CN117218102A - 一种基于改进YOLOv5的绝缘子缺陷检测方法及其系统 - Google Patents
一种基于改进YOLOv5的绝缘子缺陷检测方法及其系统 Download PDFInfo
- Publication number
- CN117218102A CN117218102A CN202311262951.1A CN202311262951A CN117218102A CN 117218102 A CN117218102 A CN 117218102A CN 202311262951 A CN202311262951 A CN 202311262951A CN 117218102 A CN117218102 A CN 117218102A
- Authority
- CN
- China
- Prior art keywords
- improved
- defect
- insulator
- yolov5 model
- image
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 151
- 238000001514 detection method Methods 0.000 title claims abstract description 111
- 239000012212 insulator Substances 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 53
- 230000006870 function Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 3
- 230000001094 effect on targets Effects 0.000 abstract description 2
- 230000003935 attention Effects 0.000 description 30
- 238000010586 diagram Methods 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006798 recombination Effects 0.000 description 3
- 238000005215 recombination Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
Landscapes
- Image Processing (AREA)
Abstract
本申请适用于电网设备检测的技术领域，提供了一种基于改进YOLOv5的绝缘子缺陷检测方法及其系统，其方法包括获取预设的改进YOLOv5模型和绝缘子的待检测图像，将待检测图像输入至改进YOLOv5模型，生成缺陷检测图像；根据缺陷检测图像，确定绝缘子的缺陷检测结果。本申请能够构建出在保证轻量化的前提下具有极高检测精度的改进YOLOv5模型，具有更快的收敛速度和更准确的回归结构，能够实时检测绝缘子的缺陷，有效地提高对绝缘子缺陷的识别准确率，对不同尺度的目标均具有更好的检测效果。
Description
技术领域
本申请涉及电网设备检测的技术领域，具体而言，涉及一种基于改进YOLOv5的绝缘子缺陷检测方法及其系统。
背景技术
现代电力系统的安全稳定运行离不开电力设备的正常工作；绝缘子是作为输电线路上使用最多的电力设备之一，对架空电线电缆的连接和实现对地绝缘都起到关键作用。由于绝缘子长期暴露在野外恶劣的自然环境中,当绝缘子出现产品质量缺陷的时候，容易发生自爆、破损和闪络等故障。
目前，通常采用人工对输电线路进行实地巡检的方式排除绝缘子故障，但是人工巡检耗时耗力、作业安全性无法有效保证，且依赖工人经验，存在识别准确性较低的问题，有待进一步改进。
发明内容
基于此，本申请实施例提供了一种基于改进YOLOv5的绝缘子缺陷检测方法及其系统，以解决现有技术中识别准确性较低的问题。
第一方面，本申请实施例提供了一种基于改进YOLOv5的绝缘子缺陷检测方法，所述方法包括：
获取预设的改进YOLOv5模型和绝缘子的待检测图像；
将所述待检测图像输入至所述改进YOLOv5模型，生成缺陷检测图像；
根据所述缺陷检测图像，确定绝缘子的缺陷检测结果，其中，所述缺陷检测结果用于评价所述绝缘子是否存在指定缺陷。
与现有技术相比存在的有益效果是：本申请实施例提供的基于改进YOLOv5的绝缘子缺陷检测方法，终端设备可以先获取改进YOLOv5模型和绝缘子的待检测图像；然后将所述待检测图像输入至所述改进YOLOv5模型，生成缺陷检测图像；再根据所述缺陷检测图像，确定出绝缘子的缺陷检测结果，实现对绝缘子的缺陷检测，有效地减少了检测人员的工作量，有效地提高了绝缘子缺陷的识别准确性，在一定程度上解决了当前识别准确性较低的问题。
