【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于輸電線路，具體涉及一種基于輕量級cgc-yolo的絕緣子缺陷檢測方法。
技術(shù)介紹
1、絕緣子是輸電線路中不可或缺的重要電氣元件之一，主要承擔(dān)線路支撐和電氣絕緣的功能，以防止電流泄漏到其他部件造成短路，從而確保電力系統(tǒng)的安全運(yùn)行。然而，絕緣子在長期使用過程中，受雨水、雷擊、冰雹、鳥糞等外界因素的影響，可能會出現(xiàn)破損或污穢，導(dǎo)致絕緣性能下降。因此，需要對高壓線路上的絕緣子進(jìn)行定期巡檢，及時(shí)發(fā)現(xiàn)并更換存在異常破損的絕緣子。目前，絕緣子缺陷檢測主要依賴人工識別，巡檢人員定期沿線路檢查高壓線路上的絕緣子，通常通過目視觀察或使用望遠(yuǎn)鏡來判斷缺陷情況。這樣的巡檢過程耗時(shí)長、效率低，且漏檢率較高。在復(fù)雜地形的輸電線路上，人工檢測很難實(shí)現(xiàn)高精度的效果。隨著無人機(jī)技術(shù)的迅猛發(fā)展，無人機(jī)能夠拍攝大量絕緣子圖像并傳回后臺供工作人員檢查。由于數(shù)據(jù)量巨大，圖像中的絕緣子狀況參差不齊，逐一檢查已變得不切實(shí)際。因此，搭載目標(biāo)檢測算法的無人機(jī)已成為絕緣子缺陷檢測的主流手段，為輸電線路缺陷檢測提供了一種低成本、高效率且機(jī)動性強(qiáng)的解決方案。
2、現(xiàn)有的絕緣子缺陷檢測方法在實(shí)際應(yīng)用中面臨多個(gè)挑戰(zhàn)，導(dǎo)致檢測精度不高。首先，絕緣子缺陷種類多樣且形態(tài)復(fù)雜，現(xiàn)有算法在識別細(xì)小裂紋、微小缺損、小污穢等細(xì)微缺陷時(shí)，容易出現(xiàn)誤檢率較高、準(zhǔn)確率差以及漏檢的情況。其次，無人機(jī)巡檢過程中，受天氣、光照、背景復(fù)雜度等因素影響較大，拍攝的圖片模糊，質(zhì)量較差，不利于模型訓(xùn)練。最后，部分復(fù)雜的深度學(xué)習(xí)模型雖然在檢測精度上有所提升，但計(jì)算量較大，無法實(shí)現(xiàn)實(shí)時(shí)處理。特別是在
技術(shù)實(shí)現(xiàn)思路
1、針對現(xiàn)有技術(shù)的不足，本專利技術(shù)的目的在于提供一種基于輕量級cgc-yolo的絕緣子缺陷檢測方法，通過優(yōu)化模型結(jié)構(gòu)和引入創(chuàng)新的模塊，在低計(jì)算量下實(shí)現(xiàn)了高精度的絕緣子缺陷檢測，適用于復(fù)雜環(huán)境下的高效巡檢需求，顯著提升了檢測效果和設(shè)備端的實(shí)用性。
2、為實(shí)現(xiàn)上述目的，本專利技術(shù)提供如下技術(shù)方案：一種基于輕量級cgc-yolo的絕緣子缺陷檢測方法，包括以下步驟：
3、s1：構(gòu)建輸電線路絕緣子缺陷的圖像數(shù)據(jù)集，并劃分為訓(xùn)練集和驗(yàn)證集；
4、s2：構(gòu)建cgc-yolo網(wǎng)絡(luò)模型，該模型包括主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)與頭部網(wǎng)絡(luò)；
5、所述主干網(wǎng)絡(luò)包括依次連接的兩個(gè)conv卷積模塊、兩個(gè)cgc1模塊、conv卷積模塊、三個(gè)cgc2模塊、conv卷積模塊、六個(gè)cgc3模塊、conv卷積模塊以及三個(gè)cgc4模塊，分別將兩個(gè)cgc1模塊、三個(gè)cgc2模塊、六個(gè)cgc3模塊與三個(gè)cgc4模塊的輸出特征作為頸部網(wǎng)絡(luò)的輸入；
