一种绝缘子自爆缺陷检测方法、装置、终端和存储介质制造方法及图纸

本发明专利技术公开了一种绝缘子自爆缺陷检测方法、装置、终端和存储介质，所述方法包括：获取目标区域内的绝缘子遥感图像数据，并对所述遥感图像数据进行预处理，获得预处理后的遥感图像数据；构建自爆缺陷检测模型，其中，所述检测模型包括：基础网络单元、混合空洞卷积单元和检测单元；将所述预处理后的遥感图像数据输入到所述自爆缺陷检测模型，获得缺陷检测的结果。本发明专利技术能够在提高绝缘子自爆缺陷的检测效率同时，还能提高检测的准确率。还能提高检测的准确率。还能提高检测的准确率。

【技术实现步骤摘要】
一种绝缘子自爆缺陷检测方法、装置、终端和存储介质


[0001]本专利技术涉及图像识别
，特别是涉及一种绝缘子自爆缺陷检测方法、装置、终端和存储介质。

技术介绍

[0002]架空输电线路连接电站、变电站和用户，形成输配电网络。在输电线路中，绝缘子是必备设备之一，其在电气隔离和机械支撑方面起着重要作用。绝缘子的失效直接威胁到输电线路的稳定性和安全性。据统计，由绝缘子故障引起的事故在电力系统故障中所占比例最高。因此，对绝缘子缺陷进行及时、智能的检测显得尤为重要。近年来，输电线路检查通常使用传统方法，如人工巡逻，有人驾驶直升机巡逻，和爬升机器人巡逻。然而，由于输电线路分布广泛并且所处区域地形复杂导致传统的巡视方法效率低下。无人机(UAV)巡检与以上传统方法相比具有成本低、耗时少等优点。并且随着图像处理技术的发展，基于无人机遥感图像的绝缘子缺陷检测越来越受到电力企业的重视。然而，由于图像中绝缘子自爆缺陷区域小、背景复杂，对绝缘子自爆缺陷的快速、智能检测是一项具有挑战性的任务。
[0003]目前，现有的绝缘子检测方法中，存在以下问题：
[0004]1、现有的目标检测算法可分为一阶检测方法和二阶检测方法。一阶检测方法实时性高，但是检测精度低；二阶检测方法检测精度高于一阶检测方法，但是难以训练且检测速度慢。两类方法均无法在检测速度与精度上取得平衡。
[0005]2、遥感图像中绝缘子缺陷区域占有面积比例较小，现有的方法在进行特征提取过程中容易造成小目标的特征信息丢失。
[0006]3、现有的目标检测算法在遥感图像中绝缘子重合遮挡时，容易造成目标检测准确率下降。

