本發(fā)明涉及電纜檢測(cè)領(lǐng)域，特別是一種基于改進(jìn)型yolov8算法的控制電纜缺陷檢測(cè)方法。

背景技術(shù)：

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是為了解決上述問(wèn)題，設(shè)計(jì)了一種基于改進(jìn)型yolov8算法的控制電纜缺陷檢測(cè)方法。具體設(shè)計(jì)方案為：

2、一種基于改進(jìn)型yolov8算法的控制電纜缺陷檢測(cè)方法，步驟一、創(chuàng)建控制電纜缺陷數(shù)據(jù)集并進(jìn)行預(yù)處理；步驟二、配置訓(xùn)練的環(huán)境；步驟三、改進(jìn)yolov8結(jié)構(gòu)得到改進(jìn)型yolov8網(wǎng)絡(luò)模型；步驟四、將步驟步驟三得到的改進(jìn)型yolov8網(wǎng)絡(luò)模型整合到步驟步驟二配置好的訓(xùn)練環(huán)境中,并將設(shè)定好的參數(shù)文件添加至網(wǎng)絡(luò)模型中；利用劃分好的訓(xùn)練集和驗(yàn)證集圖片進(jìn)行模型訓(xùn)練和驗(yàn)證，步驟三中對(duì)yolov8結(jié)構(gòu)的改進(jìn)包括mosa?i?c-9改進(jìn)、g-ghostnet改進(jìn)、s-fpn改進(jìn)、s?i?ou改進(jìn)。

3、所述mosa?i?c-9改進(jìn)中，針對(duì)識(shí)別控制電纜中小目標(biāo)缺陷或復(fù)雜背景缺陷的需要，在輸入階段引入mosa?i?c-9數(shù)據(jù)增強(qiáng)方法，該方法旨在減少訓(xùn)練階段的輸入計(jì)算需求，同時(shí)增強(qiáng)網(wǎng)絡(luò)捕獲背景細(xì)節(jié)的能力，從而提高其魯棒性，這種方法包括從輸入數(shù)據(jù)中隨機(jī)選擇9個(gè)圖像，對(duì)每個(gè)圖像應(yīng)用隨機(jī)縮放和裁剪，然后將它們連接到單個(gè)圖像中，在輸入到網(wǎng)絡(luò)之前，這個(gè)連接的圖像隨后被調(diào)整為標(biāo)準(zhǔn)大小，這種運(yùn)算方法允許gpu同時(shí)處理9幅圖像，并且在訓(xùn)練過(guò)程中，該方法在輸入中引入了更多的背景和細(xì)節(jié)信息，有效增強(qiáng)了算法的泛化能力，通過(guò)利用mosa?i?c-9數(shù)據(jù)增強(qiáng)，該算法既可以優(yōu)化硬件資源利用率，又可以提高其處理各種現(xiàn)實(shí)場(chǎng)景的能力，最終提高其整體性能和魯棒性。

4、所述g-ghostnet改進(jìn)中，在主干部分，引入了g-ghostnet來(lái)增強(qiáng)主干網(wǎng)組件，增強(qiáng)了算法的特征融合能力，減少了信息損失；為了實(shí)現(xiàn)網(wǎng)絡(luò)輕量化，本模型使用ghostconv模塊和g-ghostnet階段作為構(gòu)建ggc(ghost-ghost-comp?l?ex)模塊的基礎(chǔ)；通過(guò)ggc模塊與gbs(ghostb?l?ockstage)模塊的結(jié)合，構(gòu)建了g-ghostnet，促進(jìn)了主干組件的增強(qiáng)，取代了yolov8的c2f模塊；g-ghostnet階段對(duì)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了顯著優(yōu)化，其計(jì)算復(fù)雜度優(yōu)化率可表示為:

