一种输电线路异物及环境异常状态检测方法技术

一种输电线路异物及环境异常状态检测方法。该方法针对输电线路上存在多种悬挂异物、鸟巢等各类可能导致输电线路发生异常的情况，通过在微调的YOLOv4模型上嵌入Coordinate Attention模块，实现了对输电线路异物及异常状态的有效检测，既保证了目标检测的准确，又确保了模型训练测试的速度。模型微调使得网络在针对输电线路异物及异常状态数据集进行检测时更加高效，Coordinate Attention模块的嵌入帮助模型在提取目标特征时更加关注目标特征区域，使得最终输出结果更加精确。使得最终输出结果更加精确。使得最终输出结果更加精确。

【技术实现步骤摘要】
一种输电线路异物及环境异常状态检测方法


[0001]本申请涉及图像识别领域，尤其涉及一种输电线路异物及环境异常状态检测方法。

技术介绍

[0002]我国电网是世界上最大的互通互联电力系统，随着电网的建设，输电线路规模不断扩大，其面临的挑战也不断升级。输电线路常见异物包括鸟巢、悬挂异物(风筝、气球、塑料袋)等，这些异物很可能会造成短路并引发山火、烟雾等异常状态，使得电力系统出现故障，给国家和人民带来巨大的经济损失和安全隐患，所以及时检测并清理异物消除异常状态十分重要。由于输电线路分布地域广阔，通常会分布在一些人烟稀疏、环境复杂的区域，传统的人工巡检工作效率低下，而且无法实现实时的检测排障任务。随着深度学习在目标检测方向的不断突破，智能巡检技术不但能够得到更高的检测效率和准确率，还可以节省大量的人力物力。
[0003]与传统方法相比，基于深度学习的目标检测技术在最终的检测精度和速度上均有明显优势，其一般可分为one
‑
stage和two
‑
stage两类。目前效果较好的two
‑
stage算法都是利用生成的候选目标区域来定位目标并分类，如Fast RCNN、Faster RCNN、RFCN等，但生成候选区域会耗费大量的计算资源，降低检测速度，不利于输电线路的实时监测。而one
‑
stage算法主要由Backbone、Neck、Head三部分组成，它会直接对图像特征进行预测，无需生成候选区域，这也使得其速度要优于two
‑
stage算法。SSD、YOLO系列都是one
‑
stage算法。YOLOv4集成了当下许多优秀的算法，不仅速度块，检测性能也优于大部分算法，故以此模型为基础，研究输电线路上的异物及环境异常状态检测具有重大意义。