技术实现思路

[0007]本专利技术的目的是：提供一种绝缘子自爆缺陷检测方法、装置、终端和存储介质，不仅能够提高绝缘子自爆缺陷的检测效率，还能提高检测的准确率。
[0008]为了实现上述目的，本专利技术提供了一种绝缘子自爆缺陷检测方法，包括：
[0009]获取目标区域内的绝缘子遥感图像数据，并对所述遥感图像数据进行预处理，获得预处理后的遥感图像数据；
[0010]构建自爆缺陷检测模型，其中，所述检测模型包括：基础网络单元、混合空洞卷积单元和检测单元；
[0011]将所述预处理后的遥感图像数据输入到所述自爆缺陷检测模型，获得缺陷检测的结果。
[0012]进一步地，所述预处理包括：灰度化处理、几何变换处理和图像增强处理。
[0013]进一步地，所述混合空洞卷积单元，采用如下计算公式：
[0014][0015]f
n
＝f
k
+(f
k
‑
1)*(D
r
‑
1)
[0016]其中，f
k
为空洞卷积的卷积核大小；f
n
为空洞卷积等效卷积核大小；D
r
为扩张率；l
m
‑1表示上一层的感受野；l
m
表示当前层的感受野；s
i
表示当前层之前第i层卷积步长。
[0017]进一步地，所述检测单元，采用如下计算公式：
[0018][0019][0020]其中，S
i
为置信度分数，DIOU表示距离交并比，M表示出置信度得分最高的预测框，b
i
为待处理预测框，D为预测框集合，IOU表示交并比，b表示预测框框中心点，b
gt
表示真实框中心点，ρ2(b，b
gt
)表示预测框框中心点b和真实框中心点b
gt
之间的距离，c表示能够同时包含预测框和真实框的最小闭包区域的对角线距离。
[0021]进一步地，所述灰度化处理，包括：分量法、最大值法、平均值法和加权平均法；所述几何变换处理，包括：最近邻插值法、双线性插值法和双三次插值法；所述图像增强处理，包括：空间域法和频率域法。
[0022]本专利技术还提供一种绝缘子自爆缺陷检测装置，包括：获取模块、构建模块和检测模块，其中，
[0023]所述获取模块，用于获取目标区域内的绝缘子遥感图像数据，并对所述遥感图像数据进行预处理，获得预处理后的遥感图像数据；
[0024]所述构建模块，用于构建自爆缺陷检测模型，其中，所述检测模型包括：基础网络单元、混合空洞卷积单元和检测单元；
[0025]所述检测模块，用于将所述预处理后的遥感图像数据输入到所述自爆缺陷检测模型，获得缺陷检测的结果。
[0026]进一步地，所述混合空洞卷积单元，采用如下计算公式：
[0027][0028]f
n
＝f
k
+(f
k
‑
1)*(D
r
‑
1)
[0029]其中，f
k
为空洞卷积的卷积核大小；f
n
为空洞卷积等效卷积核大小；D
r
为扩张率；l
m
‑1表示上一层的感受野；l
m
表示当前层的感受野；s
i
表示当前层之前第i层卷积步长。
[0030]进一步地，所述检测单元，采用如下计算公式：
[0031][0032][0033]其中，S
i
为置信度分数，DIOU表示距离交并比，M表示出置信度得分最高的预测框，b
i
为待处理预测框，D为预测框集合，IOU表示交并比，b表示预测框框中心点，b
gt
表示真实框中心点，ρ2(b，b
gt
)表示预测框框中心点b和真实框中心点b
gt
之间的距离，c表示能够同时包
含预测框和真实框的最小闭包区域的对角线距离。
[0034]本专利技术还提供一种计算机终端设备，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一项所述的绝缘子自爆缺陷检测方法。
[0035]本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一项所述的绝缘子自爆缺陷检测方法。
[0036]本专利技术实施例一种绝缘子自爆缺陷检测方法、装置、终端设备和计算机可读存储介质与现有技术相比，其有益效果在于：
[0037]本专利技术以YOLO v4网络为基础网络模型兼顾检测精度和速度。同时，为了解决遥感图像中绝缘子缺陷占有面积比例小，网络对小目标检测能力低的问题，该方法提出引入混合空洞卷积模块对网络模型进行改进。浅层特征经过混合空洞卷积模块处理后与深层特征进行融合得到新的特征图。与原特征图相比，新的特征图包含更多的小目标特征信息，从而进一步提升网络对小目标的检测能力。最后，在检测结果后处理过程中采用改进高斯加权非极值抑制方法对预测框进行筛选，避免因绝缘子重合造成的被遮挡绝缘子预测框误删除。
附图说本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种绝缘子自爆缺陷检测方法，其特征在于，包括：获取目标区域内的绝缘子遥感图像数据，并对所述遥感图像数据进行预处理，获得预处理后的遥感图像数据；构建自爆缺陷检测模型，其中，所述检测模型包括：基础网络单元、混合空洞卷积单元和检测单元；将所述预处理后的遥感图像数据输入到所述自爆缺陷检测模型，获得缺陷检测的结果。2.根据权利要求1所述的绝缘子自爆缺陷检测方法，其特征在于，所述预处理包括：灰度化处理、几何变换处理和图像增强处理。3.根据权利要求1所述的绝缘子自爆缺陷检测方法，其特征在于，所述混合空洞卷积单元，采用如下计算公式：f
n
＝f
k
+(f
k
‑
1)*(D
r
‑
1)其中，f
k
为空洞卷积的卷积核大小；f
n
为空洞卷积等效卷积核大小；D
r
为扩张率；l
m
‑1表示上一层的感受野；l
m
表示当前层的感受野；s
i
表示当前层之前第i层卷积步长。4.根据权利要求1所述的绝缘子自爆缺陷检测方法，其特征在于，所述检测单元，采用如下计算公式：如下计算公式：其中，S
i
为置信度分数，DIOU表示距离交并比，M表示出置信度得分最高的预测框，b
i
为待处理预测框，D为预测框集合，IOU表示交并比，b表示预测框框中心点，b
gt
表示真实框中心点，ρ2(b，b
gt
)表示预测框框中心点b和真实框中心点b
gt
之间的距离，c表示能够同时包含预测框和真实框的最小闭包区域的对角线距离。5.根据权利要求2所述的绝缘子自爆缺陷检测方法，其特征在于，所述灰度化处理，包括：分量法、最大值法、平均值法和加权平均法；所述几何变换处理，包括：最近邻插值法、双线性插值法和双三次插值法；所述图像增强处理，包括：空间域法和频率域法。6.一种绝缘子自爆缺陷检测装置，其特征在于，包括：获取模块、构建模块和检测模块...

【专利技术属性】
技术研发人员：魏瑞增，王彤，王磊，杨晓东，黄勇，周恩泽，刘淑琴，田翔，许海林，石墨，罗颖婷，鄂盛龙，江俊飞，成国雄，郭圣，
申请(专利权)人：广东电网有限责任公司电力科学研究院，
类型：发明
国别省市：