【技术实现步骤摘要】
本专利技术涉及人工智能领域，具体而言，涉及一种基于深度学习的验电笔的检测方法、装置、计算机设备及可读存储介质。
技术介绍
1、在电力系统中，验电笔是检测电气设备和线路是否带电的重要工具。电工在进行电气操作前，必须确保设备和线路处于安全状态，而验电笔的正确使用是这一安全保障的关键环节。然而，传统的验电笔操作依赖电工的专业培训和经验判断，这在一定程度上增加了操作的不确定性和风险。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的验电笔的检测方法、装置、计算机设备及可读存储介质。
2、第一方面，本专利技术实施例提供一种基于深度学习的验电笔的检测方法，包括：
3、获取包含待检测验电笔的待处理图像；
4、将所述待处理图像输入预先训练的单阶段目标检测模型进行初步检测，得到验电笔初步检测结果，所述验电笔初步检测结果为所述待检测验电笔所在矩形区域；
5、调用预先训练的关键点检测模型对所述验电笔初步检测结果进行细化检测，得到所述待检测验电笔的笔尖端点和笔尾端点；
6、根据所述笔尖端点和所述笔尾端点确定出验电笔笔身，并将所述笔尖端点、所述笔尾端点和所述验电笔笔身确定为所述待检测验电笔的目标检测结果。
7、在本专利技术实施例中，所述单阶段目标检测模型基于ssd模型构建，所述单阶段目标检测模型包括骨干网络、额外特征层和头部结构；
8、所述骨干网络为mobilenet v2结构，包括conv12卷积层和conv1
9、所述额外特征层包括conv18卷积层和conv20卷积层，用于产生对应大小的两种特征图；
10、所述头部结构包括默认框生成、分类子网络以及回归子网络，用于结合所述骨干网络和所述额外特征层产生的四种特征图，执行多层预测融合与非极大值抑制，得到所述待检测验电笔的类型以及所述矩形区域。
11、在本专利技术实施例中，所述单阶段目标检测模型通过以下方式训练，包括：
12、基于adam优化器对基础单阶段目标检测模型进行训练优化；
13、每完成一次针对所述基础单阶段目标检测模型的训练数据迭代，获取当前周期的模型平局精度，并保存当前最高模型平局精度对应的模型权重；
14、在达到预设训练停止条件时，获取训练完成的所述单阶段目标检测模型。
15、在本专利技术实施例中，所述关键点检测模型基于pfld构建，所述关键点检测模型包括骨干网络和头部结构；
16、所述骨干网络基于mobilenet v2构建，包括堆叠的4个mobilenet v2的bottleneck模块；
17、所述bottleneck模块包括改进的通道注意力模块；
18、所述通道注意力模块包括全局池化层、全连接层、归一化层以及注意力机制；所述全局池化层用于对输入特征图的每个通道进行全局平均池化或全局最大池化操作；所述全连接层用于从全局统计信息中提取出与任务相关的通道注意力权重；所述归一化层用于将注意力权重进行标准化处理；所述注意力机制用于将得到的通道注意力系数向量与原特征图按通道逐元素相乘，以对每个通道的特征进行加权；
19、所述头部结构包括全连接层，所述全连接层的输出通道数量为4个，所述全连接层用于输出所述笔尖端点和所述笔尾端点的坐标信息。
20、在本专利技术实施例中，所述关键点检测模型通过以下方式训练，包括：
21、基于adam优化器对基础关键点检测模型进行训练优化，并采用smoothl1loss作为损失函数；
22、每完成一次针对所述基础关键点检测模型的训练数据迭代，获取当前周期的模型均方误差，并保存当前最小均方误差对应的模型权重；
23、在达到预设训练停止条件时，获取训练完成的所述关键点检测模型。
24、在本专利技术实施例中，所述方法还包括：
25、获取预先完成标注的验电笔矩形框，并构建用于训练所述单阶段目标检测模型的训练数据集；
26、将所述预先完成标注的验电笔矩形框外扩预设倍数得到验电笔区域；
27、基于所述验电笔区域构建用于训练所述关键点检测模型的训练数据集。
28、在本专利技术实施例中，所述根据所述笔尖端点和所述笔尾端点确定出验电笔笔身，包括：
29、获取所述笔尖端点和所述笔尾端点的连线；
30、根据所述连线，确定出所述验电笔笔身。
