本發(fā)明涉及計算機圖像處理，尤其涉及基于yolov11變電站缺陷檢測模型優(yōu)化方法與檢測方法。

背景技術(shù)：

1、由于傳統(tǒng)的人工巡檢方式存在效率低，漏檢和誤檢率較高的缺陷，自動化、智能化的巡檢技術(shù)成為電力行業(yè)的研究和發(fā)展方向。

2、自動化巡檢通過無人機或智能機器人進(jìn)行電力巡視并采集設(shè)備圖像，結(jié)合深度學(xué)習(xí)和圖像處理技術(shù)對采集圖像進(jìn)行目標(biāo)檢測和分析。公開號為cn118736307a的專利文獻(xiàn)公開了一種基于改進(jìn)yolov8算法的電力現(xiàn)場作業(yè)規(guī)范檢測方法，其在yolov8主干網(wǎng)絡(luò)中引入多尺度注意力機制(ema)和部分卷積(pconv)構(gòu)建全新的c2f卷積塊，通過通道先驗卷積注意力優(yōu)化主干網(wǎng)絡(luò)，并在頸部網(wǎng)絡(luò)中應(yīng)用bifpn特征融合方式，構(gòu)建改進(jìn)后的yolov8模型提升了模型檢測的精度。申請公布號為cn118135368a的專利文獻(xiàn)公開了一種基于改進(jìn)yolov8的電力輸電線路覆冰檢測方法，此方法適用于山區(qū)、林區(qū)等復(fù)雜背景，增強模型對復(fù)雜特征的注意力并抑制無關(guān)背景。通過采用siou損失函數(shù)加速訓(xùn)練并提高精度，引入對偶卷積提升通道間信息交換，加快收斂速度，并用giraffedet替換原網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)一步優(yōu)化檢測效果。

3、然而上述方法雖然了提高了目標(biāo)檢測的精度，但在模型輕量化和檢測性能上的平衡仍存在不足，例如小目標(biāo)檢測能力不足、多尺度目標(biāo)檢測問題的局限性、局部特征和上下文信息結(jié)合不足和模型輕量化不足等諸多問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種基于yolov11變電站缺陷檢測模型優(yōu)化與檢測方法，以解決平衡檢測性能和模型輕量化的問題。

2、本發(fā)明通過下述技術(shù)方案實現(xiàn)：

3、本發(fā)明的第一方面，提供了一種基于yolov11變電站缺陷檢測模型優(yōu)化方法，包括：

4、在yolov11的基礎(chǔ)上進(jìn)行改進(jìn)，得到用于變電站缺陷檢測的改進(jìn)模型，所述改進(jìn)模型包括主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和檢測網(wǎng)絡(luò)；

5、所述主干網(wǎng)絡(luò)通過將所述yolov11的主干網(wǎng)絡(luò)中的下采樣卷積模塊替換為adown降采樣模塊得到，所述頸部網(wǎng)絡(luò)通過將所述yolov11的頸部網(wǎng)絡(luò)的c3k2卷積塊替換為輕量化語義分割模塊contextguide得到，所述檢測網(wǎng)絡(luò)通過在所述yolov11的檢測頭之前引入輔助檢測模塊aux得到；

6、獲取變電站缺陷樣本數(shù)據(jù)，通過所述樣本數(shù)據(jù)訓(xùn)練所述改進(jìn)模型，得到所述變電站缺陷檢測模型。

7、本發(fā)明通過在yolov11中引入adown下采樣方法，動態(tài)調(diào)整下采樣策略，優(yōu)化多尺度特征表達(dá)，提升小目標(biāo)檢測精度并減少信息丟失，通過在頸部網(wǎng)絡(luò)采用contextguide模塊替換原有的c3k2模塊，以整合局部、全局信息，降低計算復(fù)雜度，能夠滿足電力行業(yè)安全風(fēng)險管控的需求，并通過在yolov11的檢測頭引入aux模塊，通過aux的輔助分支和多層級監(jiān)督，顯著提高檢測精度與訓(xùn)練效率，實現(xiàn)檢測模型輕量化和性能的平衡。

8、進(jìn)一步地，所述改進(jìn)模型的主干網(wǎng)絡(luò)包括依次連接的第一卷積層conv1、第二卷積層conv1、第一c3k2卷積塊、第一adown降采樣模塊、第二c3k2卷積塊、第二adown降采樣模塊、第三c3k2卷積塊、第三adown降采樣模塊、第四c3k2卷積塊、sppf模塊和c2psa模塊。

9、進(jìn)一步地，所述方法還包括：將所述yolov11的頸部網(wǎng)絡(luò)的卷積層替換為adown降采樣模塊。

10、進(jìn)一步地，所述adown降采樣模塊包括依次連接的平均池化層、chunk函數(shù)、卷積模塊和連接層；所述卷積模塊包括第一卷積分支和第二卷積分支，所述第一卷積分支為3×3卷積層，所述第二分支包括依次連接的最大池化層和1×1卷積層。

