一种输电线路中小金具缺陷的检测方法、检测装置和设备制造方法及图纸

本申请提供了一种输电线路中小金具缺陷的检测方法、检测装置和设备，所述方法包括：获取目标输电线路的巡检图像，并对所述巡检图像进行滑动窗口剪裁得到多个巡检子图像；将巡检图像和巡检子图像分别输入到预先训练好的小金具缺陷检测模型中，获得大图检测结果和子图检测结果；小金具缺陷检测模型是利用巡检图像和巡检子图像训练得到的；利用滑动窗口的坐标对每个巡检子图像输出的子图检测结果进行调整，获得子图检测结果在所述巡检图像上对应的子图调整结果；对大图检测结果和子图调整结果进行合并处理，得到对所述巡检图像中小金具缺陷的检测结果。通过所述方法，能够在保持较快的检测速度的情况下以较高的检测精度实现对小金具缺陷的检测。小金具缺陷的检测。小金具缺陷的检测。

【技术实现步骤摘要】
一种输电线路中小金具缺陷的检测方法、检测装置和设备


[0001]本申请涉及输电线路缺陷检测
，具体而言，涉及一种输电线路中小金具缺陷的检测方法、检测装置和设备。

技术介绍

[0002]小金具为输电线路中广泛使用的铁制或铝制的金属附件，它关系着导线或杆塔的安全，即使一只损坏，也可能造成输电线路的故障。因此，能够及时精准地检测出有故障的小金具，能够维持输电线路的正常运行。
[0003]目前，基于深度学习和机器视觉的目标检测技术已经应用到了输电线路缺陷检测领域中。然而，由于小金具缺陷目标相对于原始巡检图像占比极小，导致图像中包含的小金具像素信息少，现有的一阶段的目标检测网络由于不需要候选区域，因此在检测速度较高的情况下降低了检测精度，在应用于输电线路中小金具缺陷的检测时，对于有缺陷的小金具发现率较低且检测结果误报率较高。此外，在检测精度较高的二阶段的目标检测网络中，由于需要候选区域，因此在提高了检测精度的同时也降低了检测速度。
[0004]综上所述，现有的目标检测的网络在检测速度较高的情况下降低了检测精度，在检测精度较高的情况下降低了检测速度，因此，现有的目标检测网络无法保持在较高的检测速度的情况下以较高的检测精度实现对小金具缺陷的检测。

