[發(fā)明專利]基于改進YOLOX算法的輸電線路耐張線夾缺陷檢測方法

有效

• 申請?zhí)枺?/td>: 202210631775.3
• 申請日: 2022-06-07
• 公開（公告）號: CN114723750B
• 公開（公告）日: 2022-09-16
• 發(fā)明（設計）人: 邱志斌;李俊軒;周志彪;張潤;童志鵬
• 申請（專利權(quán)）人: 南昌大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/40;G06N3/04;G06K9/62;G06V10/774;G06V10/80;G06V10/82;G06T5/00
• 代理公司: 北京眾合誠成知識產(chǎn)權(quán)代理有限公司 11246
• 代理人: 王煥巧

1.一種基于改進YOLOX算法的輸電線路耐張線夾缺陷檢測方法，其特征在于，包括如下步驟：

S1、構(gòu)建輸電線路耐張線夾X光圖像數(shù)據(jù)集：在停電狀態(tài)下，檢測人員采用脈沖式射線機對輸電線路耐張線夾進行X光成像，構(gòu)建含有A區(qū)漏壓、A區(qū)欠壓、過壓、鋼錨彎曲、鋼錨飛邊以及C區(qū)漏壓6類缺陷的耐張線夾X光圖像數(shù)據(jù)集，并按8:1:1分為訓練集、驗證集與測試集；設計一個由高斯濾波、直方圖均衡化以及伽馬校正三個步驟依次構(gòu)成的圖像特征增強模塊，以輸電線路耐張線夾的X光圖像作為輸入，調(diào)整圖像特征增強模塊參數(shù)，獲得預處理后的耐張線夾X光圖像；

S2、構(gòu)建由主干特征提取網(wǎng)絡CSPDarknet-L、特征融合網(wǎng)絡PANet以及分類預測網(wǎng)絡YOLO Head三個部分組成的改進YOLOX算法的耐張線夾X光圖像缺陷檢測模型：利用Focus、CBS、Resblock bodyi，其中i=0、1、2、3、4，以及SPPBottleneck模塊構(gòu)建主干特征提取網(wǎng)絡CSPDarknet-L；在主干特征提取網(wǎng)絡CSPDarknet-L與特征融合網(wǎng)絡PANet之間加入CBAM注意力機制；主干特征提取網(wǎng)絡CSPDarknet-L的Resblock bodyn，其中n=1、2、3、4，從Resblock bodyn結(jié)構(gòu)中分別引出4個不同尺度大小的初步特征層feat1、feat2、feat3、feat4，輸入特征融合網(wǎng)絡PANet進行特征融合；將特征融合后的4個增強特征層輸入到4個YOLO Head中進行分類預測，以實現(xiàn)對耐張線夾X光圖像中細微缺陷的檢測；

所述步驟S2中利用Focus、CBS、Resblock bodyi，其中i=0、1、2、3、4，以及SPPBottleneck模塊構(gòu)建主干特征提取網(wǎng)絡CSPDarknet-L，其具體操作包括：

S2.1、利用普通卷積Conv、標準化BN以及SiLU激活函數(shù)構(gòu)建CBS模塊，將殘差塊拆分為主干部分和大殘差邊shortconv兩部分構(gòu)建CSPLayer結(jié)構(gòu)，采用CBS與CSPLayer結(jié)構(gòu)構(gòu)建Resblock body結(jié)構(gòu)，SPPBottleneck模塊由CBS與4個大小為1×1、5×5、9×9以及13×13的池化核進行最大池化所構(gòu)成；

S2.2、 將輸入圖片大小設置為640×640×3，首先經(jīng)過Focus結(jié)構(gòu)與CBS操作圖像大小變?yōu)?20×320×64；然后經(jīng)過Resblock body0結(jié)構(gòu)，并利用1×1的卷積保持通道數(shù)不變，使圖像尺寸變?yōu)?60×160×64；最后依次經(jīng)過Resblock bodyn結(jié)構(gòu)，其中n=1、2、3、4，并在Resblock body4中加入SPPBottleneck模塊，完成對主干特征提取網(wǎng)絡CSPDarknet-L的構(gòu)建；