5、

6、從公式可以看出，g-ghostnet與正則卷積相比，計(jì)算復(fù)雜度顯著降低，有效降低了網(wǎng)絡(luò)的計(jì)算負(fù)荷。

7、所述s-fpn改進(jìn)中，在現(xiàn)實(shí)世界中，不同尺寸、特征和復(fù)雜背景的物體經(jīng)常共存，在這種條件下實(shí)現(xiàn)準(zhǔn)確高效的檢測(cè)是目標(biāo)檢測(cè)算法的關(guān)鍵挑戰(zhàn)，fpn的引入在這方面顯著提高了目標(biāo)檢測(cè)算法的性能，使fpn成為大多數(shù)最先進(jìn)(sota)目標(biāo)檢測(cè)器的標(biāo)準(zhǔn)組件，特征金字塔可以捕獲不同尺度的視覺(jué)特征，它們?cè)谳^淺的層中保留了紋理和角落等細(xì)節(jié)，而在較深的層中覆蓋了更廣泛的語(yǔ)義特征，在自頂向下路徑的最后一層，他們提取空間和上下文特征，用于精確的目標(biāo)檢測(cè)，然而，在fpn中僅使用自頂向下的特征融合容易受到池化引起的位移效應(yīng)的影響，從而影響精確的目標(biāo)定位，最初的yolov8通過(guò)panet解決了這個(gè)問(wèn)題，它引入了雙向fpn來(lái)恢復(fù)由于融合而從淺層丟失的信息，然而，大多數(shù)fpn采用池化操作，通常會(huì)將圖像尺寸減少一半，導(dǎo)致層之間的尺度差距和越來(lái)越小的特征映射，從而導(dǎo)致不平滑的特征融合，如圖2所示，sfm由三個(gè)可選輸入組成，首先，它線性縮放輸入，然后執(zhí)行元素加法，最后，用3×3卷積融合它們以創(chuàng)建輸出，sfb包括兩批，共五種sfb，s-fpn由sfb堆疊三次構(gòu)建而成，如圖1neck部分所示，傳入s-fpn的特征首先從第一個(gè)sfb的第一層發(fā)送到第二層，然后從第二層發(fā)送到下一個(gè)sfb的第一層，該方法采用中心融合和向外輻射的特征融合方法，sfb從自頂向下和自底向上兩個(gè)方向繼承了雙向特征融合路徑，由多個(gè)sfb組成的s-fpn可以進(jìn)行多個(gè)特征融合，從而更準(zhǔn)確地提取輸入對(duì)象的特征，提高網(wǎng)絡(luò)的精度。

8、s?i?ou改進(jìn)中，原始的yolov8將dfl與c?i?ou結(jié)合使用作為其損失函數(shù)，c?i?ou通常在表示邊界框的重疊區(qū)域方面是有效的，然而，它沒(méi)有考慮到地面真值框和預(yù)測(cè)框之間方向不匹配的問(wèn)題，在使用c?i?ou進(jìn)行訓(xùn)練時(shí)，這個(gè)問(wèn)題可能導(dǎo)致預(yù)測(cè)框中出現(xiàn)漂移，從而導(dǎo)致算法的收斂速度變慢，為了解決與c?i?ou相關(guān)的問(wèn)題，引入s?i?ou損失函數(shù)作為替代，s?i?ou包括角度成本、距離成本、形狀成本和i?ou成本，如下所示：

9、

10、ω＝(1-e-ww)θ+(1-e-wb)θ

11、

12、δ＝2-e-γρx-e-γρy

13、

14、γ＝2-∧

15、

16、

17、

18、式中，分別為真實(shí)坐標(biāo)系中心坐標(biāo)和預(yù)測(cè)坐標(biāo)系中心坐標(biāo)；cb,cw,σ分別為真實(shí)幀和預(yù)測(cè)幀中心點(diǎn)的高度差、寬度差和距離長(zhǎng)；cw,cb為真實(shí)幀和預(yù)測(cè)幀最小外矩形的寬度和高度。

19、通過(guò)本發(fā)明的上述技術(shù)方案得到的基于改進(jìn)型yolov8算法的控制電纜缺陷檢測(cè)方法，其有益效果是：

20、適用于實(shí)時(shí)、高效的控制電纜缺陷監(jiān)測(cè)和識(shí)別，該方法比其他方法具有更快的檢測(cè)速度，滿足了控制電纜缺陷檢測(cè)要求。