第二方面，本申请实施例提供了一种基于改进YOLOv5的绝缘子缺陷检测系统，所述系统包括：
待检测图像获取模块：用于获取预设的改进YOLOv5模型和绝缘子的待检测图像；
缺陷检测图像生成模块：用于将所述待检测图像输入至所述改进YOLOv5模型，生成缺陷检测图像；
缺陷检测结果确定模块：用于根据所述缺陷检测图像，确定绝缘子的缺陷检测结果，其中，所述缺陷检测结果用于评价所述绝缘子是否存在指定缺陷。。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面的方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面的方法的步骤。
可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是本申请一实施例提供绝缘子缺陷检测方法的流程示意图；
图2是本申请一实施例提供的绝缘子缺陷检测方法中步骤S200之前的流程示意图；
图3是本申请一实施例提供的EfficientViT网络的结构示意图；
图4是本申请一实施例提供的C2f-EMA模块的结构示意图；
图5是本申请一实施例提供的EMA模块的结构示意图；
图6是本申请一实施例提供的CARAFE上采样算子的结构示意图；
图7是本申请一实施例提供的DyHead目标检测头的结构示意图；
图8是本申请一实施例提供的改进YOLOv5模型的结构示意图；
图9是本申请一实施例提供的绝缘子缺陷检测方法中步骤S104的流程示意图；
图10是本申请一实施例提供的绝缘子缺陷检测方法中步骤S300的流程示意图；
图11是本申请一实施例提供的绝缘子缺陷检测系统的模块框图；
图12是本申请一实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
请参阅图1，图1是本申请实施例提供的基于改进YOLOv5的绝缘子缺陷检测方法的流程示意图。在本实施例中，绝缘子缺陷检测方法的执行主体为终端设备。可以理解的是，终端设备的类型包括但不限于手机、平板电脑、笔记本电脑、超级移动个人计算机(Ultra-Mobile Personal Computer，UMPC)、上网本、个人数字助理(Personal DigitalAssistant，PDA)等，本申请实施例对终端设备的具体类型不作任何限制。
请参阅图1，本申请实施例提供的绝缘子缺陷检测方法包括但不限于以下步骤：
在S100中，获取预设的改进YOLOv5模型和绝缘子的待检测图像。
具体来说，终端设备先获取预设的改进YOLOv5模型，并且获取绝缘子的待检测图像，其中，改进YOLOv5模型是综合改进后的YOLOv5模型，改进YOLOv5模型用于当绝缘子存在缺陷的时候，快速且准确地确定缺陷种类和缺陷所在位置；待检测图像用于描述待检测是否存在缺陷的绝缘子对应的图像。
在S200中，将待检测图像输入至改进YOLOv5模型，生成缺陷检测图像。
具体来说，终端设备可以将待检测图像输入至改进YOLOv5模型，生成缺陷检测图像，其中，缺陷检测图像是由改进YOLOv5模型输出的。
在一些可能的实现方式中，为了有利于提高识别准确率，请参阅图2，在步骤S200之前，该方法还包括但不限于以下步骤：
在S101中，基于初始YOLOv5模型、改进轻量级视觉转换网络、改进计算机视觉模块模块、改进目标检测头、改进轻量级上采样算子和改进损失函数，构建改进YOLOv5模型。
具体来说，终端设备可以基于初始YOLOv5模型、改进轻量级视觉转换网络、改进计算机视觉模块模块、改进目标检测头、改进轻量级上采样算子、改进损失函数，构建出改进YOLOv5模型。
不失一般性地，改进轻量级视觉转换网络为EfficientViT网络；改进计算机视觉模块模块为C2f-EMA模块；C2f-EMA模块用于描述添加EMA注意力机制的C2f模块；改进目标检测头用于描述基于注意力机制的目标检测头，改进目标检测头为DyHead目标检测头；改进轻量级上采样算子为CARAFE上采样算子；改进损失函数为MPDloU损失函数。
在一些可能的实现方式中，为了实现改进YOLOv5模型可以有更快的收敛速度和更准确的回归结果，请参阅图2，步骤S101包括但不限于以下步骤：
在S102中，获取初始YOLOv5模型。
具体来说，初始YOLOv5模型包括主干特征提取网络、颈部网络和头部网络，初始YOLOv5模型用于描述初始的YOLOv5模型；终端设备可以先获取获取初始YOLOv5模型。
