(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 202210710075.3 (22)申请日 2022.06.22 (71)申请人 闽江学院 地址 350121 福建省福州市闽侯县溪 源宫 路200号闽江学院行政楼B201 (72)发明人 李佐勇　胡蓉　郭锋　钟宇宁　 陈聪　蔡远征　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 陈明鑫　蔡学俊 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/62(2017.01) G06V 10/44(2022.01) G06V 10/764(2022.01)G06V 10/766(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 基于YOLOv4-Tiny改进的绝缘子缺陷检测方 法 (57)摘要 本发明涉及一种基于YOL Ov4‑Tiny改进的绝 缘子缺陷检测方法。 该方法将通道注 意力网络应 用到了YOLOv4 ‑tiny的特征提取网络中， 显著增 强了主干网络的特征提取能力。 在特征融合阶 段， 将原本的FPN改进成为了两条特征融合路径 双向特征金字塔结构， 使不同尺度特征之间 能够 更加充分的融合。 最后在损失函数的设计上， 使 用了能够解决检测过程中出现的正负样本数量 不均衡问题的Focal损失代替二元交叉熵损失函 数。 实验结果表明， 与Faster  R‑CNN和YOLOv3相 比， 本发明方法在平均分类精度和检测速率以及 漏检误检方面有较大的提升， 性能表现优异。 权利要求书2页 说明书9页 附图5页 CN 114972312 A 2022.08.30 CN 114972312 A 1.一种基于YOLOv4 ‑Tiny改进的绝缘子缺陷检测 方法， 其特征在于， 采用YOLOv4 ‑tiny 的主干网络对输入的绝缘子图像进行特征提取， 将提取出的特征向量组成特征矩阵经过通 道注意力网络后输入YOLOv4 ‑tiny的特征融合层， 实现特征间的多尺度特征融合， 最后由 YOLOv4‑tiny的检测头 输出检测结果。 2.根据权利要求1所述的基于YOLOv4 ‑Tiny改进的绝缘子缺陷检测方法， 其特征在于， 所述YOLOv4 ‑tiny的主干 网络采用CSPDarknet53 ‑Tiny网络， CSPDarknet53 ‑Tiny网络由三 个DarknetConv2D_BN_Leaky模块与三个Resbl ock_body模块组成。 3.根据权利要求1所述的基于YOLOv4 ‑Tiny改进的绝缘子缺陷检测方法， 其特征在于， 所述通道注意力网络采用E CA‑Net。 4.根据权利要求3所述的基于YOLOv4 ‑Tiny改进的绝缘子缺陷检测方法， 其特征在于， 在ECA‑Net中提出了一种自适应的方法来确定每个输入 所用的内核大小 K， 其大小与通道的 数量成正比， 计算公式如下： 其中， γ＝2， b＝1， C h为输入的通道数， |*|odd表示最邻近的奇数。 5.根据权利要求1所述的基于YOLOv4 ‑Tiny改进的绝缘子缺陷检测方法， 其特征在于， YOLOv4‑tiny的特征融合层， 将FPN 改进成两条特征融合路径的双向特征金字塔结构， 即在 FPN的上采样分支+卷积的基础上， 添加一个自底向上的下采样分支， 组成双向的FPN， 下采 样分支中的卷积层用深度可分离卷积层替代； 双向的FPN的通道连接方式是将两个特征连 接在一起。 6.根据权利要求1所述的基于YOLOv4 ‑Tiny改进的绝缘子缺陷检测方法， 其特征在于， YOLOv4‑tiny的损失函数， 使用Focal损失代替 二元交叉熵损失函数； 具体如下： YOLOv4‑tiny的损失函数由三部分组成， 分别是边 界框回归损失Lloc、 预测类别损失Lcls 以及预测置信度损失Lconf， 整体损失L定义 为： L＝Lloc+Lcls+Lconf IOU用于衡量边界框回归的准确程度， 它的大小由预测框和真实框的相交区域和相并 区域面积的比值确定， 定义 为： 使用CIOU损失函数来作为 边界框回归损失， CIOU损失函数定义 为： 其中b、 bgt表示预测框的中心点和真实框的中心点， ρ2(b,bgt)表示预测框与真实框中心 点之间的欧式距离， C2代表真实框与预测框相交最小矩形区域的对角线长度， α 表示惩罚项 的权重函数， ν代 表边界框的长 宽比； 在计算完边界框回归损失后， 使用Focal损失函数去计算预测类别损失和预测置信度 损失， Focal损失函数定义 为：权　利　要　求　书 1/2 页 2 CN 114972312 A 2FL(pt)＝‑αt(1‑pt)γlog(pt) 其中 表示当对象为检测目标类时pt为原始设置的p， 当对象为背景类 时pt为1‑p， αt代表正负样 本的权值， γ代表难易样 本的权值， 仅当αt＝1， γ＝0时Focal损失 函数等价于交叉熵损失。 7.根据权利要求1所述的基于YOLOv4 ‑Tiny改进的绝缘子缺陷检测方法， 其特征在于， 所述YOLOv4 ‑Tiny模型的训练采用的迭代策略是使用多阶段迁移学习： 首先， 使用VOC数据 集在YOLOv4 ‑tiny模型上训练至拟合作为预训练模型， 利用预训练模型将源域的图像特征 分布迁移至目标域的图像， 挖掘两个域之间的通用特征； 其次， 使用绝缘子数据集对 YOLOv4‑tiny模型进行训练， 训练分为两个阶段： 第一个阶段冻结主干网络， 冻结的主干网 络作为特征提取器， 只参与训练但是不改变权重； 第二阶段为解冻主干网络， 利用整个 YOLOv4‑tiny模型进行训练。 8.根据权利要求7所述的基于YOLOv4 ‑Tiny改进的绝缘子缺陷检测方法， 其特征在于， 第一个阶段需要0.001的较大学习率， 到达第二个阶段时， 由于网络在第一阶段已部分调 整， 所以将学习率设置成了较小的0.0001； 为防止学习率陷入马鞍面， 导致一个局部最优的 情况， 利用余弦退火学习率将学习率瞬时提高到初始设定的最高值冲出马鞍面， 使YOLOv4 ‑ Tiny模型尽可能寻找到全局最优解， 即： 随着训练迭代的增加， 学习率先以线性的方式增加 到初始学习率， 接着以余弦函数的形式下降至 0， 一直重复这个过程 直到训练完成。权　利　要　求　书 2/2 页 3 CN 114972312 A 3