团论文网
团论文网
-
摘要：绝缘子在高压和超高压架空输电线路中的安全运行至关重要，因此对绝缘子图像的准确识别显得尤为关键。为了提高绝缘子缺陷检测的精度，提出了一种基于改进YOLOv5s模型的绝缘子缺陷检测方法。通过引入scSE注意力机制，以实现通道和空间方面的校准，强化了该模型在对绝缘子缺陷的辨识能力，从而进一步提高对绝缘子图像识别的精度，特别是在遮挡和相似目标干扰的情况下表现更为出色；在此基础上增加了Mosaic数据增强处理，为模型的训练提供更多数据，使模型在多场景下表现优异。经实验证实，该算法准确率达到了92.8%，召回率达到97.5%，mAP达到了98.8%，其检测精度明显优于其他模型，并在复杂场景下展现了出色的鲁棒性，为绝缘子检修工作提供了新的思路。
关键词：绝缘子检测；YOLOv5s模型；scSE注意力机制；图像处理
0引言
在架空输电线路的维护中，绝缘子的缺陷检测和安全防护扮演着至关重要的角色，确保输电线路的正常安全运行。随着时间的推移，无人机巡检逐渐取代了传统的人工巡检，成为主流方式[1]。然而，为了避免人为误判和漏检，利用深度学习技术处理巡检图像已经成为一种趋势[2]。近年来，国内外专家在绝缘子缺陷检测领域取得了一定进展。SSD[3]、YOLOv2[4]和YOLOv3[5]等算法采用一阶段检测方法，直接对图像中的目标进行预测和分类；而R-CNN[6]、Faster-RCNN[7]等算法采用二阶段检测方法，先生成矩形框，然后对框进行分类和预测。此外，许多基于YOLOv5的改进算法在一定程度上提高了检测的精度和效率。文献[8]中提出了一种结合K-means和YOLO4的方法用于复杂背景下的检测，另一文献[9]利用GhostNet对YOLOv5进行改进，提高了模型的检测精度。而文献[10]提出了一种基于SE-YOLOv5s的检测方法，通引入SE注意力机制提高了模型的召回率和准确率。尽管许多研究者在绝缘子缺陷检测领域取得了良好足等问题[11]。为解决这些问题，该研究提出了一种新的改进方法，在YOLOv5s型基础上引入并发空间和通道挤压和激励（Concurrent Spatial and Channel Squeeze&Excitation，scSE）注意力机制。经过大量实验证明，该方法通过提高模型的召回率和mAP来提高检测精度，从而实现更可靠的检测效果，为绝缘子缺陷检测领域带来了新的研究思路。
1整体方案设计
绝缘子缺陷检测的流程如图1所示。首先，对输入图像进行预处理，包括PIL处理和Mosaic数据增强处理两部分，前者可以使图像更鲜明突出，后者旨在丰富数据集，经过处理的绝缘子图像能更清晰地被识别出来；随后对处理后的图像进行人工标注，然后将其输入改进后的YOLOv5模型当中，进行训练和测试；最后，利用训练完成的模型对验证集进行验证。
2图像预处理
该研究所涉及的绝缘子数据集主要来自架空线路的铁塔，且均为无人机航拍获取。每张图像的尺寸为1 152 pixel×864 pixel，为了更好地适应模型的输入需求，经过处理后的图像尺寸调整为640 pixel×640 pixel。图像的预处理过程包括两个关键步骤：PIL（Python imaging library）处理和Mosaic数据增强处理，经过这一系列处理后的图像更有利于模型的训练，提高了模型的准确性和稳定性。
2.1 PIL处理
该研究首先使用Python图像库（Python Imaging Li‐brary）PIL进行图像预处理，可以实现对图像的旋转、翻转和亮度增强等操作。这样处理后的图像在输入模型中后会有更好的效果，提高模型的训练效果，提升模型的鲁棒性[12]。
2.2 Mosaic数据增强处理
将第一次处理后的图像进行Mosaic数据增强，其主要作用就是增强数据多样性、增强模型鲁棒性和加强批归一化层，处理后的图像在输入模型后会显现出很好的效果[13]。
该方法其主要的步骤是随机将4张图像进行拼接，然后将其进行随机缩放、随机剪裁、随机排布等操作，该算法对小目标的检测性能提高效果十分明显，对于绝缘子的检测也更加准确。图2是经过Mosaic数据增强后的图像效果。
Mosaic数据增强后的图像更有利于模型的训练，相应地，对于整体模型的检测效果也会有很好的提升，提高绝缘子缺陷检测的准确性。
3 scSE注意力机制
某些研究者提出将注意力机制引入再识别领域作为一种有效策略，以增强特征表达能力。据此，将注意力机制整合到YOLO模型中，可以有效增强卷积神经网络的能力。引入注意力机制的方法可根据其作用的通道分为两类：通道注意力和空间注意力[14]。前者侧重于研究特征通道之间的映射关系，而后者则利用多通道特征在不同空间位置上的关系。
该研究探讨了scSE注意力机制，其由sSE和cSE两个模块并行组成。其中，sSE模块实施了空间注意力机制，而cSE模块实现了通道注意力[15]。通过同时进行两种不同采样校准的scSE模块，模型具备了更强的特征辨识能力，为图像理解和分析任务提供了更优秀的表征学习框架scSE模块，其流程图如图3所示。
4 YOLOv5s
