[发明专利]基于旋转目标检测的缺陷检测方法

说明书

本发明提供一种基于旋转目标检测的缺陷检测方法，包括：目标图像预处理，将预处理后的图像输入到网络的输入层，经过yolov5特征提取网络，输出特征一F₁，特征图二F₂，特征图三F₃，特征图一、二、三分别通过多层高斯金字塔按照一定的权重系数进行相加，获得三个第一特征图；分别对第一特征图采样及采样后的特征进行Concat融合，使三个第一特征图融合成一个第二特征图F_concat；对第二特征图F_concat经过3CA层进行通道注意力计算进行第三特征融合，获得第三特征图；将所述第二特征图F_concat和所述第三特征图进行点乘融合获得第四特征图；对第四特征图进行损失计算，通过模拟两个高斯分布之间的距离来确定提升检测性能和可视化效果、对于失焦图像检测鲁棒性，提升回归准确性。

技术领域

本发明涉及图像处理领域，尤其涉及一种基于旋转目标检测的缺陷检测方法，更进一步集中在输电线缺陷检测领域。

背景技术

由于我国输电线路分布十分广泛，地理环境十分复杂，输电线缆长期暴露在野外，受到持续的机械张力，雷击，材料老化等而产生一系列的零件腐蚀，磨损，缺失等缺陷问题，而这些缺陷通过人工检测会有效率低，检出率低，安全性低等问题，因此为了安全可靠的检测缺陷以及安全供电，输电线路智能化巡检日益体现出其迫切性。通过基于无人机采集图像的目标检测方式，能及时判断供电线路中的各种缺陷隐患，可以避免人工漏检、误检等问题。

传统的目标检测方法主要是找到目标的水平矩形框，水平矩形框存在一种弊端是在目标识别时，当存在两个靠近的待检测目标时，水平矩形框存在交叠的情况，如图1所示，对于一些目标长宽比较大，且具有一定角度的目标而言，传统的目标检测方法会包围大部分的背景区域，当目标处于不同的背景下，传统的目标检测方法会影响最终的检测精度。

为了解决背景的复杂性对检测结果的影响，技术人员提出采用旋转目标检测方法解决背景复杂性以及检测矩形框存在交叠的情况。旋转目标检测中的紧凑型矩形框可以旋转一定的角度，对两个靠近的待检测目标进行检测。

随着技术的进步，采用无人机在输电线缆下巡检拍摄检测的目标有绝缘子破损、防震锤破损、导地线断裂、挂空悬浮物等也得到更多的应用，这些目标都有一个共同特点，就是长宽比较大，且在拍摄的图像中会呈现一定的角度。因此采用传统的目标检测方法检测到的目标框会存在大部分的背景区域，同时当两个同类型的目标成一定角度贴近时，传统的目标检测方法检测到的两个目标会有很大程度的重合，最终在算法后处理阶段会将重合度较大的目标筛除。旋转目标检测检测到贴近的两个目标时，由于是紧凑型的矩形框包围，因此不会产生框的重合，同时检测的背景区域较小。

但是，针对移动端下常用的目标检测算法有yolov5，这是一种一阶段的基于深度学习的传统目标检测算法，在目标检测领域有着很深的应用，其算法原理是通过输入图像到yolov5网络的输入层，经过多层的卷积网络的特征提取和多尺度的输出层输出，通过预设的锚框对目标进行回归损失计算，通过判断候选框目标有无，对前景和背景损失进行计算，通过分类损失对目标类别损失计算，最终通过一定的加权系数，对各个部分的损失进行加权求和，yolov5算法最终输出的结果经过非极大值抑制操作，得到最终的输出。

其中，现有技术CN113298169A公开了一种基于卷积神经网络的旋转目标检测方法，在现有技术中引入旋转角度，采用旋转目标检测框来检测目标，克服了筛选预测框较困难的问题，但是本专利中的方法采用的是基于传统的yolov5网络进行的。现有技术中采用的网络结构存在不能够改善失焦图像检测鲁棒性，对于失焦图像检测时结果不理想；另外，在现有技术的回归损失计算方式中角度回归采用对角度单独回归的方式进行计算，但是由于角度周期性问题可能导致损失的突增的情况出现，造成检测结果不准确，例如图2所示。

由于输电线领域缺陷目标的长宽比不同于其他领域，输电线领域缺陷检测目标的长宽比较大，在目标缺陷检测过程中精确度要求更高，现有技术中的旋转目标检测方法存在如下不足：