CN116883980A - 一种紫外光绝缘子目标检测方法及系统 - Google Patents
一种紫外光绝缘子目标检测方法及系统 Download PDFInfo
- Publication number
- CN116883980A CN116883980A CN202311128503.2A CN202311128503A CN116883980A CN 116883980 A CN116883980 A CN 116883980A CN 202311128503 A CN202311128503 A CN 202311128503A CN 116883980 A CN116883980 A CN 116883980A
- Authority
- CN
- China
- Prior art keywords
- network
- module
- convolution
- layer
- detection
- 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 143
- 239000012212 insulator Substances 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 99
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 230000000694 effects Effects 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 53
- 230000004927 fusion Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 230000006835 compression Effects 0.000 claims description 13
- 238000007906 compression Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 10
- 238000013138 pruning Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000013140 knowledge distillation Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001413 cellular effect Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种紫外光绝缘子目标检测方法及系统,包括:S1:获取样本数据,构建目标检测网络,通过样本数据对目标检测网络进行迭代训练,获得第一训练阶段网络;S2:对第一训练阶段网络进行稀疏训练,获得第二训练阶段网络;S3:对第二训练阶段网络进行压缩处理,获得最终目标检测网络;S4:将待测图片输入最终目标检测网络,获得检测结果。本发明通过轻量级轻量卷积层构成特征提取网络,大幅度减少网络计算量;在特征金字塔网络中融入FPN+PAN结构,提高网络特征提取能力的同时实现局部特征与全局特征的融合;通过在FPN+PAN结构中嵌入注意力机制模块,使目标检测网络能够在关注包含重要特征信息通道的同时,保留特征层的位置信息,提高目标检测网络的检测效果。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及一种紫外光绝缘子目标检测方法及系统。
背景技术
当今,输电线路巡检朝着智能巡检发展。绝缘子作为输电线路基本构件起着机械支撑与电气隔离作用。长期暴露于恶劣环境中,遭受恶劣天气、动物等不可控干扰从而导致绝缘子腐蚀、自爆等缺陷。其中,自爆最容易发生且对输电线路安全运行威胁较大的缺陷。因此,绝缘子定期巡检对排除输电线路隐患具有重大意义。
