本發(fā)明涉及輸電部件目標(biāo)識(shí)別，尤其是涉及一種基于fa-yolov8的絕緣子異常狀態(tài)辨識(shí)方法。

背景技術(shù)：

1、目標(biāo)識(shí)別作為人工智能視覺(jué)學(xué)習(xí)的重要應(yīng)用，主要針對(duì)拍攝圖像中的理想目標(biāo)進(jìn)行識(shí)別與定位。當(dāng)前，目標(biāo)識(shí)別已經(jīng)在自動(dòng)駕駛、機(jī)器人視覺(jué)和人機(jī)交互等多個(gè)領(lǐng)域被廣泛運(yùn)用。隨著計(jì)算機(jī)的更新?lián)Q代和深度學(xué)習(xí)技術(shù)的高速發(fā)展，涌現(xiàn)出越來(lái)越多基于深度學(xué)習(xí)算法的目標(biāo)識(shí)別模型，識(shí)別精度及識(shí)別效率也大幅度提高。

2、對(duì)絕緣子異常狀態(tài)的辨識(shí)往往依賴(lài)于人工巡檢，耗費(fèi)大量的人力、物力和財(cái)力。為了減少人工上塔頻次、避免人員危險(xiǎn)、節(jié)約成本和提高效率，基于深度學(xué)習(xí)的目標(biāo)識(shí)別模型被應(yīng)用在絕緣子巡檢中。然而，已有的目標(biāo)識(shí)別模型雖然已經(jīng)取得了一定的研究成果，但在面對(duì)微小缺陷及強(qiáng)烈背景干擾時(shí)，現(xiàn)有方法仍然存在計(jì)算量大、響應(yīng)速度慢、辨識(shí)效率低、適應(yīng)性差等問(wèn)題。因此如何解決這些問(wèn)題仍是亟待研究的重要方向。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種基于fa-yolov8的絕緣子異常狀態(tài)辨識(shí)方法，以解決現(xiàn)目標(biāo)識(shí)別方法在輸電線(xiàn)路絕緣子微小缺陷及強(qiáng)烈背景干擾時(shí)計(jì)算量大、響應(yīng)速度慢、辨識(shí)效率低、適應(yīng)性差的問(wèn)題，可以充分提取淺層信息，加強(qiáng)對(duì)小目標(biāo)的識(shí)別效果，提高識(shí)別精度。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于fa-yolov8的絕緣子異常狀態(tài)辨識(shí)方法，包括以下步驟：

3、s1、數(shù)據(jù)準(zhǔn)備與預(yù)處理，依據(jù)pascal?voc2007的要求對(duì)絕緣子數(shù)據(jù)集進(jìn)行重新標(biāo)注并為每張圖像添加標(biāo)簽信息，以保證訓(xùn)練數(shù)據(jù)的精度和可靠性，將160×160×3的圖像作為網(wǎng)絡(luò)輸入；

4、s2、融合幻影卷積ghostconv和膨脹卷積dconv構(gòu)造雙卷積融合模塊，替換yolov8模型主干網(wǎng)絡(luò)中的部分conv2d_bn_silu卷積模塊；

5、s3、將標(biāo)注后的絕緣子圖像輸入到由convmodule和雙卷積融合模塊組成的fanet主干網(wǎng)絡(luò)第一階段，進(jìn)行第一階段特征提??；

6、s4、將高效通道注意力機(jī)制、空間注意力機(jī)制以及特征金字塔模塊進(jìn)行結(jié)合，搭建多重注意力機(jī)制融合框架，并應(yīng)用于雙卷積融合模塊的特征層采樣階段；

7、s5、在fanet主干網(wǎng)絡(luò)中完成第一階段特征提取后，進(jìn)行第二、第三和第四階段的特征提取，并被依次輸入到多重注意力機(jī)制融合框架中；