技术实现思路

[0005]有鉴于此，本申请实施例的目的在于提供一种输电线路中小金具缺陷的检测方法、检测装置和设备，能够在保持较快的检测速度的情况下以较高的检测精度实现对小金具缺陷的检测。
[0006]第一方面，本申请实施例提供了一种输电线路中小金具缺陷的检测方法，所述检测方法包括：
[0007]获取目标输电线路的巡检图像，并对所述巡检图像进行滑动窗口剪裁得到多个巡检子图像；
[0008]针对每个所述巡检图像，将该巡检图像输入到预先训练好的小金具缺陷检测模型中，获得所述小金具缺陷检测模型针对该巡检图像输出的大图检测结果；
[0009]将该巡检图像对应的多个巡检子图像依次输入到预先训练好的小金具缺陷检测模型中，获得所述小金具缺陷检测模型针对每个巡检子图像输出的子图检测结果；
[0010]利用所述滑动窗口的坐标对每个巡检子图像输出的子图检测结果进行调整，获得所述子图检测结果在所述巡检图像上对应的子图调整结果；
[0011]对所述大图检测结果和所述子图调整结果进行合并处理，得到对所述巡检图像中小金具缺陷的检测结果。
[0012]可选地，所述利用所述滑动窗口的坐标对每个巡检子图像输出的子图检测结果进行调整，获得所述子图检测结果在所述巡检图像上对应的子图调整结果，包括：
[0013]针对每个巡检子图像，获取该巡检子图像对应的滑动窗口的左上角坐标；
[0014]获取该巡检子图像中每个小金具的检测框的坐标；
[0015]利用所述滑动窗口的左上角坐标调整该巡检子图像中每个小金具的检测框的坐标，得到调整后的小金具的检测框的坐标；
[0016]在该巡检图像上按照所述调整后的小金具的检测框的坐标显示调整后的小金具的检测框，以获得所述子图检测结果在该巡检图像上对应的子图调整结果。
[0017]可选地，所述小金具缺陷检测模型通过以下方式训练而被得到：
[0018]获取训练集样本图像；
[0019]从所述训练集样本图像中抽取多个样本图像，得到原始训练子集样本图像；
[0020]针对所述原始训练子集样本图像中的每个样本图像，进行滑动窗口剪裁，获得多个样本子图像；
[0021]将所述多个样本子图像添加到所述原始训练子集样本图像中，获得训练子集样本图像；
[0022]利用所述训练集样本图像对初始小金具缺陷检测模型进行训练，获得预训练小金具缺陷检测模型；
[0023]利用所述训练子集样本图像对所述预训练小金具缺陷检测模型进行训练，以获得小金具缺陷检测模型。
[0024]可选地，所述小金具缺陷检测模型包括：特征提取层、特征融合层和检测层；所述将所述巡检图像输入到预先训练好的小金具缺陷检测模型中，获得所述小金具缺陷检测模型针对所述巡检图像输出的大图检测结果，包括：
[0025]将所述巡检图像输入到所述特征提取层对所述巡检图像进行特征提取，获得第一特征图像；所述第一特征图像包括第一尺度特征图像、第二尺度特征图像和第三尺度特征图像；
[0026]将所述第一特征图像输入到所述特征融合层对所述第一特征图像进行特征融合，得到第二特征图像；所述第二特征图像包括第四尺度特征图像、第五尺度特征图像和第六尺度特征图像；
[0027]将所述第二特征图像输入到所述检测层对所述第二特征图像进行检测，获得所述小金具缺陷检测模型针对所述巡检图像输出的大图检测结果。
[0028]可选地，所述特征提取层包括：第一卷积层和第二卷积层组；所述第二卷积层组包括第三卷积层组和一个第四卷积层；所述第三卷积层组包括N个第五卷积层；所述将所述巡检图像输入到所述特征提取层对所述巡检图像进行特征提取，获得第一特征图像，包括：
[0029]将所述巡检图像输入到所述第一卷积层对所述目标巡检图像进行卷积操作，获得第一子特征图像；
[0030]将所述第一子特征图像输入到第三卷积层组，得到第二子特征图像组；所述第二子特征图像组包括在第N
‑
1个第五卷积层和第N个第五卷积层输出的第二子特征图像；
[0031]将所述第N个第五卷积层输出的第二子特征图像输入到第四卷积层，得到第三子特征图像；
[0032]将第二子特征图像组包括的第二子特征图像和第三子特征图像确定为第一特征图像。
[0033]可选地，每个所述第五卷积层包括：下采样层和CSPNET网络层；所述CSPNET网络层包括多个级联的ConvNeXt Block残差结构；
[0034]所述将所述第一子特征图像输入到第三卷积层组，得到第二子特征图像组，包括：
[0035]将所述第一子特征图像输入到第三卷积层组，通过第N
‑
1个第五卷积层中的下采样层得到第一下采样图像，将所述第一下采样图像输入到该第五卷积层中的CSPNET网络层进行升通道操作，得到第N
‑
1个第五卷积层输出的第二子特征图像；
[0036]将所述第N
‑
1个第五卷积层输出的第二子特征图像输入到第N个第五卷积层，通过该第五卷积层中的下采样层得到第二下采样图像，将所述第二下采样图像输入到该第五卷积层中的CSPNET网络层进行升通道操作，得到第N个第五卷积层输出的第二子特征图像；
