一种基于改进YOLOv5的轻量级输电线路小目标缺陷检测方法

技术领域

本发明属于计算机视觉领域，具体涉及一种基于改进YOLOv5的轻量级输电线路小目标缺陷检测方法。

背景技术

根据《2023年度全国供需分析报告》，2023年全社会用电量较去年同比增长6％，输电线路安全、可靠的运输对电网稳定运行有着重大意义。随着无人机巡航技术的快速发展，电力行业在输电线路方面以已经实现无人机轨迹跟踪的智能化，但是在图像识别和目标检测方面，智能化程度依然比较低。电力工作人员需要对海量航拍图像进行分析筛选，速度慢，效率低，所以针对图像检测和缺陷识别进行研究对电力行业发展具有重要意义。

近年来，国内外针对目标检测与图像识别算法的研究力度逐渐增大，主要侧重于利用卷积神经网络实现目标检测。从目前发展趋势看，首先，传统算法本身的局限性比较大。模型比较复杂，推理速度比较慢，并不适合应用于图片批量大，硬件条件有限的工程实时监测。并且由于保密性原因，真实航拍数据集比较少，质量较差。然后，由于航拍处于空中较高的位置，拍摄目标较小，对小目标需要有针对性策略。最后，目前大部分算法都忽略了拍摄过程中造成的图像质量不佳等问题，所以对图像预处理部分也需要适当改进。

发明内容

本发明的目的是提供一种基于改进YOLOv5(DFCG_YOLOv5)的轻量级输电线路小目标缺陷检测方法，本发明用于精准并迅速的对无人机航拍图像进行缺陷检测，为维护人员确定电路绝缘子部位安全提供参考。

为实现此目的，本发明所设计了基于改进YOLOv5(You Only Look Once v5)的绝缘子缺陷诊断系统，它包括预处理Input模块，特征提取Backbone模块，特征融合Neck模块，头部检测Head模块。

主要内容为：

所描述数据集Input模块主要包括对输入图像的旋转拼接，以及平移缩放。然后采用Mosaic(马赛克数据增强法)进行随机的裁剪和拼接。增加GPU的利用率。同时根据实际工程场景，采用改进的HSMF(高速自适应中值法)对图像的噪声点进行判定，对筛选出的噪声点进行滤波处理，大幅度降低了噪声对目标的检测噪声的影响。

改进的DFCG_YOLOv5中的Backbone部分替换为改进的Ghost，添加DFC注意力机制，与Ghost分支并行以增强扩展的特征，然后输入到第二个Ghost模块，以产生输出特征。提取特征采用的是水平和竖直两个方向，增加的特征提取的效果，同时因为采用网络更加简洁，达到了精度与准度的平衡。

改进的DFCG_YOLOv5中的Neck模块为对不同尺度，不同深度的特征图进行融合，同时收敛的损失函数由CIOU Loss改进为Ploy Loss，通过调参改善小目标对目标检测的影响，抑制正样本，达到更好的收敛效果。

改进的DFCG_YOLOv5中的Head模块主要是接收Neck部分传递的不同尺度的特征图，并且采用非极大值抑制筛选目标框，达到更好的识别多目标选框，提升模型的预测精度。

本发明具有如下有益效果：

1.本发明通过无人机航拍图像并对图像进行样本扩充构建无人机绝缘子缺陷图像数据库，并对图像中不同的绝缘子缺陷图像进行人工标记；对绝缘子缺陷图像图像进行HSMF(高速自适应中值滤波)降噪预处理，增强图像检测的质量，降低噪声对目标检测的影响。

2.本发明构建改进的YOLOv5目标检测模型，对批量航拍绝缘子进行检测，既保证了检测的精度，又保证了检测的速度，完成对绝缘子缺陷的检测。

3.本发明能够在巡检图像中检测并识别绝缘子，并对其进行缺陷检测。本发明提出的技术方案具有较好的准确度和检测速度，且能适应背景复杂不同环境下的拍摄图像，可为运维人员电路安全检测提供参考，有助于变电站巡检人员智能巡检。

