(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 202210284065.8 (22)申请日 2022.03.22 (71)申请人 三峡大学 地址 443002 湖北省宜昌市西陵区大 学路8 号 (72)发明人 黄悦华　刘恒冲　陈庆　陈照源　 张家瑞　杨楚睿　陈晨　 (74)专利代理 机构 宜昌市三峡专利事务所 42103 专利代理师 易书玄 (51)Int.Cl. G06V 20/00(2022.01) G06V 10/25(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 3/40(2006.01) (54)发明名称 一种基于超分预处理与改进YOLOv5x的输电 线路故障检测方法 (57)摘要 一种基于超分预处理与改进YOLOv5x的输电 线路故障检测方法， 包括以下步骤： 一、 获取输电 线路巡检图像数据并进行扩充后， 按照比例随机 划分为训练集、 验证集以及测试集， 并对训练集 和验证集中的绝缘子及其故障目标进行标记； 二、 对步骤一中得到的的标记框进行聚类， 以生 成适合检测绝缘子及其故障目标的锚框； 三、 将 测试集图像进行超分辨率重建； 四、 对YOL Ov5x模 型部分结构进行修改， 以增强模 型检测小目标的 能力， 并调整 边框损失函数； 五、 对步骤四中的改 进YOLOv5x模型进行训练， 将步骤三获取的超分 辨测试集图像输入训练好的改进YOL Ov5x模型进 行目标检测， 识别出图像中的绝缘子及其故障目 标并对结果进行评价。 权利要求书4页 说明书11页 附图6页 CN 114743084 A 2022.07.12 CN 114743084 A 1.一种基于超分预处理与改进YOLOv5x的输电线路故障检测方法， 其特征在于， 具体步 骤为： 一、 获取输电线路巡检图像数据并进行扩充后， 随机划分为训练集、 验证集以及测试 集， 并对训练集和验证集中的绝 缘子及其故障目标进行 标记； 二、 对步骤一中得到的的标记框进行聚类， 以生成适合检测绝缘子及其故障目标的锚 框； 三、 将测试集图像进行超分辨 率重建； 四、 对YOLOv5x模型部分结构进行修改， 以增强模型检测小目标的能力， 并调整边框损 失函数； 五、 对步骤四中的改进YOLOv5x模型进行训练， 将步骤三获取的超分辨测试集图像输入 训练好的改进YOLOv5x模型进行目标检测， 识别 出图像中的绝缘子及其故 障目标并对结果 进行评价。 2.根据权利 要求1所述一种基于超分预处理与改进YOLOv5x的输电线路故障检测方法， 其特征在于， 所述对步骤一中使用镜像、 旋转方式对故障绝缘子图片进 行样本扩充， 最 终得 到故障绝 缘子图像， 与正常绝 缘子图像作为目标检测算法的训练与验证； 其中， 旋转方式为顺 时针旋转九十度与逆时针旋转九十度两种方式； 训练集、 验证集以 及测试集的数量比例为8： 1： 1， 划分方式为随机划分， 划分完成后， 使用labelimg工具对训 练集以及测试集中的绝 缘子及其故障目标进行矩形框标记。 3.根据权利 要求1所述一种基于超分预处理与改进YOLOv5x的输电线路故障检测方法， 其特征在于， 所述对步骤二中聚类方法为K ‑means++， 聚类中心数量 为12； 通过K‑means++聚类算法对步骤一中得到的目标标记框进行聚类， 得到适用于输电线 路绝缘子及其故障目标的锚框尺寸， 具体步骤如下： 1)随机选择一个样本目标框作为初始的聚类 中心， 计算其余样本框与当前聚类中心的 最小IOU距离A(x)： A(x)＝1‑IOU(x,c) 其中， IOU表示两矩形框之间的交并比， x为子目标 标记样本 框， c表示聚类的中心； 2)计算每个绝缘子样本框被选为下一个聚类中心的概率O(x)， 并使用轮盘法选出下一 个聚类中心； 其中， X为目标 标记框总样本， 3)重复步骤1)和2)， 直至 选出K个聚类中心； 4)计算数据集中每个样本x到K个聚类 中心的距离， 并将该样本分到距离最小的聚类 中 心对应的类中， 重新计算每个类别cl的聚类中心， 重复更新分类和聚类中心直到锚框大小 不变； 其中， l＝1，…， K， K为不同尺寸锚框的个数， 其 值由检测模型的锚框个数决定 。权　利　要　求　书 1/4 页 2 CN 114743084 A 24.根据权利 要求1所述一种基于超分预处理与改进YOLOv5x的输电线路故障检测方法， 其特征在于， 所述 步骤三中所用的超分辨 率重建技 术为USRNet； USRNet模型分为两部分， 第一部分使用公式建模方法对超分辨率共性问题进行建模， 第二部分则采用神经网络方式对已建模完毕的超分辨 率共性问题进行迭代求 解； 公式建模具体步骤如下： 在最大后验概 率推断框架下， 超分辨 率类问题的优化目标 可用公式描述如下： 其中， x为HR图像， y为LR图像， g为模糊核， s为双三次下采样倍数； 即需要使HR图像在 经 过模糊核g模糊处理以及s倍的双三次下采样后， 与对应的原LR图像之间的误差最小； 在考 虑了一项额外的先验知识噪声强度之后， 得到： 其中， 第一项为数据项,第二项为先验项， φ(x)为噪声强度， λ为控制噪声强度的超参， σ 为噪声等级； 为了使误差E(x)最小， USRNet使用半二次拆 分算法引入辅助变量z， 将其等价 为： 其中μ为控制x和z差距的惩罚参数； 为了使模型匹配任意噪声和下采样， 将数据项和先 验项进行解耦： 至此， 通过迭代求 解x， z优化目标， 求 解过程用到神经网络的思想； 神经网络结构分为module  D、 module  P、 module  H三部分， 模块D、 P使用模块H生成的超 参数以及其 他相关参数通过迭代计算优化z、 k， 以清晰化HR图像； 第一部分数据模块(Data  module D)用于求解zk， 其使用pytorch实现快速傅里叶变换 与其复共 轭变换， 引入 超参数αk最小化zk： 其中， αk＝ μkσ2 该求解过程可简写为： zk＝D(xk‑1,s,g,y, αk) 其中， x0由y通过最邻近插值得到； 第二部分先验模块(Prior  module P)使用添加了残差项的U ‑Net对原图降噪来求解式 xk， 噪声等级为： 该降噪过程可简写为：权　利　要　求　书 2/4 页 3 CN 114743084 A 3