(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210392794.5 (22)申请日 2022.04.14 (71)申请人 长沙理工大 学 地址 410114 湖南省长 沙市天心区万家丽 南路二段96 0号 (72)发明人 颜宏文　万俊杰　马瑞　 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/774(2022.01) G06V 10/20(2022.01) G06V 10/30(2022.01) G06V 10/764(2022.01) G06V 10/766(2022.01) G06V 10/44(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 基于改进YOL Ov5-LITE轻量级的配电组件缺 陷识别方法 (57)摘要 本发明公开一种基于改进YOL Ov5‑LITE轻量 级的配电组件缺陷识别方法， 为使模 型便于部署 至移动设备终端， 该方法使用ShuffleNetV2作为 骨干网提取特征， 构建YOLOv5 ‑LITE轻量化神经 网络模型， 并摘除ShuffleNetV2的1024卷积和5 ×5池化， 采用全局平均池化操作替代， 降低网络 参数量提升模 型检测速度； 通过引入有利于细粒 度目标检测的152 ×152特征层， 实现了对大、 中、 小尺度的缺陷预测； 在PANet架构中采用深度可 分离卷积代替下采样使得网络更加轻量 化。 权利要求书2页 说明书3页 附图2页 CN 114862768 A 2022.08.05 CN 114862768 A 1.一种基于改进YOLOv5 ‑LITE轻量级的配电组件缺 陷识别方法， 其特征在于： 能够对配 电组件缺陷进行精确快速的定位和识别， 便于部署至移动设备终端， 具有实时性、 准确率 高、 轻量化的特： (1)该方法使用ShuffleNetV2作为骨干网提取特征， 构建YOLOv5 ‑LITE轻量化神经网络 模型， 并摘除ShuffleNetV2的1024卷积和5 ×5池化， 采用全局平均池化操作替代， 降低网络 参数量提升模型检测速度； (2)在骨干 网对特征提取阶段， 通过引入有利于细 粒度目标检测的152 ×152特征层， 实 现了对大、 中、 小尺度的缺陷检测； (3)在PANet架构中采用深度可分离卷积代替下采样使得网络更加轻量化， 该方法能够 识别电缆脱离 垫片、 电缆与绝 缘子脱落、 无环绝 缘子等配电线路组件常见缺陷。 2.根据权利要求1所述的一种基于改进YOLOv5 ‑LITE轻量级的配电组件缺陷识别方法， YOLOv5网络的骨干网采用CSPDarknet53提取特征， 虽然提升了检测的精度， 但模型计算复 杂， 需要耗费较多的内存空间， 不利于部署至无人机用于配电线路故障的实时监测； 本发明 提出一种基于YOLOv5的轻量级网络， 在传统的YOLOv5模式基础上， 将ShuffleNetV2架构替 代CSPDarknet53作为特征提取网络， 构建YOLOv5 ‑LITE轻量级网络模型。 3.ShuffleNetV2既继承了ShuffleNet分组卷积和通道重排的特点， 又遵循了设计轻量 级网络的4条准则； 在同等条件下， ShuffleNetV2相比其他模型速度快， 而且准确度更好； ShuffleNetV2借鉴了Den seNet网络， 把短路连接(short cut)结构从Add换成Concat， 实现特 征重用， 但是不同于DenseNet， ShuffleNetV2并不是密集concat， 而是拼接之后有通道重排 (channel shuffle)以混合特 征。 4.从YOLOv5 ‑LITE轻量级神经网络模型的骨干网ShuffleNetV2中， 提取19 ×19(特征层 P5′)、 38×38(特征层P4 ′)、 76×76(特征层P3 ′)和152×152(特征层P2 ′)共四个尺度 特征， 如图3所示； 其中P 5′大感受野适用于大目标检测， P4 ′适用于中等目标检测， 在P3 ′基础上进 行上采样， 融合P2 ′特征层实现对小目标的故障检测。 5.在特征融合获得更加丰富的特征图时， 为了防止网络过于冗余， 对特征金字塔(FPN) 融合后输出的152 ×152特征层 进行剪枝操作， 即特征金字塔输出的152 ×152特征层不在 进 行YOLO Head的预测输出， 直接在PANet结构进行上采样； 因而改进的算法仍保留YOLO  Head 的19×19、 38×38、 76×76三个尺度的特 征层预测输出。 6.YOLOv5 ‑LITE的骨干网增加152 ×152特征层负责小 目标检测时， 必然会带来网络数 量的增加， 为降低网络参数， 在PANet结构使用深度可分离卷积(Depthwise  separable   convolution)代替原模型的下采样(Downsample)， 实现各层的特征信息交互， 有效减少模 型的网络计算 量和参数。 7.由于采集的数据具有3个缺 陷类别， 因而摘除ShuffleNetV2骨干网的1024卷积和5 × 5池化操作， 采用全局平均池化操作代替， 在节省内存消耗的同时也提高了模型的速度和精 度。 8.以YOLOv5 ‑LITE模型为对象网络， 分别对其采用两种训练方式： 即使用迁移学习载入 预训练权 重并冻结部分层的训练方式和不使用预训练权 重的训练方式。 9.使用迁移学习载入预训练权重 的训练方式为载入ShuffleNetV2结构在COCO数据集 的权重， 初始训练时冻结YOLOv5 ‑LITE中的ShuffleNetV2网络层， 此时模型主干被冻结， 特权　利　要　求　书 1/2 页 2 CN 114862768 A 2征提取网络不发生变化， 仅对网络微调； 在模型不被冻结， 特征提取网络会发生改变， 网络 所有参数都会发生改变。权　利　要　求　书 2/2 页 3 CN 114862768 A 3