在S103中，将主干特征提取网络替换成EfficientViT网络，并将颈部网络中原有的C3模块替换成C2f-EMA模块，并在颈部网络中添加CARAFE上采样算子，以使初始YOLOv5模型的上采样过程是基于CARAFE上采样算子而进行的，并在头部网络中添加DyHead目标检测头，并将MPDloU损失函数作为初始YOLOv5模型中的目标框回归损失函数，生成待训练YOLOv5模型。
具体来说，初始YOLOv5模型的主干特征提取网络是CSPDarknet网络，终端设备可以将该主干特征提取网络替换成EfficientViT网络，通过EfficientViT网络能够得到一系列的特征图(Feature Maps)。请参阅图3，EfficientViT网络是基于级联分组注意力模块的全新实时网络架构，EfficientViT网络由若干个EfficientViTBlocks串联所构成，而EfficientViTBlocks分别由Sandwich Layout block和Cascaded Group Attent ion等核心模块构成，其中，Sandwich Layout block是一种使用了三明治布局的内存高效的块，能够使用较少的受内存限制的自注意力层和更具内存效率的FFN层进行通道通信，其抽象公式如下：。
该块在单个自注意力层之前和之后，该块包含了N个FFN层，能够减少模型中自注意力层所引起的内存时间消耗，并且能够应用更多的FFN层，实现不同特征通道之间的高效通信。同时，在每个FFN层之前均应用了一个额外的令牌交互层，使用了深度卷积(DWConv)，从而能够引入有利于局部结构信息的归纳偏差，大幅度增强模型的能力。
具体地，Cascaded Group At tent ion能够将每个头部与完整特征的不同切分进行输入，从而明确地将注意力计算分解到不同的头部中。注意力计算可以是：
Cascaded Group Attent ion能够使用特征切分而不是完整特征对每个头部进行输入更加高效，节省计算开销，通过鼓励Q、K、V层在具有丰富信息的特征上学习投影，实现通过以级联的方式计算每个头部的注意力图，将每个头部的输出添加到后续头部中，逐步优化特征的表示。
该级联设计具有两个优点，第一个优点：将不同的特征切分输入到每个头部可以提高注意力图的多样性，类似于组卷积，级联组注意力可以通过h×减少Flops和参数，实现QKV层中的输入和输出通道数减少了h×。第二个优点：级联注意力头允许增加网络的深度，从而进一步提高模型的容量，而不需要引入任何额外的参数，因为每个头部中的注意力图计算均使用了更小的QK通道维度，使得它只会带来轻微的延迟开销。
在一种可能的实现方式中，还可以同时使用overlap patch embedding以增强模型的low-level视觉表征能力，由于BN可以与线性层和卷积层在推理时融合以实现加速，故终端设备可以在网络中的归一化层中将LN替换成BN，从而类似于Mobi leNetV3和LeViT，网络在大尺度下层数更少，并在每个stage均用小于2的宽度扩展系数以减轻深层的冗余。
不失一般性地，请参阅图4和图5，终端设备可以将颈部网络中原有的C3模块替换成C2f-EMA模块。其中，C2f模块主要是借助CSPNet提取分流的思想，同时结合残差结构的思想，设计出Bott leNeck残差模块。C2f模块中共使用了3个卷积模块(Conv+BN+SiLU)，以及n个Bott leNeck。通过并行更多的梯度流分支,以获得更丰富的梯度信息，进而获得更高的精度和更合理的延迟。而EMA模块结合了高效多尺度注意力(EMA)机制，能够保留每个通道的信息并减少计算开销，同时将部分通道重塑为Batch维度，同时将通道维度分组为多个子特征，使空间语义特征在每个特征组中能够更好地分布。除了对全局信息进行编码以重新校准每个并行分支中的通道加权之外，EMA注意力机制还能够通过跨维度交互来进一步聚合两个并行分支的输出特征，实现捕获像素级的成对关系，故将EMA注意力机制嵌入到C2f模块中，能获得更高效更丰富的信息，提高特征图的表达能力
具体来说，请参阅图6，终端设备可以在颈部网络中添加CARAFE上采样算子，以使初始YOLOv5模型的上采样过程是基于CARAFE上采样算子而进行的，能够在不引入过多的参数和计算量的同时，在上采样的过程中得到特征图的语义相关信息，且保留更多的信息。其中，上采样操作CARAFE在重组时可以有较大的感受野，会根据输入特征来指导重组过程，整个CARAFE上采样算子是相对轻量级的。能够先利用输入的特征图来预测上采样核，每个位置的上采样核均是不同的，然后基于预测的上采样核来进行特征重组。
需要说明的是，CARAFE分为两个主要模块，两个主要模块分别是上采样核预测模块和特征重组模块。CARAFE的计算公式可以是：
