基于改进YOLOv8检测算法的换流器装配自动质检方法及系统与流程

本发明涉及换流器检测的，更具体地，涉及一种基于改进yolov8检测算法的换流器装配自动质检方法及系统。

背景技术：

1、换流器是一种将交流电转换为直流电或反之的电力电子设备，广泛应用于电力系统、轨道交通、新能源等领域。换流器的组装过程是一项复杂的工程，涉及到多个部件的安装、连接、调试等步骤，对换流器的性能和可靠性有着重要的影响。因此，对换流器组装过程中的各个部件进行质量检测，是保证换流器的生产效率和质量的关键环节。

2、目前，对换流器组装过程中的各个部件进行质量检测的常用方法有以下两种：

3、人工检测：即由专业的检测人员，通过观察、测量、测试等方式，对换流器组装过程中的各个部件进行质量检测。人工检测的缺点是效率低、成本高、误差大、精度不稳定，且容易受到人为因素的影响，如疲劳、情绪、经验等。

4、机器检测：即由专门的检测设备，通过图像处理、模式识别、机器学习等技术，对换流器组装过程中的各个部件进行质量检测。机器检测的缺点是需要大量的数据和算法，对一些复杂的部件，难以进行准确的检测，且对检测设备的性能和稳定性有较高的要求，过拟合风险较高。

5、在机器检测中，使用yolov8网络检测算法进行检测是一种常见的检测方法，yolov8网络检测算法对小目标检测效果不佳、遮挡和旋转鲁棒性有待提高以及对计算资源要求较高等问题，因此为了进一步提高检测的准确性，出现了多种对yolov8网络进行改进的方式，例如现有技术文件1提出了一种基于yolov8的大田麦穗检测方法，包括：获取麦穗数据集；对yolov8网络模型进行改进，将yolov8网络模型中的特征融合模块替换为渐进特征金字塔网络afpn，得到改进后的yolov8网络模型；将训练集输入改进后的yolov8网络模型中进行训练，得到训练后的yolov8网络模型；对训练后的yolov8网络模型进行评价；将待检测的麦穗图片输入训练后的yolov8网络模型，训练后的yolov8网络模型输出最终检测结果。现有技术文件2提出了一种基于yolov8-ca-afpn模型的海洋垃圾目标检测方法，其中公开了了采用c2f-ca模块改进骨干网络对数据进行特征提取，提高对目标的注意力能力；颈部网络采用改进的特征融合网络afpn加强多尺度特征融合过程；

6、现有技术文件1、2还存在以下技术问题：yolov8-ca-afpn模型在保持实时性能的同时提高了准确率，但引入的coordinateattention和afpn结构会增加模型的参数量，导致模型占用更多的计算资源和存储空间。

技术实现思路

1、为解决现有技术中存在的不足，本发明提供一种基于改进yolov8检测算法的换流器装配自动质检方法，能够解决现有检测方法效率低、误差大，以及对于复杂部件和小目标的检测准确性不高的问题。

2、本发明采用如下的技术方案。

3、一种基于改进yolov8检测算法的换流器装配自动质检方法，包括如下步骤：

4、采集车间场景的图像数据，并对图像数据进行预处理，构建训练集合；

5、基于afpn-m-df网络对yolov8模型进行改进，通过训练集合对改进的yolov8模型进行训练，得到训练后的改进的yolov8模型；

6、采集待检测换流器的图像数据，并对图像数据进行处理后，输入训练后的改进的yolov8模型中，得到检测结果；

7、对模型输出的检测结果进行后处理、标记和分类，得到换流器装配质检结果。

8、优选地，所述对图像数据进行预处理，构建训练集合，具体包括：对采集到的图像数据进行图像增强、数据增强和图像缩放；

9、数据增强还包括：对图像进行包含1个至多个目标的随机裁剪，进行数据增强；裁剪过程中，裁剪边界截断某个目标后，目标面积剩余超过30％，则丢弃该裁剪结果，目标面积剩余少于30％时，保留该剪裁结果，并删除对面积保留不足30％的目标的标注。

10、优选地，基于afpn-m-df网络对yolov8模型进行改进，改进的yolov8模型包括主干网络和afpn-m-df网络，其中，主干网络为darknet-53网络，用于提取图像的特征向量，afpn-m-d网络用于对特征向量进行融合和优化