目前,输电线路巡检方式主要有人工巡检、无人机巡检、直升机巡检等。输电线路大多处于复杂地形中,人工巡检难度大,巡检人员安全没有保障且检测效率低。直升机巡检成本高,易受环境气候影响。无人机巡检相比传统巡检方式具有低成本、高灵活性、高效率等优点,因此无人机巡检是输电线路巡检的趋势。采用人工判读方式对无人机采集的大量图像进行检测效率低下,且误检率漏检率较高。而基于深度学习的目标检测提供了一种较好的研究思路。基于深度学习的目标检测算法可大致分为两阶段目标检测算法和单阶段目标检测算法。2014年两阶段目标检测算法R-CNN横空出世,其检测精度及泛化能力远超传统目标检测算法,目标检测算法正式进入深度学习时代。二阶段这类算法检测精度高,但是其推理耗时长。为了解决二阶段算法推理速度问题,以SSD系列为基础的一阶段目标检测算法被提出从方法论上解决了两阶段算法耗时问题。上述经典算法及其衍生算法在不同领域的目标检测任务中都有实际应用,在PC端运行上取得不错表现。但对于体积、功耗、算力受限的移动端设备来说,上述算法满足不了实时检测的要求。无人机搭载设备算力及存储空间有限,直接部署SSD至无人机上难以满足实时检测要求。
发明内容
为解决上述技术问题,本发明提供一种紫外光绝缘子目标检测方法,包括以下步骤:
S1:获取样本数据,构建目标检测网络,通过样本数据对目标检测网络进行迭代训练,获得第一训练阶段网络;
S2:对第一训练阶段网络进行稀疏训练,获得第二训练阶段网络;
S3:对第二训练阶段网络进行压缩处理,获得最终目标检测网络;
S4:将待测图片输入最终目标检测网络,获得最终检测结果。
优选的:
目标检测网络包括:特征提取网络、轻量池化空间金字塔结构、特征金字塔网络和输出网络;
特征提取网络包括依次连接的第一卷积模块、第一轻量卷积层、第二轻量卷积层、第三轻量卷积层、第四轻量卷积层、第五轻量卷积层和第六轻量卷积层;
特征金字塔网络包括:第二卷积模块、第三卷积模块、第四卷积模块、第九卷积模块和FPN+PAN结构;
输出网络包括:第一检测模块、第二检测模块、第三检测模块和第四检测模块;
在FPN结构与PAN结构之间嵌入注意力机制模块;
第三轻量卷积层与第二卷积模块连接;
第四轻量卷积层与第三卷积模块连接;
第五轻量卷积层与轻量池化空间金字塔结构连接,轻量池化空间金字塔结构与第四卷积模块连接;
第二卷积模块、第三卷积模块和第四卷积模块与FPN+PAN结构连接,FPN+PAN结构与第一检测模块、第二检测模块和第三检测模块连接;
第六轻量卷积层与第九卷积模块连接,第九卷积模块与第四检测模块连接。
优选的,轻量池化空间金字塔结构包括:
输入模块、第一卷积层、第二卷积层、串联最大池化层、堆叠融合层、第三卷积层和输出模块;
输入模块、第一卷积层和第二卷积层依次连接,第二卷积层与串联最大池化层和堆叠融合层连接,串联最大池化层与堆叠融合层连接,堆叠融合层、第三卷积层和输出模块依次连接;
第一卷积层由普通卷积模块、归一化模块和ReLU6激活函数构成;
第二卷积层和第三卷积层均由分组卷积模块、归一化模块和ReLU6激活函数构成;
串联最大池化层包括:第一最大池化层、第二最大池化层和第三最大池化层;
第二卷积层与第一最大池化层、第二最大池化层和第三最大池化层连接,第一最大池化层、第二最大池化层和第三最大池化层与堆叠融合层连接,第一最大池化层、第二最大池化层和第三最大池化层依次连接。
优选的,步骤S1具体为:
S11:获取紫外光绝缘子图像,对紫外光绝缘子图像进行标注,获得标注图像;
S12:将标注图像划分为训练集和测试集,对训练集和测试集进行预处理,获得预处理后的训练集和测试集,将预处理后的训练集和测试集作为样本数据;
S13:通过样本数据对目标检测网络进行训练,获得评估效果;
S14:重复步骤S13直至达到最大迭代次数,将评估效果最优的目标检测网络作为第一训练阶段网络。
优选的,步骤S2具体为:
S21:对第一训练阶段网络按照设定的稀疏率进行稀疏训练,减小第一训练阶段网络中各归一化模块所关联的卷积核的缩放因子;
S22:重复步骤S21直至达到最大迭代次数,将缩放因子最小的第一训练阶段网络作为第二训练阶段网络。
优选的,步骤S3具体为:
S31:通过剪枝策略对第二训练阶段网络按照设定的超参数进行网络压缩,通过剪枝率计算获得阀值,将第二训练阶段网络中小于阀值的归一化模块所关联的卷积核剔除,获得压缩网络;
S32:通过知识蒸馏法对压缩网络进行检测精度提高,获得最终目标检测网络。
优选的,步骤S4具体为:
S41:特征提取网络将待测图片划分为4个不同的尺度特征图,包括:[52,52],[26,26],[13,13],[8,8];
