基于改进YOLOv5的输电线路鸟类检测方法及系统与流程

基于改进yolov5的输电线路鸟类检测方法及系统
技术领域
1.本发明涉及鸟类识别技术领域，具体而言，涉及基于改进yolov5的输电线路鸟类检测方法及系统。


背景技术：

2.近年来，由于人们的动物保护意识和环保意识的增强，生态环境和人类自然生活环境的正在逐年变好，鸟类的种类和数量也在逐年增加，但同时，鸟类在输电线路活动的范围也不断扩大，造成的线路跳闸情况也不断增多。尽管采取了各种各样的鸟类防治措施，但鸟害始终时输电线路安全运行的一个重大威胁，尤其在高原高海拔地区，鸟害在各类故障中占主要部分，鸟类活动引起的线路故障仅次于雷害和外力破坏，占据线路故障总数的第三位，严重威胁着输电线路的安全稳定运行。高原高海拔地区地形复杂、交通不便，近年来，青藏、川藏、青新联网工程相继建成投运工程90％以上的输电线路(合计约2200公里)穿越高海拔地区，在高原地区使用人工运检方式投入资源人力物力极大。在鸟类飞行过程中，不伤害鸟类，避免鸟害带给架空输电线路的危害，是摆在我们面前的问题。鸟类故障多发生于110千伏和220千伏电压等级的线路中，目前使用的防鸟措施有使用惊鸟旗、防鸟刺、超声波驱鸟等方法驱离鸟类，但对于防鸟害效果有限。
3.但是在现有的对鸟类进行识别的技术中，通常采用的是通过yolov4算法或yolov3算法实现对鸟的种类进行检测，但是在采用这种方法对鸟的种类进行检测的时候，通常检测到的都是未被遮挡的鸟类，对于目标集中、周围环境复杂，参数量大等特点的鸟类，无法对被遮挡部分的鸟类进行检测，降低了对鸟类的识别率。
4.有鉴于此，特提出本技术。


技术实现要素：

5.本发明所要解决的技术问题是现有技术中，无法对遮挡一部分的鸟的种类进行准确识别，目的在于提供基于改进yolov5的输电线路鸟类检测方法及系统，能够实现对被部分物品遮挡的鸟类进行识别，提高了对鸟类识别的准确率。
6.本发明通过下述技术方案实现：
7.基于改进yolov5的输电线路鸟类检测方法，检测方法包括：
8.获取目标图像集，并对所述目标图像集进行标注，获得图像数据集，所述目标图像集为对待检测输电线路安全产生影响的多种鸟类类型的图像；
9.构建yolov5模型，并将所述yolov5模型中的一般卷积层替换为ghost轻量型卷积层，在每个block后面添加cbam注意力机制模块，获得改进的yolov5模型；
10.通过所述图像数据集对所述改进的yolov5模型进行训练，获得最优改进的yolov5模型；
11.获取待检测输电线路上带有鸟类的图像，将该图像输入到所述最优改进的yolov5模型中，获得待检测输电线路上鸟的具体种类。
12.传统的对鸟类进行识别检测的方法中，通常采用的是yolov4算法或yolov3算法来实现的对鸟的种类进行识别，但是在采用这种方法对鸟进行识别的时候，只能对未被其他物品遮挡的整只鸟的种类进行识别，无法实现对遮挡一部分鸟的种类进行具体识别，本发明提供了基于改进yolov5的输电线路鸟类检测方法，通过对yolov5模型中的网络结构层通过ghost网络卷积层进行替换以及增加注意力机制模块，能够实现对被部分物品遮挡的鸟类进行识别，增加了对鸟种类识别的准确性，提高了对鸟识别的效率。
13.优选地，所述改进的yolov5模型具体为：
14.在所述改进的yolov5模型中，是在yolov5模型的网络结构中，分别在backbone后的block、neck后的block以及prediction后的block处添加cbam注意力机制模块，同时backbone主干网络中将一般卷积层替换为ghost轻量型卷积层，将backbone中的csp结构替换为ghostbottleneck结构，替换之后的模型构成所述改进的yolov5模型。
15.优选地，所述ghost轻量型卷积层，用于将部分普通卷积通过线性转换生成的ghost feature map存在一般卷积层中包含的特征信息，具体表达式为：
[0016][0017]
yi'表示一般卷积层中特征图的第i个特征图，j表示每个一般卷积层生成的特征图进行的第j次线性变换，φ
i,j
表示yi'生成第j个ghost特征图的线性变换。
[0018]
优选地，所述cbam注意力机制模块，用于将输入的图像信息依次转换为一维空间注意力以及二维空间注意力，所述一维空间注意力的具体表达式为：
