CN118071676A - 基于改进Yolov8的输电线路红外目标检测方法及系统 - Google Patents
基于改进Yolov8的输电线路红外目标检测方法及系统 Download PDFInfo
- Publication number
- CN118071676A CN118071676A CN202311774744.4A CN202311774744A CN118071676A CN 118071676 A CN118071676 A CN 118071676A CN 202311774744 A CN202311774744 A CN 202311774744A CN 118071676 A CN118071676 A CN 118071676A
- Authority
- CN
- China
- Prior art keywords
- yolov
- transmission line
- improved
- layer
- network model
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 103
- 230000006872 improvement Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 79
- 230000007246 mechanism Effects 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000007689 inspection Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims description 57
- 230000006870 function Effects 0.000 claims description 52
- 238000004590 computer program Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 18
- 238000011478 gradient descent method Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening 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
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明公开了基于改进Yolov8的输电线路红外目标检测方法及系统包括,获取输电线路巡检过程中的输电线路红外图像数据,并对输电线路红外图像数据进行预处理;将预处理结果输入改进Yolov8网络模型中,改进Yolov8网络模型改进原Yolov8网络模型中的特征金字塔融合、注意力机制、损失函数;根据改进Yolov8网络模型的输出结果,完成输电线路红外目标检测。通过改进Yolov8网络模型,提高了输电线路红外目标检测的准确性和可靠性。使得检测算法在处理复杂背景和细小目标时具有更高的效率。
Description
技术领域
本发明涉及输电线路红外目标检测技术领域,尤其涉及基于改进Yolov8的输电线路红外目标检测方法及系统。
背景技术
随着电力系统的不断发展,输电线路红外小目标检测技术的需求日益增长。采用人工智能技术实现对红外图片自动分析诊断,判断输电线路设备温度是否存在一般、重大及紧急缺陷具有重要研究价值。然而,目前输电线路红外小目标检测面临许多技术挑战。输电线路中的小目标可能包括绝缘子、金具、螺母等细小物体,其热信号相对较弱,不同目标之间的差异非常小,增加了检测的难度。此外,在输电线路巡检过程中,输电线路周围环境复杂,存在大量的背景信息,如树木、建筑物等,这些背景干扰会影响小目标的检测效果。总之,解决上述问题可以极大地提高输电线路红外小目标检测的准确性和可靠性,从而根据读取红外温度判断输电线路各部件是否正常运行,以保障电力系统的正常运行。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了基于改进Yolov8的输电线路红外目标检测方法及系统,能够解决背景技术中提到的问题。
为解决上述技术问题,本发明提供如下技术方案,基于改进Yolov8的输电线路红外目标检测方法,包括:
获取输电线路巡检过程中的输电线路红外图像数据,并对所述输电线路红外图像数据进行预处理;
将所述预处理结果输入改进Yolov8网络模型中,所述改进Yolov8网络模型改进原Yolov8网络模型中的特征金字塔融合、注意力机制、损失函数;