6、所述頸部網(wǎng)絡(luò)包括cmc模塊、cgc模塊、conv卷積模塊、上采樣模塊、concat拼接模塊以及aps-attention注意力機(jī)制模塊，cmc模塊設(shè)置為4個(gè)，分別為cmc1模塊、cmc2模塊、cmc3模塊、cmc4模塊，頸部網(wǎng)絡(luò)的處理過程為：兩個(gè)cgc1模塊的輸出經(jīng)過cmc1模塊特征提取后得到特征m1，三個(gè)cgc2模塊的輸出經(jīng)過cmc2模塊特征提取后得到特征m2，六個(gè)cgc3模塊的輸出經(jīng)過cmc3模塊特征提取后得到特征m3，三個(gè)cgc4模塊的輸出經(jīng)過cmc4模塊特征提取后得到特征m4，特征m4經(jīng)過conv卷積處理后得到特征m5，對特征m5進(jìn)行上采樣后與特征m3進(jìn)行concat拼接得到特征m6，特征m6?經(jīng)過cgc模塊特征提取后得到特征m7，特征m7經(jīng)過conv卷積處理后得到特征m8，對特征m8進(jìn)行上采樣后與特征m2進(jìn)行concat拼接得到特征m9，特征m9經(jīng)過cgc模塊特征提取后得到特征m10，特征m10經(jīng)過conv卷積處理后得到特征m11，對特征m11進(jìn)行上采樣后與特征m1進(jìn)行concat拼接得到特征m12，特征m12、特征m11、特征m8、特征m5分別經(jīng)過aps-attention注意力機(jī)制模塊加強(qiáng)特征提取操作后得到特征m13、特征m14、特征m15、特征m16，特征m13經(jīng)過cgc模塊特征提取后得到特征m17，特征m17經(jīng)過conv卷積處理后與特征m14進(jìn)行concat拼接得到特征m18，特征m18經(jīng)過cgc模塊特征提取后得到特征m19，特征m19經(jīng)過conv卷積處理后與特征m15進(jìn)行concat拼接得到特征m20，特征m20經(jīng)過cgc模塊特征提取后得到特征m21，特征m21經(jīng)過conv卷積處理后與特征m16進(jìn)行concat拼接得到特征m22，特征m22經(jīng)過cgc模塊特征提取后得到特征m23，最終將特征m17、特征m19、特征m21與特征m23作為頸部網(wǎng)絡(luò)的輸出；
7、所述頭部網(wǎng)絡(luò)包括四個(gè)detect模塊，分別用于檢測不同尺寸缺陷的絕緣子圖像，將特征m17、特征m19、特征m21與特征m23分別輸入四個(gè)detect模塊進(jìn)行絕緣子缺陷檢測；detect模塊包括卷積層和全連接層，用于預(yù)測每個(gè)候選框所屬的類別；
8、s3：利用訓(xùn)練集的絕緣子缺陷圖像對cgc-yolo網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并利用驗(yàn)證集的絕緣子缺陷圖像在訓(xùn)練過程中評估cgc-yolo網(wǎng)絡(luò)模型的性能，得到訓(xùn)練好的cgc-yolo網(wǎng)絡(luò)模型；
9、s4：將待測絕緣子缺陷圖像輸入至訓(xùn)練好的cgc-yolo網(wǎng)絡(luò)模型進(jìn)行絕緣子缺陷的檢測。
10、進(jìn)一步優(yōu)選，所述cgc1模塊、cgc2模塊、cgc3模塊、cgc4模塊的結(jié)構(gòu)均與cgc模塊相同，cgc模塊的處理過程為：輸入特征依次經(jīng)過conv卷積、bn批量歸一化和silu激活函數(shù)操作得到特征x1；對特征x1進(jìn)行兩次不同的處理，第一次進(jìn)行conv卷積、bn批量歸一化和silu激活函數(shù)操作得到特征x2，第二次經(jīng)過gc模塊處理得到特征x3，將特征x2與特征x3相加得到特征x4，對特征x4分別進(jìn)行平均池化和conv卷積、bn批量歸一化、silu激活函數(shù)操作得到特征x5和特征x6，將特征x5與特征x6進(jìn)行concat拼接得到特征x7，特征x7經(jīng)過gc模塊處理得到特征x8，特征x8與輸入特征通過殘差網(wǎng)絡(luò)進(jìn)行連接得到特征x9，特征x9進(jìn)行sigmoid激活函數(shù)操作得到輸出特征y。
11、進(jìn)一步優(yōu)選，所述gc模塊的處理過程為：輸入特征經(jīng)過conv卷積操作得到特征a1，對特征a1進(jìn)行conv卷積和softmax激活操作得到特征a2，對特征a1進(jìn)行平均池化和最大池化操作得到特征a3，將特征a1、特征a2和特征a3相乘得到特征a4，特征a4依次經(jīng)過conv卷積、bn批量歸一化和silu激活函數(shù)得到特征a5，特征a5經(jīng)過conv卷積處理后得到特征a6，將特征a6與輸入特征通過殘差網(wǎng)絡(luò)相連接得到特征a7，將特征a7進(jìn)行softmax激活函數(shù)操作得到輸出特征y1。