8、s6、多重注意力機(jī)制融合框架的輸出特征通過(guò)fpn和pan的網(wǎng)絡(luò)傳遞并使用解耦頭來(lái)分別處理識(shí)別中的分類(lèi)和定位任務(wù)，進(jìn)一步增強(qiáng)了多尺度特征的表達(dá)能力；

9、s7、對(duì)yolov8模型中的損失函數(shù)進(jìn)行改進(jìn)，使用歸一化wasserstein距離(thenormalized?wasserstein?distance，nwd)來(lái)代替原始模型中的ciou損失，歸一化wasserstein距離與二元交叉熵分類(lèi)損失函數(shù)和分布式焦點(diǎn)回歸損失函數(shù)相結(jié)合，設(shè)計(jì)復(fù)合損失函數(shù)。

10、優(yōu)選的，fa-yolov8的主體部分包括輸入、雙卷積融合模塊、多重注意力機(jī)制融合框架、快速自適應(yīng)主干網(wǎng)絡(luò)fanet和head識(shí)別層。

11、優(yōu)選的，s2構(gòu)造雙卷積融合模塊的具體步驟如下：

12、s21、將前一層的特征映射作為本層的輸入，使用擴(kuò)張率為r1、r2和r3的膨脹卷積dconv從不同的感受野學(xué)習(xí)特征,這個(gè)過(guò)程表示如下：

13、

14、其中，finput為前一層的特征映射，分別表示空間分辨率為3×3，擴(kuò)張率為r1、r2和r3的dconv，r1、r2、r3分別表示dconv所得擴(kuò)張率為r1、r2和r3的特征映射；

15、s22、為了盡量避免特征冗余、減少參數(shù)量、輕量化模型，使用幻影卷積ghostconv和標(biāo)準(zhǔn)卷積來(lái)細(xì)化輸入特征；具體過(guò)程表示如下：

16、

17、其中，ghostconv表示幻影卷積ghostconv，conv1×1表示具有1×1內(nèi)核的標(biāo)準(zhǔn)卷積，f1表示僅通過(guò)ghostconv得到的特征映射，f2表示依次通過(guò)ghostconv和標(biāo)準(zhǔn)卷積得到的特征映射；

18、s23、將得到的特征映射r1、r2、r3、f1和f2連接，并使用具有1×1內(nèi)核的標(biāo)準(zhǔn)卷積進(jìn)行降維，具體過(guò)程表示如下：

19、foutput＝conv1×1(concat(ri,f1,f2))?i＝1,2,3????(3)

20、其中，foutput表示輸出的特征圖。

21、優(yōu)選的，s3特征提取的具體過(guò)程為convmodule細(xì)化特征并執(zhí)行下采樣，雙卷積融合模塊利用通道冗余進(jìn)行特征學(xué)習(xí)，減少計(jì)算負(fù)荷，同時(shí)利用dconv從多個(gè)感受野學(xué)習(xí)局部和非局部特征。

22、優(yōu)選的，s4搭建多重注意力機(jī)制融合框架的具體步驟如下：

23、s41、在高效通道注意力機(jī)制中，運(yùn)用全局平均池化操作處理輸入的特征圖，使用卷積核k＝5、維度為1的標(biāo)準(zhǔn)卷積對(duì)輸出特征圖進(jìn)行卷積操作提取圖像特征，并利用sigmoid激活函數(shù)計(jì)算每個(gè)通道的權(quán)值：

24、

25、其中，xc(i,j)表示第c個(gè)通道(i,j)位置的值，σk表示sigmoid運(yùn)算，ωc表示不同通道的權(quán)重；

26、s42、完成殘差連接，將所得到的權(quán)值與相應(yīng)的原始特征圖進(jìn)行元素相乘，獲得新的特征圖；

27、

28、其中，feca表示生成的新的特征圖；

29、s43、根據(jù)顯著性目標(biāo)識(shí)別方法和點(diǎn)云特征提取方法，在特征金字塔模塊中計(jì)算不同尺度特征層之間的空間注意力，使用sa融合兩個(gè)不同空間分辨率特征圖：

