CN119399650A 一种轻量化输电线路异物检测方法、设备、介质及产品 （国网山西省电力公司运城供电公司）

一种轻量化输电线路异物检测方法、设备、本申请公开了一种轻量化输电线路异物检网络的骨干网络中最后三个卷积块和颈部网络中第一个卷积块替换为轻量级自适应权重下采样模块，将该网络的骨干网络的C2f模块替换为连接层之后，通过引入空间和通道重建卷积模网络的C2f模块进行结合，得到轻量化输电线路2获取训练数据集；所述训练数据集包括多张标注有异物所以YOLOv8n网络为基础，将所述YO中第一个卷积块替换为轻量级自适应权重下采样模块，将所述YOLOv8n网络的骨干网络的过引入空间和通道重建卷积模块，使所述空间和通道重建卷积模块与所述YOLOv8n网络的将待检测输电线路图像输入所述优化后的轻量化输电线路异物检化后的轻量化输电线路异物检测模型得到所述待检测输电线路图像中异物所在位置及异应权重下采样模块的计算表示为：LWM＝Softmax(c1x1(AvgPool(X)))xReLU(Norm(dkxk其中，LWM表示所述轻量级自适应权重下采样模块提取的特征，c1x1表示大kxk表示大小为kxk的深度可分离卷积，X表示输入特征图，AvgPool表示平均池化，融合模块是在Fasterblock模块中引入EMC2f_SCConv模块是通过引入所述空间和通道重建卷积模块对所述YOLOv8n网络的颈部网络的C2f模块中瓶颈模块进行改进，形成新的SCBlock模块，并用新的SCBlock模块替换所述YOLOv8n网络的颈部网络的C2f模块中据集对所述轻量化输电线路异物检测模型进行训练和优化的过程中采用随机梯度下降优3理器执行时实现权利要求1_7中任一项所述的轻量化输电线路异物45者在输电线路检测领域进行研究，朱金国等人基于回归策略设计了带有定向边界框的网(TripletAttention，TA)和改进的双向特征金字塔网络(BidirectionalFeature网络中第一个卷积块替换为轻量级自适应权重下采样模块，将所述YOLOv8n网络的骨干网络的C2f模块替换为高效多尺度融合模块，并在所述YOLOv8n网络的颈部网络的连接层之述优化后的轻量化输电线路异物检测模型得到所述待检测输电线路图像中异物所在位置步长为2的深度可分离卷积提取权重信息，两个分支提取的权重信息通过加权求和操作得[0014]可选地，所述轻量级自适应权重下采样模块的计算表示为：LWM＝Sotmax(c1×16并用新的SCBlock模块替换所述YOLOv8n网络的颈部网络的C2f模块中瓶算机程序被处理器执行时实现上述中任一项所述的轻量化输处理器执行时实现上述中任一项所述的轻量化输电线路异[0024]本申请提供了一种轻量化输电线路异物检测方法、设备、介质及产品，通过将YOLOv8n网络的骨干网络中最后三个卷积块和颈部网络中第一个卷积块替换为轻量级自适网络的骨干网络的C2f模块替换为高效多尺度融合模块，利用高效多尺度融合模块可融合结合，利用结合了空间和通道重建卷积模块的C2f模块可在保证模型精度的同时减少模型间和通道重建卷积模块的C2f模块解决了现有输电线路异物检测算法易受复杂背景环境干7颈部网络中第一个卷积块替换为轻量级自适应权重下采样模块，将YOLOv8n网络的骨干网过引入空间和通道重建卷积模块，使空间和通道重建卷积模块与YOLOv8n网络的颈部网络过步长为2的深度可分离卷积提取权重信息，两个分支提取的权重信息通过加权求和操作8[0048]该步骤102中，高效多尺度融合模块是在Fasterblock模块中引入EMA注意力机制[0049]该步骤102中，空间和通道重建卷积模块与YOLOv8n网络的颈部网络的C2f模块结合后得到C2f_SCConv模块；C2f_SCConv模块是通过引入空间和通道重建卷积模块对SCBlock模块替换YOLOv8n网络的颈部网络的C2f模块中瓶[0052]该步骤103中，利用训练数据集对轻量化输电线路异物检测模型进行训练和优化用优化后的轻量化输电线路异物检测模型得到待检测输电线路图像中异物所在位置及异是一种结合自适应权重下采