本发明涉及绝缘子装置，尤其涉及一种基于改进yolov8模型的绝缘子缺陷检测方法。
背景技术：
1、绝缘子装置为一种特殊的绝缘控件，由绝缘件和连接金属两部分组成，在电力系统中的重要性不言而喻，它能够在架空线路中，承担着支撑导线和防止电流接地的关键作用。由于绝缘子长期暴露在外部环境中，容易受到天气和自然因素的影响，从而产生老化、破损、污脏等缺陷。这些缺陷一旦产生，很可能引发电网故障，导致供电中断，给人们的日常生活带来不便。因此定期维护和检查绝缘子对于保障电力系统的稳定和人们的用电需求至关重要。
2、目前，绝缘子的缺陷检测包括人工巡检方式，由于绝缘子检测点众多、覆盖面积广泛，通常位于马路、河流树林等复杂多变的运行环境中。传统的人工巡检绝缘子方式不仅耗时费力、效率低下，而且存在安全隐患，检测质量也难以得到保证。既如此，提出了一种基于计算机视觉算法对绝缘子图像进行自动分析和缺陷检测取代了传统的人工巡检方式。基于计算机视觉算法需要人为设置目标特征，针对不同的目标需要设置不同的特征，且识别精度低，容易造成误检或漏检。基于传统图像处理的方法由于无法自动提取绝缘子的特征，所以只能在特定的环境下准确的识别出缺陷绝缘子，但绝缘子通常处于河流、农田、工地和森林等复杂的背景环境下，该方法不能准确对绝缘子进行提取和识别，现有技术对绝缘子的缺陷检测精度低、检测效率慢。
技术实现思路
1、本发明要解决的技术问题是：为了解决现有技术对绝缘子的缺陷检测精度低、检测效率慢的技术问题。本发明提供一种基于改进yolov8模型的绝缘子缺陷检测方法，提高了检测效率和检测精度。
2、本发明解决其技术问题所采用的技术方案是：一种基于改进yolov8模型的绝缘子缺陷检测方法，所述方法包括以下步骤：
3、s1，获取绝缘子的原始图像，并对所述原始图像进行预处理，得到数据集；
4、s2，构建原始yolov8模型，所述原始yolov8模型包括：backbone模块、neck模块和head模块，所述backbone模块用于提取多尺度特征，所述neck模块用于将所述backbone模块提取的多尺度特征进行融合，所述head模块用于对所述neck模块融合的多尺度特征进行回归预测，在所述backbone模块添加psa注意力机制，并采用hat混合注意力变换器改进所述head模块，得到改进后的yolov8模型；
5、其中，所述backbone模块包括conv单元、c2f单元以及sppf单元；
6、s3，将所述数据集输入至改进后的yolov8模型，对改进后的yolov8模型进行训练，直至损失函数收敛，得到训练好的改进yolov8模型；
7、s4，使用训练好的改进yolov8模型对绝缘子进行缺陷检测，得到缺陷类型。
8、进一步，具体地，在所述步骤s1中，所述预处理步骤包括裁剪、镜像反转和标注步骤；
9、所述数据集包括训练集、验证集和测试集。
10、进一步，具体地，利用soata轻量化下采样操作adown单元改进conv单元，作为backbone模块主干上特征提取的conv来使用；
11、进一步，具体地，在elan上引入了cspnet结构形成gelan单元来改进c2f单元。
12、进一步，具体地，在所述步骤s3具体包括以下步骤：
13、s31、利用训练集对改进yolov8模型进行训练；
14、s32、利用验证集对改进yolov8模型进行测试，从而测试改进yolov8模型进行训练是否准确；
15、s33、利用训练后的改进yolov8模型对测试集中的图像样本进行检测，并对测试集的检测结果进行检测精度评价。
16、进一步，具体地，在所述步骤s33中检测精度评价包括精确率和召回率的计算；
17、所述精确率的计算公式为：
18、
19、所述召回率的计算公式为：
20、
21、其中，tp代表将正类目标预测为正，fp代表将负类目标错误的预测为正，fn代表将负类目标判定为负，tn代表将负样本正确预测为负。
22、进一步，具体地，所述hat混合注意力变换器融合自注意力机制和通道注意力机制；
23、所述自注意力机制基于多目标搜索算法融合自注意力模块和通道注意力模块，其中所述自注意力模块包括：
24、第一卷积层，用于降低特征维度，减少自注意力的计算负荷；
25、多头自注意力层，用于捕获降低特征维度后特征间的长距离依赖关系；
26、第二卷积层，用于恢复特征维度；
27、第一批量归一化层，用于yolov8模型训练中的规范化处理，并将自注意力模块的输出与初始输入相加，形成残差连接；
28、第一激活函数层，用于将输入映射到输出端；
29、所述通道注意力模块包括：
30、池化层，对一个尺寸为h*w*c的输入特征图进行空间维度的全局最大池化和全局平均池化，得到两个1*1*c的特征图，在空间维度进行池化上，压缩空间尺寸，得到全局最大池化和全局平均池化的结果；
31、共享学习层，将池化层的结果输入共享的多层感知机中学习，得到两个1*1*c的特征图，多层感知机的第一层神经元个数为c/r，激活函数为relu，多层感知机的第二层神经元个数为c，将多层感知机输出的结果进行add操作，接着经过sigmoid激活函数的映射处理，最终得到通道注意力权重矩阵mc。
32、进一步，具体地，所述缺陷检测的类型包括：老化、缺陷缺口和/或肮脏-污秽。
33、一种计算机设备，包括：
34、处理器；
35、存储器，用于存储可执行指令；
36、其中，所述处理器用于从所述存储器中读取所述可执行指令，并执行所述可执行指令以实现如上所述的基于改进yolov8模型的绝缘子缺陷检测方法。
37、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，使得处理器实现如上所述的基于改进yolov8模型的绝缘子缺陷检测方法。
38、本发明的有益效果是，本发明的基于改进yolov8模型的绝缘子缺陷检测方法，通过添加高效的部分psa注意力机制，以及采用hat混合注意力变换器改进所述head模块能够在不显著增加计算成本的情况下，提升yolo模型的性能，检测效率快，且检测精度高。
1.一种基于改进yolov8模型的绝缘子缺陷检测方法，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模型的绝缘子缺陷检测方法，其特征在于，在所述步骤s1中，所述预处理步骤包括裁剪、镜像反转和标注步骤；
3.如权利要求1所述的基于改进yolov8模型的绝缘子缺陷检测方法，其特征在于，利用soata轻量化下采样操作adown单元改进conv单元，作为backbone模块主干上特征提取的conv来使用。
4.如权利要求1所述的基于改进yolov8模型的绝缘子缺陷检测方法，其特征在于，在elan上引入了cspnet结构形成gelan单元来改进c2f单元。
5.如权利要求3或4所述的基于改进yolov8模型的绝缘子缺陷检测方法，其特征在于，在所述步骤s3具体包括以下步骤：
6.如权利要求1所述的基于改进yolov8模型的绝缘子缺陷检测方法，其特征在于，在所述步骤s33中检测精度评价包括精确率和召回率的计算；
7.如权利要求1所述的基于改进yolov8模型的绝缘子缺陷检测方法，其特征在于，所述hat混合注意力变换器融合自注意力机制和通道注意力机制；
8.如权利要求1所述的基于改进yolov8模型的绝缘子缺陷检测方法，其特征在于，所述缺陷检测的类型包括：老化、缺陷缺口和/或肮脏-污秽。
9.一种计算机设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，使得处理器实现如权利要求1至8中任一项所述的基于改进yolov8模型的绝缘子缺陷检测方法。