30、ms(fx)＝σ(comv1×1([avgpool(x)；maxpool(x)]))????(6)

31、ms(fy)＝σ(conv1×1([avgpool(y)；maxpool(y)]))????(7)

32、fsa＝conv1×1(concat(ms(fx),ms(fy)))????(8)

33、其中，σ表示sigmoid運(yùn)算，avgpool表示平均池化，maxpool表示最大池化，x、y分別為兩個(gè)不同空間分辨率的特征圖；

34、s44、將特征金字塔最終輸出的特征圖ffp與經(jīng)過(guò)通道注意處理的特征圖fca沿通道方向進(jìn)行串聯(lián)，得到最終輸出；

35、foutput＝concat(feca,ffp)????(9)

36、其中，concat表示拼接操作。

37、優(yōu)選的，s5中fanet主干網(wǎng)絡(luò)中的第二、第三和第四階段均由convmodule、雙卷積融合模塊和多重注意力機(jī)制融合框架組成。

38、優(yōu)選的，s7中歸一化wasserstein距離(nwd)的計(jì)算公式如下：

39、

40、其中，表示識(shí)別框架a的中心坐標(biāo)(cxa,cya)和寬高是衡量識(shí)別幀a和b之間的距離，nwd(na,nb)表示指數(shù)函數(shù)的標(biāo)準(zhǔn)化形式，exp是指數(shù)函數(shù)，c是數(shù)據(jù)集關(guān)聯(lián)常數(shù)。

41、優(yōu)選的，s7中復(fù)合損失函數(shù)的公式如下：

42、

43、其中，lbce為二元交叉熵分類(lèi)損失，用于分類(lèi)概率分布與實(shí)際標(biāo)簽的比較，ldfl為分布式焦點(diǎn)回歸損失，lnwd為歸一化wasserstein距離損失，lall為總體損失。

44、因此，本發(fā)明采用上述一種基于fa-yolov8的絕緣子異常狀態(tài)辨識(shí)方法，具有以下有益效果：

45、(1)本發(fā)明構(gòu)造了融合了ghostconv和dconv的雙卷積融合模塊，能夠在多層感受野上學(xué)習(xí)特征信息的同時(shí)降低計(jì)算復(fù)雜度；

46、(2)本發(fā)明將高效通道注意力機(jī)制、空間注意力機(jī)制以及特征金字塔模塊進(jìn)行結(jié)合，搭建了一種簡(jiǎn)單高效的多重注意力機(jī)制融合框架，將特征學(xué)習(xí)范圍擴(kuò)展到絕緣子的周?chē)h(huán)境，增強(qiáng)了背景特征、提高了異常狀態(tài)響應(yīng)、減少了特征退化，有助于提高yolov8模型對(duì)復(fù)雜環(huán)境變化的適應(yīng)能力；

47、(3)本發(fā)明將雙卷積融合模塊和多重注意力機(jī)制融合框架結(jié)合，提出了快速自適應(yīng)主干網(wǎng)絡(luò)fanet，通過(guò)取代原始主干網(wǎng)絡(luò)，可以為目標(biāo)識(shí)別任務(wù)減少計(jì)算負(fù)擔(dān)、提供更強(qiáng)大的特征提取和表示能力，提高目標(biāo)識(shí)別的精度及效率；

48、(4)本發(fā)明利用歸一化wasserstein距離代替ciou損失，并將其與二元交叉熵分類(lèi)損失和分布式焦點(diǎn)回歸損失相結(jié)合，提出了一種適應(yīng)性更強(qiáng)的復(fù)合損失函數(shù)，可以提高絕緣子異常狀態(tài)的辨識(shí)精度及模型的魯棒性。

49、下面通過(guò)附圖和實(shí)施例，對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。