买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：桂林电子科技大学

摘要：本发明公开了一种基于SDE_YOLOv8的高压导线断散股检测方法，包括如下步骤：采集高压导线断散股数据收集；数据集扩容与整合；增强对数据特征的学习；引入EMA注意力机制提高SDE_YOLOv8提取和关注特征信息的；改进YOLOv8损失函数，将YOLOv8中的损失函数替换成Shape‑IOU损失函数，使得模型增强对目标形状和尺寸的关注，提高检测性能；结果预测，并输出检测结果。本发明方法，将DCNv4_Net嵌入YOLOv8可以提高模型对不规则变化的学习和归纳，提高模型检测精确度，SDE_YOLOv8模型能够精准高效检测高压导线断散股故障。本发明方法为小样本目标检测提供了一个方向，提高了模型学习的速度以及目标检测的质量，检测效果更加精确。

主权项：1.一种基于SDE_YOLOv8的高压导线断散股检测方法，其特征在于，包括如下步骤：1采集高压导线断散股数据集：通过无人机采集高压导线断散股数据集，使用Labelme对导线中异常位置进行标注，采用多边形标注方式；采用动态背景技术对高压线所处环境进行提取，基于动态步长和随机尺度的滑动窗口方法，把图片分割成不同尺度的背景图，最后将动态生成的背景图与标注好的目标进行图片融合得到虚拟数据集；2数据集扩容与整合：将实景拍摄的高压导线断散股与步骤1中动态背景生成的虚拟数据整合为一个大数据集，将该数据集按照8:2比例划分为训练集和测试集；3增强对数据特征的学习：在YOLOv8网络中修改C2f模块嵌入DCNV4结构，得到SDE_YOLOv8网络模型，将步骤2的训练集图像输入SDE_YOLOv8网络模型中，每张图像经过YOLOv8的初始特征卷积之后输入到DCNV4_Net结构中，DCNv4_Net采用类似可分离卷积的思想通过depth-wise计算mask，通过point-wise计算offset，最终输出关于每一个像素的横纵坐标的偏移量和形状变化参数，最后经过SDE_YOLOv8网络模型得到训练过程中最好的参数权重将其打包成权重文件；4引入EMA注意力机制提高SDE_YOLOv8提取和关注特征信息的；5改进YOLOv8损失函数，将YOLOv8中的损失函数替换成Shape-IOU损失函数，使得模型增强对目标形状和尺寸的关注，提高检测性能；6结果预测：将通过SDE_YOLOv8学习得到的异常特征图的权重与步骤2测试集的图像进行匹配，通过学习好的权重对图像的异常特征进行预测，预测时采用Anchor-free机制对潜在的目标进行标记，最后将多个预测框的结果通过NMS进行筛选，保留得分最高的作为预测框，预测框即为检测高压线导线断散股中的故障异常位置。

全文数据：

权利要求：

百度查询： 桂林电子科技大学 一种基于SDE_YOLOv8的高压导线断散股检测方法