CN115761489B 一种基于YoloV5网络模型的配电线路火灾检测方法 （国网福建省电力有限公司）

一种基于YoloV5网络模型的配电线路火灾本发明公开了一种基于YoloV5网络模型的本发明基于YoloV5目标检测方法来估算发生火险等级识别效率,降低人力成本,同时为故障早2采集配电线路火灾状态下的现场图像,对现场图像中的线路、设备及火焰进行矩形框将待检测的目标现场图像输入至训练完成的YoloV5网络模型获得线所述检测方法还包括：在将测试集输入YoloV5网络模型测试性能后，模型性能是否能达到预期目标检测结果，若未达到，则以加快模型识别速度为目标对YoloV5网络模型进行网络轻量化的改进，具体为减少YoloV5网络模型中C3模块结构数量，以提高模型识别准确率为目标对YoloV5网2.根据权利要求1所述的一种基于YoloV5网络模型的配电线路火灾检测方法，其特征在检测完成的待检测图像像素坐标系中，读取火焰检测框的左上角坐标(YFj3＝YFj1；YLj3＝0.5*(YLj1+YLj2)；Yij3＝0.5*(Yij1+Yij2)；33.根据权利要求2所述的一种基于YoloV5网络模型的配电线路火灾检测方法,其特征当火焰与线路/设备实际距离介于线路/设备实际高度与实际高度之间划分为中风4.根据权利要求1所述的一种基于YoloV5网络模型的配电线路火灾检测方法，其特征5.一种基于YoloV5网络模型的配电线所述数据采集模块与通信模块、数据处理模块电连接，通过通所述数据处理模块搭建有YoloV5网络模型，通过输入训练集和测试集进行训练和测其中，在将测试集输入YoloV5网络模型测试性能后，判断Yolo以提高模型识别准确率为目标对YoloV5网6.一种电子设备，包括存储器、处理器及存储在4行时实现如权利要求1至4任一项所述的一种基于YoloV5网络模型的配电线路火灾检测方5[0002]现有配电线路故障检测技术中,多采用人工个训练光源的入射光信号；对每个训练光源的入射光信号进行信号处理和解析，获取每个时间信号参数和空间信号参数建立训练数据集，并根据训练数据集构建用于火灾探测的神经网络模型；根据神经网络模型确定待测场地的光源的输出参数，并根据输出参数确定待测场地是否发生火灾。本发明实施例的火灾探测方法，通过训练光源的特征参数优化神经此它的泛化能力较弱，且该网络模型的运行速度及识别精度不足，若遇到相同强度的光源[0005]采集配电线路火灾状态下的现场图像6[0012]将YOLOv5网络模型的stride_2卷积替换为SPD_Conv，即将步长为2的卷积层替换[0014]在检测完成的待检测图像像素坐标系中，读取火焰检测框的左上角坐标(XFj1，YFj3＝YFj1；YLj3＝0.5*(YLj1+YLj2)；Yij3＝0.5*(Yij1+Yij2)；7[0031]当火焰与线路/设备实际距离介于线路/设备实际高度与实际高度之间划分为现场图像集合按比例划分为训练集和测试集传输至数[0038]以提高模型识别准确率为目标对YoloV5网络模型进行卷积层的替换，具体为将器执行时实现如本发明任一实施例所述的一种基于YoloV5网络模型的配电线路火灾检测8[0054]本发明实施例1公开了一种基于YoloV5网络模型的配电线路火灾检测方法,在YoLo网络模型提出之前，目标检测研究领域主要以Faster_RCNN为首的two_stage算法为导致速度较慢但检测精度相对较高，而one_stace算法仅需要将输人图像送入网络一次就9[0065]将YOLOv5网络模型的stride_2卷积替换为SPD_Conv，即将步长为2的卷积层替换[0068]A1、在检测完成的待检测图像像素坐标系中，读取火焰检测框(Xpj2YFj3＝YFj1；Yp3＝0.5*(Ypj1+Ypj2)；YA3＝0.5*(YAj1+YAj2)；Ys3＝0.5*(Ysj1+Ysj2)；YLj3＝0.5*(YLj1+YLj2)； s23)，代入公式计算得出Dm32...依次计算出数组内所有距离，将各距离放入数组路的垂直距离。[0096]当火焰与线路/设备实际距离介于线路/设备实际高度与实际高度之间划分为[0103]以提高模型识别准确率为目标对YoloV5网络模型进行卷积层的替换，具体为将执行时实现如本发明任一实施例所述的一种基于YoloV5网络模型的配电线路火灾检测方