(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210164290.8 (22)申请日 2022.02.22 (71)申请人 西安建筑科技大 学 地址 710055 陕西省西安市碑林区雁塔路 13号 (72)发明人 贠卫国　南星辰　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 马贵香 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 20/17(2022.01) G06V 20/40(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于YOLOv5-EM的电网多部件缺陷检测与识 别方法及系统 (57)摘要 基于YOLOv5‑EM的电网多部件缺陷检测与识 别方法及系统， 将系统CSPDacknet ‑53替换为 MobileNetv2， 并采用ASFF增强网络特征表征能 力， 根据训练集图像大小相应调整了网络分辨 率， 重新聚类初始Anchor  Box， 同时调整网络检 测类别个数， 将多类别检测分类问题 转化为在一 定场景下针对正常绝缘子和自爆绝缘子， 正常绞 线和损坏绞线； 正常均压环和损坏均压环， 鸟巢 异物和防震锤这八类常见电网部件目标检测分 类定位问题并通过融合不同尺度特征， 实现了复 杂环境下对高密度下小目标的电网部件的检测， 电网部件漏检误检率较低。 这种方法提高了检测 效果和检测速度， 降低了漏检电网部件。 权利要求书4页 说明书10页 附图4页 CN 115205565 A 2022.10.18 CN 115205565 A 1.基于YOLOv5‑EM的电网多部件缺陷检测与识别方法， 其特 征在于， 包括以下步骤： 步骤1， 在YOLOv5原特征提取网络中将系统CSP  Dacknet‑53替换为MobileNetv2神经网 络， 并采用自适应空间特征融合ASFF增强网络特征表征能力， 构建基于YOLOv5 ‑EM目标检测 模型； 步骤2， 对自建电网部件数据集和中国电力线绝缘子数据集( CPLID， Chinese  Power  Line Insulator  Dataset)进行预处理： 从自建电网部件数据集和中国电力线绝缘子数据 集(CPLID， Chinese  Power Line Insulator  Dataset)标注文件中获取输电线路待检目标 的标注信息， 并将标注信息转换为Mobi leNetv2框架下支持的格式； 步骤3， 依据自建电网部件数据集和中国电力线绝缘子数据集(CPLID， Chinese  Power  Line Insulator  Dataset)中训练集图像分辨率， 利用Scalable  K‑Means++聚类算法对步 骤2中转换为MobileNetv2框架下支持的格式的标注信息框重新聚类， 得到新的初始锚框 Anchor Box， 并按照设定的锚框Anchor  Box分配规则， 为YOLOv5 ‑EM目标检测模型中的每个 检测尺度分配相应 个数的锚框Anc hor Box； 步骤4， 将自建的数据集和中国电力线绝缘子数据集(CPLID， Chinese  Power Line  Insulator  Dataset)中训练集和验证集图片分别输入到YOLOv5 ‑EM目标检测模型中进行目 标检测与识别模型的训练与评估； 步骤5， 利用步骤4训练后的YOLOv5 ‑EM目标检测模型对测试集图片和网络无人机随机 拍摄视频进行检测， 在普通图片和视频进行测试， 在进行视频检测时在视频 的每一帧中进 行输电线路部件的检测 和故障识别， 最后将检测结果重新 拼接成视频。 2.根据权利 要求1所述的基于YOLOv5 ‑EM的电网多部件缺陷检测与识别方法， 其特征在 于， 步骤1中： MobileNet  v2特征提取网络为深度可分离卷积， 先逐通道卷积后再用1 ×1的点卷积连 接各通道信息； 自适应空间特 征融合ASF F包括两个步骤： 特 征同比例缩放和自适应融合。 3.根据权利 要求1所述的基于YOLOv5 ‑EM的电网多部件缺陷检测与识别方法， 其特征在 于， 步骤2中： 输电线路待检目标的标注信息包括正常绝缘子和自爆绝缘子， 正常绞线和损坏绞线， 正常均压环和损坏均压环， 鸟巢异物和防震锤； 八类电网部件标注信息写入以图片命名的 XML文件中； 将自建电网部件数据集和中国电力线绝缘子数据集(CPLID， Chinese  Power  Line Insulator Dataset)的文件目录结构转 化为形如PASCAL  VOC数据集文件目录结构。 