S42:通过轻量池化空间金字塔结构和特征金字塔网络识别各尺度特征图中的待识别物,获取4张识别结果图,经过非极大值抑制筛选后保留的识别结果图作为最终检测结果。
一种紫外光绝缘子目标检测系统,包括以下模块:
第一训练模块,用于获取样本数据,构建目标检测网络,通过样本数据对目标检测网络进行迭代训练,获得第一训练阶段网络;
第二训练模块,用于对第一训练阶段网络进行稀疏训练,获得第二训练阶段网络;
压缩模块,用于对第二训练阶段网络进行压缩处理,获得最终目标检测网络;
检测模块,用于将待测图片输入最终目标检测网络,获得最终检测结果。
本发明具有以下有益效果:
本发明提出了一种全新的目标检测网络用于紫外光绝缘子目标检测,目标检测网络通过轻量级轻量卷积层构成特征提取网络,大幅度减少网络计算量;将轻量池化空间金字塔结构置于特征金字塔网络的输入端,丰富特征图表达能力的同时提高精度并有效减少推理时间;在特征金字塔网络中融入FPN+PAN结构,提高网络特征提取能力的同时实现局部特征与全局特征的融合;通过在FPN+PAN结构中嵌入注意力机制模块,使目标检测网络能够在关注包含重要特征信息通道的同时,保留特征层的位置信息,提高目标检测网络的检测效果。
附图说明
图1为本发明实施例方法流程图;
图2为目标检测网络的结构图;
图3为轻量池化空间金字塔结构的结构图;
图4为串联最大池化层的结构图;
图5为第一检测结果的示意图;
图6为第二检测结果的示意图;
图7为第三检测结果的示意图;
图8为第四检测结果的示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,本发明提供一种紫外光绝缘子目标检测方法,包括以下步骤:
S1:获取样本数据,构建目标检测网络,通过样本数据对目标检测网络进行迭代训练,获得第一训练阶段网络;
S2:对第一训练阶段网络进行稀疏训练,获得第二训练阶段网络;
S3:对第二训练阶段网络进行压缩处理,获得最终目标检测网络;
S4:将待测图片输入最终目标检测网络,获得最终检测结果。
进一步的,目标检测网络的结构图如图2所示;
目标检测网络包括:特征提取网络、轻量池化空间金字塔结构、特征金字塔网络和输出网络;
特征提取网络包括依次连接的第一卷积模块、第一轻量卷积层、第二轻量卷积层、第三轻量卷积层、第四轻量卷积层、第五轻量卷积层和第六轻量卷积层;
特征金字塔网络包括:第二卷积模块、第三卷积模块、第四卷积模块、第九卷积模块和FPN+PAN结构;
输出网络包括:第一检测模块、第二检测模块、第三检测模块和第四检测模块;
在FPN结构与PAN结构之间嵌入注意力机制模块;
第三轻量卷积层与第二卷积模块连接;
第四轻量卷积层与第三卷积模块连接;
第五轻量卷积层与轻量池化空间金字塔结构连接,轻量池化空间金字塔结构与第四卷积模块连接;
第二卷积模块、第三卷积模块和第四卷积模块与FPN+PAN结构连接,FPN+PAN结构与第一检测模块、第二检测模块和第三检测模块连接;
第六轻量卷积层与第九卷积模块连接,第九卷积模块与第四检测模块连接。
具体的,目标检测网络以SSD网络为基础框架,将VGG-16替换为轻量级轻量卷积模块构成的特征提取网络,将特征金字塔网络融入目标检测网络的Neck部分,同时为丰富特征图表达能力将轻量池化空间金字塔结构置于FPN+PAN输入端,并在Neck部分引入注意力机制模块使网络能够在关注包含重要特征信息通道的同时,保留特征层的位置信息,提高网络模型检测效果,使用DIOU-NMS改善对重叠遮挡目标识别;
FPN结构包括:第一叠加模块、第五卷积模块、第一上采样模块、第六卷积模块、第七卷积模块、第二叠加模块、第二上采样模块和第八卷积模块;
PAN结构包括:第十卷积模块、第十一卷积模块、第四叠加模块、第十二卷积模块、第十三卷积模块、第三叠加模块和第十四卷积模块;
在第六卷积模块与第四叠加模块之间添加第一注意力机制模块,在第八卷积模块与第三叠加模块之间添加第二注意力机制模块;
注意力机制模块为cSE模块(Spatial Squeeze and Channel Excitation Block)与sSE模块(Channel Squeeze and Spatial Excitation Block)相结合来实现在通道和空间上的注意力机制;
第一轻量卷积层、第二轻量卷积层、第三轻量卷积层、第四轻量卷积层、第五轻量卷积层和第六轻量卷积层包含轻量卷积模块的数量依次为1、2、2、6、5和2共18个轻量卷积模块;轻量卷积模块先采用常规卷积得到一些特征,再通过廉价线性变换得到其它一些特征;