根据改进Yolov8网络模型的输出结果,完成输电线路红外目标检测。
作为本发明所述的基于改进Yolov8的输电线路红外目标检测方法的一种优选方案,其中:所述对所述输电线路红外图像数据进行预处理包括去噪与图像增强;
所述去噪包括对输电线路红外图像进行高斯滤波,得到高斯滤波后的图像,记作G(x,y),并对高斯滤波后的输电线路红外图像G(x,y)进行中值滤波,得到中值滤波后的图像,记作M(x,y);
则去噪后的图像表示如下:
D(x,y)=w1*G(x,y)+w2*M(x,y)
其中,D(x,y)表示去噪后的图像,w1表示高斯滤波的权重系数,w2表示中值滤波的权重系数,α表示权重调整值,γ表示高斯滤波的标准差,且w1/2>w2;
当w1/2≤w2时,去噪后的图像表示如下:
所述图像增强包括通过矩阵减法和可调细节增强系数得到的细节增强图像以及直方图均衡化算法得到的增强图像之和。
作为本发明所述的基于改进Yolov8的输电线路红外目标检测方法的一种优选方案,其中:所述改进Yolov8网络模型包括:
所述改进Yolov8网络模型的主干网络由五个卷积层、四个映射层、一个改进的注意力机制层以及一个改进的特征金字塔融合层组成,所述主干网络的初始端为一个卷积层,之后的主干网络由四个卷积层与映射层顺序连接结构组成,所述映射层用于将浅特征图映射为深特征图的输入;
所述改进Yolov8网络模型的头部为四个预测头,每个预测头的目标检测任务均不同,且每个预测头的输出图像尺寸呈倍数级减少,将预测头记作第一预测头、第二预测头、第三预测头以及第四预测头,且第一预测头的输出图像尺寸最大;
所述改进Yolov8网络模型的颈部为六个全连接层、六个映射层、三个卷积层以及三个上采样层组成。
作为本发明所述的基于改进Yolov8的输电线路红外目标检测方法的一种优选方案,其中:所述改进Yolov8网络模型还包括:
将改进的特征金字塔融合层输出进行上采样层采样,并与改进的注意力机制层的输出同时输入一个全连接层,经过全连接层处理后,将结果经过一个映射层分别输入至一个新的全连接层以及一个新的上采样层,经过此新的全连接层输出后连接一个新的映射层,此新的映射层的输出与第三预测头连接,同时与一个新的卷积层连接后再与一个新的全连接层连接,并通过一个新的映射层与第四预测头连接;
将改进的特征金字塔融合层输出进行上采样层采样后的结果与主干网络中第二次映射层处理后的图像数据同时输入全连接层,并将结果经过一个映射层分别输入至一个新的全连接层以及一个新的上采样层,此新的上采样层与主干网络中第一次映射层处理后的图像数据同时输入全连接层,并通过新的映射层的输出与第一预测头连接,同时进行卷积操作,并将卷积结果输入新的全连接层,将全连接层的输出通过新的映射层的输出与第二预测头连接,同时将全连接层的输出通过新的映射层的输出进行卷积并输入至与第三预测头相连的映射层的上层全连接层中。
作为本发明所述的基于改进Yolov8的输电线路红外目标检测方法的一种优选方案,其中:所述改进Yolov8网络模型还包括:
改进Yolov8网络模型的损失函数包括改进边界框回归损失函数、改进类别检测损失函数;
所述改进边界框回归损失函数包括:
其中,i表示预测边界框的索引,j表示目标边界框的索引,pi表示第i个预测边界框的坐标,tj表示第j个目标边界框的坐标;pi-x表示第i个预测边界框的横坐标,pi-y表示第i个预测边界框的纵坐标,tj-x表示第j个目标边界框的横坐标,tj-y表示第j个目标边界框的纵坐标。
作为本发明所述的基于改进Yolov8的输电线路红外目标检测方法的一种优选方案,其中:所述改进Yolov8网络模型还包括:
所述改进类别检测损失函数包括:
其中,NT表示图像数据集中的样本总数,N0表示样本集中零的个数,Nz表示样本集中正样本个数,ps表示网络模型预测样本s属于正类的概率,ys表示样本s的真实类别标签,γ表示聚焦参数,通过梯度下降法优化获取。
总损失函数表示如下:
TL=ε·bL+φ·cL
其中,bL表示改进边界框回归损失函数,ε表示改进边界框回归损失函数的权重,φ改进类别检测损失函数的权重,cL表示改进类别检测损失函数;
ε与φ通过梯度下降法优化获取,且梯度下降法优化的目标函数为:
min(ε·bLo+φ·cLo)
其中,bLo为历史数据组中求解得到的改进边界框回归损失函数,cLo为历史数据组中求解得到的改进类别检测损失函数,且历史数据组至少为30组。
作为本发明所述的基于改进Yolov8的输电线路红外目标检测方法的一种优选方案,其中:所述改进Yolov8网络模型还包括:
