[发明专利]基于改进的yolov5的绝缘子缺陷检测方法

说明书

本发明涉及绝缘子缺陷检测技术，具体涉及基于改进的yolov5的绝缘子缺陷检测方法，包括采集绝缘子图像形成数据集；使用LabelImg标注工具对数据集进行标注；对所采集的图像进行数据增强处理；在YOLOv5的骨干网络中引入triplet attention模块；优化损失函数；将CIoU作为改进YOLOv5算法的bounding‑box损失函数Loss_CIoU；训练改进后的网络；将绝缘子图像数据集输入训练好的YOLOv5网络，得到输入图片中是否存在有缺陷的绝缘子以及该缺陷所在位置。该方法减少了漏检，消除了通道与权值之间的间接对应，以较小的计算开销达到了提高准确率的效果，提高了模型预测框架的精确定位能力。

技术领域

本发明属于绝缘子缺陷检测技术领域，特别涉及基于改进的yolov5的绝缘子缺陷检测方法。

背景技术

电是使世界转动的最基本的元素之一，高、低压电的传输对它的实际应用是非常重要的。在高压电的传输中，绝缘子用来支撑和分离电导体而不让电流通过。低压配电线路则是从配电网向最终用户输送电能的一种配电方式。一次配电系统的一个重要方面是电力的持续供应及其设备的高效性能。绝缘子串在一次架空配电线路中起绝缘和提供机械强度的作用。总而言之，绝缘子在电力系统中是必不可少的设备。通常情况下，绝缘子暴露在强电场的恶劣环境中，以及各种恶劣的天气条件，如烈日、台风或飓风、雷暴、冻雨、暴风雪等。这种恶劣的环境会使绝缘子容易被损坏，进而威胁电网系统的安全及电力的使用。这样重要的部件一旦损坏，对电力供应和公共安全都会造成严重问题。例如：在每年的雨季，都会有人由于暴露在电线杆下而触电丧生。因此，有必要研究有效的绝缘子缺陷检测方法，以确保电力传输的安全可靠。

目前的缺陷检测方法可分为物理方法、传统的基于视觉的方法以及基于深度学习的方法三类。物理方法主要包括基于人工操作的超声波法和紫外线脉冲法。在基于视觉的绝缘子缺陷检测方法中，最常用的是HOG+SVM和Haar+AdaBoost。传统的检测算法主要是利用滑动窗口选择感兴趣的区域，提取每个窗口的特征，然后对特征样本进行分类，得到检测结果。此外，还有基于轮廓特征和灰度相似度匹配的方法对完好的和有缺陷的绝缘子进行分类。在基于视觉的绝缘子缺陷检测方法中，最常用的是HOG+SVM和Haar+AdaBoost。这些方法通常是基于积累的经验来提取图像特征，效率低，精度有限，耗时长。随着计算机性能的不断提高，基于深度学习框架的检测方法得到了广泛的应用。该方法可以有效补偿人工图像特征提取过程中特征信息的丢失，提高故障检测的效率。目前已经提出了许多有效的目标检测算法，如Faster R-CNN(Faster region-based convolutional neural network)、Yolo(you only look once)、SSD(single shot multibox detector)、DCNN(dynamicconvolutional neural network)等。由于绝缘子的细长形状特性和不同的缺陷变化导致缺陷在图像中的表现形式多样而复杂以及采集的绝缘子图像中包含了大量的无关背景信息，因此，现有的绝缘子检测方法的准确性及速度还有待提高。

发明内容

针对绝缘子检测方法的准确性及速度存在的问题，本发明提供一种基于改进YOLOv5算法的绝缘子缺陷检测方法。

为解决上述技术问题，本发明采用如下技术方案：基于改进的yolov5的绝缘子缺陷检测方法，包括如下步骤：

步骤1、采集绝缘子图像形成数据集；

步骤2、使用LabelImg标注工具对数据集进行标注，标注类别为绝缘子和缺陷；

步骤3、对所采集的图像进行数据增强处理，以扩充数据集；

步骤4、在YOLOv5的骨干网络中引入triplet attention模块；

步骤5、优化损失函数；将CIoU作为改进YOLOv5算法的bounding-box损失函数Loss_CIoU；