[发明专利]基于CS-YOLOv5s网络的绝缘子缺陷检测方法

说明书

本发明公开了基于CS‑YOLOv5s网络的绝缘子缺陷检测方法，首先，采集电力线路绝缘子缺陷故障数据集并按比例划分数据集；其次，在YOLOv5s的Backbone部分引入卷积注意力模块CBAM，从特征通道和特征空间两个维度来对重要信息增大权重，得到CS‑YOLOv5s网络模型；第三，利用K‑means聚类算法生成预测框，定位绝缘子缺陷；最后，输出缺陷检测结果。本发明检测方法使用CBAM嵌入到YOLOv5s可以通过注意力机制提高绝缘子缺陷得分，提高了检测精度，检测绝缘子缺陷时更为细致。另外，预测框聚类算法能避免预测框随机初始化带来的精度不高，缺陷区域小带来的难以检测等影响。

技术领域

本发明属于计算机视觉和图像检测领域，具体为一种基于CS-YOLOv5s网络的电力线路绝缘子缺陷故障智能检测方法。

背景技术

绝缘子作为输电杆塔的重要元件之一，主要有电气绝缘和导线固定两大作用。因绝缘子长期暴露在自然中，气象和环境多变，掉串、自爆和脏污等故障频出，严重影响到输电线路的安全运行，进而导致无法正常供电。时代高速向前发展，人们的用电需求与日俱增，及时检测到绝缘子缺陷故障并解决这一安全隐患，已刻不容缓。

传统绝缘子检测方法效率低下且精度不高。自2019年起，基于深度学习的绝缘子缺陷检测方法层出不穷。Liao等(Liao G P,Yang G J,Tong W T,et al.Study on powerline insulator defect detection via improved faster region-basedconvolutional neural network[C]//Proceedings of the IEEE 7th InternationalConference on Computer Science and Network Technology,Dalian,China,2019:262-266.)将深度残差网络Resnet101与Faster R-CNN结合后对绝缘子进行缺陷检测，检测精度胜于传统检测方法，但计算量较大，无法实现检测实时性。Yao等(Yao L,Yao Q.Insulatordetection based on GIOU-YOLOv3[C]//Proceedings of the Chinese AutomationCongress,Shanghai,China,2020:5066-5071.)将YOLOv3原始损失函数中的IoU损失换成GIoU损失函数，相比原方法，绝缘子检测精度有所提升，但是存在严重的漏检问题。刘行谋等(刘行谋，田浩，杨永明，王燕，赵小翔复杂环境背景下绝缘子缺陷图像检测方法研究[J].电子测量与仪器学报,2022,36(02):57-67.DOI:10.13382/j.jemi.B2104557.)使用增加了损失函数权重以及空间金字塔池化(Spatial Pyramid Pooling，SPP)结构前后卷积层数的YOLOv4进行绝缘子缺陷检测，检测精度较原算法大幅提升，但检测速度有所降低。

事实上，上述方法在检测精度方面有提高效果，却始终伴有模型计算量大、检测速度慢等问题。

发明内容

本发明为解决上述问题，综合考虑计算和内存成本以及网络轻量级等几个方面，最终以YOLOv5s作为基础网络进行改进，提出了一种基于CS-YOLOv5s网络的绝缘子缺陷检测方法，在检测精度和速度的平衡上得到明显的提升。

本发明要解决的技术问题通过以下技术方案实现：

一种基于CS-YOLOv5s网络的绝缘子缺陷检测方法，包括如下步骤：

步骤1：采集电力线路绝缘子缺陷故障数据集，将数据集按0.9:0.01:0.09的比例分为训练集、验证集和测试集，具体过程为：操控无人机用高清摄像机拍摄输电铁塔图像，对原始图像采用镜像翻转、垂直翻转、逆时针45°翻转方法进行图像数据增强，再用数据标注工具LabelImg对所有图像进行标注，标注分类为正常绝缘子(Normal insulator)、缺陷绝缘子(Faulty insulator)。