[0019][0020]
f表示输入特征图，为全局平均池化计算后的特征图大小，为最大池化计算后的特征图大小，σ(
·
)是sigmoid非线性激活函数，mlp为cbam中的共享网络，w0为多层感知机模型中的隐藏层权重，w1为多层感知机模型中的输出层权重；
[0021]
所述二维空间注意力的具体表达式为：
[0022][0023]
f7×7代表的是7
×
7次卷积运算，f'为通道注意力模块与输入特征图相乘，为全局平均池化后的特征图，为最大池化后的特征图。
[0024]
优选地，对所述目标图像集进行标注是通过labelimg对所述目标图像集的目标区域进行标注，所述目标区域为鸟类在图像中的位置区域。
[0025]
优选地，所述目标区域包括鸟未被遮挡的位置区域，以及鸟在被遮挡80％以下的位置区域。
[0026]
优选地，在所述改进的yolov5模型中，输入图像的尺度为640*640*3，输出为80*80*255或40*40*255或20*20*255。
[0027]
优选地，在所述改进的yolov5模型中进行训练的时候，初始学习率为0.01，终止学习率为0.2，动量大小为0.937，优化策略采用sgd函数，权重衰减设置为0.005，batch size
为8。
[0028]
优选地，所述目标图像集是通过网络爬虫或搜索引擎从网络上下载的鸟类图像集。
[0029]
本发明还提供了基于改进yolov5的输电线路鸟类检测系统，包括数据标注模块、模型构建模块、模型训练模块以及鸟类判别模块；
[0030]
所述数据标注模块，用于获取目标图像集，并对所述目标图像集进行标注，获得图像数据集，所述目标图像集为对待检测输电线路安全产生影响的多种鸟类类型的图像；
[0031]
所述模型构建模块，用于构建yolov5模型，并将所述yolov5模型中的一般卷积层替换为ghost轻量型卷积层，在每个block后面添加cbam注意力机制模块，获得改进的yolov5模型；
[0032]
所述模型训练模块，用于通过所述图像数据集对所述改进的yolov5模型进行训练，获得最优改进的yolov5模型；
[0033]
所述鸟类判别模块，用于获取待检测输电线路上带有鸟类的图像，将该图像输入到所述最优改进的yolov5模型中，获得待检测输电线路上鸟的具体种类。
[0034]
本发明与现有技术相比，具有如下的优点和有益效果：
[0035]
本发明实施例提供的基于改进yolov5的输电线路鸟类检测方法及系统，通过对yolov5模型中的网络结构层通过ghost网络卷积层进行替换以及增加注意力机制模块，能够实现对被部分物品遮挡的鸟类进行识别，增加了对鸟种类识别的准确性，提高了对鸟识别的效率。
附图说明
[0036]
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0037]
图1为检测方法示意图；
[0038]
图2为检测系统示意图；
[0039]
图3为普通卷积与ghost卷积原理图；
[0040]
图4为通道注意力机制原理图；
[0041]
图5为空间注意力机制原理图；
[0042]
图6为原始yolov5网络结构和改进后yolov5网络模型的对比结果图。
具体实施方式
[0043]
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
[0044]
在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本本发明。在其他实施例中，为了避免混淆本本发明，未具体描述公知的结构、电路、材料或方法。
[0045]
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
[0046]
在本发明的描述中，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。
[0047]
实施例一
[0048]
本实施例公开了基于改进yolov5的输电线路鸟类检测方法，如图1所示，检测方法包括：
[0049]
获取目标图像集，并对所述目标图像集进行标注，获得图像数据集，所述目标图像集为对待检测输电线路安全产生影响的多种鸟类类型的图像；
[0050]
