[發明專利]一種基于改進YOLOv3的輸電線路異常目標檢測方法

有效

• 申請號: 202010206891.1
• 申請日: 2020-03-23
• 公開（公告）號: CN111444809B
• 公開（公告）日: 2023-02-14
• 發明（設計）人: 杜啟亮;黎春翔;田聯房;鄺東海
• 申請（專利權）人: 華南理工大學
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V10/20;G06V10/25;G06V10/72;G06V10/774;G06V10/82;G06N3/0464;G06N3/048;G06N3/084
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 馮炳輝

1.一種基于改進YOLOv3的輸電線路異常目標檢測方法，其特征在于，包括以下步驟：

1）在高壓桿塔上架設球機或槍機，調整角度俯視向下對輸電線路進行監控，每隔規定時間采集一次圖片，保存到訓練數據集的文件夾，對文件夾中包含目標的圖片進行篩選，并剔除其中不合格的圖像，包括多遮擋、扭曲或模糊圖像；

2）對圖片中的挖掘機、塔吊、起重機進行標注，獲得每張圖片中目標對應的標注文件；

3）針對訓練數據特點對訓練數據集進行數據增強，隨機對圖片進行飽和度變化、對比度變化、亮度變化、添加高斯噪聲、添加椒鹽噪聲、像素點隨機丟失、目標區域隨機范圍丟失、色彩抖動、隨機裁剪、鏡像翻轉這些數據增強手段擴充數據集量，增強模型的泛化能力；

4）基于YOLOv3算法，結合應用場景以及使用需求對網絡結構、損失函數進行針對性改進，包括使用大量深度可分離卷積降低參數量來提高網絡實時性，以及改進YOLOv3損失函數中的坐標損失為GIoU損失來提高網絡訓練對小目標的特征學習；

在網絡結構中大量使用深度可分離卷積降低網絡參數量，以提高前向推導的速度，提升實時性能；深度可分離卷積將卷積核分為兩個單獨的卷積核：深度卷積核逐點卷積；深度卷積將特征圖不同通道分離開分別進行卷積操作，再通過逐點卷積對不同特征圖上對應點進行卷積操作，使得不同特征圖形成相關關系；其中，改進后的網絡結構包括以下模塊：

模塊A，由傳統卷積層、BN層、Rule激活函數構成；

模塊B，由分離卷積層、BN層、Rule激活函數構成；

模塊C，由逐點卷積層、BN層、Rule激活函數構成；

模塊D，為跳層連接結構，由模塊B、模塊C組成；

模塊E，由三個模塊A、兩個模塊D組成；

模塊F，由模塊A、模塊D和上采樣層組成；

整體網絡結構由以上模塊和concat層組成，其中concat層為特征融合層，將相同大小特征圖進行疊加操作；網絡輸出包含三個尺度的多尺度預測輸出，其中輸出層Predict_l、Predict_m、Predict_s分別為網絡對于大中小尺度目標的預測輸出層；若是416×416輸出，則通過一系列卷積操作提取圖片特征，其中包含五次下采樣卷積操作，最后得到Predict_l層的輸出特征圖大小為13×13×1024，Predict_m層的輸出特征圖大小為26×26×512，Predict_s層的輸出特征圖大小為52×52×256；每個特征圖包含設定的大、中、小先驗框的預測的置信度、類別以及坐標的值，通過損失函數計算預測輸出與目標真實框之間的歐氏距離得到損失值，從而用于訓練過程中的反向傳播和梯度下降更新模型參數，使得網絡從數據中學習到目標特征；

5）將訓練數據集輸入改進后的網絡進行訓練，以測試集損失最小為提前終止指標，保存測試集損失最小時的網絡模型參數，得到最佳預測模型；

6）通過桿塔上攝像頭獲取輸電線路場景下的現場圖片；

7）將圖片resize到416×416或者成比例resize之后進行零填充操作到416×416，再輸入到在訓練過程中獲得的最佳預測模型中進行前向推導；

8）對前向推導中獲得的預測特征圖進行解碼操作，獲取所有檢測框以及其對應的類別概率、置信度和坐標偏差值，剔除置信度小于設定閾值對應的檢測框；

9）進行非極大抑制操作，對于重疊的檢測框，若其高于設定IoU值的檢測框，僅保留其中置信度最大的檢測框；

10）在現場圖片中繪制經過非極大抑制操作之后獲得的目標檢測框，在目標檢測框左上角標注預測的類別信息。

2.根據權利要求1所述的一種基于改進YOLOv3的輸電線路異常目標檢測方法，其特征在于：在步驟1）中，在高壓桿塔上架設球機或槍機，調整角度俯視向下對輸電線路進行監控，每隔半小時采集一次圖片，并通過4G網絡遠程傳輸到遠端服務器，保存到訓練數據集的文件夾。

3.根據權利要求1所述的一種基于改進YOLOv3的輸電線路異常目標檢測方法，其特征在于：在步驟2）中，使用Lableme開源標注工具對服務器端圖片進行標注，用矩形框標注圖片中挖掘機、塔吊、起重機的位置。