其中，上采样核预测模块主要包括特征图通道压缩、内容编码、上采样核预测，以及上采样核归一化特征重组模块。能够对输出的特征图中的每个位置，将其映射回输入的特征图，取出以其为中心的kup×kup区域，同时预测出该点的上采样核，并且通过点积运算得到输出值，相同位置的不同通道可以共享同一个上采样核。
具体来说，请参阅图7，终端设备可以在头部网络中添加DyHead目标检测头。其中，DyHead目标检测头能够采用注意力机制将不同的目标检测头进行统一，而特征层次之间的注意力机制用于尺度感知，空间位置之间的注意力机制用于空间感知，输出通道内的注意力机制用于任务感知。添加DyHead目标检测头可以在不增加计算量的情况显著提升模型目标检测头的表达能力。其中，注意力函数转换为三个序列注意力，每个注意力仅聚焦一个维度，注意力函数如下公式所示：
由于尺度感知注意力是基于其语义重要性对不同尺度特征进行融合的，故可以采用如下公式：
由于空间位置感知注意力模块聚焦不同空间位置的判别能力，且考虑到S的高纬度，因此需要对空间位置感知注意力模块进行解耦：譬如先采用形变卷积对注意力学习稀疏化，然后进行特征跨尺度集成，故可以采用如下公式：
而任务感知注意力，可以动态开关特征通道以辅助不同任务，进而促进联合学习与目标表达能力的泛化性，故可以采用如下公式：
综上，将上述注意力机制以序列方式实施，堆叠实施多次即可以得到DyHead目标检测头。
具体来说，终端设备可以将MPDloU损失函数作为初始YOLOv5模型中的目标框回归损失函数，从而实现获得更加精确的回归，对所得到的边框进行分类，以及得到检测框的精确位置。在一种可能的实现方式中，终端设备还可以结合非极大抑制NMS实现去除重叠的边界框，从而完成待训练YOLOv5模型的生成。
在S104中，基于预设的绝缘子数据集对待训练YOLOv5模型进行训练，生成改进YOLOv5模型。
示例性地，请参阅图8，图8为改进YOLOv5模型的整体结构图。终端设备可以基于预设的绝缘子数据集对待训练YOLOv5模型进行训练，生成改进YOLOv5模型。
在一些可能的实现方式中，为了有效地对待训练YOLOv5模型进行训练，生成出符号需求的改进YOLOv5模型，请参阅图9，步骤S104包括但不限于以下步骤：
在S1041中，获取绝缘子的缺陷图像集。
具体来说，缺陷图像集包括多张绝缘子的缺陷图像。在一种可能的实现方式中，绝缘子数据集可以是公开的数据集，该数据集可以由真实图像和合成图像构成。
在S1042中，对每张缺陷图像中的缺陷区域进行标注，生成缺陷数据集。
具体来说，缺陷数据集用于描述标注缺陷区域后的缺陷图像集；终端设备可以基于Llabel img软件对每张缺陷图像中的缺陷区域进行标注，生成缺陷数据集。
在S1043中，对缺陷数据集进行数据增强处理，生成增强缺陷数据集。
具体来说，增强缺陷数据集用于描述进行数据增强处理后的缺陷数据集。在终端设备生成缺陷数据集之后，终端设备可以对缺陷数据集进行数据增强处理，数据增强处理可以是对标注缺陷区域后的缺陷图像进行翻转、平移、旋转、增加数据噪声等操作，生成增强缺陷数据集。在一种可能的实现方式中，终端设备可以将缺陷数据集进行数据增强处理至8000张，其所占储存空间为3.8GB。
在S1044中，按照预设的比例，将增强缺陷数据集划分为训练数据集和测试数据集。
具体来说，终端设备可以按照预设的比例，将增强缺陷数据集划分为训练数据集和测试数据集。示例性地，当该比例为8比2的时候，终端设备可以划分6400张缺陷图像为训练数据集，且划分1600张缺陷图像为测试数据集。
在S1045中，基于训练数据集对待训练YOLOv5模型进行训练，并基于测试数据集对待训练YOLOv5模型的输出结果进行验证，若输出结果的准确率小于预设的准确阈值，则调整待训练YOLOv5模型的超参数，再次基于训练数据集对待训练YOLOv5模型进行训练，直至输出结果的准确率大于或等于准确阈值。
具体来说，终端设备可以基于训练数据集对待训练YOLOv5模型进行训练，并且通过测试数据集对待训练YOLOv5模型的输出结果进行验证；如果待训练YOLOv5模型的输出结果的准确率小于预设的准确阈值，则调整待训练YOLOv5模型的超参数，再次基于训练数据集对待训练YOLOv5模型进行训练，直至待训练YOLOv5模型的输出结果的准确率大于或等于准确阈值，此时可以确定该准确率达标的模型为改进YOLOv5模型。
在S300中，根据缺陷检测图像，确定绝缘子的缺陷检测结果。
具体来说，缺陷检测结果用于评价绝缘子是否存在指定缺陷，指定缺陷可以是绝缘子出现裂纹损伤和/或绝缘子表面有爬电痕迹等；终端设备可以根据缺陷检测图像，确定绝缘子的缺陷检测结果。
在一些可能的实现方式中，为了有利于实现对绝缘子的高效且准确的缺陷检测，请参阅图10，步骤S300包括但不限于以下步骤：
