(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 202210922981.X (22)申请日 2022.08.02 (71)申请人 上海华讯网络系统有限公司 地址 201203 上海市浦东 新区碧波路45 6号 A109-1室 (72)发明人 王晓龙　王根一　张晏玮　安国成　 (74)专利代理 机构 上海锻创知识产权代理有限 公司 314 48 专利代理师 顾继光 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 新型电力绝 缘子缺陷检测识别方法及系统 (57)摘要 本发明提供了一种新型电力绝缘子缺陷检 测识别方法及系统， 包括： 步骤S1： 构建改进 YOLOX卷积神经网络模型； 步骤S2： 利用多阶段网 络训练算法训练改进YOLOX卷积神经网络模型， 得到训练后的改进YOLOX卷积神经网络模型； 步 骤S3： 利用训练后的改进YOLOX卷积神经网络模 型对待测新型电力绝 缘子缺陷进行检测识别。 权利要求书3页 说明书11页 附图2页 CN 115456941 A 2022.12.09 CN 115456941 A 1.一种新型电力绝 缘子缺陷检测识别方法， 其特 征在于， 包括： 步骤S1： 构建改进YOLOX 卷积神经网络模型； 步骤S2： 利用多阶段网络训练算法训练改进YOLOX卷积神经网络模型， 得到训练后的改 进YOLOX卷积神经网络模型； 步骤S3： 利用训练后的改进YOLOX卷积神经网络模型对待测新型电力绝缘子缺陷进行 检测识别； 所述改进YOLOX卷积神经网络模型包括主干特征网络、 特征融合网络以及YOLOHead网 络； 在所述主干特征网络中加入RepVGG重参化结构加速模型推理速度并提高模型识别精 度， 在YOLOHead网络采用深度可分离卷积降低模 型参数量并使用全连接层做分类提高模 型 分类精度， 使得模型在保持参数量 不变的情况 下降低了延迟， 提高了检测精度； 所述多阶段网络训练算法是将训练集和测试集划分为多个子集， 再利用子训练集训练 得到初始模型， 初始模型结合子测试集推理得到伪标签数据集， 伪标签数据集再与下一子 训练集结合来微调初始模型得到微调模型， 在当前循环中的微调模型作为下一次循环的初 始模型重复此 过程直到子集被遍历完， 得到最终训练模型。 2.根据权利要求1所述的新型电力绝缘子缺陷检测识别方法， 其特征在于， 所述改进 YOLOX卷积神经网络模型包括： 主干特 征网络、 特 征融合网络以及YOLOHead网络； 将图像输入主干特征网络得到有效特征图1、 有效特征图2以及有效特征图3； 将所述有 效特征图1、 有效特征图2以及有效特征图3输入 特征融合网络中， 并将特征融合网络的输出 分别输入YOLOHead网络， 分别得到相应的Clas s结果、 Box结果以及Obj结果； 所述Class结果用于判断每个特征点所包含的物体种类； 所述Box结果用于判断每个特 征点的回归参数， 回归参数解码后获得预测框； 所述Obj结果用于判断每一个特征点是否包 含物体； 将所述Class结果、 所述Box结果和所述Obj结果绘制在原图上完成绝缘子缺陷检 测。 3.根据权利要求2所述的新型电力绝缘子缺陷检测 识别方法， 其特征在于， 所述主干特 征网络包括： 输入图像依次经过Focus模块宽高减半、 RepVGGBlock降采样， 3个C3Block接 RepVGGBlock降采样的结构， 得到有效特征图1、 有效特征图2以及特征图； 将所述特征图经 过SPP结构融合 不同的感受野和一个C 3Block结构得到最后的有效特 征图3。 4.根据权利要求2所述的新型电力绝缘子缺陷检测识别方法， 其特征在于， 所述 YOLOHead网络包括： 将特征融合网络输出的特征图通过卷积块输出两个 分支， 其中， 一个分 支为分类分支， 由深度可分离卷积和全连接层组成， 输出Class结果； 另一个分支经过深度 可分离卷积后分为2个分支， 一个分支经过卷积块输出Box结果， 另一个分支经过卷积块输 出Obj结果。 