CN117953395A - 一种输电线路异物图像检测方法、系统、设备及存储介质 - Google Patents
一种输电线路异物图像检测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN117953395A CN117953395A CN202311721617.8A CN202311721617A CN117953395A CN 117953395 A CN117953395 A CN 117953395A CN 202311721617 A CN202311721617 A CN 202311721617A CN 117953395 A CN117953395 A CN 117953395A
- Authority
- CN
- China
- Prior art keywords
- network
- transmission line
- student
- foreign matter
- channel
- 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 48
- 230000005540 biological transmission Effects 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000013138 pruning Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000013140 knowledge distillation Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method 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 Analysis (AREA)
Abstract
本发明涉及图像检测技术领域，尤其是指一种输电线路异物图像检测方法、系统、设备及存储介质，所述检测方法包括：S1：以YOLOv5s网络为基础网络，使用ResNet50网络对其骨干网络进行替换重构，得到教师网络，将输电线路异物图像训练集分别输入到所述教师网络和学生网络；S2：对所述学生网络进行通道剪枝操作，利用所述教师网络指导剪枝后的学生网络进行训练并更新参数，得到训练好的学生网络；S3：基于所述训练好的学生网络，针对待检测的输电线路异物图像，运行所述训练好的学生模型可以得到检测结果。本发明在保证识别准确率较高的情况，通过轻量化识别模型结构，解决了因算力缺乏和资源不足导致识别模型无法部署在无人机的嵌入式设备中的问题。
Description
技术领域
本发明涉及图像检测技术领域，尤其是指一种输电线路异物图像检测方法、系统、设备及存储介质。
背景技术
目前，我国输电线路的巡检方法主要仍然依赖人工。然而，由于我国输电线路分布在复杂的地形环境中，传统的人工巡检方法面临诸多挑战。这些挑战包括巡检困难、耗时周期长、高人工成本，以及对工人安全构成的潜在威胁。此外，随着输电线路的里程数不断增长，传统方法已不再适用于我国输电线路未来的发展需求。随着深度学习和嵌入式设备的持续发展，无人机巡检成为备受关注的替代方案。无人机具有飞控智能、成本低、操控简单、安全等诸多优点。因此，人们开始广泛关注无人机在输电线路巡检领域的应用。
无人机的嵌入式设备在实际场景的目标检测算法中部署算力缺乏和资源不足是无人机巡检面临的主要问题之一，模型轻量化是无人机在输电线路巡检领域中的关键一步。一般复杂的模型都具有模块化的设计，模型的深度和宽度都很大，因此一些研究工作使用更高效、简洁的模型设计来降低模型的尺寸，关于轻量级模型的研究大致分为如下几个方向：1、模型剪裁在轻量化模型设计中被大量使用，对于已经训练好的复杂网络，模型剪裁采用一种特定的评判标准，将网络内部冗余的参数过滤掉。2、知识蒸馏利用一个较大、高性能的模型(教师模型)来指导训练轻量化的模型(学生模型)。学生模型通过学习教师模型的知识，从而减小模型的复杂度，同时保持性能。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中YOLOv5模型下采样倍数较大，导致小目标检测效果不好以及模型规模大，所需计算资源多的问题。
为解决上述技术问题，基于主干替换、模型剪枝以及知识蒸馏技术，本发明提供了一种轻量化的输电线路异物图像检测方法，该方法的具体步骤包括：
