[发明专利]一种基于Yolo V5模型的电力工器具检测方法

说明书

本发明提出一种基于Yolo V5模型的电力工器具检测方法，包括：采集电力工器具的样本图像数据并进行标注；对标注后的样本图像数据进行特征增强，获得COCO数据集；构建Yolo V5模型，所述Yolo V5模型的损失函数为Focal Loss损失函数；利用COCO数据集对所述Yolo V5模型进行训练，得到电力工器具检测的目标参数和目标权重，并将所述目标参数和目标权重作为训练好的Yolo V5模型的参数和权重；使用训练好的Yolo V5模型对经标准化处理的电力工器具的图像进行检测，输出对应电力工器具的类别。本发明基于Yolo V5算法实现电力工器具的识别和分类。Yolo V5算法对电力工器具模型进行数据增强，并通过预处理对数据集进行迁移学习，扩大数据库，进一步保证工器具识别的准确率。

技术领域

本发明涉及电力工器具检测技术领域，尤其是一种基于Yolo V5模型的电力工器具检测方法。

背景技术

电力作业过程中，常用到各类工器具，而电力作业过程中的违规行为，往往涉及到一些工器具，为更好的监督作业人员的违规行为，本文以识别作业过程中的电力工器具为目的，为违规行为检测和分析奠定基础。电力工器具繁多，且随着电力硬件设备的不断优化和更新，电力工器具的种类也越来越多，为识别和检测带来一定的困难，传统机器学习相关算法无法更好的区别繁杂的电力工器具。而当前针对电力工器具识别分类的研究较少，无法更好的推动电力违规行为分析。当前电力行业广泛引用深度学习检测技术，其中Yolo系列算法是工程应用和落地的重要模型之一。参考中国专利公开号为CN112215795A的一种基于深度学习的服务器部件智能检测方法，基于深度学习的服务器部件智能检测方法可以准确地识别出服务器部件的位置和数量，提升服务器部件装配的效率和准确性，公开了YoloV5模型的图像识别过程，但是由于电力工器具的种类也越来越多，种类不同的电力工器具的形状大小也不一样，为识别和检测电力工器具带来一定的困难，使测得的结果不准确。

发明内容

本发明解决了现有技术识别和检测电力工器不准确的问题，提出一种基于YoloV5模型的电力工器具检测方法，本发明基于Yolo V5算法实现电力工器具的识别和分类。Yolo V5算法对电力工器具模型进行数据增强，并通过预处理对数据集进行迁移学习，扩大数据库，进一步保证工器具识别的准确率。

为实现上述目的，提出以下技术方案：

一种基于Yolo V5模型的电力工器具检测方法，包括以下步骤：

S1，采集电力工器具的样本图像数据并进行标注；

S2，对标注后的样本图像数据进行特征增强，获得COCO数据集；

S3，构建Yolo V5模型，所述Yolo V5模型的损失函数为Focal Loss损失函数；

S4，利用COCO数据集对所述Yolo V5模型进行训练，得到电力工器具检测的目标参数和目标权重，并将所述目标参数和目标权重作为训练好的Yolo V5模型的参数和权重；

S5，使用训练好的Yolo V5模型对经标准化处理的电力工器具的图像进行检测，输出对应电力工器具的类别。

本发明部署优化后的参数，基于训练好的模型对测试集图像进行测试，在同等参数和迭代次数的条件下，经测试，基于改进Yolo V5模型的工器具检测结果的准确率比原始Yolo V5模型高0.3％。本发明通过电力作业工器具形成训练数据集，以对Yolo V5模型进行训练，使用改进Yolo V5模型对所述电力工器具进行检测，解决当前电力工器具检测问题，为电力工器具分类收纳提供基础。

作为优选，所述S1具体包括以下步骤：采集电力工器具的样本图像数据，利用图像标注工具labelimg对所述样本图像数据进行标注，得到标注后的样本图像数据。

作为优选，所述S2具体包括以下步骤：