12、進(jìn)一步優(yōu)選，所述cmc模塊的處理過程為：包括兩條路徑；第一條路徑中，輸入特征經(jīng)過conv卷積處理得到特征b，對特征b?分別進(jìn)行兩次最大池化操作得到特征b1和特征b2，將特征b、特征b1和特征b2進(jìn)行concat拼接得到特征b3，特征b3經(jīng)過conv卷積處理本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于輕量級CGC-YOLO的絕緣子缺陷檢測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于輕量級CGC-YOLO的絕緣子缺陷檢測方法，其特征在于，所述CGC1模塊、CGC2模塊、CGC3模塊、CGC4模塊的結(jié)構(gòu)均與CGC模塊相同，CGC模塊的處理過程為：輸入特征依次經(jīng)過Conv卷積、BN批量歸一化和SiLU激活函數(shù)操作得到特征X1；對特征X1進(jìn)行兩次不同的處理，第一次進(jìn)行Conv卷積、BN批量歸一化和SiLU激活函數(shù)操作得到特征X2，第二次經(jīng)過GC模塊處理得到特征X3，將特征X2與特征X3相加得到特征X4，對特征X4分別進(jìn)行平均池化和Conv卷積、BN批量歸一化、SiLU激活函數(shù)操作得到特征X5和特征X6，將特征X5與特征X6進(jìn)行Concat拼接得到特征X7，特征X7經(jīng)過GC模塊處理得到特征X8，特征X8與輸入特征通過殘差網(wǎng)絡(luò)進(jìn)行連接得到特征X9，特征X9進(jìn)行Sigmoid激活函數(shù)操作得到輸出特征Y。
3.根據(jù)權(quán)利要求2所述的基于輕量級CGC-YOLO的絕緣子缺陷檢測方法，其特征在于，所述GC模塊的處理過程為：輸入特征經(jīng)過Conv卷積
4.根據(jù)權(quán)利要求1所述的基于輕量級CGC-YOLO的絕緣子缺陷檢測方法，其特征在于，所述CMC模塊的處理過程為：包括兩條路徑；第一條路徑中，輸入特征經(jīng)過Conv卷積處理得到特征B，對特征B?分別進(jìn)行兩次最大池化操作得到特征B1?和特征B2，將特征B、特征B1和特征B2進(jìn)行Concat拼接得到特征B3，特征B3經(jīng)過Conv卷積處理得到特征B4，對特征B4?分別進(jìn)行兩次最大池化操作得到特征?B5?和特征B6，將特征B4、特征B5和特征B6進(jìn)行Concat拼接得到特征B7，特征B7依次經(jīng)過Conv卷積、BN批量歸一化和?SiLU?激活函數(shù)操作得到特征?B8；第二條路徑中，輸入特征分別經(jīng)過三個(gè)不同大小的KCConv擴(kuò)充卷積處理得到特征?B9、特征?B10、特征?B11，將特征?B9、特征?B10和特征?B11進(jìn)行Concat拼接得到特征?B12；將第一條路徑中得到的特征?B8與第二條路徑中得到的特征?B12進(jìn)行相加得到輸出特征Y2。
5.根據(jù)權(quán)利要求1所述的基于輕量級CGC-YOLO的絕緣子缺陷檢測方法，其特征在于，所述APS-Attention注意力機(jī)制模塊的處理過程為：輸入特征經(jīng)過平均池化操作得到特征C，特征C依次經(jīng)過PSA注意力機(jī)制模塊、Sigmoid激活函數(shù)得到特征C1，將特征C與特征C1通過殘差連接相加最終得到輸出特征Y3。
6.根據(jù)權(quán)利要求5所述的基于輕量級CGC-YOLO的絕緣子缺陷檢測方法，其特征在于，所述PSA注意力機(jī)制模塊的處理過程為：輸入特征分別經(jīng)過四次平均池化操作得到特征D1、特征D2、特征D3和特征D4，將特征D1、特征D2、特征D3和特征D4進(jìn)行Concat拼接得到特征D5，特征D5經(jīng)過注意力權(quán)重模塊和Softmax激活函數(shù)處理得到特征D6，將特征D5和特征D6進(jìn)行逐元素相乘得到輸出。
