本發(fā)明涉及圖像處理及電力設(shè)備缺陷檢測(cè)領(lǐng)域，尤其涉及一種基于改進(jìn)yolov7的絕緣子熱像圖缺陷檢測(cè)方法。

背景技術(shù)：

1、作為輸電線路中最重要的部件之一，絕緣子不僅能夠?qū)崿F(xiàn)輸電線路之間、桿塔之間以及線路與地面之間的絕緣，還能提供導(dǎo)電線路的機(jī)械固定和高電位導(dǎo)體與零電位體之間的爬電距離。為保證正常輸電，規(guī)避風(fēng)險(xiǎn)和損失，對(duì)絕緣子進(jìn)行定期檢修具有重要的現(xiàn)實(shí)意義。準(zhǔn)確、快速地檢測(cè)絕緣子缺陷對(duì)避免大規(guī)模停電、減少電網(wǎng)損失具有重要意義，可以為保證電力傳輸安全穩(wěn)定提供保障，為后續(xù)工程化應(yīng)用打下基礎(chǔ)。目前，深度學(xué)習(xí)算法被廣泛應(yīng)用于輸電線路高壓絕緣子及其缺陷的識(shí)別和定位?；谏疃葘W(xué)習(xí)的目標(biāo)檢測(cè)算法由于具有良好的泛化能力和從復(fù)雜背景中提取特征的能力，在電力系統(tǒng)中得到了廣泛的應(yīng)用。

2、由于絕緣子細(xì)微的外部缺陷因觀察角度或污穢覆蓋而不易被發(fā)現(xiàn)，日常白天拍攝的絕緣子照片很難發(fā)現(xiàn)這樣的缺陷。但當(dāng)絕緣子表面出現(xiàn)污穢缺陷而發(fā)熱時(shí)，其發(fā)熱功率會(huì)迅速上升，會(huì)被夜間巡檢的紅外熱像圖呈現(xiàn)。由于熱成像法適用于產(chǎn)生局部發(fā)熱的缺陷識(shí)別，通過(guò)觀測(cè)這一發(fā)熱狀態(tài)可以鑒別絕緣子的缺陷狀態(tài)，因此需要一種對(duì)絕緣子熱像圖缺陷檢測(cè)的方法。熱像圖法檢測(cè)已經(jīng)成為電力行業(yè)的推薦方法，由于無(wú)人機(jī)等巡檢會(huì)產(chǎn)生大量的熱成像圖片，圖片處理的精度及效率成為該技術(shù)的一個(gè)難點(diǎn)和研究的熱點(diǎn)。有多種人工智能的目標(biāo)檢測(cè)算法被應(yīng)用于電力絕緣子的圖像處理，其中yolo系列的優(yōu)勢(shì)相對(duì)比較契合，結(jié)合技術(shù)的更新，目前yolov7方法是比較新的算法，但也需要進(jìn)行改進(jìn)，以便適應(yīng)絕緣子熱像圖缺陷特征不易區(qū)分的場(chǎng)景需求。

3、故本發(fā)明提供了一種基于改進(jìn)yolov7的絕緣子熱像圖缺陷檢測(cè)方法，實(shí)現(xiàn)對(duì)輸電線路中絕緣子污穢等弱特征缺陷的檢測(cè)，提高圖像處理的精度和效率，為輸電線路巡檢智能化提供了新思路。

4、專利cn?116824341a公開(kāi)了一種基于yolov7改進(jìn)的絕緣子異常溫升檢測(cè)方法，該方法通過(guò)采用efficientnetv2主干網(wǎng)絡(luò)替換yolov7網(wǎng)絡(luò)的主干網(wǎng)絡(luò)并引用biformer注意力機(jī)制和focal-eiou損失函數(shù)，一定程度上可以檢測(cè)絕緣子異常溫升，該方法模型較為復(fù)雜，計(jì)算量較大、檢測(cè)處理速度時(shí)間長(zhǎng)。

