本发明涉及干式变压器环氧树脂表面裂纹检测领域，具体涉及一种干式变压器环氧树脂表层裂纹识别方法；更进一步地，涉及一种应用改进的yolov8网络结构的干式变压器环氧树脂表层裂纹识别方法。
背景技术：
1、本节中的陈述仅提供与本公开相关的背景信息，并且可能不构成现有技术。
2、目前变压器表面裂纹检测主要依靠人工目视检查，工程师或技术人员使用肉眼或放大镜等工具来检查变压器表面，寻找可见的裂纹迹象。这种方法依赖于人的经验和专业知识，但可能受到主观因素和视觉疲劳的影响。此外，在变压器生产过程中，或是某些特定场合对变压器各个部件的密封性检测方法还有：紫外线检测、磁粉检测、超声波检测。这些措施均能识别变压器各器件上的瑕疵或裂纹，但也存在着不足。
3、1)紫外线检测：紫外线(uv)检测方法利用紫外线照射变压器表面，然后使用紫外线摄像机或特殊滤光片来观察裂纹的荧光反应。裂纹通常会在紫外线下显示出更明显的荧光，从而帮助识别。这种方法对于检测细小的裂纹或隐蔽的裂纹有一定的优势。然而，紫外线检测方法对于光照条件和环境光的要求比较高，可能受到外部干扰的影响。此外，某些类型的裂纹可能不会在紫外线下产生明显的荧光反应，因此可能无法准确检测到所有裂纹。
4、2)磁粉检测：磁粉检测方法是一种利用磁性粉末来检测表面裂纹的方法。磁性粉末被施加在变压器表面，然后观察是否有磁粉在裂纹处聚集。这种方法对于检测裂纹的可见性和深度有一定的限制。此外，磁粉检测需要施加磁场和磁性粉末，对变压器操作和清洁可能带来一定的困难。
5、3)装设金属氧化物避雷器：超声波检测方法利用超声波在物体内部传播的特性来检测表面和内部的裂纹。超声波探头会发射超声波脉冲，并接收从物体内部反射回来的信号。通过分析反射信号的特征，可以检测到裂纹的存在和位置。超声波检测方法对设备和操作人员的要求较高，需要专业的超声波设备和经验丰富的操作人员。同时，对于裂纹的检测深度和准确性也会受到超声波的传播特性和材料的影响。
6、4)其他人工智能方法：目前应用于变压器表面瑕疵检测的人工智能方法主要有边缘检测方法，如专利号为：202310251600.4的专利，对变压器套管表面的通过对灰度图像边缘检测的方法实现对变压器套管表面瑕疵的检测，然而在复杂背景或噪声存在的情况下，这种方法可能无法准确区分裂纹和其他纹理或边缘，且该方法通常需要调整一些参数，如阈值、滤波器大小等。这些参数的选择可能对裂纹的检测结果产生较大影响，而且参数的调整需要一定的经验和调试过程。此外，边缘检测方法对光照变化和噪声比较敏感，这可能导致误检测或漏检。光照变化可能导致边缘产生断裂或模糊，而噪声可能干扰边缘的检测和提取。
技术实现思路
1、本发明的目的在于：针对现有技术中存在的问题，提供了一种干式变压器环氧树脂表层裂纹识别方法，解决了
2、本发明的技术方案如下：
3、一种干式变压器环氧树脂表层裂纹识别方法，包括：
4、步骤s1：构建干式变压器环氧树脂表层图像数据集；
5、步骤s2：构建用于干式变压器环氧树脂表面开裂识别的yolov8网络模型；并基于干式变压器环氧树脂表层图像数据集，对yolov8网络模型进行训练；
6、步骤s3：将摄像机采集的图像信息输入yolov8网络模型，通过yolov8网络模型对干式变压器表面是否开裂及开裂位置进行判断。
7、进一步地，所述步骤s1，包括：
8、步骤s11：采集干式变压器环氧树脂表层图像；
9、步骤s12：对干式变压器环氧树脂表层图像进行剪裁放大，将开裂位置进行放大，构成干式变压器环氧树脂表层图像样本集；
10、步骤s13：基于表面开裂程度与位置对干式变压器环氧树脂表层图像样本集进行缺陷程度标注，生成voc2007数据集；
11、步骤s14：通过python编写的gan生成对抗网络对存在表面开裂情况的voc2007数据集进行扩充，以达到数据平衡，使模型更加准确；
12、步骤s15：基于扩充后的数据集，按预设比列换分为训练集、测试集、验证集。
13、进一步地，所述步骤s13，包括：
14、在标注过程中，对干式变压器表层是否存在开裂与开裂位置以xml格式文件进行标注。
15、进一步地，所述yolov8网络模型由输入层、主干网络层、颈部网络层和检测头四个部分组成；其中：
16、输入层用于接收原始图像作为输入，将图像信息传递给后续的网络层；
17、主干网络层用于提取图像特征，捕捉不同层次的语义信息，用于后续的目标检测任务，
18、颈部网络层将不同层次的特征进行融合，增强模型对不同尺度目标的检测能力；
19、检测头生成目标检测的结果，包括目标的位置和类别信息，yolov8网络模型的检测头部分采用不同尺度的预测层，以适应不同大小的目标；每个预测层负责生成一组边界框，并预测每个边界框的类别概率、位置和目标存在的置信度。
