基于改进的yolov5的绝缘子缺陷检测方法与流程

技术特征：
1.基于改进的yolov5的绝缘子缺陷检测方法，其特征在于：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
；ciou定义为：其中，α为权重函数，ν是用来测量长宽比一致性的参数，c代表能够包含预测框和真实框的最小封闭区域的对角线距离，ρ2(b，b
gt
)代表预测框和真实框的中心点之间的欧氏距离，h
gt
、ω
gt
分别代表真实框的高度和宽度，h
p
、ω
p
分别代表预测框的高度和宽度；步骤6、对处理最终结果的非极大值抑制nms方法进行优化；将soft-nms作为处理最终结果的方法：soft-nms的得分函数表达式为：其中，s
i
为预测框b
i
的得分，b
m
为得分最高的预测框，n
t
为重叠阈值，高斯惩罚函数，σ为一个根据经验选择超参数；步骤7、训练改进后的网络；设置学习率、学习率动量、批次大小、训练总轮次小、权重衰减和最大迭代次数作为训练参数，对改进的yolov5网络进行训练；步骤8、将收集的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。2.根据权利要求1所述基于改进的yolov5的绝缘子缺陷检测方法，其特征在于：triplet attention模块采用三个平行的分支结构，其中两个用于提取两个空间维度与通道维c之间的相互依赖关系，另一个提取空间特征依赖关系；在前两个分支中，triplet attention将原始输入旋转张量χ分别沿h轴和w轴逆时针旋转90
°
，并且将张量的形状由c
×
h
×
w转换为w
×
h
×
c和h
×
c
×
w；在第三个分支中，张量以其原始形状c
×
h
×
w输入，通过z-pool层将c维度的张量缩减到2维，并将该维上的平均汇集特征和最大汇集特征连接起来；z-pool定义为：z-pool(χ)＝[maxpool
0d
(χ),avgppool
0d
(χ)]其中，0d是最大池化操作和平均池化操作发生的第0维；将简化后的张量通过核大小为k的标准卷积层和批归一化层，将由sigmoid激活函数生成的相应维数的注意权重加到旋转张量中；在最终输出时，第一个分支的输出沿h轴顺时针旋转90
°
，第二个分支的输出沿w轴顺时针旋转90
°
，以保证与输入的形状相同；最后，将三个分支的输出平均地聚合为输出；
输出张量定义为：其中，σ为sigmoid激活函数，ψ1、ψ2、ψ3分别代表triplet attention的三个分支中由核大小k定义的标准二维卷积层，分别表示triplet attention前两个分支中经过旋转后的张量，分别表示triplet attention三个分支中经过z-pool层之后的张量。3.根据权利要求1所述基于改进的yolov5的绝缘子缺陷检测方法，其特征在于：采用soft-nms代替nms来处理最后的检测结果流程如下；1)先对预测框进行排序，然后将得分最高的预测框b
m
移到最终检测列表d中，并将其余所有预测框分配同一个标识b
i
；2)当某个预测框b
i
与b
m
的重叠面积大于一定阈值n
t
时，soft-nms将重新计算该预测框的得分s
i
，并将其与一定置信阈值o
t
相比较，当该预测框的得分s
i
大于一定置信阈值o
t
时，将该预测框移到最终检测列表d中，反之，则删除该预测框；3)对其余的框b
i
重复上述过程，直到初始列表为空。4.根据权利要求1所述基于改进的yolov5的绝缘子缺陷检测方法，其特征在于：训练改进的yolov5网络包括以下步骤：a、网络训练时，将数据集统一缩放到640
×
640大小，在depth_multipl＝0.33，width_multiple＝0.50的改进后的yolov5s网络模型上进行训练；b、参数更新方式为随机梯度下降sgd方法，初始学习率为0.01，动量项为0.937，权值衰减系数为0.0005，将模型训练的批大小设置为16，每次由bn层进行正则化，更新模型的权值；c、色相h、饱和度s和亮度v的增强系数分别设为0.015、0.7和0.4；训练总轮次设置为300次；d、训练完成后，将得到的识别模型的权值文件保存，并利用测试集对模型的性能进行评价；e、网络的最终输出识别出绝缘子及其缺陷的位置框和属于特定类别的概率。

技术总结
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


技术研发人员：唐靓 余明慧
受保护的技术使用者：湖北工业大学
技术研发日：2021.10.28
技术公布日：2022/2/8