技術(shù)特征：

1.一種基于改進(jìn)型yolov8算法的控制電纜缺陷檢測(cè)方法，步驟一、創(chuàng)建控制電纜缺陷數(shù)據(jù)集并進(jìn)行預(yù)處理；步驟二、配置訓(xùn)練的環(huán)境；步驟三、改進(jìn)yolov8結(jié)構(gòu)得到改進(jìn)型yolov8網(wǎng)絡(luò)模型；步驟四、將步驟步驟三得到的改進(jìn)型yolov8網(wǎng)絡(luò)模型整合到步驟步驟二配置好的訓(xùn)練環(huán)境中,并將設(shè)定好的參數(shù)文件添加至網(wǎng)絡(luò)模型中；利用劃分好的訓(xùn)練集和驗(yàn)證集圖片進(jìn)行模型訓(xùn)練和驗(yàn)證，其特征在于，步驟三中對(duì)yolov8結(jié)構(gòu)的改進(jìn)包括mosaic-9改進(jìn)、g-ghostnet改進(jìn)、s-fpn改進(jìn)、siou改進(jìn)。

2.根據(jù)權(quán)利要求1中所述的基于改進(jìn)型yolov8算法的控制電纜缺陷檢測(cè)方法，其特征在于，所述mosaic-9改進(jìn)中，從輸入數(shù)據(jù)中隨機(jī)選擇9個(gè)圖像，對(duì)每個(gè)圖像應(yīng)用隨機(jī)縮放和裁剪，然后將它們連接到單個(gè)圖像中。

3.根據(jù)權(quán)利要求1中所述的基于改進(jìn)型yolov8算法的控制電纜缺陷檢測(cè)方法，其特征在于，所述g-ghostnet改進(jìn)中，在主干部分，引入了g-ghostnet來(lái)增強(qiáng)主干網(wǎng)組件，其計(jì)算復(fù)雜度優(yōu)化率可表示為:

4.根據(jù)權(quán)利要求1中所述的基于改進(jìn)型yolov8算法的控制電纜缺陷檢測(cè)方法，其特征在于，所述s-fpn改進(jìn)中，s-fpn由sfb堆疊三次構(gòu)建而成，傳入s-fpn的特征首先從第一個(gè)sfb的第一層發(fā)送到第二層，然后從第二層發(fā)送到下一個(gè)sfb的第一層。

5.根據(jù)權(quán)利要求1中所述的基于改進(jìn)型yolov8算法的控制電纜缺陷檢測(cè)方法，其特征在于，siou改進(jìn)中，引入siou損失函數(shù)作為替代，siou包括角度成本、距離成本、形狀成本和iou成本，如下所示：

技術(shù)總結(jié)
一種基于改進(jìn)型YOLOv8算法的控制電纜缺陷檢測(cè)方法，步驟一、創(chuàng)建控制電纜缺陷數(shù)據(jù)集并進(jìn)行預(yù)處理；步驟二、配置訓(xùn)練的環(huán)境；步驟三、改進(jìn)YOLOv8結(jié)構(gòu)得到改進(jìn)型YOLOv8網(wǎng)絡(luò)模型；步驟四、將步驟步驟三得到的改進(jìn)型YOLOv8網(wǎng)絡(luò)模型整合到步驟步驟二配置好的訓(xùn)練環(huán)境中,并將設(shè)定好的參數(shù)文件添加至網(wǎng)絡(luò)模型中；利用劃分好的訓(xùn)練集和驗(yàn)證集圖片進(jìn)行模型訓(xùn)練和驗(yàn)證，步驟三中對(duì)YOLOv8結(jié)構(gòu)的改進(jìn)包括Mosaic?9改進(jìn)、G?GhostNet改進(jìn)、S?FPN改進(jìn)、SIoU改進(jìn)。其有益效果是：適用于實(shí)時(shí)、高效的控制電纜缺陷監(jiān)測(cè)和識(shí)別，該方法比其他方法具有更快的檢測(cè)速度，滿足了控制電纜缺陷檢測(cè)要求。

技術(shù)研發(fā)人員：蘇俊妮,張建華,劉凱,陳壽平,梁歡利,邱育義,李歐,陳瀚昌,周凱鋒,劉灃,劉瑋,黃沛亮,盧迪勇,徐錫斌,周妙秀,成佳富,李錦圖,諸源勝,駱樹權(quán),吳汝豪,陳浩平,劉耀云,吳嘉竣,任燕,成煌,謝思洋
受保護(hù)的技術(shù)使用者：廣東電網(wǎng)有限責(zé)任公司東莞供電局
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/26