附图说明

图1是本发明DFCG_YOLOv5算法流程图。

图2是本发明具体实施方式HSMF整理滤波流程图。

图3是本发明具体实施方式改进的Ghost网络特征提取信息过程。

图4是本发明具体实施方式改进的Ghost网络特征融合过程。

图5是本发明具体实施方式数据集标签以及训练和验证集条形图。

图6是本发明提出的一种基于改进YOLOv5的轻量级输电线路小目标缺陷检测方法的整体流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图及实例，对本发明的技术方案进行具体说明，提供了一种基于改进YOLOv5的缺陷检测算法，包括如下步骤：

步骤一：

从供电公司下载无人机航拍图像，人工筛选各类别绝缘子缺陷的图像。

挑选出绝缘子缺陷类别包括：绝缘子破损、绝缘子绑扎线松脱、绝缘子污秽、绝缘子自爆四类缺陷。

步骤二：

将绝缘子缺陷图像进行扩充并进行人工标注，构建数据集，并且按照4：1的比例划分训练集和测试集。

其中图像扩充具体步骤包括：对图像进行像素级处理，首先对图片进行旋转，反转，同时调整饱和度。并且为了增强目标检测效果，对图像进行图片级数据增强，首先使用Mixup对图片进行两两叠加，进行加权运算，然后使用Cutout对图像进行裁剪补充。

其中，对图像进行具体标注包括，首先利用labelme软件对训练集以及验证集的缺陷标注。缺陷对应的标签分别为jyzwh(绝缘子污秽)、jyzzxst(绝缘子扎线松脱)、绝缘子破损(jyzps)、绝缘子自爆(jyzzb)。之后得到带标记框的坐标信息，本次采用YOLO格式保存，即xml格式。文件包含的信息包括name(缺陷标签名称)，size(目标框的宽带与高度)，object(标签类型)以及bndbox(目标框对应的最小横坐标，最小纵坐标，最大横坐标，最大纵坐标分别命名为xmin，ymin，xmax和ymax)。标注完缺陷统计数量如图5所示，分别为：绝缘子破损381张，绝缘子自爆596张，绝缘子污秽396张和绝缘子自爆391张。

步骤三：

构建基于改进YOLOv5的绝缘子缺陷检测模型包括以下步骤：

其中，绝缘子缺陷检测模型主要包括Input模块，特征提取backbone模块，特征融合Neck模块，以及预测head模块，如图1所示。

Input模块：当输入像素大小为640*640的图像时，Input部分采用Mosaic数据增强，随机将四张绝缘子缺陷图片裁剪并拼接成一张，并且采用自适应锚框计算以及自适应图片缩放操作对图像进行预处理，并且采用HSMF(高速自适应中值滤波方法)对图像进行滤波预处理。

其中噪声检测阶段，首先设定图像的像素灰度值极值来表示噪声，用Max

式中，Noise(i,j)＝1表示该点为疑似噪声像素点，Noise(i,j)＝0则表示该点为正常像素点；δ代表灰度偏差，一般为1。疑似噪声像素点中除了包含噪声的像素点，还剩余部分灰度值为255或0的正常像素点，所以仍需要对疑似噪声点进行处理，整体流程如图2所示。

其中对疑似噪声点处理过程包括：对疑似噪声像素点使用初始3×3滤波窗口进行中值滤波，判断是否存在剩余疑似噪声像素点，若不存在，噪声滤除结束；若存在，则进行下一步。

步骤四：

对上步剩余像素点使用5×5滤波窗口进行中值滤波，继续进行滤波处理。

对上步5×5滤波后剩余的疑似噪声像素点采用7×7的滤波窗口进行中值滤波，判断滤波后的噪声是否还存在疑似噪声像素点，若不存在，噪声滤除结束；

Backbone模块：由Conv卷积模块、C3全连接模块、SPPF池化层模块组成。图像通过Conv模块进行卷积操作，实现特征提取，通过C3模块增加网络的深度和感受野，提高了特征提取的效果，最后通过SPP池化层模块对不同大小的特征图模块进行归一为相同大小的特征向量。将Backbone改进为DFC_Ghost网络。在相同数据集下，DFC_Ghost网络速度更快，精度更高，综合性能更为优越。