S1：以YOLOv5s网络为基础网络，使用ResNet50网络对其骨干网络进行替换重构，得到教师网络，将输电线路异物图像训练集分别输入到所述教师网络和学生网络；
S2：对所述学生网络进行通道剪枝操作，利用所述教师网络指导剪枝后的学生网络进行训练并更新参数，得到训练好的学生网络；
S3：基于所述训练好的学生网络，针对待检测的输电线路异物图像，运行所述训练好的学生模型可以得到检测结果；
其中，所述学生网络是基于YOLOv5s网络改进的YOLOv5s-ShufflenetV2A网络，包括骨干网络、加强特征提取网络和检测网络，所述骨干网络是基于ShuffleNetV2网络改进的ShufflenetV2A网络，所述ShufflenetV2A网络包括空间下采样模块和基本单元模块，所述空间下采样模块中左分支为步幅为stride、核大小为n的平均池化层，所述基本单元模块的左右分支经拼接操作生成的特征之后添加了SCSE注意力机制模块，经过所述SCSE注意力机制模块处理的特征层再进行通道混洗操作；所述加强特征提取网络包括改进特征层，所述改进特征层用于提取小尺寸目标。
在本发明的一个实施例中，得到训练好的学生网络的步骤包括：
S21：对所述学生网络进行稀疏训练，确定对于网络学习贡献能力小的通道，删除所述贡献能力小的通道，获得剪枝网络，再将所述剪枝网络重新训练微调，得到微调后的剪枝网络；
S22：通过知识蒸馏将教师网络学习到的中间层软目标信息，传递给微调后的剪枝网络进行迭代训练并更新网络参数，得到训练好的学生网络。
在本发明的一个实施例中，所述剪枝网络的获取方法包括：将各通道网络按照批量归一化层的缩放因子分布的均值进行排序，通过删除缩放因子分布的均值趋近于零的通道，即对于网络学习贡献能力小的通道，得到剪枝网络。
在本发明的一个实施例中，所述缩放因子分布的均值趋近于零的通道的获取方法包括：通过对批量归一化层的缩放因子添加一个L1正则化约束来改进正常训练的损失函数，得到改进损失函数，基于所述改进损失函数将网络参数稀疏化，得到批量归一化层的缩放因子的分布趋向于零的通道。
在本发明的一个实施例中，所述改进损失函数的计算公式如下：
其中，x表示训练输入，y表示训练目标，W表示可训练的权重，表示正常训练的损失值，γ表示批量归一化层的缩放因子，/>表示对缩放因子γ进行L1正则化的稀疏处理，g(γ)＝|γ|表示稀疏训练的惩罚项，λ表示正常训练和稀疏训练的平衡因子，即稀疏正则项系数。
在本发明的一个实施例中，所述中间层软目标信息包括软标签加权交叉熵损失值和软标签有界回归损失值。
在本发明的一个实施例中，所述改进特征层是由与所述骨干网络的第m层的第一输出特征和所述骨干网络其他层输出的多个输出特征经多次上采样、卷积运算后的特征层拼接后，经过卷积后得到的特征层。
基于与所述检测方法同样的发明构思，本发明还提供一种输电线路异物图像检测系统，包括：
数据输入模块，用于以YOLOv5s网络为基础网络，使用ResNet50网络对其骨干网络进行替换重构，得到教师网络，将输电线路异物图像训练集分别输入到所述教师网络和学生网络；
网络参数更新模块，用于对所述学生网络进行通道剪枝操作，利用所述教师网络指导剪枝后的学生网络进行训练并更新参数，得到训练好的学生网络；
检测结果输出模块，用于基于所述训练好的学生网络，针对待检测的输电线路异物图像，运行所述训练好的学生模型可以得到检测结果；
其中，所述学生网络是基于YOLOv5s网络改进的YOLOv5s-ShufflenetV2A网络，包括骨干网络、加强特征提取网络和检测网络，所述骨干网络是基于ShuffleNetV2网络改进的ShufflenetV2A网络，所述ShufflenetV2A网络包括空间下采样模块和基本单元模块，所述空间下采样模块中左分支为步幅为stride、核大小为n的平均池化层，所述基本单元模块的左右分支经拼接操作生成的特征之后添加了SCSE注意力机制模块，经过所述SCSE注意力机制模块处理的特征层再进行通道混洗操作；所述加强特征提取网络包括改进特征层，所述改进特征层用于提取小尺寸目标。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上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程序时实现所述的输电线路异物图像检测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的输电线路异物图像检测方法。
本发明的上述技术方案相比现有技术具有以下优点：
