[发明专利]轻量化YOLOv5s网络模型训练方法、绝缘子缺陷检测方法

说明书

本申请涉及图像处理技术领域，提供了一种轻量化YOLOv5s网络模型训练方法、绝缘子缺陷检测方法，其中，该训练方法包括：对获取到的原始绝缘子图像数据集进行预处理，得到目标绝缘子图像数据集；基于轻量级MobileNetv3网络和Slim‑Neck结构，改进YOLOv5s网络模型，得到轻量化YOLOv5s网络模型；采用所述目标绝缘子图像数据集，对所述轻量化YOLOv5s网络模型进行训练，得到第一网络模型文件；依次对所述第一网络模型文件进行模型剪枝和模型蒸馏，得到目标网络模型文件。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种轻量化YOLOv5s网络模型训练方法、绝缘子缺陷检测方法。

背景技术

绝缘子是输电线路中的关键部件，在通常情况下，绝缘子部件需要长期暴露于野外的自然环境中，且日晒、雨淋、雷电等恶劣自然现象，会导致绝缘子部件出现自爆、破损、裂纹和污秽等缺陷问题。因此，为了保障输电线路的运行稳定性，需要及时针对出现缺陷问题的绝缘子部件进行检修与更换。

然而，由于输电线路的巡检图像具有体量较大和价值密度较低的大数据特征，而现有技术仍主要依赖于人工检测的方式对该类型图像进行检测，但人工检测方式的检测效率和检测精度均有待提高，故基于现有技术尚难以及时发现绝缘子部件存在的缺陷问题。

发明内容

基于此，有必要针对上述技术问题，提供一种轻量化YOLOv5s网络模型训练方法、绝缘子缺陷检测方法。

第一方面，本申请提供了一种轻量化YOLOv5s网络模型训练方法，所述方法包括：

对获取到的原始绝缘子图像数据集进行预处理，得到目标绝缘子图像数据集；

基于轻量级MobileNetv3网络和Slim-Neck结构，改进YOLOv5s网络模型，得到轻量化YOLOv5s网络模型；

采用所述目标绝缘子图像数据集，对所述轻量化YOLOv5s网络模型进行训练，得到第一网络模型文件；

依次对所述第一网络模型文件进行模型剪枝和模型蒸馏，得到目标网络模型文件。

在其中一个实施例中，所述基于轻量级MobileNetv3网络和Slim-Neck结构，改进YOLOv5s网络模型，得到轻量化YOLOv5s网络模型，包括：

将MobileNetv3网络中的SE注意力机制模块替换为CA轻量级注意力机制模块，得到所述轻量级MobileNetv3网络；采用所述轻量级MobileNetv3网络，替换所述YOLOv5s网络模型的主干网络，并采用所述Slim-Neck结构，替换所述YOLOv5s网络模型的Neck层中的PANet网络，得到所述轻量化YOLOv5s网络模型。

在其中一个实施例中，所述轻量化YOLOv5s网络模型的损失函数为EIOU损失函数；所述对获取到的原始绝缘子图像数据集进行预处理，得到目标绝缘子图像数据集，包括：

对所述原始绝缘子图像数据集进行数据增强，得到第一绝缘子图像数据集；对所述第一绝缘子图像数据集进行数据标注，得到目标绝缘子图像训练集和目标绝缘子图像测试集。

在其中一个实施例中，所述数据增强的方式包括Mosaic算法和Mixup算法；所述数据标注的工具包括LabelImg工具；所述采用所述目标绝缘子图像数据集，对所述轻量化YOLOv5s网络模型进行训练，得到第一网络模型文件，包括：

采用所述目标绝缘子图像训练集，对所述轻量化YOLOv5s网络模型进行训练；采用所述目标绝缘子图像测试集，对训练后的所述轻量化YOLOv5s网络模型进行参数评估，直至所述轻量化YOLOv5s网络模型的训练结果满足预设指标，得到所述第一网络模型文件。

在其中一个实施例中，所述依次对所述第一网络模型文件进行模型剪枝和模型蒸馏，得到目标网络模型文件，包括：