在S310中，确定缺陷检测图像是否存在目标边界框。
具体来说，目标边界框用于描述类别信息为指定缺陷的边界框；终端设备可以先确定缺陷检测图像是否存在目标边界框。
在S320中，若缺陷检测图像存在目标边界框，则确定绝缘子存在指定缺陷，否则确定绝缘子不存在指定缺陷。
具体来说，如果缺陷检测图像存在目标边界框，则终端设备可以确定绝缘子存在指定缺陷，否则终端设备可以确定绝缘子不存在指定缺陷。
本申请实施例基于改进YOLOv5的绝缘子缺陷检测方法的实施原理为：终端设备可以先构建改进YOLOv5模型，该改进YOLOv5模型能够对不同尺度的目标有更好的检测效果，在保证轻量化的同时兼具高检测精度，然后获取预设的改进YOLOv5模型和绝缘子的待检测图像，再将待检测图像输入至改进YOLOv5模型，生成缺陷检测图像，然后根据缺陷检测图像，快速且准确地确定绝缘子是否存在指定缺陷，从而有效提高了绝缘子缺陷的识别准确率。
需要说明的是，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本申请的实施例还提供了一种基于改进YOLOv5的绝缘子缺陷检测系统，为便于说明，仅示出与本申请相关的部分，如图11所示，该系统110包括：
待检测图像获取模块111：用于获取预设的改进YOLOv5模型和绝缘子的待检测图像；
缺陷检测图像生成模块112：用于将待检测图像输入至改进YOLOv5模型，生成缺陷检测图像；
缺陷检测结果确定模块113：用于根据缺陷检测图像，确定绝缘子的缺陷检测结果，其中，缺陷检测结果用于评价绝缘子是否存在指定缺陷。
可选的，该系统110还包括：
改进YOLOv5模型构建模块：用于基于初始YOLOv5模型、改进轻量级视觉转换网络、改进计算机视觉模块模块、改进目标检测头、改进轻量级上采样算子、改进损失函数，构建改进YOLOv5模型，其中，改进轻量级视觉转换网络为EfficientViT网络，改进计算机视觉模块模块为C2f-EMA模块，C2f-EMA模块用于描述添加EMA注意力机制的C2f模块，改进目标检测头用于描述基于注意力机制的目标检测头，改进目标检测头为DyHead目标检测头，改进轻量级上采样算子为CARAFE上采样算子，改进损失函数为MPDloU损失函数。
可选的，上述改进YOLOv5模型构建模块包括：
初始YOLOv5模型获取子模块：用于获取初始YOLOv5模型，其中，初始YOLOv5模型包括主干特征提取网络、颈部网络和头部网络；
待训练YOLOv5模型生成子模块：用于将主干特征提取网络替换成EfficientViT网络，并将颈部网络中原有的C3模块替换成C2f-EMA模块，并在颈部网络中添加CARAFE上采样算子，以使初始YOLOv5模型的上采样过程是基于CARAFE上采样算子而进行的，并在头部网络中添加DyHead目标检测头，并将MPDloU损失函数作为初始YOLOv5模型中的目标框回归损失函数，生成待训练YOLOv5模型；
改进YOLOv5模型生成子模块：用于基于预设的绝缘子数据集对待训练YOLOv5模型进行训练，生成改进YOLOv5模型。
可选的，上述改进YOLOv5模型生成子模块包括：
缺陷数据集生成单元：用于对每张缺陷图像中的缺陷区域进行标注，生成缺陷数据集；
增强缺陷数据集生成单元：用于对缺陷数据集进行数据增强处理，生成增强缺陷数据集；
数据集划分单元：用于按照预设的比例，将增强缺陷数据集划分为训练数据集和测试数据集；
待训练YOLOv5模型训练单元：用于基于训练数据集对待训练YOLOv5模型进行训练，并基于测试数据集对待训练YOLOv5模型的输出结果进行验证，若输出结果的准确率小于预设的准确阈值，则调整待训练YOLOv5模型的超参数，再次基于训练数据集对待训练YOLOv5模型进行训练，直至输出结果的准确率大于或等于准确阈值。
可选的，缺陷检测图像包括边界框的类别信息，类别信息包括指定缺陷；上述缺陷检测结果确定模块113包括：
目标边界框确定子模块：用于确定缺陷检测图像是否存在目标边界框，其中，目标边界框用于描述类别信息为指定缺陷的边界框；
缺陷确定子模块：用于若缺陷检测图像存在目标边界框，则确定绝缘子存在指定缺陷，否则确定绝缘子不存在指定缺陷。
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
本申请实施例还提供了一种终端设备，如图12所示，该实施例的终端设备120包括：处理器121、存储器122以及存储在存储器122中并可在处理器121上运行的计算机程序123。处理器121执行计算机程序123时实现上述流量处理方法实施例中的步骤，例如图1所示的步骤S100至S300；或者，处理器121执行计算机程序123时实现上述装置中各模块的功能，例如图11所示模块111至113的功能。