本发明在加强特征提取网络中添加了小目标特征提取模块，并在骨干网络中添加SCSE注意力机制模块；替换YOLOv5主干网络为轻量级神经网络ShufflenetV2并对其进行合理改进；通过通道剪枝和知识蒸馏的方法获取轻量化的模型；实现了在无人机NX开发板上部署模型，并且拥有较好的检测性能，也解决了无人机的嵌入式设备在实际应用场景中的目标检测算法部署算力缺乏和资源不足的问题。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是本发明所述输电线路异物图像检测方法的流程图；
图2中(a)和(b)分别是ShuffleNetV2网络的空间下采样模块改进之前、改进之后的结构示意图；
图3是ShuffleNetV2网络的基本单元模块添加SCSE注意力机制模块的位置；
图4是在YOLOv5s-ShuffleNetV2A网络中添加改进特征层的位置；
图5是YOLOv5s-ShuffleNetV2A网络通道剪枝过程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
实施例一
参照图1所示，本发明提供了一种轻量化的输电线路异物图像检测方法，该方法的具体步骤包括：
S1：以YOLOv5s网络为基础网络，使用ResNet50网络对其骨干网络进行替换重构，得到教师网络，将输电线路异物图像训练集分别输入到所述教师网络和学生网络；
S2：对所述学生网络进行通道剪枝操作，利用所述教师网络指导剪枝后的学生网络进行训练并更新参数，得到训练好的学生网络；
S3：基于所述训练好的学生网络，针对待检测的输电线路异物图像，运行所述训练好的学生模型可以得到检测结果；
其中，所述学生网络是基于YOLOv5s网络改进的YOLOv5s-ShufflenetV2A网络，包括骨干网络、加强特征提取网络和检测网络，所述骨干网络是基于ShuffleNetV2网络改进的ShufflenetV2A网络。
如图2～3所示，所述ShufflenetV2A网络包括空间下采样模块和基本单元模块，在空间下采样模块未改进之前，ShufflenetV2网络的空间下采样模块的左分支包括核大小为3×3的深度可分离卷积层和1×1的逐点卷积层，如图2(a)所示。改进之后，在图2(b)中，所述空间下采样模块中左分支为步幅为stride＝2、核大小为3×3的平均池化层。
如图3所示，所述基本单元模块在Channel Split通道分离操作之后分成了左右两路分支，右分支包括依次连接的1×1的逐点卷积层、3×3的深度可分离卷积层和1×1的逐点卷积层，左、右分支经Concat拼接操作生成的特征之后添加了SCSE注意力机制模块，经过所述SCSE注意力机制模块处理的特征层再进行通道混洗操作；所述加强特征提取网络包括改进特征层，所述改进特征层用于提取小尺寸目标。
如图4所示，所述改进特征层是由与所述骨干网络的第m层的尺寸大小为160×160的第一输出特征和所述骨干网络其他层输出的尺寸大小为20×20、40×40、80×80的输出特征经多次上采样、卷积运算后的特征层拼接后，经过卷积后得到的特征层。
在步骤S2中，得到训练好的学生网络的步骤包括：
S21：对所述学生网络进行稀疏训练，确定对于网络学习贡献能力小的通道，删除所述贡献能力小的通道，将各通道网络按照批量归一化层的缩放因子分布的均值进行排序，通过删除缩放因子分布的均值趋近于零的通道，即对于网络学习贡献能力小的通道，得到剪枝网络，再将所述剪枝网络重新训练微调，得到微调后的剪枝网络；
S22：通过知识蒸馏将教师网络学习到的中间层软目标信息，传递给微调后的剪枝网络进行迭代训练并更新网络参数，得到训练好的学生网络；其中，所述中间层软目标信息包括软标签加权交叉熵损失值和软标签有界回归损失值。
所述缩放因子分布的均值趋近于零的通道的获取方法包括：通过对批量归一化层的缩放因子添加一个L1正则化约束来改进正常训练的损失函数，得到改进损失函数，基于所述改进损失函数将网络参数稀疏化，得到批量归一化层的缩放因子的分布趋向于零的通道。
所述改进损失函数的计算公式如下：
其中，x表示训练输入，y表示训练目标，W表示可训练的权重，表示正常训练的损失值，γ表示批量归一化层的缩放因子，/>表示对缩放因子γ进行L1正则化的稀疏处理，g(γ)＝|γ|表示稀疏训练的惩罚项，λ表示正常训练和稀疏训练的平衡因子，即稀疏正则项系数。