改进Yolov8网络模型的注意力机制包括并行使用空间和通道两类注意力机制,且设置的分配权重为1:3;输入输电线路红外图像特征图分组,将每个特征图按照分配权重为1:3进行空间和通道两类注意力机制处理,并将处理后的结果进行融合。
基于改进Yolov8的输电线路红外目标检测系统,其特征在于,包括:数据获取与处理模块、模型改进与训练模块以及检测模块;
数据获取与处理模块,所述数据获取与处理模块用于获取输电线路巡检过程中的输电线路红外图像数据,并对所述输电线路红外图像数据进行预处理;
模型改进与训练模块,所述模型改进与训练模块用于将所述预处理结果输入改进Yolov8网络模型中,所述改进Yolov8网络模型改进原Yolov8网络模型中的特征金字塔融合、注意力机制、损失函数;
检测模块,所述检测模块用于根据改进Yolov8网络模型的输出结果,完成输电线路红外目标检测。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
一种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上所述的方法的步骤。
本发明的有益效果:本发明提出基于改进Yolov8的输电线路红外目标检测方法及系统,获取输电线路巡检过程中的输电线路红外图像数据,并对所述输电线路红外图像数据进行预处理;将所述预处理结果输入改进Yolov8网络模型中,所述改进Yolov8网络模型改进原Yolov8网络模型中的特征金字塔融合、注意力机制、损失函数;根据改进Yolov8网络模型的输出结果,完成输电线路红外目标检测。通过改进Yolov8网络模型,提高了输电线路红外目标检测的准确性和可靠性。使得检测算法在处理复杂背景和细小目标时具有更高的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的基于改进Yolov8的输电线路红外目标检测方法及系统的方法流程图;
图2为本发明一个实施例提供的基于改进Yolov8的输电线路红外目标检测方法及系统的改进Yolov8网络模型示意图;
图3为本发明一个实施例提供的基于改进Yolov8的输电线路红外目标检测方法及系统的改进注意力机制示意图;
图4为本发明一个实施例提供的基于改进Yolov8的输电线路红外目标检测方法及系统的计算机设备的内部结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1-4,为本发明的第一个实施例,该实施例提供了基于改进Yolov8的输电线路红外目标检测方法及系统,包括:基于改进Yolov8的输电线路红外目标检测方法及基于改进Yolov8的输电线路红外目标检测系统,其中,基于改进Yolov8的输电线路红外目标检测方法包括:
获取输电线路巡检过程中的输电线路红外图像数据,并对输电线路红外图像数据进行预处理;
其中,对输电线路红外图像数据进行预处理包括去噪与图像增强;
具体的,去噪包括对输电线路红外图像进行高斯滤波,得到高斯滤波后的图像,记作G(x,y),并对高斯滤波后的输电线路红外图像G(x,y)进行中值滤波,得到中值滤波后的图像,记作M(x,y);
则去噪后的图像表示如下:
D(x,y)=w1*G(x,y)+w2*M(x,y)
其中,D(x,y)表示去噪后的图像,w1表示高斯滤波的权重系数,w2表示中值滤波的权重系数,α表示权重调整值,γ表示高斯滤波的标准差,且w1/2>w2;
应说明的是,当w1/2≤w2时,去噪后的图像表示如下:
更进一步的,图像增强包括通过矩阵减法和可调细节增强系数得到的细节增强图像以及直方图均衡化算法得到的增强图像之和。
可表示为:增强后的图像=直方图均衡化后的图像+细节增强系数*细节增强图像;
其中,直方图均衡化后的图像是通过直方图均衡化算法得到的增强图像,细节增强图像是通过矩阵减法和可调细节增强系数得到的细节增强图像。通过将两者相加,可以得到最终的增强图像。
更进一步的,将预处理结果输入改进Yolov8网络模型中,改进Yolov8网络模型改进原Yolov8网络模型中的特征金字塔融合、注意力机制、损失函数;
其中,改进Yolov8网络模型包括:改进Yolov8网络模型的主干网络由五个卷积层、四个映射层、一个改进的注意力机制层以及一个改进的特征金字塔融合层组成,主干网络的初始端为一个卷积层,之后的主干网络由四个卷积层与映射层顺序连接结构组成,映射层用于将浅特征图映射为深特征图的输入;
改进Yolov8网络模型的头部为四个预测头,每个预测头的目标检测任务均不同,且每个预测头的输出图像尺寸呈倍数级减少,将预测头记作第一预测头、第二预测头、第三预测头以及第四预测头,且第一预测头的输出图像尺寸最大;