5、專利cn?115932500a公開(kāi)了一種基于溫升曲線的復(fù)合絕緣子點(diǎn)溫升缺陷診斷方法及設(shè)備，該方法通過(guò)檢測(cè)絕緣子表面溫度隨時(shí)間變化曲線來(lái)判斷絕緣子是否存在缺陷。該方法需要多次控制無(wú)人機(jī)對(duì)桿塔進(jìn)行巡視，隨后將數(shù)據(jù)傳輸至電腦，通過(guò)對(duì)比點(diǎn)溫升來(lái)進(jìn)行故障診斷，需要消耗相當(dāng)大的人力、物力等成本。該公開(kāi)技術(shù)內(nèi)容核心是如何建立可對(duì)標(biāo)的標(biāo)準(zhǔn)溫度曲線是個(gè)比較繁瑣的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提出了一種基于改進(jìn)實(shí)時(shí)目標(biāo)檢測(cè)算法yolov7(yolo,you?only?lookonce)的絕緣子熱像圖缺陷檢測(cè)方法，實(shí)現(xiàn)了對(duì)絕緣子熱像圖故障的快速診斷，提升其圖像識(shí)別及特征提取等作業(yè)處理的速度和準(zhǔn)確性，為后續(xù)輸電線路維護(hù)提供指導(dǎo)。為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：

2、本發(fā)明提供了一種基于改進(jìn)yolov7的絕緣子熱像圖缺陷檢測(cè)方法，包括以下步驟：

3、s1、獲取初始絕緣子熱像圖；

4、s2、通過(guò)數(shù)據(jù)增強(qiáng)技術(shù)對(duì)絕緣子熱像圖數(shù)據(jù)集進(jìn)行補(bǔ)充；

5、s3、對(duì)絕緣子熱像圖進(jìn)行標(biāo)注，形成數(shù)據(jù)集并分為測(cè)試集和訓(xùn)練集；

6、s4、對(duì)yolov7網(wǎng)絡(luò)模型進(jìn)行改進(jìn)和建模；

7、s5、對(duì)改進(jìn)后的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練及性能評(píng)估，獲取缺陷檢測(cè)結(jié)果。

8、具體的，步驟s1中，通過(guò)使用紅外熱像儀拍攝來(lái)采集絕緣子熱像圖，并結(jié)合各種網(wǎng)上數(shù)據(jù)集公共資源形成本發(fā)明所需的初始數(shù)據(jù)集。

9、具體的，步驟s2中采用高斯模糊、隨機(jī)加入噪聲及色彩抖動(dòng)等線下增強(qiáng)技術(shù)對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充；使用mosaic線上增強(qiáng)技術(shù)對(duì)樣本數(shù)據(jù)進(jìn)行泛化擴(kuò)充，這種數(shù)據(jù)增強(qiáng)技術(shù)可以將訓(xùn)練集中四張不同的圖像拼接在一起，構(gòu)成一張新的圖像。通過(guò)這兩種線上增強(qiáng)和線下增強(qiáng)相結(jié)合的數(shù)據(jù)增強(qiáng)技術(shù)對(duì)絕緣子熱像圖數(shù)據(jù)集進(jìn)行補(bǔ)充。

10、具體的，步驟s3中使用標(biāo)注工具labelimg對(duì)缺陷絕緣子熱成像.png文件進(jìn)行標(biāo)注得到.xml文件，再將其轉(zhuǎn)換為yolo網(wǎng)絡(luò)適配的.txt文件。標(biāo)注圖像數(shù)據(jù)完成后形成所需數(shù)據(jù)集，并按比例分為測(cè)試集和訓(xùn)練集。

11、具體的，步驟s4中，在yolov7網(wǎng)絡(luò)模型的骨干特征提取層(backbone)中加入所述大核注意力機(jī)制模塊lka(large?kernel?attention)對(duì)網(wǎng)絡(luò)進(jìn)行優(yōu)化，同時(shí)增加新的檢測(cè)層。所述大核注意力機(jī)制模塊lka的思想在于將一個(gè)大的卷積核分解成3個(gè)部分：1個(gè)深度卷積、1個(gè)深度擴(kuò)張卷積和1個(gè)卷積，具體過(guò)程表達(dá)式為：

12、kattention＝conv1×1(dw_d_conv(dw_conv(f)))