为了进一步分析本发明所述方法对输电线异物的识别性能，在研究中测试集的1256张图像上，将YOLOv5s、YOLOv5m、YOLOv5s-MobilenetV2、YOLOv5s-ShufflenetV2和本发明提出的YOLOv5s-ShufflenetV2A网络进行了对比。以模型的平均精度均值、精度、召回率、参数量和参数计算量作为评价指标。每个网络模型的识别结果、大小和参数数量如表1所示。其中，YOLOv5s-MobilenetV2是指将骨干网络替换为MobilenetV2的YOLOv5s网络，YOLOv5s-ShufflenetV2是指将骨干网络替换为ShufflenetV2的YOLOv5s网络。
表1
通过表1的实验数据可以得知：本发明提出的无人机输电线路异物图像检测模型(YOLOv5s-ShufflenetV2A网络)在性能指标上有一定的优势，相比于YOLOv5s网络虽然平均精度均值低了3.6％，但参数量减少了88.6％。与YOLOv5s-ShufflenetV2网络相比，平均精度均值略降低了1.5％，然而参数量降低了，基本满足无人机的嵌入式设备在实际场景中执行目标检测任务的需求。
如图5所示，具有较小缩放因子值的通道(Ci2、Ci4等通道)将被修剪，剪枝后获得模型，然后对其进行微调以达到与正常训练的全网络相当的精度。在本实施例中，通过通道剪枝，总共删除了3326个通道权重系数小于0.5的通道，将YOLOV5的通道数减少了43.9％。YOLOv5s-ShufflenetV2A网络在通道剪枝之前和剪枝之后的实验数据如下表2所示：
表2
由表2可知，经过知识蒸馏与参数微调，本发明提出的通道剪枝之后的YOLOv5s-ShufflenetV2A网络在平均精度均值达到了94.8％，能够满足目标检测任务的目的，并且模型大小相比之前减少2/5，说明占用内存小，易于直接部署在嵌入式设备上。
实施例二
基于与实施例一中所述检测方法同样的发明构思，本发明还提供一种输电线路异物图像检测系统，包括以下模块：
数据输入模块，用于以YOLOv5s网络为基础网络，使用ResNet50网络对其骨干网络进行替换重构，得到教师网络，将输电线路异物图像训练集分别输入到所述教师网络和学生网络；
网络参数更新模块，用于对所述学生网络进行通道剪枝操作，利用所述教师网络指导剪枝后的学生网络进行训练并更新参数，得到训练好的学生网络；
检测结果输出模块，用于基于所述训练好的学生网络，针对待检测的输电线路异物图像，运行所述训练好的学生模型可以得到检测结果；
其中，所述学生网络是基于YOLOv5s网络改进的YOLOv5s-ShufflenetV2A网络，包括骨干网络、加强特征提取网络和检测网络，所述骨干网络是基于ShuffleNetV2网络改进的ShufflenetV2A网络，所述ShufflenetV2A网络包括空间下采样模块和基本单元模块，所述空间下采样模块中左分支为步幅为stride、核大小为n的平均池化层，所述基本单元模块的左右分支经拼接操作生成的特征之后添加了SCSE注意力机制模块，经过所述SCSE注意力机制模块处理的特征层再进行通道混洗操作；所述加强特征提取网络包括改进特征层，所述改进特征层用于提取小尺寸目标。
实施例三
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上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程序时实现实施例一中所述的输电线路异物图像检测方法。
实施例四
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例一中所述的输电线路异物图像检测方法。
综上，本发明在加强特征提取网络中添加了小目标特征提取模块，并在骨干网络中添加SCSE注意力机制模块，进一步提高了本发明所述检测方法的识别精度；替换YOLOv5主干网络为轻量级神经网络ShufflenetV2并对其进行合理改进；通过通道剪枝和知识蒸馏的方法，最终获取轻量化的YOLOv5s-ShufflenetV2A模型，并且将轻量化的YOLOv5s-ShufflenetV2A模型部署在无人机NX开发板上同样拥有较好的检测性能，有效地避免了无人机的嵌入式设备在实际场景中因自身算力缺乏和资源不足导致无法执行目标检测任务的问题。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种输电线路异物图像检测方法，其特征在于，包括：
S1：以YOLOv5s网络为基础网络，使用ResNet50网络对其骨干网络进行替换重构，得到教师网络，将输电线路异物图像训练集分别输入到所述教师网络和学生网络；