所述步驟S2中Resblock bodyn結(jié)構(gòu)中分別引出4個不同尺度大小的初步特征層feat1、feat2、feat3、feat4，輸入特征融合網(wǎng)絡PANet進行特征融合，將特征融合后的4個增強特征層輸入到4個YOLO Head中進行分類預測，其具體操作為：從Resblock body4中引出的初步特征層feat4經(jīng)過Conv后得到增強特征層P₁；P₁經(jīng)過上采樣與Resblock body3中引出的初步特征層feat3進行Concat連接，連接后經(jīng)過CSPLayer與Conv結(jié)構(gòu)得到增強特征層P₂；同樣，將P₂上采樣與Resblock body2中引出的初步特征層feat2進行Concat連接，連接后經(jīng)過CSPLayer與Conv結(jié)構(gòu)得到增強特征層P₃；將P₃繼續(xù)上采樣與Resblock body1中引出的初步特征層feat1進行Concat連接，連接后經(jīng)過CSPLayer得到增強特征層P₄；此外，增強后的特征層還需經(jīng)過由上至下的再次融合，具體操作為：將P₄直接下采樣與P₃進行Concat連接，經(jīng)過一個CSPLayer結(jié)構(gòu)后得到增強特征層P₅，P₅繼續(xù)下采樣與P₂進行Concat連接，經(jīng)過一個CSPLayer結(jié)構(gòu)后得到增強特征層P₆，P₆繼續(xù)下采樣與P₁進行Concat連接，經(jīng)過一個CSPLayer結(jié)構(gòu)后得到增強特征層P₇；

最終經(jīng)過特征融合后，得到7個增強特征層P₁~P₇；取增強特征層P₄、P₅、P₆、P₇對應輸入到80×80×11、40×40×11、20×20×11、10×10×11四種不同尺寸的YOLO Head網(wǎng)絡中進行分類預測，實現(xiàn)對耐張線夾X光圖像中極小、小、中、大缺陷的檢測；

S3、訓練改進的YOLOX網(wǎng)絡模型：將VOC2007數(shù)據(jù)集按8:1:1分為訓練集、驗證集與測試集輸入到改進后的YOLOX網(wǎng)絡模型進行預訓練，共訓練100輪，取訓練損失值最小的預訓練權(quán)重W₁進行遷移學習；將預處理后的耐張線夾X光圖像數(shù)據(jù)集中的訓練集結(jié)合預訓練權(quán)重W₁進行再訓練；再訓練分為凍結(jié)與解凍兩個階段，第一階段凍結(jié)改進的YOLOX網(wǎng)絡模型主干并使用Mosaic數(shù)據(jù)增強方法迭代訓練50次；第二階段對改進的YOLOX網(wǎng)絡模型主干進行解凍，再迭代訓練50輪次；

所述步驟S3再訓練分為凍結(jié)與解凍兩個階段，第一階段凍結(jié)改進的YOLOX網(wǎng)絡模型主干并使用Mosaic數(shù)據(jù)增強方法迭代訓練50次；第二階段對改進的YOLOX網(wǎng)絡模型主干進行解凍，再迭代訓練50輪次；其具體操作為：凍結(jié)訓練時隨機將4幅耐張線夾X光圖像進行拼接，形成一幅新圖像進行訓練；在凍結(jié)訓練階段一次訓練所選取的圖片數(shù)batchsize=8，訓練的學習率L_r1=0.001，解凍訓練階段一次訓練所選取的圖片數(shù)batchsize=4，訓練的學習率L_r1=0.0005，并開啟多線程提前加載訓練圖片，線程數(shù)num_workers=2；

S4、利用訓練好的改進的YOLOX網(wǎng)絡模型對耐張線夾X光圖像中缺陷進行檢測：再訓練結(jié)束后獲得100組權(quán)重，取出損失值最小的權(quán)重W₂輸入到改進后的YOLOX網(wǎng)絡模型，并利用測試集圖像驗證改進后的YOLOX網(wǎng)絡模型的缺陷檢測效果。