在本实施例中，所获取的目标图像，是根据待检测输电线路上，有过涉鸟故障相关的鸟类或者是周围环境所存在的鸟类的情况，来对相关的鸟类图像进行获取，所述目标图像集是通过网络爬虫或搜索引擎从网络上下载的鸟类图像集，通过网上获取的图像集中对相对应的鸟类进行识别训练，一共收集了20种类型的鸟类图片，本实施例以东方白鹳和鸿雁这两种类型的鸟为例，将东方白鹳标签命名为boyciana，鸿雁的标签命名为cygnoides；将东方白鹳和鸿雁在输电线路上密集的部分，手动一一将目标鸟类框选出来；若框选的鸟类目标被遮挡90％的情况下，不予框选。
[0051]
对所述目标图像集进行标注是通过labelimg对所述目标图像集的目标区域进行标注，所述目标区域为鸟类在图像中的位置区域。所述目标区域包括鸟未被遮挡的位置区域，以及鸟在被遮挡80％以下的位置区域。
[0052]
采集到的图像按照pascal voc数据集的格式进行命名，图像使用labelimg软件进行标注，将输电线上常见鸟类所属名称标注出来，生成xml文件，根据鸟种的不同，分为20类，划分出对应的txt标签文件，同时创建名为annotations、imagesets、images的三个文件夹；
[0053]
划分数据集：将图片分为训练集、测试集、验证集，将训练集和验证集按照9：1的方式来进行划分，训练集图像为5595张，测试集图像为1677张，验证集图像为720张。
[0054]
构建yolov5模型，并将所述yolov5模型中的一般卷积层替换为ghost轻量型卷积层，在每个block后面添加cbam注意力机制模块，获得改进的yolov5模型；
[0055]
在所述改进的yolov5模型中，输入图像的尺度为640*640*3，输出为80*80*255或40*40*255或20*20*255。
[0056]
所述改进的yolov5模型具体为：
[0057]
在所述改进的yolov5模型中，是在yolov5模型的网络结构中，分别在backbone后的block、neck后的block以及prediction后的block处添加cbam注意力机制模块，同时
backbone主干网络中将一般卷积层替换为ghost轻量型卷积层，将backbone中的csp结构替换为ghostbottleneck结构，替换之后的模型构成所述改进的yolov5模型。
[0058]
将主干网络中的一般卷积层使用ghost轻量型卷积代替，如图3所示，使得深度神经网络可以在保证算法变现能力的基础上将网络移植到移动终端上，减少网络参数量和浮点数运算次数。本文在backbone、neck、prediction处加入cbam注意力机制模块，仅在backbone主干网络中将卷积层替换成ghost轻量网络，将ghostbottleneck代替backbone中csp结构。
[0059]
ghost module由部分一般卷积层和ghost卷积层组成，输入特征图为h*w*c，输出特征图为h’*w’*c，卷积核k*k，一般卷积层生成m个特征图y，将部分普通卷积通过线性转换生成的s个ghost feature map存在一般卷积层中包含的特征信息，具体表达式为：
[0060][0061]
yi'表示一般卷积层中特征图的第i个特征图，j表示每个一般卷积层生成的特征图进行的第j次线性变换，φ
i,j
表示yi'生成第j个ghost特征图的线性变换，所以y
ij
具体转换数量是s-1，最终得到特征图个数为n＝m
×
s。
[0062]
如图4所示，在原来yolov5网络中每一个block后面添加cbam注意力机制模块，将f∈rc×h×w作为输入，对输入特征图按通道进行全局最大池化和均值池化，将池化后的两个一维向量送入共享全连接层运算后相加，生成一维通道注意力mc∈rc×1×1[0063][0064]
f表示输入特征图，为全局平均池化计算后的特征图大小，为最大池化计算后的特征图大小，σ(
·
)是sigmoid非线性激活函数，mlp为cbam中的共享网络，w0为多层感知机模型中的隐藏层权重，w1为多层感知机模型中的输出层权重；
[0065]
如图5所示，其次将f'按空间注意力进行全局最大池化和均值池化，将池化生成的两个二维向量，将两个二维向量按照其通道维度拼接在一起，之后进行卷积操作，最终生成二维空间注意力ms∈r1×h×w，f7×7代表的是7