S2：对所述学生网络进行通道剪枝操作，利用所述教师网络指导剪枝后的学生网络进行训练并更新参数，得到训练好的学生网络；
S3：基于所述训练好的学生网络，针对待检测的输电线路异物图像，运行所述训练好的学生模型可以得到检测结果；
其中，所述学生网络是基于YOLOv5s网络改进的YOLOv5s-ShufflenetV2A网络，包括骨干网络、加强特征提取网络和检测网络，所述骨干网络是基于ShuffleNetV2网络改进的ShufflenetV2A网络，所述ShufflenetV2A网络包括空间下采样模块和基本单元模块，所述空间下采样模块中左分支为步幅为stride、核大小为n的平均池化层，所述基本单元模块的左右分支经拼接操作生成的特征之后添加了SCSE注意力机制模块，经过所述SCSE注意力机制模块处理的特征层再进行通道混洗操作；所述加强特征提取网络中添加了改进特征层，所述改进特征层用于提取小尺寸目标。
2.根据权利要求1所述的输电线路异物图像检测方法，其特征在于：得到训练好的学生网络的步骤包括：
S21：对所述学生网络进行稀疏训练，确定对于网络学习贡献能力小的通道，删除所述贡献能力小的通道，获得剪枝网络，再将所述剪枝网络重新训练微调，得到微调后的剪枝网络；
S22：通过知识蒸馏将教师网络学习到的中间层软目标信息，传递给微调后的剪枝网络进行迭代训练并更新网络参数，得到训练好的学生网络。
3.根据权利要求2所述的输电线路异物图像检测方法，其特征在于：所述剪枝网络的获取方法包括：将各通道网络按照批量归一化层的缩放因子分布的均值进行排序，通过删除缩放因子分布的均值趋近于零的通道，即对于网络学习贡献能力小的通道，得到剪枝网络。
4.根据权利要求3所述的输电线路异物图像检测方法，其特征在于：所述缩放因子分布的均值趋近于零的通道的获取方法包括：通过对批量归一化层的缩放因子添加一个L1正则化约束来改进正常训练的损失函数，得到改进损失函数，基于所述改进损失函数将网络参数稀疏化，得到批量归一化层的缩放因子的分布趋向于零的通道。
5.根据权利要求4所述的输电线路异物图像检测方法，其特征在于：所述改进损失函数的计算公式如下：
其中，x表示训练输入，y表示训练目标，W表示可训练的权重，表示正常训练的损失值，γ表示批量归一化层的缩放因子，/>表示对缩放因子γ进行L1正则化的稀疏处理，g(γ)＝|γ|表示稀疏训练的惩罚项，λ表示正常训练和稀疏训练的平衡因子，即稀疏正则项系数。
6.根据权利要求2所述的输电线路异物图像检测方法，其特征在于：所述中间层软目标信息包括软标签加权交叉熵损失值和软标签有界回归损失值。
7.根据权利要求1所述的输电线路异物图像检测方法，其特征在于：所述改进特征层是由与所述骨干网络的第m层的第一输出特征和所述骨干网络其他层输出的多个输出特征经多次上采样、卷积运算后的特征层拼接后，经过卷积后得到的特征层。
8.一种输电线路异物图像检测系统，其特征在于，包括：
数据输入模块，用于以YOLOv5s网络为基础网络，使用ResNet50网络对其骨干网络进行替换重构，得到教师网络，将输电线路异物图像训练集分别输入到所述教师网络和学生网络；
网络参数更新模块，用于对所述学生网络进行通道剪枝操作，利用所述教师网络指导剪枝后的学生网络进行训练并更新参数，得到训练好的学生网络；
检测结果输出模块，用于基于所述训练好的学生网络，针对待检测的输电线路异物图像，运行所述训练好的学生模型可以得到检测结果；
其中，所述学生网络是基于YOLOv5s网络改进的YOLOv5s-ShufflenetV2A网络，包括骨干网络、加强特征提取网络和检测网络，所述骨干网络是基于ShuffleNetV2网络改进的ShufflenetV2A网络，所述ShufflenetV2A网络包括空间下采样模块和基本单元模块，所述空间下采样模块中左分支为步幅为stride、核大小为n的平均池化层，所述基本单元模块的左右分支经拼接操作生成的特征之后添加了SCSE注意力机制模块，经过所述SCSE注意力机制模块处理的特征层再进行通道混洗操作；所述加强特征提取网络包括改进特征层，所述改进特征层用于提取小尺寸目标。