一种基于改进YOLOv8的无人机巡检配网线路部件识别方法与流程

1.一种基于改进yolov8的无人机巡检配网线路部件识别方法，其特征在于：所述方法包括以下步骤：

2.如权利要求1所述的一种基于改进yolov8的无人机巡检配网线路部件识别方法，其特征在于：所述步骤1包括以下步骤：

3.如权利要求2所述的一种基于改进yolov8的无人机巡检配网线路部件识别方法，其特征在于：所述步骤1.1中的构建特征通道部分卷积模块fcpconv，具体包括以下步骤：

4.如权利要求2所述的一种基于改进yolov8的无人机巡检配网线路部件识别方法，其特征在于：所述步骤1.2中的对部分卷积瓶颈bottleneck结构进行重构，具体为：基于步骤1.1中提出的fcpconv卷积模块来重新构建bottleneck结构，并记作为f-bottleneck。

5.如权利要求2所述的一种基于改进yolov8的无人机巡检配网线路部件识别方法，其特征在于：所述步骤1.3中的对c2f模块即跨阶段局部特征融合模块进行改进，具体为：在该阶段，使用f-bottleneck结构整体替换原有的c2f模块中的bottleneck结构，改进后的c2f结构称为fcp_c2f。

6.如权利要求2所述的一种基于改进yolov8的无人机巡检配网线路部件识别方法，其特征在于：所述步骤1.4中的构建多层次注意力模块mam，包括以下步骤：

7.如权利要求2所述的一种基于改进yolov8的无人机巡检配网线路部件识别方法，其特征在于：所述步骤1.5中构建改进的无人机巡检配网线路部件识别算法fc-yolov8具体为：利用注意力机制将各种目标的检测头部统一，通过利用尺度感知的特征层级之间的注意力，空间感知的空间位置之间的注意力和任务感知的输出通道之间的注意力，来增强模型目标的表达性和对配网线路部件检测的精度和灵活性。

8.如权利要求1所述的一种基于改进yolov8的无人机巡检配网线路部件识别方法，其特征在于：所述步骤2中的构建网络训练损失，包括以下步骤：

9.如权利要求8所述的一种基于改进yolov8的无人机巡检配网线路部件识别方法，其特征在于：所述步骤2.1中的采用ciou和dfl损失相结合的方式来计算边界框的回归损失，具体为：在第一部分，dfl以交叉熵的形式将每个正样本与其最近的负样本之间的特征差异作为损失函数的一部分，然后通过最小化这个差异来优化模型；在第二部分，将边界框分布概率还原为预测框，通过ciou对预测框的损失和标签的真实框进行损失计算，以达到对预测框整体优化的结果，ciou的计算公式为：式中，iou表示预测框与真实框的交集比；ρ(b,bgt)表示预测框与真实框之间的欧式距离；h和w分别表示高度和预测框；hgt和wgt分别表示真实框的高度和宽度；cw和ch分别表示由预测框和真实框组成的最小包围框的高度和宽度。

10.如权利要求8所述的一种基于改进yolov8的无人机巡检配网线路部件识别方法，其特征在于：所述步骤2.2中的引入基于归一化的wasserstein距离的nwd位置回归算函数，具体为：nwd损失函数通过使用二维高斯分布计算预测框与标记框之间的相似度，其公式为：其中，c是配网线路部件的类别数；na、nb分别表示由a＝(cxa,cya,wa,ha)和b＝(cxb,cyb,wb,hb)建模的高斯分布；则约束改进的无人机巡检配网线路部件识别网络fc-yolov8的位置损失函数为：loss2＝μ·ciou+(1-μ)nwd(3)。