改进YOLOv5混合样本训练的绝缘子伞盘脱落缺陷检测方法

作     者：李洵 甘润东 钱俊凤 张世恒 赵文彬 王道累 LI Xun;GAN Rundong;QIAN Junfeng;ZHANG Shiheng;ZHAO Wenbin;WANG Daolei

作者机构：贵州电网有限责任公司信息中心贵阳550003 上海电力大学能源与机械工程学院上海200240 

出 版 物：《计算机工程与应用》 (Computer Engineering and Applications)

年 卷 期：2024年第60卷第4期

页      面：289-297页

核心收录：

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主　　题：特征融合 YOLOv5 旋转框 伞盘脱落缺陷 

摘      要：为了实现输电线路巡检时绝缘子串及伞盘脱落缺陷的精准定位和识别,提出了一种基于改进YOLOv5混合样本训练的绝缘子缺陷检测模型。针对绝缘子缺陷图像稀少问题,提出了一种混合样本数据生成方法,通过将GrabCut算法与图像融合技术相结合实现数据集的扩充。针对绝缘子及缺陷的外形特点,利用长边定义法和环形平滑标签(circular smooth label,CSL)重新定义模型特征提取区域的坐标参数。通过增加角度信息,实现更加精确化的特征提取。通过将主干网络(Backbone)中部分特征层与路径聚合网络(path aggregation network,PAN)提取的特征相融合,对CSPDarkNet主干网络进行优化。改进后的YOLOv5 CSPDarkNet模型相较于改进前绝缘子缺陷检测精度提升了2.8个百分点,检测速率为20.5 FPS。实验结果表明,改进的绝缘子缺陷识别方法基本满足实际应用需求。