7.根據(jù)權(quán)利要求1所述的基于輕量級CGC-YOLO的絕緣子缺陷檢測方法，其特征在于，所述Detect模塊中還包括非極大值抑制算法和損失函數(shù)，非極大值抑制算法用于去除重疊的檢測框，確保每個(gè)目標(biāo)只有一個(gè)檢測框，損失函數(shù)包括分類損失、定位損失和置信度損失，用于度量模型預(yù)測值與真實(shí)值之間的差異。
8.根據(jù)權(quán)利要求1所述的基于輕量級CGC-YOLO的絕緣子缺陷檢測方法，其特征在于，所述數(shù)據(jù)集由無人機(jī)拍攝的絕緣子圖像構(gòu)成，圖像中包括污穢絕緣子和破損絕緣子兩種情況，對數(shù)據(jù)集進(jìn)行標(biāo)注和數(shù)據(jù)增強(qiáng)處理；對數(shù)據(jù)集進(jìn)行標(biāo)注包括：使用LabelImg圖像標(biāo)注工具對每張圖像中的絕緣子缺陷部位進(jìn)行矩形標(biāo)注，標(biāo)注完成后，生成包含破損類別、污穢類別以及對應(yīng)標(biāo)注框坐標(biāo)信息的txt文件；數(shù)據(jù)增強(qiáng)處理為通過畫質(zhì)增強(qiáng)、對比度調(diào)整和去噪優(yōu)化圖像質(zhì)量。
...【技術(shù)特征摘要】
1.一種基于輕量級cgc-yolo的絕緣子缺陷檢測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于輕量級cgc-yolo的絕緣子缺陷檢測方法，其特征在于，所述cgc1模塊、cgc2模塊、cgc3模塊、cgc4模塊的結(jié)構(gòu)均與cgc模塊相同，cgc模塊的處理過程為：輸入特征依次經(jīng)過conv卷積、bn批量歸一化和silu激活函數(shù)操作得到特征x1；對特征x1進(jìn)行兩次不同的處理，第一次進(jìn)行conv卷積、bn批量歸一化和silu激活函數(shù)操作得到特征x2，第二次經(jīng)過gc模塊處理得到特征x3，將特征x2與特征x3相加得到特征x4，對特征x4分別進(jìn)行平均池化和conv卷積、bn批量歸一化、silu激活函數(shù)操作得到特征x5和特征x6，將特征x5與特征x6進(jìn)行concat拼接得到特征x7，特征x7經(jīng)過gc模塊處理得到特征x8，特征x8與輸入特征通過殘差網(wǎng)絡(luò)進(jìn)行連接得到特征x9，特征x9進(jìn)行sigmoid激活函數(shù)操作得到輸出特征y。
3.根據(jù)權(quán)利要求2所述的基于輕量級cgc-yolo的絕緣子缺陷檢測方法，其特征在于，所述gc模塊的處理過程為：輸入特征經(jīng)過conv卷積操作得到特征a1，對特征a1進(jìn)行conv卷積和softmax激活操作得到特征a2，對特征a1進(jìn)行平均池化和最大池化操作得到特征a3，將特征a1、特征a2和特征a3相乘得到特征a4，特征a4依次經(jīng)過conv卷積、bn批量歸一化和silu激活函數(shù)得到特征a5，特征a5經(jīng)過conv卷積處理后得到特征a6，將特征a6與輸入特征通過殘差網(wǎng)絡(luò)相連接得到特征a7，將特征a7進(jìn)行softmax激活函數(shù)操作得到輸出特征y1。
4.根據(jù)權(quán)利要求1所述的基于輕量級cgc-yolo的絕緣子缺陷檢測方法，其特征在于，所述cmc模塊的處理過程為：包括兩條路徑；第一條路徑中，輸入特征經(jīng)過conv卷積處理得到特征b，對特征b?分別進(jìn)行兩次最大池化操作得到特征b1?和特征b2，將特征b、特征b1和特征b2進(jìn)行concat拼接得到特征b3，特征b3經(jīng)過conv卷積處理得到特征b4，對特征b4?分別進(jìn)行兩次最大池化操作得到特征?b5?和特征b6，將特征b4、特征b5和特征b6進(jìn)...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：曾兵，周志豪，謝云敏，華威，李得志，萬好，巫平強(qiáng)，劉邦，陳顯彪，陳宇聰，饒繁星，楊小品，張文華，彭聰，周娛璐，金子涵，易可欣，陳昱璋，胡昱帆，
申請(專利權(quán))人：南昌工程學(xué)院，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。