4.根据权利 要求3所述的基于YOLOv5 ‑EM的电网多部件缺陷检测与识别方法， 其特征在 于， 八类电网部件标注信息写入以图片命名的XML文件中具体为： 设计代码按照如下公式： Xcenter＝(boxxmin+boxxmax)/(2×picture—width) ycenter＝(boxymin+boxymax)/(2×picture_height) width＝(boxxmax‑boxxmin)/picture_w idth hight＝(boxymax‑boxymin)/picture_height 其中： Xcenter为锚框x轴中心点坐标， ycenter为锚框的y轴中心点坐标； boxxmin为锚框x轴坐 标最小值； boxmax为锚框x轴坐标最大值； picture_width为原始图像的宽度； picture_ height为原 始图像的高度； w idth为锚框 宽度； hight为锚框高度；权　利　要　求　书 1/4 页 2 CN 115205565 A 2将标注信息转换成Mobi leNetv2框架下的格式； 检查转换后每 个图片的TXT标注框格式 需为： <object‑class><x_center><y_center><w idth><height>； 其中： obj ect‑class为类别， x_center为锚框x轴中心点坐标， y_center为锚框的y轴中 心点坐标； width为锚框 宽度； hight为锚框高度。 5.根据权利 要求1所述的基于YOLOv5 ‑EM的电网多部件缺陷检测与识别方法， 其特征在 于， 步骤3中： 步骤3.1， 观察自建电网部件数据集和中国电力线绝缘子数据集(CPLID， Chinese   Power Line Insulator Dataset)中训练集标注框坐标信息分布， 聚类算法随机选取选择k 个簇中心(ωi,hi),i∈{1,2 ……， k}， 其中， wi和hi为框的宽和高； 步骤3.2， 自动计算每 个标注框和每 个簇中心的距离d， 计算公式如下： 步骤3.3， 重新计算 k个簇中心所属的标注框 宽和高的平均值， 作为 新的簇中心； 步骤3.4， 重复步骤3.2和3.3， 当聚类中心不再改变时， 输出Scalable  K‑Means++聚类 结果； 步骤3.5， 输出最后自动聚类结果； 步骤3.6， 分别为YOLOv5 ‑EM目标检测模型中三个检测尺度分配2个、 1个和6个锚框 Anchor Box； 步骤3.6具体包括如下步骤： 步骤3.6.1， 调整YOLOv5 ‑EM网络结构中所有YOLO层Fi lter层数量； 步骤3.6.2， 更改配置文件中对应MASK。 6.根据权利 要求1所述的基于YOLOv5 ‑EM的电网多部件缺陷检测与识别方法， 其特征在 于， 步骤4具体包括如下步骤： 步骤4.1， 采用预 先训练好的模型参数作为初始化权 重以减少训练时间； 步骤4.2， 使用动量梯度 下降法设置网络模型的训练超参数对 网络进行训练， 得到基于 YOLOv5‑EM的电网部件目标检测模型； 步骤4.3， 将自建电网部件数据集和中国电力线绝缘子数据集(CPLID， Chinese  Power  Line Insulator  Dataset)验证集中输电线路广域图片输入到基于YOLOv5 ‑EM的输电线路 电网部件目标检测模型中， 得到基于 YOLOv5‑EM网络的目标检测模型的评估指标。 7.根据权利 要求6所述的基于YOLOv5 ‑EM的电网多部件缺陷检测与识别方法， 其特征在 于， 步骤4.2具体包括如下步骤： 步骤4.21， 设置网络模型的训练超参数； 步骤4.22， 将自建电网部件数据集及中国电力线绝缘子数据集(CPLID， Chinese  Power  Line Insulator Dataset)中的随机抽取的70％图片作为训练输入； 步骤4.23， 利用MobileNetv2深度学习框架进行网络训练， 当训练过程中平均损失达到 稳定值并且不再降低时得到基于 YOLOv5‑EM的电网部件目标检测模型。 8.根据权利 要求1所述的基于YOLOv5 ‑EM的电网多部件缺陷检测与识别方法， 其特征在 于， 步骤5具体包括如下步骤： 步骤5.1， 调整测试数据集图片分辨率为1280x720， 然后输入到步骤4训练后的YOLOv5 ‑ EM目标检测模型中， 经 过ASFF特征融合方法处 理特征， 最终网络 输出三个尺度的特 征图；权　利　要　求　书 2/4 页 3 CN 115205565 A 3