一种基于改进YOLOv8的无人机巡检配网线路部件识别方法与流程

本发明属于数字图像处理、计算机视觉，具体涉及一种基于改进yolov8的无人机巡检配网线路部件识别方法。

背景技术：

1、对巡检无人机(uav)拍摄的配网线路部件图像进行准确定位是进行配网线路部件故障检测的前提，由于拍摄场景各不相同、拍摄角度变换不一、光照和气象条件复杂多变等因素，早期的目标识别算法不仅准确性低实时性差而且泛化性弱，难以快速高效获得精确的检测识别结果，伴随着深度学习技术的快速发展，目标检测算法的设计不再仅仅依赖于启发式设计的手工先验特征来构造相关分类器，而是更多的利用深度神经网络以端到端学习的方式来构造分类网络模型，当前无人机巡检系统的计算方法大致可以分为两阶段和单阶段：两阶段目标检测方法将目标检测任务分为两个独立的阶段：区域建议和目标分类与定位，在第一阶段，模型生成一组可能包含目标物体的候选区域(即区域建议)；在第二阶段，模型对第一阶段生成的候选区域进行进一步处理，两阶段目标检测算法在特征定位和检测精度方面有较强的优势，但现有技术依然存在下列不足：一是由于其网格划分策略的固有局限性可能导致对小目标的定位精度有限，此外对训练数据的依赖性较强，需要大量高质量的标注数据来进行训练，如果训练数据不足和质量不高，模型的检测性能将受到显著影响，也无法避免的产生漏检和误检的情况；二是由于yolov5及其改进算法中网格划分策略固有的局限性，该方法在对大小不一，形态各异的配网线路绝缘子进行检测时，会出现检测精度iou较低，漏检以及误检的问题的发生；因此，提供一种提高识别精度和检测效率、泛化能力强、鲁棒性好的一种基于改进yolov8的无人机巡检配网线路部件识别方法是非常有必要的。

技术实现思路

1、本发明的目的是为了克服现有技术的不足，而提供一种提高识别精度和检测效率、泛化能力强、鲁棒性好的一种基于改进yolov8的无人机巡检配网线路部件识别方法。

2、本发明的目的是这样实现的：一种基于改进yolov8的无人机巡检配网线路部件识别方法，所述方法包括以下步骤：

3、步骤1：采用改进的无人机巡检配网线路部件识别算法fc-yolov8，在该fc-yolov8算法中，使用的主干网络是cspdarknet框架；

4、步骤2：构建网络训练损失；

5、步骤3：对基于改进yolov8的无人机巡检配网线路部件识别的实验流程进行实例分析。

6、所述步骤1包括以下步骤：

7、步骤1.1：构建特征通道部分卷积模块fcpconv来替换cspdarknet瓶颈结构中的普通卷积层，将低阶特征图的详细位置信息和高阶特征图的丰富语义信息相结合，避免了冗余的梯度计算并平衡特征提取的能力；

8、步骤1.2：对部分卷积瓶颈bottleneck结构进行重构；

9、步骤1.3：对c2f模块即跨阶段局部特征融合模块进行改进；

10、步骤1.4：构建多层次注意力模块mam来应对频繁的尺度变换、低分辨率和聚类分布造成的目标特征难以区分的问题；

11、步骤1.5：基于上述的网络模块组件和使用的主干网络框架cspdarknet，构建改进的无人机巡检配网线路部件识别算法fc-yolov8。

12、所述步骤1.1中的构建特征通道部分卷积模块fcpconv，具体包括以下步骤：

13、步骤1.11：针对输入特征图将其沿着通道维度分为两个分支x1和x2，并且每个分支的通道变为原来的1/2；

14、步骤1.12：紧接着，对x2分支执行卷积操作，在该操作中首先对x2进行线性变换，重新排列维度顺序；

15、步骤1.13：然后使用内核大小为1×1、3×3和5×5的卷积核分别进行特征提取，在不同尺度下获得不同大小的目标信息，融合多尺度的目标特征并且使所有的子特征聚会之后再恢复为原始特征维度顺序，再经过激活函数prelu操作之后，通道恢复为c/2；

16、步骤1.14：再将处理后的x2分支与未经处理的x1分支进行concat拼接并进行1×1卷积操作来获得最终给的输出特征。

17、所述步骤1.2中的对部分卷积瓶颈bottleneck结构进行重构，具体为：基于步骤1.1中提出的fcpconv卷积模块来重新构建bottleneck结构，并记作为f-bottleneck。

