(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 202210729380.7 (22)申请日 2022.06.24 (71)申请人 国网山西省电力公司超高压 输电分 公司 地址 030001 山西省太原市南肖墙12号 (72)发明人 董凯　申庆斌　王承一　董彦武　 刘秋月　李杰　卢自强　宋建虎　 王宏飞　卢自英　秦俊兵　何鹏杰　 茹海波　孙红玲　邢闯　史丽君　 张博　温玮　李冰　宋欣　郝剑　 丁喆　贾金川　 (74)专利代理 机构 北京卓岚智财知识产权代理 事务所 (特殊普通合伙) 11624 专利代理师 任漱晨(51)Int.Cl. G06V 20/17(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于改进YOLOv5的输电线路金具检测 方法 (57)摘要 本发明公开了一种基于改进YOLOv5的输电 线路金具检测方法， 所述方法在原有YOL Ov5的基 础上， 使用深度可分离卷积来简化网络的参数量 和计算量， 并由挤压和激励通道注 意模块增强卷 积块的特征提取能力， 最后通过几何中值进一步 修剪卷积层的滤波器数量， 在保证原有网络识别 准确率的情况下， 在网络的轻量化程度上有较大 改进。 本发明将YOLOv5应用于输电线路金具检 测， 兼顾边缘端实时性与准确性的要求， 鲁棒性 良好。 权利要求书3页 说明书7页 附图2页 CN 115100549 A 2022.09.23 CN 115100549 A 1.一种基于改进YOLOv5的输电线路金 具检测算法， 其特 征在于， 包括以下步骤： S1， 针对输电线路金具样本图像， 构建金具数据集， 进行数据清理和标签化工作， 制作 为不同类别、 不同尺度的金 具图像集 合； S2， 选取YOLOv5为基础架构， 轻量级深度可分离卷积块作 为主干网络的级联模块， 以及 精简尾部网络的融合 通道； S3， 引入挤压扩张通道 注意力机制， 提高卷积块的特 征表达能力； S4， 统一样本分辨 率， 通过图像增强方法扩充数据集 规模， 提升网络训练效果； S5， 采用随机梯度下降法训练模型， 通过目标水平坐标、 竖直坐标、 宽度、 高度、 预测置 信度和分类结果预测得 出金具图像的检测结果； S6， 基于几何中位数计算各滤波器重要性程度， 去除不重要的冗余通道参数， 由微调训 练恢复识别精度。 2.根据权利 要求1所述的基于改进YOLOv5的输电线路金具检测算法， 其特征在于， 所述 步骤S1中， 构建输电线路金具检测数据集， 进行数据清理和标签化工作， 制作为不同类别、 不同尺度的金 具图像集 合， 具体包括： 清洗实地采样拍摄的输电线路金具图像， 保留其中清晰、 含有金具暴露区域明显、 角度 较为合理的样本 。 3.根据权利 要求1所述的基于改进YOLOv5的输电线路金具检测方法， 其特征在于， 所述 步骤S2中， 选取Y OLOv5为基础架构， 轻量级深度可分离卷积块作为主干网络的级 联模块， 以 及精简尾部网络的融合 通道， 具体包括： 首先去除YOLOv5架构的骨干与尾部网络， 然后将骨干 网络替换为深度可分离卷积块的 组合， 由深度卷积提取 空间特征， 由点卷积融合放缩通道信息， 最后选取网络的第六、 第四、 第二个深度可分离卷积块以及第七、 第十一层卷积分别生 成80×80、 40×40、 20×20的下采 样特征图。 4.根据权利 要求1所述的基于改进YOLOv5的输电线路金具检测方法， 其特征在于， 所述 步骤S3中， 引入挤压扩张通道 注意力机制， 提高卷积块的特 征表达能力， 具体包括： 构建挤压扩 张通道注意力 机制， 引入2个卷积层， 第 一层的输入通道数以及第 一层的输 出通道数与整个卷积块保持一致， 而第一层的输出通道与第二层的输入通道则将通道数进 行了4倍的缩小， 卷积核与滑动步长的大小均设置为1， 再结合全局平均池化以及ReLU和 SiLU函数对特征进行激活， 从而校准深度可分离卷积块提取通道特征的重要性， 其计算公 式为： Xo＝SiLU(Conv2(ReLU(Co nv1(GAP(Xi))))·Xi     (1) 式中， Xi和Xo分别代表该卷积块的输出特征与通道注意力机制加强后的输出特征， GAP 为整体特征图像素的全局平均加权值， Conv1和Conv2分别对应第一和第二层卷积操作， ReLU和Si LU对应了 两种激活函数， 计算过程如下： 权　利　要　求　书 1/3 页 2 CN 115100549 A 25.根据权利 要求1所述的基于改进YOLOv5的输电线路金具检测方法， 其特征在于， 所述 步骤S4中， 统一样本分辨率， 通过图像增强方法扩充数据集规模， 提升网络训练效果， 具体 包括： 首先统计各图像尺寸的数量分布， 然后将图像分辨率统一处理为640 ×640并通过四张 图片的随机缩放、 随机裁剪和随机排列进行拼接， 最后按照随机拼接的效果整合对应的检 测框标签信息 。 6.根据权利 要求1所述的基于改进YOLOv5的输电线路金具检测方法， 其特征在于， 所述 步骤S5中， 采用随机梯度下降法训练模型， 通过 目标水平坐标、 竖直坐标、 宽度、 高度、 预测 置信度和分类结果预测得 出金具图像的检测结果， 具体包括： 首先将金具图像及标签信息输入改进的YOLOv5网络， 根据分类损失Lcls、 定位损失Lloc 和目标置信度损失Lconf来优化网络参数权重值， 针对网络输出的特征图划分为K ×K个网 格， 由每个网格预测3个锚框， 网络总体的损失为所有网格锚框的损失累加和， 对单个锚框 的损失计算公式如下： Lconf＝‑cgt·log(c)+(1 ‑cgt)log(1‑c)        (7) 其中N为待测金具的种类数， 是样本第i个类别的真实标签值， pi是网络对第i个类别 的预测值， Dp、 DL分别代表网络预测框与真实标签框两中心点的欧氏距离、 网络预测框与真 实标签框最小外接矩形的对角线长度， IOU为络预测框与真实标签框面积的交集与并集比 值， v是衡量长宽比一致性的参数， wgt、 hgt、 wp和hp分别代表真实标签框宽度、 高度以及网络 预测框的宽度、 高度， cgt和c分别代表网络预测框 位置存在物体的置信度标签以及网络预测 出存在物体的置信度。 然后通过平均精度均值(mean  average precision,mAP)、 召回率(Recall)和准确率 (Precisi on)评估网络训练效果， 计算公式如下： 权　利　要　求　书 2/3 页 3 CN 115100549 A 3