技术实现思路

[0004]为了提升输电线路异物及环境异常状态检测准确率提高输电线路巡检效率，本申请提供了一种输电线路异物及环境异常状态检测方法。
[0005]本申请实施例提供了如下技术方案：
[0006]将待处理的图像输入特征提取网络，得到第一特征图，所述第一特征图包含三种不同尺度的特征图；
[0007]将第一特征图输入PANet特征融合网络，得到第二特征图，所述第二特征图包含三种不同尺度的特征图；
[0008]将第二特征图输入Coordinate Attention模块，得到第三特征图，所述第三特征图包含三种不同尺度的特征图；
[0009]将第三特征图输入到YOLO head，得到检测结果。
[0010]其中，所述待处理的图像由无人机航拍得到。
[0011]其中，所述特征提取网络采用CSPDarknet53。
[0012]其中，PANet特征融合网络是在特征金字塔网络的基础上再次增加了一个底层与
高层的连接操作，因为网络的底层特征中包含更多的位置信息，高层特征中含有更多的语义信息，这种方法使得高层的语义信息能够反向回传给底层，从而达到利用高层特征提升底层特征的效果，又将底层特征信息正向传递给高层，提高了底层信息的利用率。
[0013]其中，Coordinate Attention模块将送进来的特征图分解为两个平行的一维特征，Coordinate Attention模块沿水平和垂直两个方向利用全局池化将输入特征分别聚合成两个相互独立的感知特征向量，水平与垂直方向的一维特征为别为：
[0014][0015][0016]其中，H和W分别代表高度和宽度，c代表通道数，z表示一维特征，h、w、i、j代表特征图中的位置坐标。
[0017]在此过程中，Coordinate Attention模块将空间坐标信息加入到通道注意力的特征向量中，此外，这种方法使得注意力块在一个空间方向上建立长期的依赖关系，并且在另一个空间方向上有效的保存了准确的位置信息，帮助网络在目标区域的定位上更加准确，这也让网络获得了更好的全局感受野征以及精确的位置信息，接下来利用两个一维特征生成坐标注意力图：
[0018]f＝σ(T1([z
h
,z
w
]))
[0019]其中[z
h
，z
w
]代表两个一维特征的拼接操作，f为空间信息在水平与垂直方向编码过程中的特征映射，T1与σ分别代表卷积操作和激活函数，之后重新按照两个方向将输出结果化分：
[0020]g
h
＝δ(T
h
(f
h
))
[0021]g
w
＝δ(T
w
(f
w
))
[0022]其中，δ为sigmoid激活函数，T
h
与T
w
为卷积操作，g
h
与g
w
为两个方向的权重值，最后将各方向权重与输入特征相乘得到最终的特征图送入下一个网络中，最终的特征图公式如下：
[0023][0024]经过Coordinate Attention模块后，网络更易于利用位置信息捕获图中的目标区域，而且通道间的关系也更为充分有效的利用，有利于目标检测精度的提升。
[0025]与现有技术相比，上述技术方案具有以下优点：
[0026]本申请提出了一种输电线路异物及环境异常状态检测方法。该方法针对输电线路上存在多种悬挂异物、鸟巢等各类可能导致输电线路发生异常的情况，通过在微调的YOLOv4模型上嵌入Coordinate Attention模块，实现了对输电线路异物及异常状态的有效检测，既保证了目标检测的准确，又确保了模型训练测试的速度。模型微调使得网络在针对输电线路异物及异常状态数据集进行检测时更加高效，Coordinate Attention模块的嵌入帮助模型在提取目标特征时更加关注目标特征区域，使得最终输出结果更加精确。
附图说明
[0027]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0028]图1为一种输电线路异物及环境异常状态检测方法的流程图；
[0029]图2为Coordinate Attention模块示意图；
[0030]图3为路径融合网络结构图；
[0031]图4为另一种输电线路异物及环境异常状态检测方法的流程图。
具体实施方式
[0032]本申请主要针对输电线路中存在的异物及环境异常状态问题，这些异物及环境异常可能会导致输电线路运行故障，及时检测并清理异物消除异常状态，保证输电线路安全稳定十分重要。为了提升输电线路异物及环境异常状态检测准确率提高输电线路巡检效率，本申请提供了一种输电线路异物及环境异常状态检测方法。具体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种输电线路异物及环境异常状态检测方法，其特征在于，包括：将待处理的图像输入特征提取网络，得到第一特征图，所述第一特征图包含三种不同尺度的特征图；将第一特征图输入PANet特征融合网络，得到第二特征图，所述第二特征图包含三种不同尺度的特征图；将第二特征图输入Coordinate Attention模块，得到第三特征图，所述第三特征图包含三种不同尺度的特征图；将第三特征图输入到YOLO head，得到检测结果。2.根据权利要求1所述方法，其特征在于，所述待处理的图像由无人机航拍得到。3.根据权利要求1所述方法，其特征在于，所述特征提取网络采用CSPDarknet53。4.根据权利要求1所述方法，其特征在于，PANet特征融合网络是在特征金字塔网络的基础上再次增加了一个底层与高层的连接操作，因为网络的底层特征中包含更多的位置信息，高层特征中含有更多的语义信息，这种方法使得高层的语义信息能够反向回传给底层，从而达到利用高层特征提升底层特征的效果，又将底层特征信息正向传递给高层，提高了底层信息的利用率。5.根据权利要求1所述方法，其特征在于，Coordinate Attention模块将送进来的特征图分解为两个平行的一维特征，Coordinate Attention模块沿水平和垂直两个方向利用全局池化将输入特征分别聚合成两个相互独立的感知特征向量，水平与垂直方向的一维特征为别为：为别为：其中，H和W分别代表高度和宽度，c代表通道数，z表示一维特征，h、w、i、j代表特征图中的位置坐标。在此过程中，Coo...

【专利技术属性】
技术研发人员：杨彦，黄建业，林爽，郑州，刘冰倩，廖飞龙，辛宇晨，李扬笛，陈锦铭，
申请(专利权)人：国网福建省电力有限公司，
类型：发明
国别省市：