18、所述步骤1.3中的对c2f模块即跨阶段局部特征融合模块进行改进，具体为：在该阶段，使用f-bottleneck结构整体替换原有的c2f模块中的bottleneck结构，改进后的c2f结构称为fcp_c2f。

19、所述步骤1.4中的构建多层次注意力模块mam，包括以下步骤：

20、步骤1.41：首先输入大小为n×c×h×w的特征图，其中，c和h×w分别表示输入图像的通道维度和空间维度；

21、步骤1.42：使用1×1、3×3和5×5卷积对输入的特征图分别执行特征映射，得到三个并行分支特征；

22、步骤1.43：5×5卷积分支经过sigmoid激活函数后得到通道的注意力权重值，特征图的大小变为n×1×h×w；1×1卷积分支进行维度转换且经过softmax操作，大小为n×1×hw×1；3×3卷积分支直接对张量进行转换，大小为n×1×c×hw；

23、步骤1.44：然后将1×1卷积分支与3×3卷积分支使用线性变换矩阵乘法得到大小为n×c×1×1的特征结构，对其做1×1卷积操作，并与5×5卷积分支的通道注意力权重执行哈马达积操作后得到多层次注意力的聚会特征值的输出，最终特征图的大小依然为n×c×h×w。

24、所述步骤1.5中构建改进的无人机巡检配网线路部件识别算法fc-yolov8具体为：利用注意力机制将各种目标的检测头部统一，通过利用尺度感知的特征层级之间的注意力，空间感知的空间位置之间的注意力和任务感知的输出通道之间的注意力，来增强模型目标的表达性和对配网线路部件检测的精度和灵活性。

25、所述步骤2中的构建网络训练损失，包括以下步骤：

26、步骤2.1：采用ciou和dfl损失相结合的方式来计算边界框的回归损失；

27、步骤2.2：引入基于归一化的wasserstein距离的nwd位置回归算函数。

28、所述步骤2.1中的采用ciou和dfl损失相结合的方式来计算边界框的回归损失，具体为：在第一部分，dfl以交叉熵的形式将每个正样本与其最近的负样本之间的特征差异作为损失函数的一部分，然后通过最小化这个差异来优化模型；在第二部分，将边界框分布概率还原为预测框，通过ciou对预测框的损失和标签的真实框进行损失计算，以达到对预测框整体优化的结果，ciou的计算公式为：式中，iou表示预测框与真实框的交集比；ρ(b,bgt)表示预测框与真实框之间的欧式距离；h和w分别表示高度和预测框；hgt和wgt分别表示真实框的高度和宽度；cw和ch分别表示由预测框和真实框组成的最小包围框的高度和宽度。

29、所述步骤2.2中的引入基于归一化的wasserstein距离的nwd位置回归算函数，具体为：nwd损失函数通过使用二维高斯分布计算预测框与标记框之间的相似度，其公式为：其中，c是配网线路部件的类别数；na、nb分别表示由a＝(cxa,cya,wa,ha)和b＝(cxb,cyb,wb,hb)建模的高斯分布；则约束改进的无人机巡检配网线路部件识别网络fc-yolov8的位置损失函数为：loss2＝μ·ciou+(1-μ)nwd(3)。

30、本发明的有益效果：本发明为一种基于改进yolov8的无人机巡检配网线路部件识别方法，能够实现对配网线路部件的精确检测与识别，提高无人机巡检配网线路部件识别的精度与检测效率，在使用中，本发明可以均衡网络检测精度与计算复杂度，并对多种不同类型的配网线路部件具有一定的泛化能力；本发明首先对yolov8算法中的partialbottleneck模块进行改进并设计了上下文聚合模块cam，然后利用该改进的yolov8算法对特定配网线路部件目标(如绝缘子)进行检测；最后根据配网线路部件的检测结果进行故障诊断与预警；本发明方法能够实现对不同配网线路部件的检测，相比于现有的目标检测算法，本发明所提出的fc-yolov8算法可以均衡网络检测精度和计算量，并对不同类型的配网线路部件具有较强的鲁棒性；本发明中网络各部分之间的输入输出互相联系，进行不同特征的提取和整合，提高了效率，增加了网络的类别检测能力；本发明具有提高识别精度和检测效率、泛化能力强、鲁棒性好的优点。