该终端设备120可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备，该终端设备120包括但不仅限于处理器121、存储器122。本领域技术人员可以理解，图12仅仅是终端设备120的示例，并不构成对终端设备120的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备120还可以包括输入输出设备、网络接入设备、总线等。
其中，处理器121可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等；通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器122可以是终端设备120的内部存储单元，例如终端设备120的硬盘或内存，存储器122也可以是终端设备120的外部存储设备，例如终端设备120上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital，SD)卡，闪存卡(FlashCard)等；进一步地，存储器122还可以既包括终端设备120的内部存储单元也包括外部存储设备，存储器122还可以存储计算机程序123以及终端设备120所需的其它程序和数据，存储器122还可以用于暂时地存储已经输出或者将要输出的数据。
本申请的一个实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等；计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的方法、原理、结构所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (9)
1.一种基于改进YOLOv5的绝缘子缺陷检测方法，其特征在于，所述方法包括：
获取预设的改进YOLOv5模型和绝缘子的待检测图像；
将所述待检测图像输入至所述改进YOLOv5模型，生成缺陷检测图像；
根据所述缺陷检测图像，确定绝缘子的缺陷检测结果，其中，所述缺陷检测结果用于评价所述绝缘子是否存在指定缺陷。
2.根据权利要求1所述的方法，其特征在于，在所述获取预设的改进YOLOv5模型和绝缘子的待检测图像之前，所述方法还包括：
基于初始YOLOv5模型、改进轻量级视觉转换网络、改进计算机视觉模块模块、改进目标检测头、改进轻量级上采样算子和改进损失函数，构建所述改进YOLOv5模型，其中，所述改进轻量级视觉转换网络为EfficientViT网络，所述改进计算机视觉模块模块为C2f-EMA模块，所述C2f-EMA模块用于描述添加EMA注意力机制的C2f模块，所述改进目标检测头用于描述基于注意力机制的目标检测头，所述改进目标检测头为DyHead目标检测头，所述改进轻量级上采样算子为CARAFE上采样算子，所述改进损失函数为MPDloU损失函数。
3.根据权利要求2所述的方法，其特征在于，所述基于初始YOLOv5模型、改进轻量级视觉转换网络、改进计算机视觉模块模块、改进目标检测头、改进轻量级上采样算子和改进损失函数，构建所述改进YOLOv5模型，包括：
获取初始YOLOv5模型，其中，所述初始YOLOv5模型包括主干特征提取网络、颈部网络和头部网络；
将所述主干特征提取网络替换成EfficientViT网络，并将所述颈部网络中原有的C3模块替换成C2f-EMA模块，并在所述颈部网络中添加CARAFE上采样算子，以使所述初始YOLOv5模型的上采样过程是基于CARAFE上采样算子而进行的，并在所述头部网络中添加DyHead目标检测头，并将MPDloU损失函数作为所述初始YOLOv5模型中的目标框回归损失函数，生成待训练YOLOv5模型；
基于预设的绝缘子数据集对所述待训练YOLOv5模型进行训练，生成所述改进YOLOv5模型。
4.根据权利要求3所述的方法，其特征在于，所述基于预设的绝缘子数据集对所述待训练YOLOv5模型进行训练，生成所述改进YOLOv5模型，包括：
获取绝缘子的缺陷图像集，其中，所述缺陷图像集包括多张绝缘子的缺陷图像；
对每张所述缺陷图像中的缺陷区域进行标注，生成缺陷数据集；
对所述缺陷数据集进行数据增强处理，生成增强缺陷数据集；
按照预设的比例，将所述增强缺陷数据集划分为训练数据集和测试数据集；
基于所述训练数据集对所述待训练YOLOv5模型进行训练，并基于所述测试数据集对所述待训练YOLOv5模型的输出结果进行验证，若所述输出结果的准确率小于预设的准确阈值，则调整所述待训练YOLOv5模型的超参数，再次基于所述训练数据集对所述待训练YOLOv5模型进行训练，直至所述输出结果的准确率大于或等于所述准确阈值。