在该研究中，对YOLOv5模型进行了改进，推出了4个版本：YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x，这些版本在网络深度和特征图宽度上有所不同[16]。YOLO模型处理主要包括4个步骤：输入端处理，包括剪裁、缩放和数据增强；Backbone部分，包含Focus和CSP两个模块，提高计算效率和降低内存开销；Neck部分，采用FPN和PAN结构以及CSP2结构进行网络特征融合；Head部分，采用CIOU_LOSS作为bounding box的损失函数[17]。
4.1 scSE-YOLOv5s
为了在目标检测任务中节省计算成本和内存成本，该研究选择了特征宽度最小、网络深度最小的YOLOv5s模型，并对其进行了改进。在目标检测任务中，YO‐LOv5s模型的核心是其主干网络（backbone）。然而，原有的Focus和CSP模块在处理复杂背景下的目标检测时存在一定不足，表现为辨别能力的不足，从而导致了绝缘子检测准确性的进一步提升需求。经过广泛实验证明，引入注意力机制能够显著改善这一情况，为整个模型的训练效果带来显著提升，并取得了明显的收益。
在该研究中，引入了scSE注意力机制，通过同时对空间注意力和通道注意力进行采样校准，显著提高了模型在背景复杂场景下的识别能力。原始YOLO模型的主干网络包含切片模块Focus、CBL（Cov+Bn+Leaky_relu）、CSP1_X（3个卷积层和X个Res unit）以及空间金字塔池化SPP。数据首先经过切片处理，相当于经过两倍下采样，然后进行拼接和卷积处理。SPP处理能够准确提取关键的上下文特征，因此能够在SPP后面引入scSE模块。通过多次尝试，发现将scSE模块放置在SPP之后效果最佳。图4展示了改进后的YOLO模型架构。
图像经过预处理后，输入到改进后的YOLO模型，便可以快速且精确地检测出绝缘子缺陷的位置，且给予维修人员一定的操作意见。该改进方法很大程度上提高了对绝缘子的辨识能力，适应更多不同环境。
4.2损失函数选择
该研究采用了先进的CIOU_Loss作为损失函数，相较于DIOU_Loss，CIOU_Loss引入了额外的影响因子，考虑了预测框和目标框的长宽比，从而提高了预测框回归的速度和精度如式（1）所示。
式中：DC为所提取图像最小外接矩形的对角线距离；D2为标定的两个中心点的欧式距离；v为衡量长宽比一致
性的参数[19]；w为宽度；h为高度。可以定义式（2）：
最终可以确定所用的损失函数为CIOU_Loss，整个模型的改进也就完成了，改进后模型的准确性和稳定性将会进一步提升。
5实验验证
首先在Python环境下利用LabelImg对绝缘子图像进行人工标注，将不同绝缘子分别设置为两个标签：mal和defective，分别表示正常绝缘子和缺损绝缘子。把绝缘子图像中缺陷的地方用方框标注出来，并加以de‐fective表示，无损坏的用方框标注出来，并加以normal表示。其中绝缘子数据集共有6 860张，本文使用4000张作为训练集，2 000张作为测试集，剩下的860张作为验证集。将数据集分别代入改进的scSE-YOLOv5s、YO‐LOv5s和Faster-RCNN中，对比三者的效果差别。
该研究提出的模型使用深度学习框架PyTorch进行实验，将改进的YOLOv5s模型代入进行绝缘子缺陷检测实验，实验设备及环境配置如表1所示。
设置初始学习率S=0.001，终止学习率S=0.25，动量Mom=0.965，避免出现局部最优化的问题，迭代次数设置为50。本文对3种方法的评价指标选取为准确率（Precision）、召回率（Recall）和平均精度均值（mAP），3种指标的计算公式如下。
式中：nTP为正例被正确判断的数量；nFP为负例被错误判断的数量；nFN为正例被错误判断的数量。
Precision、Recall和mAP的值都与模型的精确度正相关[20]。将数据集代入3个模型中进行检验，测试每个模型对绝缘子缺陷检测的性能，模型的指标性能表现如图5所示。图中模型1是Faster-RCNN，模型2是YO‐LOv5s，模型3是scSE-YOLOv5s。
结合可视化图形，可以做出3种模型性能表现的图表，如表2所示。
根据以上表格和图表，明显可见改进后的scSE-YO‐LOv5s模型在3个模型中表现最为出色。该模型的准确率达到了92.8%，召回率达到了97.5%，mAP值达到了98.8%。其卓越的性能代表了改进效果的显著成功，对检修人员来说将带来极大的便利。
6结束语
该研究提出了一种基于改进的YOLOv5s模型的绝缘子缺陷检测方法，实现了对复杂情景下绝缘子缺陷的高精度检测。首先通过利用PIL和Mosaic增强处理对图像进行预处理，提高图像的可辨识度；接着在模型的主干部分引入scSE注意力模块，强化在复杂背景下的辨识能力，最后利用CIOU_loss作为损失函数，提高模型的收敛速度。最后实验验证了该方法的可行性，解决了实际应用中的精度不够、算能力不足等问题，对比其他方法，该方法展现出更强的鲁棒性和准确性。这一创新极大地促进了相关检修人员工作的开展，为其提供了全新的方法。未来将继续优化该方法，以进一步提高其准确率、召回率和mAP值，并更加注重其方法的高效性。
参考文献：
[1]池小波,张伟杰,贾新春,等.基于改进YOLOv5s的轻量级绝缘子缺失检测[J].测试技术学报,2024,38(1):19-26.