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1～7任一项所述的输电线路异物图像检测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，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1～7任一项所述的输电线路异物图像检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311721617.8A CN117953395A (zh) | 2023-12-14 | 2023-12-14 | 一种输电线路异物图像检测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311721617.8A CN117953395A (zh) | 2023-12-14 | 2023-12-14 | 一种输电线路异物图像检测方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117953395A true CN117953395A (zh) | 2024-04-30 |
Family
ID=90804585
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311721617.8A Pending CN117953395A (zh) | 2023-12-14 | 2023-12-14 | 一种输电线路异物图像检测方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117953395A (zh) |
-
2023
- 2023-12-14 CN CN202311721617.8A patent/CN117953395A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110321910B (zh) | 面向点云的特征提取方法、装置及设备 | |
| CN113469073B (zh) | 一种基于轻量级深度学习的sar图像舰船检测方法及系统 | |
| CN111046821B (zh) | 一种视频行为识别方法、系统及电子设备 | |
| CN112699958A (zh) | 一种基于剪枝和知识蒸馏的目标检测模型压缩与加速方法 | |
| CN111523546A (zh) | 图像语义分割方法、系统及计算机存储介质 | |
| CN112364719A (zh) | 一种遥感图像目标快速检测方法 | |
| CN112101547B (zh) | 一种对网络模型的剪枝方法、装置、电子设备及存储介质 | |
| CN113420651B (zh) | 深度卷积神经网络的轻量化方法、系统及目标检测方法 | |
| CN113569672A (zh) | 轻量级目标检测与故障识别方法、装置及系统 | |
| CN114241230A (zh) | 目标检测模型剪枝方法和目标检测方法 | |
| CN112417973A (zh) | 一种基于车联网的无人驾驶系统 | |
| CN113269224A (zh) | 一种场景图像分类方法、系统及存储介质 | |
| CN116958688A (zh) | 一种基于YOLOv8网络的目标检测方法及系统 | |
| CN114821058A (zh) | 一种图像语义分割方法、装置、电子设备及存储介质 | |
| CN115393690A (zh) | 一种轻量化神经网络的空对地观测多目标识别方法 | |
| CN116740516A (zh) | 基于多尺度融合特征提取的目标检测方法及系统 | |
| CN109558819B (zh) | 一种用于遥感图像目标检测的深度网络轻量化方法 | |
| CN117132910A (zh) | 一种用于无人机的车辆检测方法、装置及存储介质 | |
| CN117953395A (zh) | 一种输电线路异物图像检测方法、系统、设备及存储介质 | |
| CN113435588B (zh) | 基于深度卷积神经网络bn层尺度系数的卷积核嫁接方法 | |
| CN115578624A (zh) | 农业病虫害模型构建方法、检测方法及装置 | |
| CN115661657A (zh) | 一种轻量化的无人艇目标检测方法 | |
| CN115035408A (zh) | 基于迁移学习和注意力机制的无人机影像树种分类方法 | |
| CN114492797A (zh) | 模型剪枝方法、装置、设备和存储介质 | |
| CN116645727B (zh) | 一种基于Openpose模型算法的行为捕捉识别方法 |
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 |