5.根据权利要求1所述的新型电力绝缘子缺陷检测识别方法， 其特征在于， 所述步骤S2 采用： 步骤S2.1： 将原缺陷绝 缘子训练集和 测试集划分为多个子数据集； 步骤S2.2： 使用初始子训练集训练改进YOLOX卷积神经网络模型得到初始改进YOLOX卷 积神经网络模型； 步骤S2.3： 利用初始改进YOLOX卷积神经网络模型推理未标记的测试集得到伪标签数 据集；权　利　要　求　书 1/3 页 2 CN 115456941 A 2步骤S2.4： 利用伪标签数据集结合下一个子训练集微调初始改进YOLOX卷积神经网络 模型得到微调后的改进YOLOX 卷积神经网络模型； 步骤S2.5： 将微调后的改进YOLOX卷积神经网络模型视为初始改进YOLOX卷积神经网络 模型， 利用当前初始改进YOLOX卷积神经网络模型推理下一个未标记的测试集得到伪标签 数据集， 重复触发步骤S2.4至步骤S2.5， 直至遍历完所有的子训练集和 子测试集得到最终 的训练后的改进YOLOX 卷积神经网络模型。 6.根据权利要求5所述的新型电力绝缘子缺陷检测识别方法， 其特征在于， 所述步骤 S2.1采用： 通过航拍获取缺陷绝缘子数据集， 基于航拍获取的缺陷绝缘子数据集通过分割 算法分割 出不同种类的缺陷绝缘子， 再结合仿射变换后与背景图像相融合， 生成扩充缺陷 绝缘子个数与种类的新 缺陷绝缘子数据集。 7.根据权利要求2所述的新型电力绝缘子缺陷检测识别方法， 其特征在于， 所述步骤S3 采用： 通过遍历每层的Class结果、 Box结果以及Obj结果得到预测框的信息后， 通过得分筛 选与非极大值抑制得到最终的预测框， 并将预测框绘制在图像上， 实现绝缘子缺陷检测与 识别。 8.一种新型电力绝 缘子缺陷检测识别系统， 其特 征在于， 包括： 模块M1： 构建改进YOLOX 卷积神经网络模型； 模块M2： 利用多阶段网络训练算法训练改进YOLOX卷积神经网络模型， 得到训练后的改 进YOLOX卷积神经网络模型； 模块M3： 利用训练后的改进YOLOX卷积神经网络模型对待测新型电力绝缘子缺陷进行 检测识别； 所述改进YOLOX卷积神经网络模型包括主干特征网络、 特征融合网络以及YOLOHead网 络； 在所述主干特征网络中加入RepVGG重参化结构加速模型推理速度并提高模型识别精 度， 在YOLOHead网络采用深度可分离卷积降低模 型参数量并使用全连接层做分类提高模 型 分类精度， 使得模型在保持参数量 不变的情况 下降低了延迟， 提高了检测精度； 所述多阶段网络训练算法是将训练集和测试集划分为多个子集， 再利用子训练集训练 得到初始模型， 初始模型结合子测试集推理得到伪标签数据集， 伪标签数据集再与下一子 训练集结合来微调初始模型得到微调模型， 在当前循环中的微调模型作为下一次循环的初 始模型重复此 过程直到子集被遍历完， 得到最终训练模型。 9.根据权利要求8所述的新型电力绝缘子缺陷检测识别系统， 其特征在于， 所述改进 YOLOX卷积神经网络模型包括： 主干特 征网络、 特 征融合网络以及YOLOHead网络； 将图像输入主干特征网络得到有效特征图1、 有效特征图2以及有效特征图3； 将所述有 效特征图1、 有效特征图2以及有效特征图3输入 特征融合网络中， 并将特征融合网络的输出 分别输入YOLOHead网络， 分别得到相应的Clas s结果、 Box结果以及Obj结果； 所述Class结果用于判断每个特征点所包含的物体种类； 所述Box结果用于判断每个特 征点的回归参数， 回归参数解码后获得预测框； 所述Obj结果用于判断每一个特征点是否包 含物体； 将所述Class结果、 所述Box结果和所述Obj结果绘制在原图上完成绝缘子缺陷检 测； 所述主干特征网络包括： 输入图像依次经过Focus模块宽高减半、 RepVGGBlock降采样， 3个C3Block接RepVGGBlock降采样的结构， 得到有效特征图1、 有效特征图2以及特征图； 将权　利　要　求　书 2/3 页 3 CN 115456941 A 3