[2]范美楷,方志,晏宇,等.一种基于LSKNet的绝缘子缺陷检测方法研究[J].通信与信息技术,2024(1):49-54.
[3]LIU W,ANGUELOV D,ERHAN D,et al.SSD:single shot multi‐box detector[C]//Proceedings of the European Conference on Computer Vision,2016:21-37.
[4]REDMON J,FARHADI A.YOLO9000:better,faster,stronger[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2017:7263-7271.
[5]REDMON J,FARHADI A.YOLOv3:an incremental improve‐ment[J].Computer Vision and Pattern Recognition,20189.arXiv:1804.02767.
[6]GIRSHICK R,DONAHUE J,DARRELL T,et al.Rich feature hi‐erarchies for accurate object detection and semantic segmenta‐tion[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2014:580-587.
[7]REN S,HE K,GIRSHICK R,et al.Faster RCNN:towards real-time object detection with region proposal networks[J].Advances in Neural Information Processing Systems,2015,28:91-99.
[8]刘行谋,田浩,杨永明,等.复杂环境背景下绝缘子缺陷图像检测方法研究[J].电子测量与仪器学报,2022,36(2):57-67.
[9]王年涛,王淑青,黄剑锋,等.基于改进YOLOv5神经网络的绝缘子缺陷检测方法[J].激光杂志,2022,43(8):60-65.
[10]田庆,胡蓉,李佐勇,等.基于SE-YOLOv5s的绝缘子检测[J].智能科学与技术学报,2021,3(3):312-321.
[11]季世超,曲星合,宋庆彬,等.基于改进YOLOv5的轻量化绝缘子缺陷检测算法[J].浙江电力,2023,42(12):64-72.
[12]陈翠琴,范亚臣,王林.基于改进Mosaic数据增强和特征融合的Logo检测[J].计算机测量与控制,2022,30(10):188-194,201.
[13]张晓晓,邓承志,吴朝明,等.基于改进YOLOv4的磁瓦缺陷检测算法[J].计算机科学,2023,50(S2):389-395.
[14]汪维,阮雅端,顾鹏,等.基于融合注意力机制DAUNet的最大裂缝宽度计算[J].上海交通大学学报.
[15]黄熙,朱兆优,叶海鹏,等.基于改进YOLOv5的PCB缺陷检测方法研究[J].机电工程技术,2024,53(2):225-229.
[16]熊绍托,童安科,杨朝程等.基于改进YOLOv5的绝缘子缺陷检测[J].工业控制计算机,2023,36(12):70-72.
[17]宋谱怡,陈红,苟浩波.改进YOLOv5s的无人机目标检测算法[J].计算机工程与应用,2023,59(1):108-116.
[18]翟永杰,赵晓瑜,王璐瑶,等.IDD-YOLOv7:一种用于输电线路绝缘子多缺陷的轻量化检测方法[J].图学学报,2024,45(1):90-101.
[19]王龙博,刘建辉,张贝贝,等.利用注意力机制融合的YO‐LOv5遥感图像目标检测[J].信息工程大学学报,2023,24(4):438-446.
[20]易继禹,陈慈发,龚国强.基于改进Faster RCNN的输电线路航拍绝缘子检测[J].计算机工程,2021,47(6):292-298,304.后台-系统设置-扩展变量-手机广告位-内容正文底部 -
本文标签：
基于改进YOLOv5s的绝缘子缺陷检测方法论文
人参与 2024-10-18 10:23:26 分类 : 理学 点这评论 作者：团论文网 来源：https://www.tuanlunwen.com/
-
站内搜索
-
随机文章
-
标签列表
-
-
最近发表
-
-
热门文章 | 最新文章 | 随机文章
-
-
最新留言
-
首页 论文知识 教育论文 毕业论文 教学论文 经济学 管理学 职称论文 法学 理学 医学 社会学 物理学 文献 工程论文 学位论文 研究论文
Powered 团论文网 版权所有 备案号：鄂ICP备2022005557号统计代码
全站搜索