[发明专利]基于改进Yolov4-tiny的输电线路连接部件检测方法

说明书

本发明公开了一种基于改进Yolov4‑tiny的输电线路连接部件检测方法，采集输电线路无人机航拍图像的原始数据集，进行预处理，建立目标数据集；对目标数据集进行K‑means聚类分析，得到重新聚类的预设锚框值；改进Yolov4‑tiny网络，加入ResNet‑D模块和Res‑CBAM模块；结合现有的Yolov4‑tiny方法，采用ResNet‑D模块替换CSPOSABlock模块，在改进的主干网络以残差连接方式结合设计的Res‑CBAM模块，以保证模型识别的准确性和高效性。利用目标数据集以及重新聚类的预设锚框值，对改进Yolov4‑tiny网络进行训练。结合实际电力巡检场景收集的大量图像，对本发明方法识别速度和精度进行测试验证，实验结果表明，本发明检测方法能达到现有Yolov4‑tiny模型的检测效果，且在识别速度上快约13％，在GPU性能较弱的边缘设备上能够做到实时的效果。

技术领域

本发明属于输变电设备图像检测领域，具体涉及一种基于改进Yolov4-tiny的输电线路连接部件检测方法。

背景技术

电力系统作为关系国计民生的基础设施，其安全与可靠性对于现代社会是十分重要的。检测电力部件的工作状态是一项十分重要的工作，传统的人工检测方法需要人眼长期工作，且与相关人员的经验和工作时的工作状态有关，不能够实现持续监测和识别，系统的可靠性较差。为了维护电力设备的正常运行，不断提高电力系统的安全和可靠性，计算机视觉的相关算法已经开始广泛应用于电力行业中。

在电力场景中，巡检图像背景复杂，并且有较高的时效性要求。传统的目标检测算法主要采用人工设计的特征，如：Haar分类器、级联分类器(Cascade Classifier)、SIFT(Scale-invariant feature transform)、HOG(Histogram of Oriented Gradients)、DPM(Deformable Parts Model)、SVM(Support Vector Machines)等，或者将它们结合起来，手动选取的特征对于复杂实际应用场景中的变化没有很好的鲁棒性，而其基于滑动窗口的区域选择策略没有针对性，时间复杂度高且存在窗口冗余，影响了识别的精度和速度。

随着神经网络和人工智能技术的快速发展，传统的人工提取过程可以由深度学习实现。目前大多数深度学习的应用，都是通过构建海量标注训练数据和设计复杂的神经网络模型结构，通过模型结构的优化来提取更有用的特征，最终提高预测的准确性。其在语音识别、机器翻译、图像分类、语义分割、目标检测等任务都表现出了比较高的准确性。

在实际业务中，已经有大量基于深度学习的目标检测算法应用于电力巡检，比较流行的可以分为两大类，一类是two-stage的，即先搜寻目标框再进行分类和回归，如基于Region Proposal的R-CNN系算法，包括R-CNN，Fast R-CNN，Faster R-CNN等，精度比较高但是速度慢。另一类是one-stage的，仅仅使用一个CNN网络直接预测不同目标的类别和位置，如SSD、RetinaNet、RefineDet、YOLO(You Only Look Once)系列，虽然损失了一些精度但是能够做到实时检测。

传统的图像目标检测算法，不能有效的对电力部件进行定位，同时在干扰物较多的场景下识别准确率较低。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种基于改进Yolov4-tiny的输电线路连接部件检测方法，基于现有的Yolov4-tiny方法，针对应用场景更改预设锚框的大小，加入ResNet-D模块和Res-CBAM模块，最后在结果输出时，对预设锚框进行合并操作，优化模型的显示效果。

本发明采用如下的技术方案。

一种基于改进Yolov4-tiny的输电线路连接部件检测方法，所述检测方法包括步骤：

步骤1，采集输电线路无人机航拍图像的原始数据集，进行预处理，建立目标数据集；