【技术实现步骤摘要】
本专利技术涉及输电线路缺陷检测领域，尤其一种自适应增强模块的输电线路绝缘子缺陷检测方法。
技术介绍
1、高空输电线路是现代电力系统的重要组成部分，其稳定运行直接关系到电力的安全输送。然而，随着输电线路的长期运行和外部环境的影响，如风雨、冰雪、污垢等，线路上的绝缘子容易产生各种缺陷，如裂纹、破损、污染等。这些缺陷可能导致绝缘子性能下降，严重时甚至会引发电力系统故障，影响电网的正常运行。因此，及时、准确地检测和诊断绝缘子缺陷，对于保障电力系统的安全性和可靠性至关重要。
2、传统的绝缘子缺陷检测方法往往依赖人工巡视和简单的电气测试，通常需要专业的工作人员进行高空工作，来进行维修和更换工作。这不仅效率低下，成本高，而且容易受到人为因素的影响。
3、近年来，深度学习技术在图像识别和分类领域取得了显著进展，为高空输电线路绝缘子缺陷检测提供了新的解决方案。并且随着无人机技术的发展，实际应用中，研究人员通常会先利用无人机对高空输电线路进行拍摄，无人机携带的高清摄像头可以拍摄到高分辨率的图像，然后用预训练的深度学习模型对绝缘子缺陷进行分类和识别。然而，当背景复杂多样且绝缘子种类不一、形状不规则时，会导致分辨力较弱，出现漏检误检的问题，使得模型难以检测出目标。
4、因此，如何使网络对于绝缘子缺陷的目标具有更强的检测区分能力，提升对于复杂场景中绝缘子的检测准确性成为急需解决的技术问题。
技术实现思路
1、本专利技术的目的在于针对上述现有技术的不足，提供了一种自适应增强
2、为实现上述目的，本专利技术采用了如下技术方案：
3、本专利技术提供了一种自适应增强模块的输电线路绝缘子缺陷检测方法，包括：
4、s1、高空输电线路绝缘子图片数据的获取：利用无人机的高清摄像机拍摄不同角度的绝缘子缺陷图片，进行预处理，形成绝缘子缺陷图像数据集；
5、s2、构建绝缘子缺陷目标检测模型：基于dyhead和信息自适应增强模块的高空输电线路绝缘子缺陷目标检测模型；
6、s3、绝缘子缺陷目标检测模型的训练；
7、s4、绝缘子图像缺陷检测：将预处理好的待检测绝缘子缺陷图像输入训练完成的目标检测模型，得到缺陷图像中的各种绝缘子缺陷的分类和定位结构，检测出缺陷位置。
8、进一步，所述s2中，构建绝缘子缺陷目标检测模型包括深度残差网络、特征融合网络和检测头部网络；
9、所述深度残差网络基于深度卷积神经网络resnet50的构建，具体为：
10、所述深度卷积神经网络resnet50引入残差块，所述残差块中包括卷积层和激活函数，具体为：
11、y＝f(x)+x (1)；
12、其中，x为输入；f(x)为经过卷积层和激活函数后的输出，通过相加操作；
13、所述特征融合网络基于fpn网络和信息自适应增强模块的构建，具体为：
14、所述信息自适应增强模块中，利用自适应平均池化adaptiveavgpool2d(×)对特征图进行处理，对于某层的一个特征图xij：
15、
16、其中，为池化后特征；i,j分别为输入特征层级序数和增强特征层级序数；σ和μ是x中的均值和标准差；ε为了划分稳定而添加的一个小正数；γ和β为可训练的参数；
17、对于比特征层低的特征，利用步长为2的3×3卷积对该特征进行缩小直到特征尺度相同；对于比特征层高的特征，利用步长为2的3×3转置卷积进行放大直到特征尺度相同：
18、
19、其中，conv(·)为步长为2的3×3卷积；convtrans(·)为步长为2的3×3转置卷积；为输出特征；
20、对进行逐点卷积pwconv(·)，得到权重参数wij，来表示层级的特征图对某一层级的注意力：
21、
22、得到所有层级的初始权重参数后，通过softmax函数映射到范围(0，1)，获得最终权重参数
23、
24、其中，a,b为层级序数；
25、对放缩后的层级特征和对应最终权重参数进行加权求和，得到增强后的特征图yj：
26、
27、其中，为元素相乘；c为所有层级的总数；
28、对增强后的特征加入快捷连接路径，得到最终输出特征
29、其中，xj为信息自适应增强模块的输入特征。