改进Yolov8网络模型的颈部为六个全连接层、六个映射层、三个卷积层以及三个上采样层组成。
更进一步的,改进Yolov8网络模型还包括:
将改进的特征金字塔融合层输出进行上采样层采样,并与改进的注意力机制层的输出同时输入一个全连接层,经过全连接层处理后,将结果经过一个映射层分别输入至一个新的全连接层以及一个新的上采样层,经过此新的全连接层输出后连接一个新的映射层,此新的映射层的输出与第三预测头连接,同时与一个新的卷积层连接后再与一个新的全连接层连接,并通过一个新的映射层与第四预测头连接;
将改进的特征金字塔融合层输出进行上采样层采样后的结果与主干网络中第二次映射层处理后的图像数据同时输入全连接层,并将结果经过一个映射层分别输入至一个新的全连接层以及一个新的上采样层,此新的上采样层与主干网络中第一次映射层处理后的图像数据同时输入全连接层,并通过新的映射层的输出与第一预测头连接,同时进行卷积操作,并将卷积结果输入新的全连接层,将全连接层的输出通过新的映射层的输出与第二预测头连接,同时将全连接层的输出通过新的映射层的输出进行卷积并输入至与第三预测头相连的映射层的上层全连接层中。
更进一步的,改进Yolov8网络模型还包括:
改进Yolov8网络模型的损失函数包括改进边界框回归损失函数、改进类别检测损失函数;
改进边界框回归损失函数包括:
其中,i表示预测边界框的索引,j表示目标边界框的索引,pi表示第i个预测边界框的坐标,tj表示第j个目标边界框的坐标;pi-x表示第i个预测边界框的横坐标,pi-y表示第i个预测边界框的纵坐标,tj-x表示第j个目标边界框的横坐标,tj-y表示第j个目标边界框的纵坐标。
更进一步的,改进Yolov8网络模型还包括:
改进类别检测损失函数包括:
其中,NT表示图像数据集中的样本总数,N0表示样本集中零的个数,Nz表示样本集中正样本个数,ps表示网络模型预测样本s属于正类的概率,ys表示样本s的真实类别标签,γ表示聚焦参数,通过梯度下降法优化获取。
更进一步的,总损失函数表示如下:
TL=ε·bL+φ·cL
其中,bL表示改进边界框回归损失函数,ε表示改进边界框回归损失函数的权重,φ改进类别检测损失函数的权重,cL表示改进类别检测损失函数;
ε与φ通过梯度下降法优化获取,且梯度下降法优化的目标函数为:
min(ε·bLo+φ·cLo)
其中,bLo为历史数据组中求解得到的改进边界框回归损失函数,cLo为历史数据组中求解得到的改进类别检测损失函数,且历史数据组至少为30组。
更进一步的,改进Yolov8网络模型还包括:
改进Yolov8网络模型的注意力机制包括并行使用空间和通道两类注意力机制,且设置的分配权重为1:3;输入输电线路红外图像特征图分组,将每个特征图按照分配权重为1:3进行空间和通道两类注意力机制处理,并将处理后的结果进行融合。
应说明的是,通过实验测得使用分配权重为1:3可以使得改进Yolov8网络模型效果达到最佳,可以保证在完成目标需求的同时利用空间和通道注意力机制的优势,充分挖掘输入输电线路红外图像中的空间信息和通道信息。空间注意力机制关注局部区域,有助于捕捉图像中的细节信息,而通道注意力机制关注全局特征,有助于捕捉图像中的抽象概念。通过并行使用这两种注意力机制,可以在不同层次上提取图像特征,从而提高模型对复杂场景的适应性。
更进一步的,根据改进Yolov8网络模型的输出结果,完成输电线路红外目标检测。
综上所述,本发明提出基于改进Yolov8的输电线路红外目标检测方法,获取输电线路巡检过程中的输电线路红外图像数据,并对所述输电线路红外图像数据进行预处理;将所述预处理结果输入改进Yolov8网络模型中,所述改进Yolov8网络模型改进原Yolov8网络模型中的特征金字塔融合、注意力机制、损失函数;根据改进Yolov8网络模型的输出结果,完成输电线路红外目标检测。通过改进Yolov8网络模型,提高了输电线路红外目标检测的准确性和可靠性。使得检测算法在处理复杂背景和细小目标时具有更高的效率。
在一个优选的实施例中,基于改进Yolov8的输电线路红外目标检测系统,包括:数据获取与处理模块、模型改进与训练模块以及检测模块;
数据获取与处理模块,数据获取与处理模块用于获取输电线路巡检过程中的输电线路红外图像数据,并对输电线路红外图像数据进行预处理;
模型改进与训练模块,模型改进与训练模块用于将预处理结果输入改进Yolov8网络模型中,改进Yolov8网络模型改进原Yolov8网络模型中的特征金字塔融合、注意力机制、损失函数;
检测模块,检测模块用于根据改进Yolov8网络模型的输出结果,完成输电线路红外目标检测。