13、其中f為該層的輸入特征；dw_conv、dw_d_conv和conv1×1分別代表深度卷積、深度擴(kuò)張卷積以及卷積；kattention為計(jì)算的注意力參數(shù)核，每個(gè)參數(shù)代表了f的每個(gè)特征的重要性。

14、具體的，步驟s4中引用所述自適應(yīng)動(dòng)態(tài)學(xué)習(xí)激活函數(shù)meta-acon替代原yolov7網(wǎng)絡(luò)模型中的激活函數(shù)(silu)。

15、所述自適應(yīng)動(dòng)態(tài)學(xué)習(xí)激活函數(shù)meta-acon激活函數(shù)是將relu和swish激活函數(shù)結(jié)合起來(lái)進(jìn)行改進(jìn)，它通過(guò)設(shè)置兩層1×1卷積產(chǎn)生的值來(lái)控制神經(jīng)元β是否選擇激活，若β為0，表示不激活。因此需要為meta-acon在自適應(yīng)函數(shù)的layer-wise(層)、channel-wise(通道)、pixel-wise(像素)三種設(shè)計(jì)空間中構(gòu)建一個(gè)計(jì)算β的自適應(yīng)函數(shù)，β的自適應(yīng)函數(shù)為：

16、

17、其中為σ為sigmoid函數(shù)；h為特征圖的高；w為特征圖的寬；xc,h,w表示通道數(shù)為c、高為h、寬為w的輸入特征向量；w1∈rc×c/r和w2∈rc/r×c用來(lái)節(jié)省參數(shù)量，縮放因子r設(shè)置為16。

18、具體的，步驟s4中引用所述輕量級(jí)鬼影混洗卷積模塊gsconv(ghost-shuffleconvolution)替換原yolov7網(wǎng)絡(luò)模型的head模塊中的常規(guī)卷積conv。

19、所述輕量級(jí)鬼影混洗卷積模塊gsconv舍棄了部分常規(guī)卷積，采用線性變換進(jìn)行特征提取。將輸入的特征圖經(jīng)過(guò)標(biāo)準(zhǔn)卷積、深度卷積、拼接操作、通道混洗，得到輸出的特征圖。使用標(biāo)準(zhǔn)卷積提取一般特征圖，然后對(duì)每個(gè)通道的特征進(jìn)行線性運(yùn)算，生成同樣通道數(shù)的gs特征圖，最后堆疊基礎(chǔ)特征圖和gs特征圖作為輸出。

20、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

21、本發(fā)明提供的一種基于改進(jìn)yolov7的絕緣子熱像圖缺陷檢測(cè)方法，通過(guò)收集大量絕緣子熱像圖，通過(guò)線上增強(qiáng)和線下增強(qiáng)相結(jié)合的數(shù)據(jù)增強(qiáng)技術(shù)對(duì)絕緣子熱像圖數(shù)據(jù)集進(jìn)行補(bǔ)充，對(duì)圖像數(shù)據(jù)進(jìn)行標(biāo)注形成數(shù)據(jù)集并劃分為測(cè)試集和訓(xùn)練集。接著使用yolov7網(wǎng)絡(luò)模型對(duì)絕緣子熱像圖進(jìn)行檢測(cè)，提出在yolov7網(wǎng)絡(luò)模型的骨干特征提取層中加入大核注意力機(jī)制模塊lka(large?kernel?attention)對(duì)網(wǎng)絡(luò)進(jìn)行優(yōu)化，引用自適應(yīng)動(dòng)態(tài)學(xué)習(xí)激活函數(shù)meta-acon替代原激活函數(shù)，為了降低對(duì)絕緣子故障識(shí)別的計(jì)算成本，采用了輕量級(jí)鬼影混洗卷積模塊gsconv(ghost-shuffleconvolution)來(lái)代替標(biāo)準(zhǔn)卷積。

22、最后，利用所提取的特征用于絕緣子熱像圖的缺陷檢測(cè)。實(shí)驗(yàn)結(jié)果表明，該發(fā)明實(shí)現(xiàn)了對(duì)絕緣子熱像圖故障的快速診斷，可以為后續(xù)輸電線路維護(hù)提供參考。