本发明属于计算机视觉下的目标识别领域，涉及一种变压器台架表面缺陷检测方法。
背景技术：
1、变电设备作为电力系统供电和传输的关键枢纽，承载着电压转换和电能分配的重要职责，它们的稳定运作对确保电网的安全和可靠至关重要。为了监控这些设备的运行状况，电力公司通常采取定期巡检的方法，记录并评估各变电设备的工作状态，以10kv变压器台架为例，可能存在的一些外部表面缺陷，包括：绝缘子的破损或污染、避雷器的缺陷、绝缘罩的丢失、植物缠绕、鸟巢的存在其他异物，这些缺陷带来的短路或者器件失效的危险。以往变电设备的缺陷检测主要依赖于人工现场排查。尽管这种方法在检测典型外部缺陷方面精度较高，但它需要技术人员定期进行现场检查，这不仅消耗大量人力物力资源，尤其在恶劣天气或复杂环境下，还增加了技术人员的工作负担和风险。因此，利用巡检机器人对变电设备进行缺陷检测的需求迫在眉睫。目前，使用无人机进行巡检的方案已较为成熟，但仍需耗费工作人员大量时间和精力来审核图像数据以确认缺陷的存在。因此，如何实现图像数据的自动化缺陷检测以减少人力投入变得十分重要。
2、近年来，基于机器视觉的目标识别技术已广泛应用于电力行业，辅助自动化设备实现电力系统的保护和监控。传统的目标检测方法主要依赖于目标的纹理结构、外观特征和变换域分解等技术来预处理图像。深度学习技术已在计算机视觉(cv)领域，包括分类、分割和检测任务中，取得了显著的成果。基于深度学习的目标检测方法，特别是在输电线路关键目标和缺陷检测方面，已成为一个极具前景的研究领域。
3、电力设备缺陷种类众多，其跨度也较大这是缺陷识别的挑战之一。有数厘米大小的螺栓、销钉缺陷，也有数米大小的塔杆缺陷。图像采集设备的拍摄分辨率有限，小尺度的缺陷在图像中占比较小，有效信息不足。而用于深度学习模型识别的图像往往会被压缩处理，进一步提高了小目标缺陷识别的难度。尽管模型的不断改进、样本质量的提高对小目标缺陷识别效果有较大提升，但在实际应用中，小目标缺陷识别精度的提高，依然是当前电力设备缺陷识别的挑战之一。
技术实现思路
1、为了克服现有技术的不足，本发明提出一种改进yolov8的变压器台架设备表面缺陷检测方法，在保证模型大小的前提下，实现对小目标识别的精度和准确度的提高，能够满足实际电力项目验收与缺陷监测的需要。
2、为了解决上述技术问题，本发明提供如下的技术方案：
3、一种基于改进yolov8的变压器台架设备表面缺陷检测方法，所述方法包括以下步骤：
4、1)数据集的构建，过程如下：
5、通过摄像头拍摄有缺陷的变压器台架设备视频、图像，对视频、图形进行预处理，并进行缺陷标注，形成数据集；
6、2)构建基于改进yolov8的变压器台架设备表面缺陷检测模型，包括backbone模块、recross-fpn模块以及aux-head模块；
7、所述backbone模块为yolov8主干网络模块，所述recross-fpn模块引入能更好融合高低特征信息的交叉尺度融合模块ccf，通过自适应的注意力机制，根据特征图的不同分辨率和内容，自适应的调整特征的权重，从而更好的捕捉目标的多尺度特征，并且将主干网络中p2层的特征图引入其中进一步加强小目标的特征提取能力；改变原本的连接方式，实现轻量化的同时保证了特征提取的能力；所述aux-head模块添加额外训练辅助头，在训练阶段参与训练，最终推理阶段去掉，在提升检测头训练精度的同时，并不带来额外的推理负担；
8、3)采用数据集对构建的基于改进yolov8的变压器台架设备缺陷检测模型进行训练，采用训练后的模型进行检测，实现变压器台架设备表面缺陷检测。
9、进一步，所述步骤1)中，所述数据集包含绝缘子捆扎不规范的缺陷。当然，还可以包括其他缺陷。
10、再进一步，所述步骤1)中，所述数据集图像尺寸缩放调整为640×640像素，存放数据文件夹为datasets，包括两个子文件夹，分别为images、labels，其中images保存训练图像，labels保存与训练图像对应txt文件；训练集、验证集、测试集的比例为6:2:2，训练集、验证集、测试集的文件图像和标签具体路径存在在data.yaml文件中，其中存放的是训练图像和标签的相对路径。
11、更进一步，所述步骤2)中，所述backbone模块包括5个conv模块、4个c2f模块和1个sppf模块。
12、优选的，所述backbone模块实现过程如下：
13、主干网络中四层c2f分别为2,4,6,8层，将2,4,6层所提取的特征信息输出到ccf模块进一步融合特征信息；输入图像先连续进入两个conv层进行特诊提取，紧接着进入c2f模块进行进一步提取并融合多尺度信息，同时向recross-fpn模块输出；再进入一个conv层紧接一个c2f层，并从c2f层向recross-fpn输出，如此反复总层数到8时，接入sppf模块作为第9层，在不改变特征图大小的情况下，对不同尺度的特征图进行池化操作。
14、所述步骤2)中，所述recross-fpn模块中，首先由backbone中的2、4、6层输出的特征图进入颈部的ccf模块实现输入数据的上采样以及拼接等一系列操作，实现将低分辨率图像和高分辨率图像的特征融合；第9层的特征图和第6层特征图进入交叉尺度融合模块ccf进行特征的融合与提取，再经过一次c2f模块提取特征后，将第11层和第4层特征图送入到下一个ccf进行融，再经过一次c2f模块提取特征，将第13层和第2层特征图进入ccf进行融合，经过一次c2f模块提取特征，将第15层和13层送入到ccf进行融合，经过一次c2f模块提取特征，将第17层和11层送入到ccf进行融合，再进行一次c2f模块提取特征，将第19层和9层送入到ccf进行融合，进行一次c2f得到第21层。将第15、17、19、21这4层的输入的aux-head中。