11、优选地，afpn-m-df网络为自适应特征金字塔网络，该网络包括增强afpn的特征融合模块、特征优化模块、表面特征层和检测头；

12、其中，特征融合模块用于将主干网络输出的不同层次的特征向量进行上采样、下采样和跨层连接，实现特征的多尺度融合；

13、特征优化模块用于对特征融合模块输出的特征图进行卷积和激活操作，增强特征的表达能力；

14、表面特征层用于对特征优化模块输出的最高层特征图进行卷积和激活操作；

15、检测头用于对特征优化模块和表面特征层输出的特征图进行卷积和激活操作，生成包含位置和类别信息的预测结果。

16、优选地，设特征融合模块中特征融合的通道数为n，特征融合模块使用加权方法分配n个通道的特征信息，融合过程如下：

17、fl＝w1→l·x1→l+w2→l·x2→l+……+wn→l·xn→l

18、式中，fl表示由asff_n融合的特征向量；wn→l表示针对第l层的第n个特征向量的自适应学习的权重；xn→l是指从第n层转移到第l层的特征上的特征向量；n∈[1,n]，l表示特征层索引或特征融合过程中的目标层；

19、进一步的，权重满足：

20、w1→l+w2→l+……+wn→l＝1。

21、优选地，特征优化模块包括bottleneck3×3卷积核，卷积核用于收集特征数据，输入特征信息穿过特征优化模块中顺序链接的瓶颈，从基本特征图过渡到高级特征图。

22、优选地，对改进的yolov8模型进行训练具体包括：

23、设置评估指标判断训练是否完成，得到训练后的改进的yolov8模型，评估指标包括：精度、召回率、平均精度和每秒帧数，当各评价指标均满足预设条件时，完成训练。

24、优选地，对模型输出的检测结果进行后处理具体包括：

25、对检测结果进行非极大值抑制，包括对同一类别的目标，根据其置信度和重叠度，筛选出最具代表性的边界框；

26、置信度阈值过滤，包括对检测结果中的每个边界框，根据其置信度是否高于预设的阈值，选择是否保留该检测结果；

27、边界框调整，包括对检测结果中的每个边界框进行变换，使边界框贴合目标的实际轮廓。

28、优选地，对经过后处理的检测结果进行标记和分类，具体包括：

29、经过后处理得到图像中目标的位置和类别信息，对图像中的每个目标，根据其类别信息进行标记以区分目标类型；

30、结合质检要求和图像中目标的位置和类别，判断图像中的目标是否符合质检要求，得到质检结果。

31、本发明还提供了一种基于改进yolov8检测算法的换流器装配自动质检系统，包括：

32、图像获取模块、图像预处理模块、改进的yolov8模型模块、后处理模块和标记分类模块；

33、图像获取模块，用于获取车间场景的图像数据；

34、图像预处理模块，用于对图像数据进行预处理，包括图像增强、图像裁剪和图像缩放；

35、改进的yolov8模型模块，通过对改进的yolov8模型进行训练，训练后的模型用于对预处理后的图像数据进行目标的检测，该模块由一个主干网络和一个afpn-m-df网络组成，其中主干网络用于提取图像的特征向量，afpn-m-df网络用于对特征向量进行融合和优化，以生成多尺度的检测结果；

36、后处理模块，用于对检测结果进行后处理，以得到图像中的目标的位置和类别信息；

37、标记分类模块，能够结合后处理模块的输出结果与质检要求，对图像中的目标进行标记和分类。

38、本发明还提供了一种终端，包括处理器及存储介质；

39、所述存储介质用于存储指令；

40、所述处理器用于根据所述指令进行操作以执行所述基于改进yolov8检测算法的换流器装配自动质检方法的步骤。

41、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述基于改进yolov8检测算法的换流器装配自动质检方法的步骤。

42、本发明的有益效果在于，与现有技术相比，本发明利用改进的yolov8模型和特定的网络结构，结合图像预处理和后处理步骤，实现对车间场景中换流器组装过程的自动检测；通过afpn-m-df结构对yolov8模型进行改进，以及单一场景图像训练防止过拟合策略，提升了复杂部件和小目标的检测准确性，提高了质检效率和准确性，相对于传统检测方法，降低了人力成本和时间消耗，减少了人为误差，通过对yolov8模型结构的改进，在不增加模型参数量、无需占用更多计算资源和存储空间的前提下提高了模型对于换流器检测的准确率，提高了检测的客观性和一致性，通过自动检测和分类，确保了组装过程的质量，并为后续的目标标记和分类提供可靠的输入条件，有助于工业生产中自动化和智能化的推进；

43、本发明通过afpn-m-df网络用于促进非相邻特征层之间的融合，要求在不损失或降级特征信息的前提下，有效地传播和交互这些特征；通过精准的特征调整与融合策略，以确保不同层级的特征能够互补而非冲突；通过自适应空间融合来抑制不同特征层间的信息冲突，并仅保留有益于融合的特征，能够识别并剔除冗余或矛盾的特征信号，同时增强相关特征的表达能力。