CN119323572B 基于rt-detr改进的绝缘子缺陷检测方法及系统 （国网江西省电力有限公司电力科学研究院）

科技园内民强路88号检测试验中心科基于RT-DETR改进的绝缘子缺陷检测方法及本发明公开了基于RT_DETR改进的绝缘子缺于目标检测模型RT_DETR进行改进，将骨干网络改为StarNet星网络进行特征提取，并且进一步注意力机制模块；将RepC3卷积模块改进为RepMob卷积模块；将损失函数用Inner_IoU与到最佳的权重，将该权重载入改进后的RT_DETR中进行绝缘子缺陷检测。本发明使用基于RT_21.基于RT_DETR改进的绝缘子缺陷检测方法，其特征在于：所述检测方法包括以下步收集公开的绝缘子缺陷数据集以及通过视频截取帧获取基于目标检测模型RT_DETR进行改进，将骨干网络改为StarNet星网络进行特征提取，将RT_DETR中的多头注意力机制更改为YOLOv10中的部分自注意力机制PSA，对部分自将RT_DETR中的RepC3卷积模块改进为RepMo将得到最佳的权重载入改进后的RT_DETR中进行绝缘2.根据权利要求1所述的基于RT_DETR改进的绝缘子首先收集公开的绝缘子缺陷数据集，然后再收集电网提供的无注意力机制模块的处理流程为：先将输入进来的信息经过深度可分离卷积进行特征提取，3分支使用3x3的深度卷积提取特征，第三个分支使用1x1的深度卷积提取特征，然后经过星形运算将三个分支的特征信息进行融合，然后再用SE通道注意力机制加强通道的信息，并为一个3x3的深度卷积，然后通过SE通道注意力过点卷积将通道信息进行升维后，经过ReLU6激活函数后与未作处理的部分通道信息进行5.根据权利要求4所述的基于RT_DET失函数用Inner_IoU与CIoU相结合，得到Inner_CIoU损失函数进行损失计算，包括以下步,,正因子之后得到的新的IoU，LOW为CIoU的损失，为Inner_IoU结合CIoU的损46.基于RT_DETR改进的绝缘子缺陷检测系统，用于实现数据预处理模块：收集公开的绝缘子缺陷数据集以及通过视改进骨干网络模块：基于目标检测模型RT_DETR进行改进，将骨干网改进注意力机制模块：将RT_DETR中的多头注意力机制更改为YOLOv绝缘子缺陷检测模块：将得到最佳的权重载入改进后的RT_DETR中进行绝缘子缺陷检5[0001]本发明涉及绝缘子缺陷检测技术领域，具体涉及基于RT_DETR改进的绝缘子缺陷[0004]专利申请号为CN202410495935.5的发明中提出了一种基于改进YOLOv8的轻量级绝缘子缺陷检测方法，主要按照以下步骤进行训用处理后的数据集对网络模型进行训练；(3)将待检测的绝缘子数据输入到最优检测模型[0005]专利申请号为CN202410326526.2的发明中提出了一种基于改进RT_DETR的交通标形卷积中拼接MCCA注意力模块生成DCNv2att模块；将检测网络Backbone中的2个6[0006]专利申请号为CN202410005858.0的发明中提出了一种RT_DETR红外弱小飞机检测[0008]针对现有技术的不足，本发明的目的是提供基于RT_DETR改进的绝缘子缺陷检测7[0012]将RT_DETR中的多头注意力机制更改为YOLOv10中的部分自注意力机制PSA，对部[0018]首先收集公开的绝缘子缺陷数据集，然后再收集电网提供的无人机巡检视频数[0022]在一个优选的实施方式中，将RT_DETR中的RepC3卷积模块改进为RepMob卷积模通过点卷积将通道信息进行升维后，经过ReLU6激活函数后与未作处理的部分通道信息进8[0024]在一个优选的实施方式中，将损失函数用Inner_IoU与CIoU相结合，得到Inner_，[0029]union=(ue*h")*(ratio)2+(a*n)*(ratio)2-inter框的IoU，然后将其与CIoU的损失结合,预测框的相交的面积与并起来的面积之比，clou为考虑了目标框之间的[0034]改进骨干网络模块：基于目标检测模型RT_DETR进行改进，将骨干网络改为9[0039]绝缘子缺陷检测模块：将得到最佳的权重载入改进后的RT_DETR中进行绝缘子缺星形运算将信息融合部分进行改进，使得对于自顶向下以及自底向上的特征融合更加高[0051]实施例1：请参阅图1所示，本实施例所述基于RT_DETR改进的绝缘子缺陷检测方[0053]首先收集公开的绝缘子缺陷数据集，然后再收集电网提供的无人机巡检视频数分成两半分别通过全连接层，一半使用ReLU6激活函数使通道具有非线性，另一半不做处特征信息进行concat拼接，再经过通道混洗将学习的全局信息与原始1/4特征信息产生信[0062]本实施例参考了RepVIT的重参数化结构，将RepC3卷积模块进行改进为RepMob卷的三个分支合并为一个3×3的深度卷积，然后通过SE通道注意力机制模块将通道计算权[0063]本发明将RepC3卷积模块进行改进，训练阶段采用深度卷积以及SE通道注意力机，[0069]union=(ue*h")*(ratio)2+(a*n)*(ratio)2-inter框的IoU，然后将其与CIoU的损失结合,预测框的相交的面积与并起来的面积之比（交并比[0077]改进骨干网络模块：基于目标检测模型RT_DETR进行改进，将骨干网络改为[0082]绝缘子缺陷检测模块：将得到最佳的权重载入改进后的RT_DETR中进行绝缘子缺