebildes |
WO2021139069A1 (zh) * | 2020-01-09 | 2021-07-15 | 南京信息工程大学 | 自适应注意力指导机制的一般性目标检测方法 |
WO2021244079A1 (zh) * | 2020-06-02 | 2021-12-09 | 苏州科技大学 | 智能家居环境中图像目标检测方法 |
WO2022105521A1 (zh) * | 2020-11-20 | 2022-05-27 | 深圳壹账通智能科技有限公司 | 弯曲文本图像的文字识别方法、装置及计算机设备 |
CN112836713A (zh) * | 2021-03-12 | 2021-05-25 | 南京大学 | 基于图像无锚框检测的中尺度对流系统识别与追踪方法 |
CN113688723A (zh) * | 2021-08-21 | 2021-11-23 | 河南大学 | 一种基于改进YOLOv5的红外图像行人目标检测方法 |
CN114445706A (zh) * | 2022-01-25 | 2022-05-06 | 南京工程学院 | 一种基于特征融合的输电线路目标检测与识别方法 |
CN114694178A (zh) * | 2022-03-23 | 2022-07-01 | 西安金源电气股份有限公司 | 基于Faster-RCNN算法的电力作业中安全帽监测方法及系统 |
CN115527234A (zh) * | 2022-09-05 | 2022-12-27 | 河北农业大学 | 一种基于改进YOLOv5模型的红外图像笼内死鸡识别方法 |
CN115546765A (zh) * | 2022-10-18 | 2022-12-30 | 中国计量大学 | 基于改进的YOLOv5车载热图像检测 |
CN115690564A (zh) * | 2022-11-18 | 2023-02-03 | 南京林业大学 | 基于Recursive BIFPN网络的室外火灾烟雾图像检测方法 |
CN115861760A (zh) * | 2022-12-30 | 2023-03-28 | 安徽工程大学 | 一种基于相机的目标检测与跟踪方法及系统 |
CN115983343A (zh) * | 2022-12-30 | 2023-04-18 | 合肥中科智存科技有限公司 | 基于FPGA的YOLOv4卷积神经网络轻量化方法 |
Non-Patent Citations (5)
Title |
---|
刘政怡;刘俊雷;赵鹏;: "基于样本选择的RGBD图像协同显著目标检测", 电子与信息学报, no. 09, 15 September 2020 (2020-09-15) * |
张子涵等: "改进YOLOv5s 的非机动车头盔佩戴检测方法", 软件, vol. 44, no. 3, 15 March 2023 (2023-03-15) * |
彭小飞;方志军;: "复杂条件下小目标检测算法研究", 智能计算机与应用, no. 03, 1 May 2019 (2019-05-01) * |
赖叶静;郝珊锋;黄定江;: "深度神经网络模型压缩方法与进展", 华东师范大学学报(自然科学版), no. 05, 25 September 2020 (2020-09-25) * |
黄辉等: "基于改进YOLOv5与CRNN 的电表示数识别", 电子测量技术, vol. 46, no. 1, 15 January 2023 (2023-01-15) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117537929A (zh) * | 2023-10-27 | 2024-02-09 | 大湾区大学(筹) | 基于红外热成像的无人机检测方法、系统、设备及介质 |
CN117689731A (zh) * | 2024-02-02 | 2024-03-12 | 陕西德创数字工业智能科技有限公司 | 一种基于改进YOLOv5模型的轻量化新能源重卡电池包识别方法 |
CN117689731B (zh) * | 2024-02-02 | 2024-04-26 | 陕西德创数字工业智能科技有限公司 | 一种基于改进YOLOv5模型的轻量化新能源重卡电池包识别方法 |
CN117975040A (zh) * | 2024-03-28 | 2024-05-03 | 南昌工程学院 | 基于改进YOLOv5的GIS红外图像识别系统与方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN116681962A (zh) | 基于改进YOLOv5的电力设备热图像检测方法及系统 | |
Su et al. | RCAG-Net: Residual channelwise attention gate network for hot spot defect detection of photovoltaic farms | |
CN110276394A (zh) | 一种小样本下基于深度学习的电力设备分类方法 | |
CN113920107A (zh) | 一种基于改进yolov5算法的绝缘子破损检测方法 | |
CN112163496B (zh) | 一种基于语义分割的嵌入式终端水库水位预警方法 | |
CN112070134A (zh) | 电力设备图像分类方法、装置、电力设备及存储介质 | |
CN112070135A (zh) | 电力设备图像检测方法、装置、电力设备及存储介质 | |
CN108830236A (zh) | 一种基于深度特征的行人重识别方法 | |
CN111242144A (zh) | 电网设备异常的检测方法和装置 | |
CN116385958A (zh) | 一种用于电网巡检和监控的边缘智能检测方法 | |
CN113239753A (zh) | 基于YOLOv4改进的交通标志检测与识别方法 | |
CN116503318A (zh) | 一种融合CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、系统及设备 | |
CN116385911A (zh) | 一种用于无人机巡检绝缘子的轻量型目标检测方法 | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN116503398B (zh) | 绝缘子污闪检测方法、装置、电子设备及存储介质 | |
CN117350964A (zh) | 一种基于跨模态多层次特征融合的电力设备检测方法 | |
Özer et al. | An approach based on deep learning methods to detect the condition of solar panels in solar power plants | |
CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
CN115908295A (zh) | 一种基于深度学习的电网绝缘子缺陷检测方法及系统 | |
CN115937492A (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
CN112036472A (zh) | 一种电力系统视觉图像分类方法及系统 | |
Sheng et al. | A Method and Implementation of Transmission Line's Key Components and Defects Identification Based on YOLO | |
Xudong et al. | Research of YOLOv5s Model Acceleration Strategy in AI Chip |
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 |