如图2,卷积模块和轻量卷积模块中,数字x数字表示卷积核大小,数字x数字x数字表示特征图长x特征图宽x通道数;
检测模块中数字x数字表示输出特征图长x输出特征图宽。
进一步的,轻量池化空间金字塔结构的结构图如图3所示,串联最大池化层的结构图如图4所示;
轻量池化空间金字塔结构包括:
输入模块、第一卷积层、第二卷积层、串联最大池化层、堆叠融合层、第三卷积层和输出模块;
输入模块、第一卷积层和第二卷积层依次连接,第二卷积层与串联最大池化层和堆叠融合层连接,串联最大池化层与堆叠融合层连接,堆叠融合层、第三卷积层和输出模块依次连接;
第一卷积层由普通卷积模块、归一化模块和ReLU6激活函数构成;
第二卷积层和第三卷积层均由分组卷积模块、归一化模块和ReLU6激活函数构成;
串联最大池化层包括:第一最大池化层、第二最大池化层和第三最大池化层;
第二卷积层与第一最大池化层、第二最大池化层和第三最大池化层连接,第一最大池化层、第二最大池化层和第三最大池化层与堆叠融合层连接,第一最大池化层、第二最大池化层和第三最大池化层依次连接。
具体的,SimSPPF为SPP结构的改良版将并联结构替换为串联结构,舍弃SiLU激活函数采用ReLu激活函数在丰富特征图表达能力的同时加快推理速度;
通过将轻量池化空间金字塔结构引入金字塔池化(pyramid pooling)的方式,在不同尺度上进行池化操作,以捕捉输入图像的多尺度信息,并有效整合不同尺度的特征,从而提高模型性能;为加快特征金字塔网络的推理速度,SimSPPF将Silu激活函数替换为ReLU函数;本发明进一步改进了轻量池化空间金字塔结构,通过将原始结构中的普通卷积操作替换为普通卷积与分组卷积的交替堆叠操作和分组卷积操作,从而减少了神经网络模型的参数和计算量,加快了推理速度;同时,采用了ReLU的变种激活函数ReLU6来进行非线性特征学习,它具有更好的鲁棒性;ReLU6的输出范围被限制在[0, 6]内,这在一定程度上避免了梯度爆炸的问题,同时避免了输入为负数时输出为0从而导致神经元无法被激活的情况。
进一步的,步骤S1具体为:
S11:获取紫外光绝缘子图像,对紫外光绝缘子图像进行标注,获得标注图像;
具体的,将采集的紫外光绝缘子图像使用Labelimg进行标注,同一物体采用相同标注标准,标注文件采用xml后缀格式文件;
S12:将标注图像划分为训练集和测试集,对训练集和测试集进行预处理,获得预处理后的训练集和测试集,将预处理后的训练集和测试集作为样本数据;
具体的,将标注文件及数据集图像一一对应按8:2比例划分为训练集和测试集,并将划分后的标注文件内容按规定格式转化为训练文本文件及测试文本文件供模型训练使用;同时对紫外光绝缘子图像数据集进行预处理,预处理采用数据增强方法对数据集进行扩充,数据增强方式包括但不限于:图片平滑、缩放、旋转、翻转、贴图、裁剪、拼接、色彩变换;
S13:通过样本数据对目标检测网络进行训练,获得评估效果;
具体的,将训练集和测试集图片喂入目标检测网络,设置最大学习率为1e-2,最小学习率为1e-4等超参数,进行500次迭代训练保存最优权重;
S14:重复步骤S13直至达到最大迭代次数,将评估效果最优的目标检测网络作为第一训练阶段网络。
进一步的,步骤S2具体为:
S21:对第一训练阶段网络按照设定的稀疏率进行稀疏训练,减小第一训练阶段网络中各归一化模块所关联的卷积核的缩放因子;
S22:重复步骤S21直至达到最大迭代次数,将缩放因子最小的第一训练阶段网络作为第二训练阶段网络。
具体的,将上述训练好的第一训练阶段网络进行迭代稀疏训练,设置scale参数为0.005进行100次迭代训练,通过稀疏训练将归一化模块(Batch Normalization)的缩放因子Gamma值L1正则化并将Gamma值作为通道裁剪的衡量标准。
进一步的,步骤S3具体为:
S31:通过剪枝策略对第二训练阶段网络按照设定的超参数进行网络压缩,通过剪枝率计算获得阀值,将第二训练阶段网络中小于阀值的归一化模块所关联的卷积核剔除,获得压缩网络;
S32:通过知识蒸馏法对压缩网络进行检测精度提高,获得最终目标检测网络。
具体的,设定通道剪枝率进行剪枝,剪枝策略对上述稀疏训练得到的第二训练阶段网络进行网络压缩,针对网络模型中归一化模块缩放因子均值排序通过设定的剪枝率计算出对应阀值将低于阀值的通道进行剔除;