15、所述交叉尺度融合模块ccf中，有选择地聚合边界信息和语义信息来描绘更细粒度的物体轮廓和重新校准物体的位置；包括全连接层、sigmoid激活、conv层、高低尺度交叉上采样层、concat并接层；输入分为低级特征与高级特征，分别经过一个全连接层减少参数量，全连接层的输出分别经过sigmoid激活层与conv卷积层；低尺度的特征经过激活层和卷积层记为l_feture_s、l_feture_c，高尺度的特征经过激活层和卷积层记为h_feture_s、h_feture_c；将高低尺度的特征经过上采样以及交叉相乘处理，获得融合的特征，处理方程如下：h_feture_f＝
16、h_feture_+h_feture_s*h_feture_c
17、+(1-h_feture_s)*upsample(l_feture_s*l_feture_c)
18、l_feture_f＝
19、l_feture_c+l_feture_s*l_feture_c
20、+(1-l_feture_s)*upsample(h_feture_s*h_feture_c)。
21、所述步骤2)中，所述aux-head模块采用cv2、cv3分别负责预测边界框和分裂；添加cv4、cv5以及相应的dfl_aux，用于辅助边界框的预测，在训练模式下返回所有层的输出，在非训练模式下会计算锚点和步长，并对输出进行处理，包括：将边界和类别概率拼接；最终输出预测的边界和类别概率。
22、与现有技术相比，本发明的有益效果表现在：
23、1，在小目标精度检测方面，主干网络中p2层的特征图也引入到neck中，并且在neck中采用ccf交叉尺度融合模块，提升特征提取能力，提升了再缺陷检测中小目标检测的检测精度
24、2，在末端检测精度方面，采用带有辅助训练网络的检测头，在不影响速度的前提下，使得检测的精度有一定提升。
1.一种基于改进yolov8的变压器台架设备表面缺陷检测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于改进yolov8的变压器台架设备表面缺陷检测方法，其特征在于，所述步骤1)中，所述数据集包含绝缘子捆扎不规范的缺陷。
3.如权利要求1或2所述的基于改进yolov8的变压器台架设备表面缺陷检测方法，其特征在于，所述步骤1)中，所述数据集图像尺寸缩放调整为640×640像素，存放数据文件夹为datasets，包括两个子文件夹，分别为images、labels，其中images保存训练图像，labels保存与训练图像对应txt文件；训练集、验证集、测试集的比例为6:2:2，训练集、验证集、测试集的文件图像和标签具体路径存在在data.yaml文件中，其中存放的是训练图像和标签的相对路径。
4.如权利要求1或2所述的基于改进yolov8的变压器台架设备表面缺陷检测方法，其特征在于，所述步骤(2中，所述backbone模块包括5个conv模块、4个c2f模块和1个sppf模块。
5.如权利要求4所述的基于改进yolov8的变压器台架设备表面缺陷检测方法，其特征在于，所述backbone模块实现过程如下：
6.如权利要求1或2所述的基于改进yolov8的变压器台架设备表面缺陷检测方法，其特征在于，所述步骤2)中，所述recross-fpn模块中，首先由backbone中的2、4、6层输出的特征图进入颈部的ccf模块实现输入数据的上采样以及拼接等一系列操作，实现将低分辨率图像和高分辨率图像的特征融合；第9层的特征图和第6层特征图进入交叉尺度融合模块ccf进行特征的融合与提取，再经过一次c2f模块提取特征后，将第11层和第4层特征图送入到下一个ccf进行融，再经过一次c2f模块提取特征，将第13层和第2层特征图进入ccf进行融合，经过一次c2f模块提取特征，将第15层和13层送入到ccf进行融合，经过一次c2f模块提取特征，将第17层和11层送入到ccf进行融合，再进行一次c2f模块提取特征，将第19层和9层送入到ccf进行融合，进行一次c2f得到第21层，将第15、17、19、21这4层的输入的aux-head中。
7.如权利要求1或2所述的基于改进yolov8的变压器台架设备表面缺陷检测方法，其特征在于，所述交叉尺度融合模块ccf中，有选择地聚合边界信息和语义信息来描绘更细粒度的物体轮廓和重新校准物体的位置；包括全连接层、sigmoid激活、conv层、高低尺度交叉上采样层、concat并接层；输入分为低级特征与高级特征，分别经过一个全连接层减少参数量，全连接层的输出分别经过sigmoid激活层与conv卷积层；低尺度的特征经过激活层和卷积层记为l_feture_s、l_feture_c，高尺度的特征经过激活层和卷积层记为h_feture_s、h_feture_c；将高低尺度的特征经过上采样以及交叉相乘处理，获得融合的特征，处理方程如下：
8.如权利要求1或2所述的基于改进yolov8的变压器台架设备表面缺陷检测方法，其特征在于，所述步骤2)中，所述aux-head模块采用cv2、cv3分别负责预测边界框和分裂；添加cv4、cv5以及相应的dfl_aux，用于辅助边界框的预测，在训练模式下返回所有层的输出，在非训练模式下会计算锚点和步长，并对输出进行处理，包括：将边界和类别概率拼接；最终输出预测的边界和类别概率。
