(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 202210816209.X (22)申请日 2022.07.12 (71)申请人 国网江苏省电力有限公司徐州供电 分公司 地址 221006 江苏省徐州市解 放北路20号 (72)发明人 赵昌新　李军　丁祖善　王一丁　 曹闯　霍福广　孙锋　 (74)专利代理 机构 徐州市三联专利事务所 32220 专利代理师 史海涛 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06N 3/08(2006.01)G06N 3/04(2006.01) (54)发明名称 一种基于轻量化YOLOv5模型的绝缘子状态 快速检测方法 (57)摘要 本发明公开了一种基于轻量化YOLOv5模型 的绝缘子状态快速检测方法， 旨在解决绝缘子状 态检测准确率低且检测网络参数量和计算量大 的问题。 本发明的绝缘子缺陷检测算法， 包括采 集绝缘子图像形 成数据集； 使用Labeli mg工具对 绝缘子及其缺陷图像进行标注， 经数据增强处理 扩充数据集； 引入轻量化网络ShuffleNetV2 ‑ Stem对YOLOv5模型进行轻量化改进， 构成 YOLOv5‑ShuffleNetV2S模型； 增加小目标检测 层； 采用CIoU损失函数； 对轻量化改进的YOLOv5 模型进行训练； 将所改进模型应用在绝缘子缺陷 数据集； 实验结果表明， 采用轻量化YOLOv5模型 增强了提取图像特征信息的能力， 在保持检测精 度的前提下， 实现了检测模型的轻量化， 更适合 部署在无 人机平台上进行绝 缘子状态检测。 权利要求书2页 说明书6页 附图1页 CN 115147383 A 2022.10.04 CN 115147383 A 1.一种基于轻量化YOLOv5模型的绝缘子状态快速检测方法， 其特征在于： 包括如下步 骤： 步骤1、 采集 绝缘子图像形成数据集； 步骤2、 使用Label Img标注工具对数据集进行 标注； 步骤3、 对所采集的图像进行 数据增强处 理， 扩充数据集； 步骤4、 引入轻量化网络ShuffleNetV2 ‑Stem作为YOLOv5的主干网络， 对YOLOv5模型进 行轻量化改进， 构成YOLOv5 ‑ShuffleNetV2S模型； 步骤5、 在轻量 化的YOLOv5模型的特 征融合网络中增 加小目标检测层； 步骤6、 优化损失函数， 将CI oU作为轻量 化YOLOv5模型的损失函数； 步骤7、 训练改进后的网络， 设置学习率、 批次大小、 训练总轮次作为训练参数， 对轻量 化的YOLOv5模型进行训练； 步骤8、 将收集的绝缘子图像数据集输入训练好的轻量化YOLOv5模型， 得到输入图片中 是否存在有缺陷的绝 缘子以及该缺陷所在位置 。 2.根据权利要求1所述一种基于轻量化YOLOv5模型的绝缘子状态快速检测方法， 其特 征在于： 所述 步骤1中绝 缘子图像数据集包 含有缺陷的绝 缘子图像和完整绝 缘子图像。 3.根据权利要求1所述一种基于轻量化YOLOv5模型的绝缘子状态快速检测方法， 其特 征在于： 所述步骤2中对 数据集进行标注， 得到 符合VOC数据格式的xml文件， xml文件内容包 括图像名称、 图像路径、 图像的高/ 宽度以及真实框中心点 位置与宽 /高信息。 4.根据权利要求1所述一种基于轻量化YOLOv5模型的绝缘子状态快速检测方法， 其特 征在于： 所述步骤3通过自适应对比度、 旋转、 随机灰度变化、 平移、 裁剪、 颜色通道标准化、 Mixup中一项或多 项数据增强方法对数据集进行扩充。 5.根据权利要求4所述一种基于轻量化YOLOv5模型的绝缘子状态快速检测方法， 其特 征在于： 所述Mixup数据增强方法的具体公式为： x＝ λxi+(1‑λ )xj y＝ λyi+(1‑λ )yj λ＝Beta( α, β )。 6.根据权利要求1所述一种基于轻量化YOLOv5模型的绝缘子状态快速检测方法， 其特 征在于： 所述步骤4中轻量化改进后的YOLOv5模型为YOLOv5 ‑ShuffleNetV2S模型， 所述 YOLOv5‑ShuffleNetV2S模型由主干网络、 特征融合网络和检测网络组成； 所述主干网络由 ShuffleNetv2和Stem组成； 所述特 征融合网络由CBL、 CS P、 Upsampl ing和add组成。 7.根据权利要求6所述一种基于轻量化YOLOv5模型的绝缘子状态快速检测方法， 其特 征在于： 所述ShuffleNet2网络引入了分组卷积与通道混洗， 主要由两个基本单元模块组 成； 一个单元保持输出通道数与输入通道数相同。 另一个单元为一个下采样模块， 减小特征 图维度； Stem模块其中一个分支引入了瓶颈层， 将通道数量减少， 再进行下采样， 另一分支 将原始输入进行最大值池化再进行拼接； 轻量化ShuffleNetV2与Stem模块进行重构， 作为 YOLOv5的主干网络 。 8.根据权利要求1所述一种基于轻量化YOLOv5模型的绝缘子状态快速检测方法， 其特 征在于： 所述 步骤5中增 加的小目标检测层为对原 始输入图片增 加的4倍下采样的过程。 9.根据权利要求1所述一种基于轻量化YOLOv5模型的绝缘子状态快速检测方法， 其特权　利　要　求　书 1/2 页 2 CN 115147383 A 2征在于： 所述 步骤6中将CI oU作为轻量 化YOLOv5模型的损失函数， 其中从重叠面积、 中心点距离、 长宽比三个方面更好地描述目标框的回归， 其计算式 为： 10.根据权利要求1所述一种基于轻量化YOLOv5模型的绝缘子状态快速检测方法， 其特 征在于： 所述 步骤7中训练轻量 化YOLOv5模型包括以下步骤： a、 网络训练时， 输入图像分辨率为640 ×640， 在depth_multipl＝0.33， width_ multiple＝0.5 0的轻量化的YOLOv5模型 上进行训练； b、 采用Adam优化器， 初始学习率为0.001， 将模型训练的批大小设置为16， 训练总轮次 设置为500次； c、 训练完成后， 将得到的识别模型的权值文件保存， 并利用测试集对模型的性能进行 评价； d、 改进的模型最终输出识别出绝 缘子及其 缺陷的位置 框和相应 类别的置信度。权　利　要　求　书 2/2 页 3 CN 115147383 A 3