配电设备缺陷检测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种配电设备缺陷检测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取配电设备的图像；将配电设备的图像输入至预设卷积神经网络模型进行处理，生成缺陷检测结果；预设卷积神经网络模型包括Ghost Bottleneck检测模块及注意力模块。采用本方法能够节约人力资源的同时，提高配电设备缺陷检测的效率。缺陷检测的效率。缺陷检测的效率。

【技术实现步骤摘要】
配电设备缺陷检测方法、装置、计算机设备和存储介质


[0001]本申请涉及计算机
，特别是涉及一种配电设备缺陷检测方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]配电房是电力系统的重要组成部分，配电房中设置有多台配电设备，在配电设备的使用过程中，配电设备上所产生的缺陷会严重影响设备的性能，进而会影响电力系统的安全运行。因而，需要定期对配电房中的配电设备进行缺陷检测，以及时发现配电设备的缺陷并进行维护。
[0003]传统地，在对配电设备进行缺陷检测时，通常是需要运维人员进行人工巡检，具体是通过人工对每个配电设备进行检查记录，从而发现配电设备上产生的缺陷。然而，现有的配电设备缺陷检测方法浪费人力资源的同时，存在检测效率较低的问题。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够节约人力资源的同时，提高配电设备缺陷检测的效率的配电设备缺陷检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]第一方面，本申请提供了一种配电设备缺陷检测方法。所述方法包括：
[0006]获取配电设备的图像；将配电设备的图像输入至预设卷积神经网络模型进行处理，生成缺陷检测结果；预设卷积神经网络模型包括Ghost Bottleneck检测模块及注意力模块。
[0007]在其中一个实施例中，预设卷积神经网络模块还包括融合模块及缺陷检测模块；将配电设备的图像输入至预设卷积神经网络进行处理，生成缺陷检测结果，包括：
[0008]将配电设备的图像输入至Ghost Bottleneck检测模块及注意力模块中进行特征提取，生成多个尺度的特征图；将多个尺度的特征图输入至融合模块进行特征融合，生成融合特征图；将融合特征图输入至缺陷检测模块进行检测，生成缺陷检测结果。
[0009]在其中一个实施例中，将配电设备的图像输入至Ghost Bottleneck检测模块及注意力模块中进行特征提取，生成多个尺度的特征图，包括：
[0010]将配电设备的图像输入至第一Ghost Bottleneck检测模块中提取特征，生成多个第一特征图；多个第一特征图之间存在预设线性变换关系；将多个第一特征图输入至第一注意力模块中提取第一注意力特征图。
[0011]在其中一个实施例中，将配电设备的图像输入至Ghost Bottleneck检测模块及注意力模块中进行特征提取，生成多个尺度的特征图，还包括：
[0012]将第一注意力特征图输入至第二Ghost Bottleneck检测模块中提取特征，生成多个与第一注意力特征图对应的第二特征图；将第二特征图输入至第二注意力模块中提取第二注意力特征图。
[0013]在其中一个实施例中，预设卷积神经网络模型为对中间卷积神经网络模型的参数进行轻量化压缩处理后所生成的网络模型。
[0014]第二方面，本申请还提供了一种卷积神经网络模型的训练方法。包括：
[0015]将训练集中的各图像帧输入至初始卷积神经网络模型中进行处理，生成缺陷检测预测结果；预设卷积神经网络模型包括初始Ghost Bottleneck检测模块及初始注意力模块；根据缺陷检测预测结果及训练集中与各图像帧对应的缺陷检测标注结果，对初始卷积神经网络模型进行训练，生成预设卷积神经网络模型。
[0016]在其中一个实施例中，对初始卷积神经网络模型进行训练，生成预设卷积神经网络模型，还包括：
[0017]对初始卷积神经网络模型进行训练，生成中间卷积神经网络模型；对中间卷积神经网络模型的参数进行轻量化压缩处理，生成预设卷积神经网络模型。
[0018]第三方面，本申请还提供了一种配电设备缺陷检测装置。装置包括：
[0019]获取模块，用于获取配电设备的图像；
[0020]生成模块，用于将配电设备的图像输入至预设卷积神经网络模型进行处理，生成缺陷检测结果；预设卷积神经网络模型包括Ghost Bottleneck检测模块及注意力模块。
