[发明专利]一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法

摘要

本发明提供了一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法，步骤为：步骤1，根据无人机巡检实时传输图片数据，获取绝缘子图像与对应XML标签数据；步骤2，对绝缘子图像进行处理；步骤3，以YOLOv3为基本框架，进行剪枝修改操作后建立深度学习模型；步骤4，将由4个并行maxpool层组成的的SPPnet模块引入到剪枝后的YOLOv3中；步骤5，将处理好的绝缘子图像和修改后的TXT标签数据转换成训练数据；步骤6，得到绝缘子识别模型；步骤7，得到每张图片中检测出的绝缘子图框信息；步骤8，判断绝缘子故障。优点是：在不减少平均精度的情况下，减少了训练时间、降低了对图片质量的要求，同时降低了对车载服务器的计算力要求，提高了绝缘子巡检智能化水平。

主权项

1.一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法，其特征在于，具体步骤为：/n步骤1，根据无人机巡检实时传输图片数据，获取绝缘子图像与对应XML标签数据，并根据Darknet-53的文件特性将其改为TXT格式；/n步骤2，对绝缘子图像进行初步处理，得到处理后的绝缘子图像，并修改TXT标签数据中的标示框位置对应的像素信息，得到修改后的TXT标签数据；/n步骤3，以YOLOv3为基本框架，进行剪枝修改操作后建立深度学习模型，包括以下步骤：/n步骤301，使用Darknet-53作为基础主干框架网，进行神经网络特征提取；/n步骤302，进行稀疏训练，给每个通道分配相应的比例因子，其绝对值表示通道的重要性，从而利于进行通道剪枝；/n步骤303，进行通道修剪，直接抛弃与通道号无关的maxpool层，并引入全局阈值来控制剪枝率，同时设置局部安全阈值以保证模型的完整性；/n步骤304，输出层仅保留8*8的输出尺度以减少模型的大小及训练计算量；/n步骤4，将由4个并行maxpool层（1×1,5×5,9×9和13×13）组成的的SPPnet模块引入到剪枝后的YOLOv3中；/n步骤5，将处理好的绝缘子图像和步骤3修改后的TXT标签数据转换成用于深度学习网络模型训练的训练数据；/n步骤6，利用训练数据训练深度学习网络模型，得到绝缘子识别模型；/n步骤7，将待检测的实时图片输入到训练完成后的绝缘子检测模型中，得到每张图片中检测出的绝缘子图框信息；/n步骤8，根据检测出的绝缘子图框信息判断绝缘子故障。/n