其中DFC_Ghost网络中DFC特征提取模块如图3所示，设给定的图像输入的总特征为数量为

⊙代表特征与权重相乘，F为FC层学习权重，A＝{a

其中，利用DFC注意力机制增强Ghost模块，获取不同空间像素的依赖性。当特征为X∈R

Sigmoid(·)的目的是将注意力矩阵的输出结果标准化到(0,1)之间，Backbone结构采用DFC注意力分支与Ghost分支模块并行，以增强扩展的特征，然后输入到第二个Ghost模块，以产生输出特征，因为捕捉到了的特征信息是不同空间位置的，并且互相具有依赖性，所以模型的表达能力大大增强，两个分支特征信息的融合过程如图4。

Neck模块：包含特征金字塔网络(FPN)和路径聚合网络(PAN)，主要实现的是对不同尺度的，不同层次特征图进行融合。图像的特征向量通过FPN(Feature PyramidNetwork)特征金字塔结构，经过下采样和上采样，PAN则自下而上传递定位信息，实现不同深度特征图的信息融合，使输出具有完备的特征信息的特征图。得到20*20、40*40、80*80三种尺寸的特征图。

Head模块：Head部分的作用是对不同尺寸的特征图进行多尺度检测。当三种尺寸的图片输入以后自动生成目标框，对目标框进行分类、回归，最后得到目标框的坐标位置和大小尺寸，进而计算置信度，精确率，召回率以及mAP(mean Average Precision)。

所述目标框回归过程，本专利采用Poly Loss损失函数对YOLOv5基础损失函数CIOU Loss替换，对小目标存在的正负样本的严重不平衡问题提出针对性策略。

本文提出一种可以针对不同数据集调整正负样本系数损失函数Poly Loss。首先将常用的两类损失函数(交叉熵损失函数与Focal Loss)进行泰勒分解展开，表达式如下：

其中α

L

其中针对小目标数据集正负样本不平衡问题可以通过调整多项式系数∈

步骤五：

将训练输入改进的模型进行训练，训练集用来训练和调优目标检测模型，测试集用来测试模型的准确性。模型训练中设置batch size(批尺寸)为32，学习率为1×10

上述技术方案中，所述目标检测模型搭建和训练模块在对改进的YOLOv5目标检测模型进行训练前，对输入的训练验证集中的训练集进行图像大小归一化，统一设置为640×640×3像素大小。

步骤六：

将测试集输入训练后的模型进行性能评估，若满足实际检测需求，则得到最终的检测模型，否则调整改进YOLOv5的绝缘子缺陷检测模型参数，继续训练，直到达到所满足的性能指标。

对于评估模型，可以根据训练后改进YOLOv5算法的绝缘子缺陷检测模型，采用精确率(Precise)、召回率(Recall)和平均精确率(mAP)作为目标检测模型性能评价的相关指标。精确率是用来衡量模型分类检测的准确率，记为P；召回率衡量模型检测是否全面，记为R，精确率和召回率绘制的曲线下的面积就是AP的值；mAP代表各类别AP的平均值，一般以IOU＝0.5时计算mAP值，即mAP@0.5。计算公式如下所示：

式中，TP表示正确地把正样本预测为正，FN表示错误地把正样本预测为负，FP表示错误地把负样本预测为正；C代表目标检测的种类。

步骤七：

利用最终得到的模型，对航拍绝缘子缺陷图像进行检测，获取结果，该专利整体流程图如图6所示。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所覆盖。