采用通道剪枝策略进行网络压缩会带来临时网络模型检测效果下降的现象,通过知识蒸馏方法对压缩后模型进行微调提升模型检测精度;
知识蒸馏微调策略采用SSD算法模型作为教师网络,压缩后的目标检测模型作为学生网络,通过学习SSD模型的完整输出,让压缩后的模型掌握SSD模型的推理方式,从而达到提升模型精度的目的。
进一步的,步骤S4具体为:
S41:特征提取网络将待测图片划分为4个不同的尺度特征图,包括:[52,52],[26,26],[13,13],[8,8];
S42:通过轻量池化空间金字塔结构和特征金字塔网络识别各尺度特征图中的待识别物,获取4张识别结果图,经过非极大值抑制筛选后保留的识别结果图作为最终检测结果。
具体的,特征提取网络通过一系列卷积操作将待测图片识别为4张识别结果图,识别结果图(维度为(长x宽x通道数):52x52xC,26x26xC,13x13xC,8x8xC)中每个像素点上有3个预选框,三个预选框的信息(如预选框的长宽信息,置信度(识别为某个物体的可能性))存储在通道数里面。每个像素点至多检测到三个可识别的物体;
为改善对重叠遮挡目标检测效果采用非极大值抑制(DIoU-NMS)进行识别结果图筛选;
其归类卷积输出维度为(S*S*anchor_num * class_num)其中class_num为类别数+1(1为背景);
其定位卷积输出维度为(S*S*anchor_num*4)其中4为检测框的位置信息;
IOU = (A∩B)/(A∪B);DIOU = IOU – ρ2(b,bgt)/c2;
IOU在检测框与真实框没有相交时无法反映两者的重合度,因此loss=0没有梯度回传无法进行学习训练,DIoU将目标与检测框之间的距离、重叠率以及尺度都考虑进去,使其在训练中目标框回归更加稳定。其中,b,bgt别代表了检测框和真实框的中心点,且 ρ 代表的是计算两个中心点间的欧式距离; c 代表的是能够同时包含检测框和真实框的最小闭包区域的对角线距离;
最终的检测效果如图5-8所示,图5-8为依次输入的四张待测图片,图中insulator数字,insulator表示识别物体为绝缘子,数字表示置信度。
一种紫外光绝缘子目标检测系统,包括以下模块:
第一训练模块,用于获取样本数据,构建目标检测网络,通过样本数据对目标检测网络进行迭代训练,获得第一训练阶段网络;
第二训练模块,用于对第一训练阶段网络进行稀疏训练,获得第二训练阶段网络;
压缩模块,用于对第二训练阶段网络进行压缩处理,获得最终目标检测网络;
检测模块,用于将待测图片输入最终目标检测网络,获得最终检测结果。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为标识。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种紫外光绝缘子目标检测方法,其特征在于,包括以下步骤:
S1:获取样本数据,构建目标检测网络,通过样本数据对目标检测网络进行迭代训练,获得第一训练阶段网络;
S2:对第一训练阶段网络进行稀疏训练,获得第二训练阶段网络;
S3:对第二训练阶段网络进行压缩处理,获得最终目标检测网络;
S4:将待测图片输入最终目标检测网络,获得最终检测结果;
目标检测网络包括:特征提取网络、轻量池化空间金字塔结构、特征金字塔网络和输出网络;
特征提取网络包括依次连接的第一卷积模块、第一轻量卷积层、第二轻量卷积层、第三轻量卷积层、第四轻量卷积层、第五轻量卷积层和第六轻量卷积层;
特征金字塔网络包括:第二卷积模块、第三卷积模块、第四卷积模块、第九卷积模块和FPN+PAN结构;
输出网络包括:第一检测模块、第二检测模块、第三检测模块和第四检测模块;
在FPN结构与PAN结构之间嵌入注意力机制模块;
第三轻量卷积层与第二卷积模块连接;
第四轻量卷积层与第三卷积模块连接;
第五轻量卷积层与轻量池化空间金字塔结构连接,轻量池化空间金字塔结构与第四卷积模块连接;
第二卷积模块、第三卷积模块和第四卷积模块与FPN+PAN结构连接,FPN+PAN结构与第一检测模块、第二检测模块和第三检测模块连接;
第六轻量卷积层与第九卷积模块连接,第九卷积模块与第四检测模块连接。
2.根据权利要求1所述的紫外光绝缘子目标检测方法,其特征在于,轻量池化空间金字塔结构包括:
输入模块、第一卷积层、第二卷积层、串联最大池化层、堆叠融合层、第三卷积层和输出模块;
输入模块、第一卷积层和第二卷积层依次连接,第二卷积层与串联最大池化层和堆叠融合层连接,串联最大池化层与堆叠融合层连接,堆叠融合层、第三卷积层和输出模块依次连接;
第一卷积层由普通卷积模块、归一化模块和ReLU6激活函数构成;
第二卷积层和第三卷积层均由分组卷积模块、归一化模块和ReLU6激活函数构成;
串联最大池化层包括:第一最大池化层、第二最大池化层和第三最大池化层;
第二卷积层与第一最大池化层、第二最大池化层和第三最大池化层连接,第一最大池化层、第二最大池化层和第三最大池化层与堆叠融合层连接,第一最大池化层、第二最大池化层和第三最大池化层依次连接。
3.根据权利要求1所述的紫外光绝缘子目标检测方法,其特征在于,步骤S1具体为:
S11:获取紫外光绝缘子图像,对紫外光绝缘子图像进行标注,获得标注图像;
S12:将标注图像划分为训练集和测试集,对训练集和测试集进行预处理,获得预处理后的训练集和测试集,将预处理后的训练集和测试集作为样本数据;
S13:通过样本数据对目标检测网络进行训练,获得评估效果;
S14:重复步骤S13直至达到最大迭代次数,将评估效果最优的目标检测网络作为第一训练阶段网络。
4.根据权利要求1所述的紫外光绝缘子目标检测方法,其特征在于,步骤S2具体为:
S21:对第一训练阶段网络按照设定的稀疏率进行稀疏训练,减小第一训练阶段网络中各归一化模块所关联的卷积核的缩放因子;
S22:重复步骤S21直至达到最大迭代次数,将缩放因子最小的第一训练阶段网络作为第二训练阶段网络。
5.根据权利要求1所述的紫外光绝缘子目标检测方法,其特征在于,步骤S3具体为:
S31:通过剪枝策略对第二训练阶段网络按照设定的超参数进行网络压缩,通过剪枝率计算获得阀值,将第二训练阶段网络中小于阀值的归一化模块所关联的卷积核剔除,获得压缩网络;
S32:通过知识蒸馏法对压缩网络进行检测精度提高,获得最终目标检测网络。
6.根据权利要求1所述的紫外光绝缘子目标检测方法,其特征在于,步骤S4具体为:
S41:特征提取网络将待测图片划分为4个不同的尺度特征图,包括:[52,52],[26,26],[13,13],[8,8];
S42:通过轻量池化空间金字塔结构和特征金字塔网络识别各尺度特征图中的待识别物,获取4张识别结果图,经过非极大值抑制筛选后保留的识别结果图作为最终检测结果。
7.一种紫外光绝缘子目标检测系统,其特征在于,包括以下模块:
第一训练模块,用于获取样本数据,构建目标检测网络,通过样本数据对目标检测网络进行迭代训练,获得第一训练阶段网络;
第二训练模块,用于对第一训练阶段网络进行稀疏训练,获得第二训练阶段网络;
压缩模块,用于对第二训练阶段网络进行压缩处理,获得最终目标检测网络;
检测模块,用于将待测图片输入最终目标检测网络,获得最终检测结果;
目标检测网络包括:特征提取网络、轻量池化空间金字塔结构、特征金字塔网络和输出网络;
特征提取网络包括依次连接的第一卷积模块、第一轻量卷积层、第二轻量卷积层、第三轻量卷积层、第四轻量卷积层、第五轻量卷积层和第六轻量卷积层;
特征金字塔网络包括:第二卷积模块、第三卷积模块、第四卷积模块、第九卷积模块和FPN+PAN结构;
输出网络包括:第一检测模块、第二检测模块、第三检测模块和第四检测模块;
在FPN结构与PAN结构之间嵌入注意力机制模块;
第三轻量卷积层与第二卷积模块连接;
第四轻量卷积层与第三卷积模块连接;
第五轻量卷积层与轻量池化空间金字塔结构连接,轻量池化空间金字塔结构与第四卷积模块连接;
第二卷积模块、第三卷积模块和第四卷积模块与FPN+PAN结构连接,FPN+PAN结构与第一检测模块、第二检测模块和第三检测模块连接;
第六轻量卷积层与第九卷积模块连接,第九卷积模块与第四检测模块连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311128503.2A CN116883980A (zh) | 2023-09-04 | 2023-09-04 | 一种紫外光绝缘子目标检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311128503.2A CN116883980A (zh) | 2023-09-04 | 2023-09-04 | 一种紫外光绝缘子目标检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116883980A true CN116883980A (zh) | 2023-10-13 |