5.根据权利要求1所述的方法，其特征在于，所述缺陷检测图像包括边界框的类别信息，所述类别信息包括指定缺陷；所述根据所述缺陷检测图像，确定绝缘子的缺陷检测结果，包括：
确定所述缺陷检测图像是否存在目标边界框，其中，所述目标边界框用于描述类别信息为指定缺陷的边界框；
若所述缺陷检测图像存在目标边界框，则确定所述绝缘子存在指定缺陷，否则确定所述绝缘子不存在指定缺陷。
6.一种基于改进YOLOv5的绝缘子缺陷检测系统，其特征在于，所述系统包括：
待检测图像获取模块：用于获取预设的改进YOLOv5模型和绝缘子的待检测图像；
缺陷检测图像生成模块：用于将所述待检测图像输入至所述改进YOLOv5模型，生成缺陷检测图像；
缺陷检测结果确定模块：用于根据所述缺陷检测图像，确定绝缘子的缺陷检测结果，其中，所述缺陷检测结果用于评价所述绝缘子是否存在指定缺陷。
7.根据权利要求6所述的系统，其特征在于，所述系统包括：
改进YOLOv5模型构建模块：用于基于初始YOLOv5模型、改进轻量级视觉转换网络、改进计算机视觉模块模块、改进目标检测头、改进轻量级上采样算子、改进损失函数，构建所述改进YOLOv5模型，其中，所述改进轻量级视觉转换网络为EfficientViT网络，所述改进计算机视觉模块模块为C2f-EMA模块，所述C2f-EMA模块用于描述添加EMA注意力机制的C2f模块，所述改进目标检测头用于描述基于注意力机制的目标检测头，所述改进目标检测头为DyHead目标检测头，所述改进轻量级上采样算子为CARAFE上采样算子，所述改进损失函数为MPDloU损失函数。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311262951.1A CN117218102A (zh) | 2023-09-27 | 2023-09-27 | 一种基于改进YOLOv5的绝缘子缺陷检测方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311262951.1A CN117218102A (zh) | 2023-09-27 | 2023-09-27 | 一种基于改进YOLOv5的绝缘子缺陷检测方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117218102A true CN117218102A (zh) | 2023-12-12 |
Family
ID=89044251
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311262951.1A Pending CN117218102A (zh) | 2023-09-27 | 2023-09-27 | 一种基于改进YOLOv5的绝缘子缺陷检测方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117218102A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117468084A (zh) * | 2023-12-27 | 2024-01-30 | 浙江晶盛机电股份有限公司 | 晶棒生长控制方法、装置、长晶炉系统和计算机设备 |
| CN117911828A (zh) * | 2024-02-01 | 2024-04-19 | 河北法拉第科技有限公司 | 一种改进YOLOv8的早期火焰小目标检测方法及系统 |
| CN118037777A (zh) * | 2024-02-21 | 2024-05-14 | 无锡学院 | 一种基于DeepSort的行人追踪方法 |
| CN118279940A (zh) * | 2024-05-31 | 2024-07-02 | 佛山科学技术学院 | 一种基于nepvr的手掌静脉识别方法及系统 |
-
2023
- 2023-09-27 CN CN202311262951.1A patent/CN117218102A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117468084A (zh) * | 2023-12-27 | 2024-01-30 | 浙江晶盛机电股份有限公司 | 晶棒生长控制方法、装置、长晶炉系统和计算机设备 |
| CN117468084B (zh) * | 2023-12-27 | 2024-05-28 | 浙江晶盛机电股份有限公司 | 晶棒生长控制方法、装置、长晶炉系统和计算机设备 |
| CN117911828A (zh) * | 2024-02-01 | 2024-04-19 | 河北法拉第科技有限公司 | 一种改进YOLOv8的早期火焰小目标检测方法及系统 |