31、第二方面，本专利技术实施例提供一种基于深度学习的验电笔的检测装置，包括：
32、获取模块，用于获取包含待检测验电笔的待处理图像；
33、检测模块，用于将所述待处理图像输入预先训练的单阶段目标检测模型进行初步检测，得到验电笔初步检测结果，所述验电笔初步检测结果为所述待检测验电笔所在矩形区域；调用预先训练的关键点检测模型对所述验电笔初步检测结果进行细化检测，得到所述待检测验电笔的笔尖端点和笔尾端点；根据所述笔尖端点和所述笔尾端点确定出验电笔笔身，并将所述笔尖端点、所述笔尾端点和所述验电笔笔身确定为所述待检测验电笔的目标检测结果。
34、第三方面，本专利技术实施例提供一种计算机设备，所述计算机设备包括处理器及存储有计算机指令的非易失性存储器，所述计算机指令被所述处理器执行时，所述计算机设备执行第一方面至少一种可能的实施方式中所述的方法。
35、第四方面，本专利技术实施例提供一种可读存储介质，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在计算机设备执行第一方面至少一种可能的实施方式中所述的方法。
36、相比现有技术，本专利技术提供的有益效果包括：采用本专利技术公开的一种基于深度学习的验电笔的检测方法、装置、计算机设备及可读存储介质，通过获取待检测图像，通过预先训练的单阶段目标检测模型初步定位验电笔所在矩形区域。随后，调用关键点检测模型对初步检测结果进行细化，精确识别验电笔的笔尖端点和笔尾端点。最后，根据这两个关键点确定验电笔笔身，从而完成验电笔的全面检测。该方法实现了高效、准确的验电笔自动检测，有效提升了电力作业的安全性和效率。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的验电笔的检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述单阶段目标检测模型基于SSD模型构建，所述单阶段目标检测模型包括骨干网络、额外特征层和头部结构；
3.根据权利要求2所述的方法，其特征在于，所述单阶段目标检测模型通过以下方式训练，包括：
4.根据权利要求1所述的方法，其特征在于，所述关键点检测模型基于PFLD构建，所述关键点检测模型包括骨干网络和头部结构；
5.根据权利要求4所述的方法，其特征在于，所述关键点检测模型通过以下方式训练，包括：
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
7.根据权利要求1所述的方法，其特征在于，所述根据所述笔尖端点和所述笔尾端点确定出验电笔笔身，包括：
8.一种基于深度学习的验电笔的检测装置，其特征在于，包括：
9.一种计算机设备，其特征在于，所述计算机设备包括处理器及存储有计算机指令的非易失性存储器，所述计算机指令被所述处理器执行时，所述计算机设备执行权利要求1-7中任意一项所述的
10.一种可读存储介质，其特征在于，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在计算机设备执行权利要求1-7中任意一项所述的方法。
...【技术特征摘要】
1.一种基于深度学习的验电笔的检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述单阶段目标检测模型基于ssd模型构建，所述单阶段目标检测模型包括骨干网络、额外特征层和头部结构；
3.根据权利要求2所述的方法，其特征在于，所述单阶段目标检测模型通过以下方式训练，包括：
4.根据权利要求1所述的方法，其特征在于，所述关键点检测模型基于pfld构建，所述关键点检测模型包括骨干网络和头部结构；
5.根据权利要求4所述的方法，其特征在于，所述关键点检测模型通过以下方式训练，包括：
6.根据权利要求1所述的方...
【专利技术属性】
技术研发人员：潘金全，王兆均，陈正明，蔡佳峰，
申请(专利权)人：暗物智能科技广州有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。