20、进一步地，所述步骤s2，包括：
21、步骤s21：随机选择训练集中的图像作为yolov8网络的输入，经过主干网络层对输入图像的特征提取处理后，获得不同尺度的特征图；
22、步骤s22：颈部网络层对不同尺度的特征图进行融合；
23、步骤s23：在检测头中对图像可能存在开裂情况的概率与位置进行预测，并根据预测信息生成边界框；
24、步骤s24：对步骤s21-步骤s23进行迭代直至遍历所有训练集图像，在每次迭代过程中计算yolov8损失函数，使用梯度下降法更新网络参数，得到初始yolov8模型。
25、进一步地，在迭代过程中，使用diou作为yolov8的定位损失函数。
26、进一步地，在迭代过程中，使用eiou作为yolov8检测框回归损失函数。
27、进一步地，所述步骤s2，还包括：
28、步骤s25：根据初始yolov8模型对验证集图像进行识别，迭代统计不同yolov8模型验证集的平均精度值，直至统计的均值平均精度稳定，得到训练完成的yolov8模型，使用该模型对测试集中的所有样本进行识别，得到测试集图像内干式变压器表面开裂情况与位置预测框，并映射至测试集图像。
29、进一步地，在颈部网络层中采用感受野卷积块注意力rfcbam conv对原有网络结构进行替换；卷积块注意模块是rfcbam conv的基础，卷积块注意模块由独立运行的通道注意力模块和空间注意力模块组成；在rfcbam conv中采用squeeze-and-excitationnetworks对卷积块注意模块中的通道注意力模块行替换，降低计算量；采用步长为k的k2卷积运算进行特征信息提取，并同时对通道和空间注意力进行加权计算，以进一步增强rfcbam conv对感受野空间特征的关注。
30、进一步地，所述步骤s3，包括：
31、将变焦工业摄像机采集点选择在现场两侧的格栅上端，通过can总线将摄像头的图像信息传输至工控机，并通过yolov8网络模型对干式变压器表面是否开裂及开裂位置进行判断。
32、与现有的技术相比本发明的有益效果是：
33、1、本发明应用改进的yolov8模型对干式变压器环氧树脂表面裂纹进行识别，拓宽了干式变压器裂纹识别领域的方法，提高了巡检的效率和准确率。
34、2、本发明相较于其他人工智能图像识别方法，本发明所使用方法可以同时检测多个不同类型的目标，这对于干式变压器表面裂纹识别而言是非常有用的，因为可能存在多种类型和大小的裂纹。模型可以一次性检测到这些不同类型的裂纹，提高了识别的全面性和效率
35、3、本发明对yolov8模型进行改进，采用感受野卷积块注意力对原有的部分网络结构进行了替换，改善了yolov8模型无法准确识别小目标的缺陷，提高了yolov8模型的准确性。
1.一种干式变压器环氧树脂表层裂纹识别方法，其特征在于，包括：
2.根据权利要求1所述的一种干式变压器环氧树脂表层裂纹识别方法，其特征在于，所述步骤s1，包括：
3.根据权利要求2所述的一种干式变压器环氧树脂表层裂纹识别方法，其特征在于，所述步骤s13，包括：
4.根据权利要求3所述的一种干式变压器环氧树脂表层裂纹识别方法，其特征在于，所述yolov8网络模型由输入层、主干网络层、颈部网络层和检测头四个部分组成；其中：
5.根据权利要求4所述的一种干式变压器环氧树脂表层裂纹识别方法，其特征在于，所述步骤s2，包括：
6.根据权利要求5所述的一种干式变压器环氧树脂表层裂纹识别方法，其特征在于，在迭代过程中，使用diou作为yolov8的定位损失函数。
7.根据权利要求6所述的一种干式变压器环氧树脂表层裂纹识别方法，其特征在于，在迭代过程中，使用eiou作为yolov8检测框回归损失函数。
8.根据权利要求7所述的一种干式变压器环氧树脂表层裂纹识别方法，其特征在于，所述步骤s2，还包括：
9.根据权利要求4所述的一种干式变压器环氧树脂表层裂纹识别方法，其特征在于，在颈部网络层中采用感受野卷积块注意力rfcbam conv对原有网络结构进行替换；卷积块注意模块是rfcbam conv的基础，卷积块注意模块由独立运行的通道注意力模块和空间注意力模块组成；在rfcbam conv中采用squeeze-and-excitation networks对卷积块注意模块中的通道注意力模块行替换，降低计算量；采用步长为k的k2卷积运算进行特征信息提取，并同时对通道和空间注意力进行加权计算，以进一步增强rfcbam conv对感受野空间特征的关注。
10.根据权利要求1所述的一种干式变压器环氧树脂表层裂纹识别方法，其特征在于，所述步骤s3，包括：