样的轻量化输电线路异物检测算法(在本申请中被命名为场景下异物检测的平均精度(mAP@0.5)达到91.2与YOLOv8n算法相比，精度提高了[0056]下面对本申请提出的结合自适应权重下采样的轻量化输电线路异物检测算法进的网络结构图如图2所示，首先将原有骨干网络中最后三个卷积块和颈部网络中第一个卷9[0059]YOLOv8是Ultralytics公司推出的新一代YOLO系列实时物体检测模型，继承了之对输入的每个通道分别进行卷积操作，即每个输入通道都使用一个单独的卷积核进行卷pppppp引入一种无需降维的高效多尺度注意力模块(EMA)，重点关注保留每个通道的信息并减少冗余并增强特征的表示。CRU采用分割_变换_融合策略来减少通道冗余以及计算成本和存[0079]本申请在模型训练过程中采用随机梯度下降(StochasticGradientDescent，Ubuntu20.04LTS[0084]训练YOLO_LAF模型使用的是南方电网公开数据集，已经用labelme软件进行了标和F代表实际情况的样本正负性，P和N代表预测结果的样本正负性(其中N表示预测结果为样模块分别替换主干网络和颈部网络中步长为2的3×3标准卷积。为确保下采样过程保留[0092]表2中，YOLOv8n_LWM_i表示将原主干网络和颈部网络中的第i个3×3标准卷积替[0097]为了评估高效多尺度融合模块中的EMA注意力机制的有效性，本申请在相同的实的模型检测精度最高，精确率提升了1.3召回率和参数量变化不大，计算量减少了1GFLOPs，mAP提升了1.4综上所述，EMA注意力机制在所有测试的注意力机制中表现最mAP值提升了2.6这表明通过添加轻量级自适应权重下采样模块和引入空间和通道重建境下将本申请改进算法与当前主流的目标检测算法如Faster_RCNN、YOLOv3、YOLOv5s、测速度较为缓慢，对于以轻量化为目标的本实验，FasterR_CNN算法并不适用。YOLOv3、轻量化和检测精度方面仍有较大的提升空间。YOLOv8系列作为目前先进的目标检测算法，不仅进一步减少了计算量和参数量，还通过优化网络结构使得检测精度和速度显著提升，提升巡查的准确性和实时性提供了强有力的技术的可视化结果，图8中(b)部分为FasterR_CNN算法检测含一个鸟巢原图后的可视化结果，图8中(c)部分为FasterR_CNN算法检测含垃圾原图后的可视化结果；图9为YOLOv3算法检测原图后的可视化结果，图9中(a)部分为YOLOv3算法检测含两个鸟巢原图后的可视化结果，图9中(b)部分为YOLOv3算法检测含一个鸟巢原图后的可视化结果，图9中(c)部分为YOLOv3算法检测含垃圾原图后的可视化结果；图10为YOLOv5s算法检测原图后的可视化结YOLOv5s算法检测含一个鸟巢原图后的可视化结果，图10中(c)部分为YOLOv5s算法检测含部分为YOLOv7_tiny算法检测含两个鸟巢原图后的可视化结果，图11中(b)部分为YOLOv7_为YOLOv8n算法检测含两个鸟巢原图后的可视化结果，图12中(b)部分为YOLOv8n算法检测测含两个鸟巢原图后的可视化结果，图13中(b)部分为YOLO_LAF算法检测含一个鸟巢原图[0114]本申请提出的轻量化输电线路异物检测方法，其是一种基于YOLOv8n网络的轻量[0115](1)为了提升模型训练过程中特征提取的性能，本申请设计了一种轻量级自适应[0116](2)通过结合Fasterblock模块和EMA注意力机制，本申请提出了一种高效的多尺该计算机程序被处理器执行时实现上述各方机程序被处理器执行时实现上述各方法实施例中非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read_(ReRAM)、磁变存储器(MagnetoresistiveRandomAccessMemory，MRAM)、铁电存储器(StaticRandomAccessMemory，SRAM)或动态随机存取存储器(DynamicRandomAccess[0124]本申请所提供的各实施例中所涉