Family
ID=88257133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311128503.2A Pending CN116883980A (zh) | 2023-09-04 | 2023-09-04 | 一种紫外光绝缘子目标检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883980A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680759A (zh) * | 2020-06-16 | 2020-09-18 | 西南交通大学 | 一种电网巡检绝缘子检测分类方法 |
CN112215207A (zh) * | 2020-11-10 | 2021-01-12 | 中国人民解放军战略支援部队信息工程大学 | 联合多尺度和注意力机制的遥感影像飞机目标检测方法 |
CN112381784A (zh) * | 2020-11-12 | 2021-02-19 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多光谱图像的设备检测系统 |
CN113065558A (zh) * | 2021-04-21 | 2021-07-02 | 浙江工业大学 | 一种结合注意力机制的轻量级小目标检测方法 |
CN114167245A (zh) * | 2022-02-11 | 2022-03-11 | 国网湖北省电力有限公司检修公司 | 输变电设备表面局放智能检测方法及无人机融合紫外系统 |
CN114594461A (zh) * | 2022-03-14 | 2022-06-07 | 杭州电子科技大学 | 基于注意力感知与缩放因子剪枝的声呐目标检测方法 |
CN114937151A (zh) * | 2022-05-06 | 2022-08-23 | 西安电子科技大学 | 基于多感受野和注意力特征金字塔的轻量级目标检测方法 |
CN115761646A (zh) * | 2022-12-06 | 2023-03-07 | 武汉纺织大学 | 一种面向工业园区的行人跟踪方法、设备及存储介质 |
WO2023138300A1 (zh) * | 2022-01-20 | 2023-07-27 | 城云科技(中国)有限公司 | 目标检测方法及应用其的移动目标跟踪方法 |
-
2023
- 2023-09-04 CN CN202311128503.2A patent/CN116883980A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680759A (zh) * | 2020-06-16 | 2020-09-18 | 西南交通大学 | 一种电网巡检绝缘子检测分类方法 |
CN112215207A (zh) * | 2020-11-10 | 2021-01-12 | 中国人民解放军战略支援部队信息工程大学 | 联合多尺度和注意力机制的遥感影像飞机目标检测方法 |
CN112381784A (zh) * | 2020-11-12 | 2021-02-19 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多光谱图像的设备检测系统 |
CN113065558A (zh) * | 2021-04-21 | 2021-07-02 | 浙江工业大学 | 一种结合注意力机制的轻量级小目标检测方法 |
WO2023138300A1 (zh) * | 2022-01-20 | 2023-07-27 | 城云科技(中国)有限公司 | 目标检测方法及应用其的移动目标跟踪方法 |
CN114167245A (zh) * | 2022-02-11 | 2022-03-11 | 国网湖北省电力有限公司检修公司 | 输变电设备表面局放智能检测方法及无人机融合紫外系统 |