上述各单元模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现基于改进Yolov8的输电线路红外目标检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取输电线路巡检过程中的输电线路红外图像数据,并对输电线路红外图像数据进行预处理;
将预处理结果输入改进Yolov8网络模型中,改进Yolov8网络模型改进原Yolov8网络模型中的特征金字塔融合、注意力机制、损失函数;
根据改进Yolov8网络模型的输出结果,完成输电线路红外目标检测。
实施例2
参照图2-3,为本发明的一个实施例,提供了基于改进Yolov8的输电线路红外目标检测方法及系统,为了验证本发明的有益效果,通过实验进行科学论证。
实验数据来源于用大疆无人机在巡检过程中拍摄的输电线路红外图像共3000张,再加以筛选以及图像增强,最终使用其中的2700张图片作为训练集,测试集409张,借助Lableimg软件对转换的数据集进行标注。
为验证改进检测算法的有效性,将原算法YOLOv8_n与改进后模型参数对比(表1中FPS是仅计算检测耗时,不包含前处理与后处理耗时)。
表1:两种算法的训练结果参数对比表。
改进后的模型算法对检测性能有不错的提升。其中mAP涨幅明显,提升了约3.5%,说明加深的网络结构能够缓解小目标语义信息缺乏的问题,这也表明网络深度对特征提取必不可少。直接添加小目标层对检测精度提升效果明显,虽然运算量增加,FPS下降至145.3,但仍能满足小目标检测的实时性要求。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
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。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
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。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.基于改进Yolov8的输电线路红外目标检测方法,其特征在于,包括:
获取输电线路巡检过程中的输电线路红外图像数据,并对所述输电线路红外图像数据进行预处理;
将所述预处理结果输入改进Yolov8网络模型中,所述改进Yolov8网络模型改进原Yolov8网络模型中的特征金字塔融合、注意力机制、损失函数;
根据改进Yolov8网络模型的输出结果,完成输电线路红外目标检测。
2.如权利要求1所述的基于改进Yolov8的输电线路红外目标检测方法,其特征在于,所述对所述输电线路红外图像数据进行预处理包括去噪与图像增强;
所述去噪包括对输电线路红外图像进行高斯滤波,得到高斯滤波后的图像,记作G(x,y),并对高斯滤波后的输电线路红外图像G(x,y)进行中值滤波,得到中值滤波后的图像,记作M(x,y);
则去噪后的图像表示如下:
D(x,y)=w1*G(x,y)+w2*M(x,y)
其中,D(x,y)表示去噪后的图像,w1表示高斯滤波的权重系数,w2表示中值滤波的权重系数,α表示权重调整值,γ表示高斯滤波的标准差,且w1/2>w2;
当w1/2≤w2时,去噪后的图像表示如下:
所述图像增强包括通过矩阵减法和可调细节增强系数得到的细节增强图像以及直方图均衡化算法得到的增强图像之和。
3.如权利要求2所述的基于改进Yolov8的输电线路红外目标检测方法,其特征在于,所述改进Yolov8网络模型包括:
所述改进Yolov8网络模型的主干网络由五个卷积层、四个映射层、一个改进的注意力机制层以及一个改进的特征金字塔融合层组成,所述主干网络的初始端为一个卷积层,之后的主干网络由四个卷积层与映射层顺序连接结构组成,所述映射层用于将浅特征图映射为深特征图的输入;
所述改进Yolov8网络模型的头部为四个预测头,每个预测头的目标检测任务均不同,且每个预测头的输出图像尺寸呈倍数级减少,将预测头记作第一预测头、第二预测头、第三预测头以及第四预测头,且第一预测头的输出图像尺寸最大;
所述改进Yolov8网络模型的颈部为六个全连接层、六个映射层、三个卷积层以及三个上采样层组成。
4.如权利要求3所述的基于改进Yolov8的输电线路红外目标检测方法,其特征在于,所述改进Yolov8网络模型还包括:
将改进的特征金字塔融合层输出进行上采样层采样,并与改进的注意力机制层的输出同时输入一个全连接层,经过全连接层处理后,将结果经过一个映射层分别输入至一个新的全连接层以及一个新的上采样层,经过此新的全连接层输出后连接一个新的映射层,此新的映射层的输出与第三预测头连接,同时与一个新的卷积层连接后再与一个新的全连接层连接,并通过一个新的映射层与第四预测头连接;