30、进一步，所述检测头部网络基于dyhead模块的构建；
31、所述dyhead模块包括尺度感知注意力模块、空间感知注意力模块和任务感知注意力模块；
32、所述尺度感知注意力模块πl(·)根据不同尺度的特征语义重要性动态地融合特征：
33、
34、其中，f为输入特征向量；s和c分别为宽高乘积总数和通道总数；f(·)为由1×1卷积近似的线性函数；α(·)为hard-sigmoid函数；
35、所述空间感知注意力模块πs(·)具体为：
36、
37、其中，l为特征层级的数量；l为当前特征层级序号；k为稀疏采样的位置数量；k为当前稀疏采样的位置序号；pk+δpk通过位置偏移来聚焦特定区域；δmk为位置pk的可自学习的重要性度量因子；
38、所述任务感知注意力模块πc(·)通过动态打开或关闭特征通道来选择不同任务：
39、πl(f)·f＝max(α1(f)·f+β1(f),α2(f)·f+β2(f))；
40、其中，[α1,β1,α2,β2]t＝θ(·)为超函数，用于学习控制激活阈值。
41、进一步，所述s3中，绝缘子缺陷目标检测模型的训练包括数据集的处理、损失函数的定义和模型参数的训练：
42、所述损失函数的定义包括分类损失和回归损失；
43、所述分类损失使用交叉熵损失lcls：
44、
45、其中，yi为真实类别的标签；pi为模型预测的类别概率；c为每个预测的目标；
46、所述回归损失使用giou损失函数：
47、
48、其中，a和b分别为预测边界框和真实边界框的面积，c为能包含a和b的最小外接矩形的面积。
49、进一步，所述模型参数的训练采用随机梯度下降的方法，在每次参数更新时只使用部分数据进行计算，通过计算损失的梯度来更新参数：
50、
51、其中，θ为模型参数；η为学习率；为损失函数对参数的梯度。
52、本专利技术的有益效果为：利用了信息自适应增强模块，能有效地学习到各种类别的绝缘子缺陷；
53、针对绝缘子缺陷检测任务中，将多个维度的注意力机制引入到方法里，能准确识别复杂场景和不同角度中的绝缘子缺陷的位置，与现有的方法相比，识别的准确率更高。<本文档来自技高网...
【技术保护点】
1.一种自适应增强模块的输电线路绝缘子缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的一种自适应增强模块的输电线路绝缘子缺陷检测方法，其特征在于，所述S2中，构建绝缘子缺陷目标检测模型包括深度残差网络、特征融合网络和检测头部网络；
3.根据权利要求2所述的一种自适应增强模块的输电线路绝缘子缺陷检测方法，其特征在于，所述检测头部网络基于DyHead模块的构建；
4.根据权利要求3所述的一种自适应增强模块的输电线路绝缘子缺陷检测方法，其特征在于，所述S3中，绝缘子缺陷目标检测模型的训练包括数据集的处理、损失函数的定义和模型参数的训练：
5.根据权利要求4所述的一种自适应增强模块的输电线路绝缘子缺陷检测方法，其特征在于：所述模型参数的训练采用随机梯度下降的方法，在每次参数更新时只使用部分数据进行计算，通过计算损失的梯度来更新参数：
【技术特征摘要】
1.一种自适应增强模块的输电线路绝缘子缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的一种自适应增强模块的输电线路绝缘子缺陷检测方法，其特征在于，所述s2中，构建绝缘子缺陷目标检测模型包括深度残差网络、特征融合网络和检测头部网络；
3.根据权利要求2所述的一种自适应增强模块的输电线路绝缘子缺陷检测方法，其特征在于，所述检测头部网络基于dyhead模块的构建；<...
【专利技术属性】
技术研发人员：郭勇，全江涛，李杰豪，杨力，刘龙龙，耿思远，刘曼佳，凌在汛，张洁，刘鸣柳，陈文，李瑞，鲁金华，金晨，王金鑫，胡一波，邹语晨，李金戈，王杰，熊文欢，郑小敏，田巧雨，谢宾，冯琪，汪家豪，陈得文，
申请(专利权)人：国网湖北送变电工程有限公司，
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。