CN114594461A (zh) * | 2022-03-14 | 2022-06-07 | 杭州电子科技大学 | 基于注意力感知与缩放因子剪枝的声呐目标检测方法 |
CN114937151A (zh) * | 2022-05-06 | 2022-08-23 | 西安电子科技大学 | 基于多感受野和注意力特征金字塔的轻量级目标检测方法 |
CN115761646A (zh) * | 2022-12-06 | 2023-03-07 | 武汉纺织大学 | 一种面向工业园区的行人跟踪方法、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
BBUF: ""如何让你的YOLOV3模型更小更快?"", pages 1 - 7, Retrieved from the Internet <URL:"https://mp.weixin.qq.com/s/nqEXUBXHedNImabZboSk3Q"> * |
MCGL: ""YOLOv4"", pages 1 - 14, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/138510087> * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112580439B (zh) | 小样本条件下的大幅面遥感图像舰船目标检测方法及系统 | |
US10984289B2 (en) | License plate recognition method, device thereof, and user equipment | |
Chen et al. | Convolutional neural network-based place recognition | |
CN112801146B (zh) | 一种目标检测方法及系统 | |
CN114202672A (zh) | 一种基于注意力机制的小目标检测方法 | |
CN109165623B (zh) | 基于深度学习的水稻病斑检测方法及系统 | |
CN110782420A (zh) | 一种基于深度学习的小目标特征表示增强方法 | |
CN113128558B (zh) | 基于浅层空间特征融合与自适应通道筛选的目标检测方法 | |
CN114495029B (zh) | 一种基于改进YOLOv4的交通目标检测方法及系统 | |
CN111160273A (zh) | 一种高光谱图像空谱联合分类方法及装置 | |
CN109871789A (zh) | 一种基于轻量化神经网络的复杂环境下车辆检测方法 | |
CN113052185A (zh) | 一种基于Faster R-CNN的小样本目标检测方法 | |
CN116416244A (zh) | 一种基于深度学习的裂缝检测方法及系统 | |
CN113903022A (zh) | 基于特征金字塔与注意力融合的文本检测方法及系统 | |
CN107545281B (zh) | 一种基于深度学习的单一有害气体红外图像分类识别方法 | |
CN112784754A (zh) | 一种车辆再识别方法、装置、设备及存储介质 | |
CN109886160B (zh) | 一种非限定条件下的人脸识别方法 | |
CN113378786B (zh) | 一种超轻量目标检测网络和方法 | |
CN109284752A (zh) | 一种车辆的快速检测方法 | |
CN115546569B (zh) | 一种基于注意力机制的数据分类优化方法及相关设备 | |
CN113269038A (zh) | 一种基于多尺度的行人检测方法 | |
CN110458004B (zh) | 一种目标对象识别方法、装置、设备以及存储介质 | |
CN116563844A (zh) | 圣女果成熟度检测方法、装置、设备及存储介质 | |
CN116883980A (zh) | 一种紫外光绝缘子目标检测方法及系统 | |
CN115761667A (zh) | 一种基于改进fcos算法的无人车辆搭载摄像头目标检测方法 |
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 |