[发明专利]一种绝缘子缺陷检测模型构建方法及系统

说明书

一种绝缘子缺陷检测模型构建方法及系统，为一种基于双注意力非对称卷积YOLOv5s的绝缘子缺陷检测模型构建方法及系统，涉及输电线路绝缘子缺陷智能检测方法及系统，其步骤：构建输电线路绝缘子图像数据集；基于非对称卷积模块、通道和空间的双注意力机制CBAM和YOLOv5s构建用于绝缘子缺陷检测的双注意力非对称卷积YOLOv5s(Dual Attention‑YOLOv5s with Asymmetric Convolution,DAAC‑YOLOv5s)模型；使用绝缘子图像数据集对DAAC‑YOLOv5s模型进行训练；使用训练好的绝缘子缺陷检测模型DAAC‑YOLOv5s对绝缘子图像进行检测；本发明克服纵横比高、缺陷目标小问题，提高绝缘子缺陷检测速度和精度。

技术领域

本发明涉及输电线路绝缘子缺陷智能检测方法及系统，特别是涉及一种绝缘子缺陷检测模型构建方法及系统。

背景技术

随着我国输电线路的高速发展，绝缘子运行维护需求量增长与巡检人员数量之间的矛盾逐渐凸显。近些年，无人机航拍巡检代替人工巡检，一定程度上降低了巡检的难度和工作量，但是无人机航拍的绝缘子图像需要回传到后台人工判断和统计，存在检测效率低、实时性难以保障。

由于绝缘子图像背景复杂、角度多变和纵横比高特点，传统图像特征提取和分类器机器学习方法对复杂背景干扰比较敏感，很容易将阴影识别为缺陷，而基于深度学习的绝缘子检测面临缺陷目标较小、纵横比高、遮挡等问题，检测精度和速度还有待进一步提升，因此绝缘子缺陷检测面临巨大的挑战。

有鉴于此特提出本发明。

发明内容

本发明的目的在于提供一种绝缘子缺陷检测模型构建方法及系统，本发明基于YOLOv5s模型使用非对称卷积模块ACBlock替换了主干网络中残差单元的卷积来强化网络特征提取能力；然后在主干网络中引入通道和空间结合的注意力机制CBAM，通过对不同重要的特征采用不同的加权方式进一步提升网络的特征表达能力；最后针对YOLOv5s使用PIoU损失函数优化边框回归损失，能够有效地提升长宽比高、倾斜的绝缘子的IoU效果。本发明不仅可以在复杂的场景下提高绝缘子检测的精度，还能减少绝缘子的漏检。

本发明的目的是通过以下技术方案实现的：

本发明一种绝缘子缺陷检测模型的构建方法，包括以下步骤：

S1，构建输电线路绝缘子图像数据集；

S2，基于非对称卷积模块ACBlock、通道和空间的双注意力机制CBAM和YOLOv5s构建用于绝缘子图像的检测模型；

S3，使用所述绝缘子图像数据集对所述检测模型进行训练，并采用PIoU损失函数对所述检测模型进行参数更新；

S4， 将绝缘子图像输入训练好的模型进行检测，输出绝缘子图像中目标的位置和类别。

进一步可选地，步骤S1包括如下步骤：

S11，构建航拍绝缘子数据集，并通过镜像、旋转和添加噪声等数据增强方法来扩充数据集；

S12，对绝缘子图像样本进行标注，使用矩形框标注绝缘子及其缺陷位置，并标注类别为绝缘子或缺陷。数据集采用YOLO格式，图片标注使用的是LabelImg，标注后的文件以.xml作为后缀，将标签文件转为.txt文件。

进一步可选地，步骤S2包括如下步骤：

S21，使用非对称卷积模块ACBlock做为BottleneckCSP1中残差单元的卷积，构建ACBlock-BottleneckCSP1。基于ACBlock-BottleneckCSP1搭建非对称卷积YOLOv5s网络；

S22，在非对称卷积YOLOv5s的主干网络中引入通道和空间结合的注意力机制CBAM。分别在主干网络中第一个ACBlock-BottleneckCSP1之前和最后一个ACBlock-BottleneckCSP1之后引入CBAM注意力机制。

进一步可选地，步骤S3包括如下步骤：