将改进的特征金字塔融合层输出进行上采样层采样后的结果与主干网络中第二次映射层处理后的图像数据同时输入全连接层,并将结果经过一个映射层分别输入至一个新的全连接层以及一个新的上采样层,此新的上采样层与主干网络中第一次映射层处理后的图像数据同时输入全连接层,并通过新的映射层的输出与第一预测头连接,同时进行卷积操作,并将卷积结果输入新的全连接层,将全连接层的输出通过新的映射层的输出与第二预测头连接,同时将全连接层的输出通过新的映射层的输出进行卷积并输入至与第三预测头相连的映射层的上层全连接层中。
5.如权利要求4所述的基于改进Yolov8的输电线路红外目标检测方法,其特征在于,所述改进Yolov8网络模型还包括:
改进Yolov8网络模型的损失函数包括改进边界框回归损失函数、改进类别检测损失函数;
所述改进边界框回归损失函数包括:
其中,i表示预测边界框的索引,j表示目标边界框的索引,pi表示第i个预测边界框的坐标,tj表示第j个目标边界框的坐标;pi-x表示第i个预测边界框的横坐标,pi-y表示第i个预测边界框的纵坐标,tj-x表示第j个目标边界框的横坐标,tj-y表示第j个目标边界框的纵坐标。
6.如权利要求5所述的基于改进Yolov8的输电线路红外目标检测方法,其特征在于,所述改进Yolov8网络模型还包括:
所述改进类别检测损失函数包括:
其中,NT表示图像数据集中的样本总数,N0表示样本集中零的个数,Nz表示样本集中正样本个数,ps表示网络模型预测样本s属于正类的概率,ys表示样本s的真实类别标签,γ表示聚焦参数,通过梯度下降法优化获取。
总损失函数表示如下:
TL=ε·bL+φ·cL
其中,bL表示改进边界框回归损失函数,ε表示改进边界框回归损失函数的权重,φ改进类别检测损失函数的权重,cL表示改进类别检测损失函数;
ε与φ通过梯度下降法优化获取,且梯度下降法优化的目标函数为:
min(ε·bLo+φ·cLo)
其中,bLo为历史数据组中求解得到的改进边界框回归损失函数,cLo为历史数据组中求解得到的改进类别检测损失函数,且历史数据组至少为30组。
7.如权利要求6所述的基于改进Yolov8的输电线路红外目标检测方法,其特征在于,所述改进Yolov8网络模型还包括:
改进Yolov8网络模型的注意力机制包括并行使用空间和通道两类注意力机制,且设置的分配权重为1:3;输入输电线路红外图像特征图分组,将每个特征图按照分配权重为1:3进行空间和通道两类注意力机制处理,并将处理后的结果进行融合。
8.基于改进Yolov8的输电线路红外目标检测系统,其特征在于,包括:数据获取与处理模块、模型改进与训练模块以及检测模块;
数据获取与处理模块,所述数据获取与处理模块用于获取输电线路巡检过程中的输电线路红外图像数据,并对所述输电线路红外图像数据进行预处理;
模型改进与训练模块,所述模型改进与训练模块用于将所述预处理结果输入改进Yolov8网络模型中,所述改进Yolov8网络模型改进原Yolov8网络模型中的特征金字塔融合、注意力机制、损失函数;
检测模块,所述检测模块用于根据改进Yolov8网络模型的输出结果,完成输电线路红外目标检测。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311774744.4A CN118071676A (zh) | 2023-12-21 | 2023-12-21 | 基于改进Yolov8的输电线路红外目标检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311774744.4A CN118071676A (zh) | 2023-12-21 | 2023-12-21 | 基于改进Yolov8的输电线路红外目标检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118071676A true CN118071676A (zh) | 2024-05-24 |
Family
ID=91101385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311774744.4A Pending CN118071676A (zh) | 2023-12-21 | 2023-12-21 | 基于改进Yolov8的输电线路红外目标检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118071676A (zh) |
