(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210631775.3 (22)申请日 2022.06.07 (65)同一申请的已公布的文献号 申请公布号 CN 114723750 A (43)申请公布日 2022.07.08 (73)专利权人 南昌大学 地址 330000 江西省南昌市红谷滩新区学 府大道999号 (72)发明人 邱志斌　李俊轩　周志彪　张润　 童志鹏　 (74)专利代理 机构 北京众合诚成知识产权代理 有限公司 1 1246 专利代理师 王焕巧 (51)Int.Cl. G06T 7/00(2017.01)G06T 5/40(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06T 5/00(2006.01) 审查员 贾佳 (54)发明名称 基于改进YOLOX算法的输电线路耐 张线夹缺 陷检测方法 (57)摘要 本发明公开一种基于改进YOL OX算法的输电 线路耐张线夹缺陷检测方法， 构建输电线路耐张 线夹的X光图像数据集， 将数据集输入 图像特征 增强模块进行预处理， 并针对每一类缺陷制作相 应的标签； 构建YOL OX模型并进行改进， 增加一个 Resblock  body0模块、 特征层feat1和以及类预 测层YOLO Head以增加网络的深度， 并引入空间、 通道注意力机制； 使用VOC2007数据集训练改进 后的网络， 获得预训练权重W1； 利用W1并结合 Mosaic数据增强方法训练耐张线夹数据集获得 权重W2， 将W2输入改进后的YOLOX网络进行分类 预测。 本发明通过改进YOLOX算法， 提升了对耐 张 线夹细微缺陷的检测效果， 可以准确高效地实现 输电线路耐张线夹的缺陷检测。 权利要求书2页 说明书5页 附图2页 CN 114723750 B 2022.09.16 CN 114723750 B 1.一种基于改进YOLOX算法的输电线路耐张线夹缺陷检测方法， 其特征在于， 包括如下 步骤： S1、 构建输电线路耐张线夹X光图像数据集： 在停电状态下， 检测人员采用脉冲式射线 机对输电线路耐张线夹进行X光成像， 构建含有A区漏压、 A区欠压、 过压、 钢锚弯曲、 钢锚飞 边以及C区漏压6类缺陷的耐张线夹X光图像数据集， 并按8:1:1分为训练集、 验证集与测试 集； 设计一个由高斯滤波、 直方图均衡化以及伽马校正三个步骤依 次构成的图像特征增强 模块， 以输电线路耐张线夹的X光图像作为输入， 调整图像特征增强模块参数， 获得预处理 后的耐张线夹X光图像； S2、 构建由主干特征提取网络CSPDarknet ‑L、 特征融合网络PANet以及分类预测网络 YOLO Head三个部分组成的改进YOLOX算法的耐张线夹X光图像缺陷检测模型： 利用Focus、 CBS、 Resblock  bodyi， 其中i=0、 1、 2、 3、 4， 以及SPPBottleneck模块构 建主干特征提取网络 CSPDarknet ‑L； 在主干特征提取网络CSPDarknet ‑L与特征融合网络PANet之间加入CBAM注 意力机制； 主干特征提取网络CSPDarknet ‑L的Resblock  bodyn， 其中n=1、 2、 3、 4， 从 Resblock  bodyn结构中分别引出4个不同尺度大小的初步特征层feat1、 feat2、 feat3、 feat4， 输入特征融合网络PANet进行特征融合； 将特征融合后的4个增强特征层输入到4个 YOLO Head中进行分类预测， 以实现对耐张线夹X光图像中细微 缺陷的检测； 所述步骤S2中利用Focus、 CBS、 Resblock  bodyi， 其中i=0、 1、 2、 3、 4， 以及 SPPBottleneck模块构建主干特 征提取网络 CSPDarknet‑L， 其具体操作包括： S2.1、 利用普通卷积Conv、 标准化BN以及SiLU激活函数构建CBS模块， 将残差块拆分为 主干部分和大残差边shortconv两部分构建CSPLayer结构， 采用CBS与CSPLayer结构构建 Resblock  body结构， SPPBottleneck模块由CBS与4个 大小为1×1、 5×5、 9×9以及13×13的 池化核进行最大池化所构成； S2.2、 将输入图片大小设置为640 ×640×3， 首先经过Focus结构与CBS操作图像大小 变为320×320×64； 然后经过 Resblock  body0结构， 并利用1 ×1的卷积保持通道数不变， 