[0037]将所述第N
‑
1个第五卷积层输出的第二子特征图像和所述第N个第五卷积层输出的第二子特征图像，作为第二子特征图像组；
[0038]可选地，所述第四卷积层包括：下采样层、池化层和CSPNET网络层；所述将所述第N个第五卷积层输出的第二子特征图像输入到第四卷积层，得到第三子特征图像，包括：
[0039]将所述第N个第五卷积层输出的第二子特征图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种输电线路中小金具缺陷的检测方法，其特征在于，所述检测方法包括：获取目标输电线路的巡检图像，并对所述巡检图像进行滑动窗口剪裁得到多个巡检子图像；针对每个所述巡检图像，将该巡检图像输入到预先训练好的小金具缺陷检测模型中，获得所述小金具缺陷检测模型针对该巡检图像输出的大图检测结果；将该巡检图像对应的多个巡检子图像依次输入到预先训练好的小金具缺陷检测模型中，获得所述小金具缺陷检测模型针对每个巡检子图像输出的子图检测结果；利用所述滑动窗口的坐标对每个巡检子图像输出的子图检测结果进行调整，获得所述子图检测结果在所述巡检图像上对应的子图调整结果；对所述大图检测结果和所述子图调整结果进行合并处理，得到对所述巡检图像中小金具缺陷的检测结果。2.根据权利要求1所述的检测方法，其特征在于，所述利用所述滑动窗口的坐标对每个巡检子图像输出的子图检测结果进行调整，获得所述子图检测结果在所述巡检图像上对应的子图调整结果，包括：针对每个巡检子图像，获取该巡检子图像对应的滑动窗口的左上角坐标；获取该巡检子图像中每个小金具的检测框的坐标；利用所述滑动窗口的左上角坐标调整该巡检子图像中每个小金具的检测框的坐标，得到调整后的小金具的检测框的坐标；在该巡检图像上按照所述调整后的小金具的检测框的坐标显示调整后的小金具的检测框，以获得所述子图检测结果在该巡检图像上对应的子图调整结果。3.根据权利要求1所述的检测方法，其特征在于，所述小金具缺陷检测模型通过以下方式训练而被得到：获取训练集样本图像；从所述训练集样本图像中抽取多个样本图像，得到原始训练子集样本图像；针对所述原始训练子集样本图像中的每个样本图像，进行滑动窗口剪裁，获得多个样本子图像；将所述多个样本子图像添加到所述原始训练子集样本图像中，获得训练子集样本图像；利用所述训练集样本图像对初始小金具缺陷检测模型进行训练，获得预训练小金具缺陷检测模型；利用所述训练子集样本图像对所述预训练小金具缺陷检测模型进行训练，以获得小金具缺陷检测模型。4.根据权利要求1所述的检测方法，其特征在于，所述小金具缺陷检测模型包括：特征提取层、特征融合层和检测层；所述将所述巡检图像输入到预先训练好的小金具缺陷检测模型中，获得所述小金具缺陷检测模型针对所述巡检图像输出的大图检测结果，包括：将所述巡检图像输入到所述特征提取层对所述巡检图像进行特征提取，获得第一特征图像；所述第一特征图像包括第一尺度特征图像、第二尺度特征图像和第三尺度特征图像；将所述第一特征图像输入到所述特征融合层对所述第一特征图像进行特征融合，得到第二特征图像；所述第二特征图像包括第四尺度特征图像、第五尺度特征图像和第六尺度
特征图像；将所述第二特征图像输入到所述检测层对所述第二特征图像进行检测，获得所述小金具缺陷检测模型针对所述巡检图像输出的大图检测结果。5.根据权利要求3所述的检测方法，其特征在于，所述特征提取层包括：第一卷积层和第二卷积层组；所述第二卷积层组包括第三卷积层组和一个第四卷积层；所述第三卷积层组包括N个第五卷积层；所述将所述巡检图像输入到所述特征提取层对所述巡检图像进行特征提取，获得第一特征图像，包括：将所述巡检图像输入到所述第一卷积层对所述目标巡检图像进行卷积操作，获得第一子特征图像；将所述第一子特征图像输入到第三卷积层组，得到第二子特征图像组；所述第二子特征图像组包括在第N
‑
1个第五卷积层和第N个第五卷积层输出的第二子特征图像；将所述第N个第五卷积层输出的第二子特征图像输入到第四卷积层，得到第三子特征图像；将第二子特征图像组包括的第二子特征图像和第三子特征图像确定为第一特征图像。6.根据权利要求5所述的检测方法，其特征在于，每个所述第五卷积层包括：下采样层和CSPNET网络层；所述CSPNET网络层包括多个级联的ConvNeXt Block残差结构；所述将所述第一子特征图像输入到第三卷积层组，得到第二子特征图像组，包括：将所述第一子特征图像输入到第三卷积层组，通过第N
‑
1个第五卷积层中的下采样层得到第一下采样图像，将所述第一下采样图像输入到该第五卷积层中的CSPNET网络层进行升通道操作，得到第N
‑

【专利技术属性】
技术研发人员：李捷，冯宇，刘洪，李光国，李杨，
申请(专利权)人：华雁智能科技集团股份有限公司，
类型：发明
国别省市：