一种基于改进YOLOv8神经网络的输电线路绝缘子设备及其缺陷检测方法

(一)本发明属于绝缘子设备及其缺陷检测，具体涉及一种基于改进yolov8神经网络的绝缘子设备及其缺陷检测方法。

背景技术：

0、(二)背景技术

1、在输电线路的巡检中，绝缘子是关键电力设备，可用于机械固定和绝缘，其长期运行的过程中可能会因为环境及电力负荷等因素产生老化和损伤，从而引发绝缘子的破损和放电问题，因此定期检查并维护绝缘子的健康状态具有重要意义。

2、然而，传统巡检大都采用人工作业对绝缘子设备及缺陷进行检测，耗时长、效率低下而且容易产生误判、漏检等问题。随着无人机技术的不断发展，“无人机巡检为主，人工巡检为辅”成为我国输电线路的主要检测模式。基于深度学习图像目标检测算法已应用于绝缘子设备及缺陷检测。但是由于拍摄的绝缘子及缺陷图像数量众多，受地理环境、天气、光线、拍摄角度等因素影响，绝缘子设备及其缺陷的检测精度仍有待进一步提升。

3、近年来，基于深度学习的目标检测方法大致分为：第一类是以fast r-cnn、fasterr-cnn为代表的双阶段目标检测模型，双阶段目标检测模型的检测精度较高，检测速度在持续提升，但实时效果仍差强人意，不能满足大部分现实场景的实时需求。第二类是以yolo(you only look once)系列、ssd(single shot multibox detector)和retinanet为代表的单阶段目标检测模型。单阶段目标检测算法的模型结构简单，能够在计算资源有限的情况下有效地进行实时目标检测，且它在检测精度和计算效率之间拥有较好的平衡性。其中，yolov8神经网络模型有着更快的检测速度和准确性，能有效解决针对绝缘子设备及其缺陷的检测精度低、漏检率高等问题。

技术实现思路

0、(三)技术实现要素：

1、本发明提出了一种基于改进yolov8神经网络的输电线路绝缘子设备及其缺陷检测方法，该方法在对传统的yolov8神经网络进行改进后提升了绝缘子设备及其缺陷的检测精度，适用于绝缘子设备及其缺陷的检测。

2、为实现上述目的，本发明出了一种基于改进yolov8神经网络的输电线路绝缘子设备及其缺陷检测方法，所述方法包括以下步骤：

3、s1：获取大量的绝缘子设备及其缺陷图像，对各所述绝缘子设备及其缺陷图像进行预处理以及标注后输出yolo格式的数据集；

4、s2：将yolo格式的数据集输入到已经训练好的改进yolov8神经网络中进行绝缘子设备及其缺陷目标检测；

5、其中，所述改进yolov8神经网络包括主干网络、颈部网络和检测头网络；所述主干网络通过多层lsk模块的搭建来实现更高层次的特征学习和模式识别；

6、所述主干网络中的lsk模块包括两个残差子块，即大核选择子块和前馈网络子块。大核选择子块用于动态地调整网络的感受野，包括两个全连接层模块、一个gelu激活模块、一个lsk模块；前馈网络子块用于通道混合和特征细化，包括两个全连接层模块、一个深度卷积模块、一个gelu激活模块；

7、所述lsk模块将从不同感受野卷积核的特征进行拼接，所述lsk模块数学模型如下:

8、

9、其中，表示通过拼接操作得到的特征向量，表示从第i个感受野卷积核中得到的特征表示。进一步地，应用通道级的平均池化pavg(·)和最大池化pmax(·)提取空间关系

10、其中saavg和samax是平均和最大池化空间特征描述符，为了实现不同空间描述符的信息交互，所以利用卷积层f2→n将空间池化特征连接起来，并将两个通道的池化特征变换成n个空间注意图:

11、sa＝f2→n([saavg；samax])；

12、进一步地，将sigmoid激活函数应用到每一个空间注意特征图sai，可获得每个解耦的大卷积所对应的独立空间选择掩膜:

13、

14、进一步地，将解耦的大卷积核序列的特征与相应的空间选择掩膜进行加权处理，并通过卷积层f(·)进行融合，以获取注意力特征s:

15、

16、最后，lsk模块的输出y是输入特征x和s之间的逐元素乘积，即：

17、y＝x·s；

18、所述颈部网络包括第一上采样模块、第一拼接模块、第五c2f模块、第二上采样模块、第二拼接模块、第一sa注意力模块、第六ghostconv卷积模块、第三拼接模块、第二sa注意力模块、第七ghostconv卷积模块、第四拼接模块、第三sa注意力模块；sppf-lska模块与第一上采样模块连接，第一拼接模块将第一上采样模块输出的特征与第三c2f模块输出的拼接后输入至第五c2f模块、第二上采样模块，第二上采样模块输出的特征与第二c2f模块输出的特征经过第二拼接模块拼接后输入至第一sa注意力模块和第六ghostconv卷积模块；第六ghostconv卷积模块输出的特征和第五c2f模块输出的特征经过第三拼接模块拼接后输入到第二sa注意力模块和第七ghostconv卷积模块，第七ghostconv卷积模块输出的特征与sppf-lska模块输出的特征经过第四拼接模块拼接后输入到第三sa注意力模块；第一sa注意力模块、第二sa注意力模块和第三sa注意力模块输出的特征输入到检测头网络；

19、所述的sppf-lska模块包括依次连接的第一卷积模块，第一最大池化模块、第二最大池化模块、第一拼接模块、lska模块和第二卷积模块；首先图像经过第一卷积模块进行特征提取，输出的特征经过并行的第一最大池化模块和第二最大池化模块分别输出，接着第一拼接模块将第一卷积模块和两个最大池化模块的输出结果进行拼接，再经过lska模块进行处理，最后经过第二卷积模块；

20、所述的sa注意力模块通过将输入特征图分成多个子集，然后对每个子集进行独立的注意力计算，最后将子集重新组合输出特征图，在降低了计算量的前提下，又能够同时考虑输入序列的所有位置，高效捕捉全局信息，得到更具有全局信息和位置敏感信息的特征图，从而提高模型性能。

21、所述的ghostconv卷积模块首先通过传统卷积模块生成通道数量较少的特征图，然后在得到的特征图的基础上进行cheap operation操作，生成新的的冗余特征图，最后将通道数量较少的特征图和新的冗余特征图利用拼接模块进行拼接，形成完整的特征图，最终得到输出特征，大大减少了所需的计算量，从而提高网络的计算效率。

22、本发明的有益效果为：

23、本发明采用lsknet大型选择性卷积核网络代替原有的路径聚合网络，使得模型可以对不同目标自适应地选择不同大小的核并调整感受野，更有效地处理了不同目标在所需背景信息差异；将可有效捕捉上下文信息的lska大型可分离核注意力融合进原有的sppf模块；在颈部网络部分将部分传统卷积模块替换为ghostconv卷积模块，降低模型的参数和计算量；并在yolov8的颈部网络结构中加入sa注意力模块，利用注意力机制高效的捕捉全局信息，使得改进后的网络能从大量信息中筛选出相对重要的信息，增强对底层特征的关注程度，加强对小目标的关注度，进而提升模型检测精度。本发明在保持着优良的训练和检测速度的同时，对绝缘子设备及其缺陷的检测精度也大幅度提升。