| CN118037777A (zh) * | 2024-02-21 | 2024-05-14 | 无锡学院 | 一种基于DeepSort的行人追踪方法 |
| CN118279940A (zh) * | 2024-05-31 | 2024-07-02 | 佛山科学技术学院 | 一种基于nepvr的手掌静脉识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117218102A (zh) | 一种基于改进YOLOv5的绝缘子缺陷检测方法及其系统 | |
| CN110378222B (zh) | 一种输电线路防震锤目标检测与缺陷识别方法及装置 | |
| Wang et al. | FE-YOLOv5: Feature enhancement network based on YOLOv5 for small object detection | |
| CN110363252A (zh) | 趋向于端到端的场景文字检测与识别方法以及系统 | |
| CN111210446B (zh) | 一种视频目标分割方法、装置和设备 | |
| US11721088B2 (en) | Image translation for image recognition to compensate for source image regional differences | |
| CN109886330A (zh) | 文本检测方法、装置、计算机可读存储介质和计算机设备 | |
| CN113901909B (zh) | 基于视频的目标检测方法、装置、电子设备和存储介质 | |
| CN117037119A (zh) | 基于改进YOLOv8的道路目标检测方法及系统 | |
| CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
| CN116503399B (zh) | 基于yolo-afps的绝缘子污闪检测方法 | |
| US20210056353A1 (en) | Joint representation learning from images and text | |
| CN114821408A (zh) | 基于旋转目标检测的包裹位置实时检测方法、装置、设备和介质 | |
| CN112307850A (zh) | 神经网络训练方法、车道线检测方法、装置和电子设备 | |
| CN114445336A (zh) | 配电设备缺陷检测方法、装置、计算机设备和存储介质 | |
| Niu et al. | Boundary-aware RGBD salient object detection with cross-modal feature sampling | |
| Zhang et al. | Recognition of bird nests on power transmission lines in aerial images based on improved YOLOv4 | |
| Li et al. | Learning to holistically detect bridges from large-size vhr remote sensing imagery | |
| CN118037692A (zh) | 基于计算机视觉的钢材表面缺陷检测方法及系统 | |
| CN115984302B (zh) | 基于稀疏混合专家网络预训练的多模态遥感图像处理方法 | |
| CN116484920A (zh) | 轻量化YOLOv5s网络模型训练方法、绝缘子缺陷检测方法 | |
| CN115861861A (zh) | 一种基于无人机配电线路巡检的轻量级验收方法 | |
| Sun et al. | Attention-based insulator defect detection | |
| Wang et al. | Detection of distress region from subway tunnel images via U-net-based deep semantic segmentation | |
| Chen et al. | Research on recognition technology of transformer oil leakage based on improved YOLOV3 |
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 |