[0021]第四方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一实施例中的方法步骤。
[0022]第五方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一实施例中的方法步骤。
[0023]第六方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面任一实施例中的方法步骤。
[0024]上述配电设备缺陷检测方法、装置、计算机设备、存储介质和计算机程序产品，通过获取配电设备的图像；将配电设备的图像输入至预设卷积神经网络模型进行处理，生成缺陷检测结果，预设卷积神经网络模型包括Ghost Bottleneck检测模块及注意力模块。在本申请实施例提供的技术方案中，由于可以直接通过预设卷积神经网络对采集到的配电设备的图像进行处理，就可以得到缺陷检测结果，与传统技术相比，不需要运维人员人工巡检，节约了人力资源的同时提高了检测效率；并且，预设卷积神经网络模型中还包括Ghost Bottleneck检测模块及注意力模块，提高了对配电设备的图像进行特征提取的准确度，进而提高了缺陷检测的准确性。
附图说明
[0025]图1为一个实施例中计算机设备的内部结构图；
[0026]图2为一个实施例中配电设备缺陷检测方法的流程示意图；
[0027]图3为一个实施例中对配电设备的图像进行处理的流程示意图；
[0028]图4为一个实施例中Ghost Bottleneck检测模块的结构示意图；
[0029]图5为一个实施例中注意力模块的结构示意图；
[0030]图6为一个实施例中生成多个尺度的特征图的流程示意图；
[0031]图7为另一个实施例中生成多个尺度的特征图的流程示意图；
[0032]图8为另一个实施例中缺陷检测的整体架构图；
[0033]图9为一个实施例中生成卷积神经网络模型的流程示意图；
[0034]图10为另一个实施例中生成卷积神经网络模型的流程示意图；
[0035]图11为一个实施例中生成预设卷积神经网络模型的整体架构图；
[0036]图12为一个实施例中配电设备缺陷检测装置的结构框图。
具体实施方式
[0037]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0038]本申请提供的配电设备缺陷检测方法可以应用于计算机设备中，计算机设备可以是服务器，也可以是终端，其中，服务器可以为一台服务器也可以为由多台服务器组成的服务器集群，本申请实施例对此不作具体限定，终端可以但不限于是各种个人计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配电设备缺陷检测方法，其特征在于，所述方法包括：获取配电设备的图像；将所述配电设备的图像输入至预设卷积神经网络模型进行处理，生成缺陷检测结果；所述预设卷积神经网络模型包括Ghost Bottleneck检测模块及注意力模块。2.根据权利要求1所述的方法，其特征在于，所述预设卷积神经网络模块还包括融合模块及缺陷检测模块；所述将所述配电设备的图像输入至预设卷积神经网络进行处理，生成缺陷检测结果，包括：将所述配电设备的图像输入至所述Ghost Bottleneck检测模块及所述注意力模块中进行特征提取，生成多个尺度的特征图；将所述多个尺度的特征图输入至所述融合模块进行特征融合，生成融合特征图；将所述融合特征图输入至所述缺陷检测模块进行检测，生成所述缺陷检测结果。3.根据权利要求2所述的方法，其特征在于，所述将所述配电设备的图像输入至所述Ghost Bottleneck检测模块及所述注意力模块中进行特征提取，生成多个尺度的特征图，包括：将所述配电设备的图像输入至第一Ghost Bottleneck检测模块中提取特征，生成多个第一特征图；所述多个第一特征图之间存在预设线性变换关系；将所述多个第一特征图输入至第一注意力模块中提取第一注意力特征图。4.根据权利要求3所述的方法，其特征在于，所述将所述配电设备的图像输入至所述Ghost Bottleneck检测模块及所述注意力模块中进行特征提取，生成多个尺度的特征图，还包括：将所述第一注意力特征图输入至第二Ghost Bottleneck检测模块中提取特征，生成多个与所述第一注意力特征图对应的第二特征图；将所述第二特征...

【专利技术属性】
技术研发人员：向真，李艳，张欣，唐峰，吕启深，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：