使 图像尺寸变为160 ×160×64； 最后依次经过Resblock  bodyn结构， 其中 n=1、 2、 3、 4， 并在 Resblock  body4中加入SPPBottleneck模块， 完成对主干特征提取网络CSPDarknet ‑L的构 建； 所述步骤S2中Resblock  bodyn结构中分别引出4个不同尺度大小的初步特征层feat1、 feat2、 feat3、 feat4， 输入特征融合网络PANet进行特征融合， 将特征融合后的4个增强特征 层输入到4个YOLO  Head中进行分类预测， 其具体操作为： 从Resblock  body4中引出的初步 特征层feat4经过Conv后得到增强特征层 P1； P1经过上采样与Re sblock body3中引出的初步 特征层feat3进行Concat连接， 连接后经过CSPLayer与Conv结构得到增强特征层P2； 同样， 将P2上采样与Resblock  body2中引出的初步特征层feat2进行Concat连接， 连接后经过 CSPLayer与Conv结构得到增强特征层P3； 将P3继续上采样与Resblock  body1中引出的初步 特征层feat1进行Concat连接， 连接后经过CSPLayer得到增强特征层P4； 此外， 增强后的特 征层还需经过由上至下的再次融合， 具体操作为： 将P4直接下采样与P3进行Concat连接， 经 过一个CSPLayer结构后得到增 强特征层P5， P5继续下采样与P2进行Concat连接， 经过一个 CSPLayer结构后得到增强特征层P6， P6继续下采样与 P1进行Concat连接， 经过一个CSPLayer 结构后得到增强特 征层P7；权　利　要　求　书 1/2 页 2 CN 114723750 B 2最终经过特征融合后， 得到7个增强特征层P1~P7； 取增强特征层P4、 P5、 P6、 P7对应输入到 80×80×11、 40×40×11、 20×20×11、 10×10×11四种不同尺寸的YOLO  Head网络 中进行 分类预测， 实现对耐张线夹X光图像中极小、 小、 中、 大缺陷的检测； S3、 训练改进的YOLOX网络模型： 将VOC2007数据集按8:1:1分为训练集、 验证集与测试 集输入到 改进后的YOLOX网络模型进行预训练， 共训练100轮， 取训练损失值最小的预训练 权重W1进行迁移学习； 将预处理后的耐张线 夹X光图像数据集中的训练集 结合预训练权重 W1 进行再训练； 再训练分为冻结与解冻两个阶段， 第一阶段冻结改进的Y OLOX网络模型主干并 使用Mosaic数据增强方法迭代训练50次； 第二阶段对改进的YOLOX网络模 型主干进行解冻， 再迭代训练5 0轮次； 所述步骤S3再训练分为冻结与解冻两个阶段， 第一阶段冻结改进 的YOLOX网络模型主 干并使用Mosaic数据增强方法迭代训练50次； 第二阶段对改进的YOLOX网络模型主干进行 解冻， 再迭代训练50轮次； 其具体操作为： 冻结训练时随机将4幅耐张线夹X光图像进行拼 接， 形成一幅新图像进行训练； 在冻结训练阶段一次训练所选取的图片数batchsize=8， 训 练的学习率Lr1=0.001， 解冻训练阶段一次训练所选取的图片数batchsize= 4， 训练的学习率 Lr1=0.0005， 并开启多 线程提前加载训练图片， 线程数num_w orkers=2； S4、 利用训练好的改进的YOLOX网络模型对耐张线夹X光图像中缺陷进行检测： 再训练 结束后获得100组权重， 取出损失值最小的权重W2输入到改进后的YOLOX网络模型， 并利用 测试集图像验证改进后的YOLOX网络模型的缺陷检测效果。 2.根据权利要求1所述的一种基于改进YOLOX算法的输电线路耐张线夹缺陷检测方法， 其特征在于， 所述步骤S1 中的缺陷定义， 具体包括A区漏压： 铝管和凹槽未被压接； A区欠压： 是指铝管和凹槽未被完全压接， 之间留有 缝隙； 过压： 是指 压接过度， 致使非压区受到压接； 钢锚弯曲： 是指钢锚受到外力导致变形； 钢锚飞边： 是指钢锚表 面存在裂纹； C区漏压： 是指 C 区压接不完全或者未被压 接。 3.根据权利要求1所述的一种基于改进YOLOX算法的输电线路耐张线夹缺陷检测方法， 其特征在于， 所述步骤S1中图像特征增强模块是先经过高斯函数对图像卷积核进 行滤波降 噪， 再由直方图均衡化改变像素的灰度， 调节图像曝光， 最后利用伽马校正调节目标与背 景 的对比度。权　利　要　求　书 2/2 页 3 CN 114723750 B 3