11、進(jìn)一步地，所述改進(jìn)模型的頸部網(wǎng)絡(luò)包括依次連接的第一上采樣層、第一連接層、第一contextguide模塊、第二上采樣層、第二連接層、第二contextguide模塊、第四adown降采樣模塊、第三連接層、第三contextguide模塊、第五adown降采樣模塊、第四連接層、第四contextguide模塊；其中，

12、所述第一上采樣層的輸入連接所述主干網(wǎng)絡(luò)的c2psa模塊的輸出，所述第一連接層的輸入還連接所述第三c3k2卷積塊的輸出，所述第二連接的輸入還連接所述第二c3k2卷積塊的輸出，所述第三連接層的輸入還連接所述第一contextguide模塊的輸出，所述第四連接層的輸入還連接所述第三c3k2卷積塊的輸出。

13、進(jìn)一步地，所述包括局部特征提取器、周圍上下文提取器、聯(lián)合特征提取器和全局上下文提取器；所述contextguide模塊的處理過程表示為：

14、xout＝fgio(fjoi(fsur(conv1x1(x))+floc(conv1x1(x))))

15、其中，xc表示contextguide模塊的輸出特征，fgio(*)表示全局上下文提取器，fjoi(*)表示聯(lián)合特征提取器，fsur(*)表示周圍上下文提取器，floc(*)表示局部特征提取器，conv1x1(x)表示對特征x執(zhí)行1×1卷積操作，x表示contextguide模塊的輸入特征。

16、進(jìn)一步地，所述改進(jìn)模型的檢測網(wǎng)絡(luò)包括第一檢測頭、第二檢測頭和第三檢測頭；其中，所述第一檢測頭的輸入連接所述第二contextguide模塊的輸出，所述第二檢測頭的輸入連接所述第三contextguide模塊的輸出，所述第三檢測頭的輸入連接所述輔助檢模塊aux的輸出，所述輔助檢模塊aux的輸入連接所述第四contextguide模塊的輸出。

17、進(jìn)一步地，所述輔助檢模塊aux包括并行工作的輔助檢測頭aux?head和主檢測頭lead?head，所述輔助檢測頭aux?head采用粗標(biāo)簽進(jìn)行訓(xùn)練，所述主檢測頭lead?head采用細(xì)標(biāo)簽進(jìn)行訓(xùn)練。

18、進(jìn)一步地，所述獲取變電站缺陷樣本數(shù)據(jù)，通過所述樣本數(shù)據(jù)訓(xùn)練所述改進(jìn)模型，得到所述變電站缺陷檢測模型，具體包括：

19、獲取變電站設(shè)備的圖像數(shù)據(jù)集，對所述圖像數(shù)據(jù)集進(jìn)行標(biāo)注和預(yù)處理，并劃分為訓(xùn)練集、測試集和驗證集；

20、通過所述訓(xùn)練集訓(xùn)練所述改進(jìn)模型的參數(shù)，通過所述測試集對訓(xùn)練后的改進(jìn)模型進(jìn)行測試，得到所述變電站缺陷檢測模型；

21、通過所述變電站缺陷檢測模型對所述驗證集進(jìn)行驗證，得到檢測結(jié)果，并對所述檢測結(jié)果進(jìn)行評價。

22、本發(fā)明的第二方面，提供了一種基于yolov11變電站缺陷檢測方法，包括：獲取目標(biāo)檢測圖像，通過變電站缺陷檢測模型對所述目標(biāo)檢測圖像進(jìn)行識別，得到檢測結(jié)果；所述變電站缺陷檢測模型通過本發(fā)明第一方面任意一項所述的基于yolov11變電站缺陷檢測模型優(yōu)化方法得到。

23、本發(fā)明與現(xiàn)有技術(shù)相比，具有如下的優(yōu)點和有益效果：首先引入adown下采樣方法，動態(tài)調(diào)整下采樣策略，優(yōu)化多尺度特征表達(dá)，提升小目標(biāo)檢測精度并減少信息丟失。在yolov11的檢測頭設(shè)計aux模塊，通過輔助分支和多層級監(jiān)督，顯著提高檢測精度與訓(xùn)練效率。在頸部網(wǎng)絡(luò)采用上下文引導(dǎo)網(wǎng)絡(luò)(cgnet)和c3k2-contextguide模塊以替換原有的c3k2模塊，整合局部、全局信息，降低計算復(fù)雜度，進(jìn)一步實現(xiàn)檢測模型輕量化和性能的平衡，能夠滿足電力行業(yè)安全風(fēng)險管控的需求。