×
7次卷积运算，f'为通道注意力模块与输入特征图相乘，获得的特征图为最终生成的特征。和为经过全局平均池化和最大池化后的特征图，其具体实现公式如下，
[0066][0067]
f7×7代表的是7
×
7次卷积运算，f'为通道注意力模块与输入特征图相乘，为全局平均池化后的特征图，为最大池化后的特征图，增加注意力机制模块是为了增加对图像中鸟类区域标注的感兴趣区域。
[0068]
通过所述图像数据集对所述改进的yolov5模型进行训练，获得最优改进的yolov5模型；将所述的鸟类检测数据集中的训练图像输入至改进过的yolov5网络中进行训练，cfg文件为更改过的yolov5s网络结构的yaml文件，权重为空，构成训练文件，重新进行训练。保存训练过程中改进的yolov5模型在验证集上的准确率最高的权重参数，获得改进后的权重
文件。
[0069]
在所述改进的yolov5模型中进行训练的时候，初始学习率为0.01，终止学习率为0.2，动量大小为0.937，优化策略采用sgd函数，权重衰减设置为0.005，batch size为8。
[0070]
获取待检测输电线路上带有鸟类的图像，将该图像输入到所述最优改进的yolov5模型中，获得待检测输电线路上鸟的具体种类。
[0071]
通过原始的yolov5对采集到数据集进行训练处理，将采集到的鸟类数据输入到yolov5原始网络结构中，权重为yolov5s，cfg文件为yolov5s.yaml文件，构成训练文件，训练至模型收敛，将模型的权重参数及训练结果保存，将原始权重文件加载到测试文件中，得到在输电线路上鸟类飞行的检测结果，检测出输电线路上常见鸟类类型。
[0072]
将改进后的权重文件加载到测试文件中，将测试图像输入到测试文件中，运行改进后得到的最优权重文件，得到在该模型上的测试结果，测试结果显示鸟类的名称和测试准确度，保存识别的鸟类结果图片，便于后续根据不同鸟种播放其天敌的声音以驱赶鸟类。
[0073]
采用上述方法对输电线路上的鸟类进行识别，识别结果如图6所示，从识别的结果可知：通过本发明方法对鸟类数据集进行训练，训练得到的模型能够更精确地识别遮挡的鸟类目标，对于误识别的鸟类目标能够识别出来。
[0074]
表一
[0075]
目标检测算法map@0.5参数量召回率yolov50.9177.3m0.932本文算法0.9424.76m0.942
[0076]
识别效率如表一所示，其中，map值为目标检测算法所有类别的平均精度均值，为模型评估的精确度，召回率为针对总样本来说，正例样本被预测正确的个数，参数量代表训练完成后模型的大小。从表中可以看出，本文算法的map值和召回率对于原yolov5算法均提升了，参数量更低，模型运行速度更快。
[0077]
本实施例提供的基于改进yolov5的输电线路鸟类检测方法，在主干网络中将ghost module替换卷积层，先得到通道较少的特征图，在通过线性变换，得到更多的特征图，将不同的特征图concat在一起，减少计算量。串联两个注意力模块，使感兴趣区域更加显著，更便于目标检测，实现了对鸟种类的精确识别，增加了对鸟种类识别的准确率。
[0078]
实施例二
[0079]
本实施例公开了基于改进yolov5的输电线路鸟类检测系统，本实施例是为了实现如实施例一中的检测方法，如图2所示，包括数据标注模块、模型构建模块、模型训练模块以及鸟类判别模块；
[0080]
所述数据标注模块，用于获取目标图像集，并对所述目标图像集进行标注，获得图像数据集，所述目标图像集为对待检测输电线路安全产生影响的多种鸟类类型的图像；
[0081]
所述模型构建模块，用于构建yolov5模型，并将所述yolov5模型中的一般卷积层替换为ghost轻量型卷积层，在每个block后面添加cbam注意力机制模块，获得改进的yolov5模型；
[0082]
所述模型训练模块，用于通过所述图像数据集对所述改进的yolov5模型进行训练，获得最优改进的yolov5模型；
[0083]
所述鸟类判别模块，用于获取待检测输电线路上带有鸟类的图像，将该图像输入
到所述最优改进的yolov5模型中，获得待检测输电线路上鸟的具体种类
[0084]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。