关键词：
输电线路
绝缘子
YOLOv5s
注意力机制
摘要：
在高压输电线路中,绝缘子作为关键的电力元件,在输电环节中起着支撑和隔离电线结构的作用,以确保电流能够安全传输。绝缘子在运行过程中不仅要承受机械荷载及电压和频率变化的内部压力,同时因其长期暴露在复杂的自然环境中,还要经受雷雨、覆冰等外部影响,导致绝缘子极易出现掉串、闪络、破损等故障,这对输电线路的稳定运行构成了严重威胁。因此,开展对绝缘子及其缺陷故障检测研究显得至关重要。传统的绝缘子缺陷检测方法主要依赖于人工巡检,对时间和经济成本要求非常高,且效率低下。随着人工智能技术的发展和应用,基于无人机的智能巡检技术日趋成熟,它能够高效且安全地执行绝缘子检查任务。通过无人机搭载先进的成像设备进行空中巡查,结合人工智能图像识别技术,可以精准定位和识别绝缘子的各种潜在故障,从而显著提升了检测效能。这一现代化的检测手段正逐步取代传统方式,成为当今绝缘子检测领域的主流解决方案。
利用无人机进行航拍在绝缘子检测领域尽管具有很大潜力,但因其拍摄图像容易受到拍摄角度、光照不均匀、背景复杂、恶劣天气等因素的影响,导致绝缘子及其缺陷检测难以达到预期效果。此外,检测模型复杂度高、计算量大从而影响模型检测速度也是亟需解决的问题。鉴于此,本文提出了基于改进YOLOv5s的绝缘子及其缺陷检测方法,主要研究内容如下:
(1)针对当前复杂环境下绝缘子及其缺陷数据集样本偏少容易产生过拟合的问题,通过对现有绝缘子及其掉串、闪络、破损缺陷数据进行了旋转、亮度增强以及模拟雨、雪、大雾天等复杂天气下的样本扩充,增强了原始数据集。使用数据标注工具Label Img对数据集进行类型标注,用以实现对绝缘子及其缺陷目标的数据训练。
(2)针对绝缘子及其缺陷检测存在小目标检测困难且容易出现误检的问题,提出了一种改进YOLOv5s的绝缘子及其缺陷检测精度改进模型。首先将基于滑动窗口的Swin Transformer编码结构嵌入到骨干网络中的C3模块,以加强深层语义特征信息的提取能力;在Swin Transformer滑动窗口中窗口Patch数量过大会丢失对整体特征的把握,过小又可能会无法提取到更多小目标的细节,为了使其能够提取到更多的特征信息,将Swin Transformer滑动窗口中窗口的Patch数量设计为8×8大小,提升对小目标的检测能力;其次,通过将CBAM注意力模块添加到C3模块的尾部来增强颈部网络的特征融合能力,使网络对缺陷目标更加关注,以提升目标检测精度。最后,在YOLOv5s的特征融合网络部分,结合双向特征金字塔网络Bi FPN(Bidirectional Feature Pyramid Networks),运用双向跨尺度连接与加权特征融合,重新构造自顶向下和自底向上的连结路线,既融合了多个尺度的特征,又更好地保留底层特征的细节信息,同时以残差连接和逐元素相加的方式,将相邻层次的特征进行融合,减少信息的丢失,增强特征的一致性,从而提高小目标的检测能力。Bi FPN还可以通过自适应的方式,根据不同尺度的特征动态调整其权重,使得网络更具鲁棒性。实验结果证明,改进后模型提高了对绝缘子及其缺陷的识别精度,有效降低了绝缘子缺陷的误检率。
(3)针对绝缘子及其缺陷存在模型复杂度高、计算量大的问题,提出了一种基于轻量化结构和注意力机制的绝缘子及其缺陷检测模型。首先在主干位置引入Faster Net网络结构替换主干网络中的C3模块,减少冗余计算,降低模型参数量;其次在颈部结构中采用轻量化网络模块Slimneck,该模块结合GSConv卷积方式,能够更好的处理连接的特征映射,使用GSConv替代普通卷积不需要进行压缩,且冗余信息的重复更少,能够更快地进行特征的提取,使其在保持足够精度的同时有效节省了计算成本,使模型更加轻量化;最后,通过对主流注意力机制进行对比分析选择添加SE注意力机制来使网络模型能够更好地关注目标的关键信息,结合SIo U损失函数来提高网络的收敛速度和性能。实验结果表明,改进后的模型在保证了较高检测精度的情况下进一步低了模型复杂度和计算量,有着更好的适用性和训练效率。有效降低了对软硬件资源的需求,使实时检测在计算资源有限的场合成为可能,为配置到无人机和其他小型移动终端设备等场景提供了可行的方法。
欢迎来到三峡大学图书馆！