-
2023
- 2023-12-21 CN CN202311774744.4A patent/CN118071676A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111524106B (zh) | 颅骨骨折检测和模型训练方法、装置、设备和存储介质 | |
CN111860171B (zh) | 一种大规模遥感图像中不规则形状目标的检测方法及系统 | |
CN113591968A (zh) | 一种基于非对称注意力特征融合的红外弱小目标检测方法 | |
Huang et al. | End-to-end continuous emotion recognition from video using 3D ConvLSTM networks | |
CN115861462B (zh) | 图像生成模型的训练方法、装置、电子设备及存储介质 | |
CN112419372B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113780326A (zh) | 一种图像处理方法、装置、存储介质及电子设备 | |
Feng et al. | Substation instrumentation target detection based on multi‐scale feature fusion | |
CN113537026B (zh) | 建筑平面图中的图元检测方法、装置、设备及介质 | |
CN113221731B (zh) | 一种多尺度遥感图像目标检测方法及系统 | |
Yang et al. | A real-time object detection method for underwater complex environments based on FasterNet-YOLOv7 | |
Wang et al. | Ford motorcar identification from single-camera side-view image based on convolutional neural network | |
CN110288691B (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
CN116778164A (zh) | 一种基于多尺度结构改进DeeplabV3+网络的语义分割方法 | |
CN116935174A (zh) | 一种多模态融合的金属工件表面缺陷检测方法和系统 | |
CN118071676A (zh) | 基于改进Yolov8的输电线路红外目标检测方法及系统 | |
CN112801201B (zh) | 一种基于标准化的深度学习视觉惯导组合导航设计方法 | |
CN116543246A (zh) | 图像去噪模型的训练方法、图像去噪方法、装置及设备 | |
An et al. | DUFormer: Solving Power Line Detection Task in Aerial Images Using Semantic Segmentation | |
Chen et al. | Accurate segmentation of small targets for LCD defects using deep convolutional neural networks | |
Yang et al. | Defect recognition of printed circuit board based on YOLOv3-DenseNet optimization model | |
CN118314123B (zh) | 焊接射线照片缺陷检测方法、装置、计算机设备及介质 | |
CN118154607B (zh) | 一种基于混合多尺度知识蒸馏的轻量化缺陷检测方法 | |
Liu et al. | A Lightweight YOLO Object Detection Algorithm Based on Bidirectional Multi‐Scale Feature Enhancement | |
Li | A Study of Multimodal Perception Mechanisms for Target Detection Accuracy Enhancement in Computer Vision |
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 |