【技术实现步骤摘要】
本专利技术涉及输电线路导线检测，具体是一种基于多尺度特征融合的架空输电线路缺陷检测方法。
技术介绍
1、目前，我国在超、特高压架空线架设安装质量验收作业时大多采取人工走线验收方式和无人机验收方式。人工走线验收需要验收人员沿线路行走，对线路和相关金具进行质量验收，该验收方式存在诸如作业环境恶劣、安全风险高、劳动强度大、工作效率低等问题，且人工检查存在视觉盲区容易出现遗漏质量缺陷的情况。无人机可以大幅提高验收作业效率，但无人机验收一般针对架空输电线路周围的建筑物、树木、山坡、道路、河流等环境是否符合规范来设计，容易受环境、天气等因素影响，且需要搭载相关验收设备，存在续航不足，不能对导线及其附件进行360°全方位、多特征检视导致质量缺陷的漏检问题。上述问题均为日后线路的安全稳定运行埋下了隐患，因此亟需研究、开发、利用新技术予以解决。
2、专利号为cn202310740759的专利技术专利主要介绍了一种结合变化检测和语义分割任务的遥感图像语义变化检测方法和系统。它利用弱监督和三重注意机制，该机制结合了图像频道注意、相邻像素块注意和相似像素块注意，以更有效地探索同一位置不同时期图像对的语义变化信息。这种方法能够提高遥感图像语义变化的检测性能，其不足之处在于，现有基于深度学习的变化检测方法大多依赖于大量标注数据。这可能由于图像对中变化区域面积小和标注数据集的主观性，导致遥感图像数据的利用率较低。专利号为cn202410482951的专利技术专利主要介绍了一种基于yolov8的缺陷检测方法。此方法通过在yolov8计算网络中引入一
技术实现思路
1、本专利技术为了解决现有技术的问题，提供了一种基于多尺度特征融合的架空输电线路缺陷检测方法，将导线图像与激光点云图像进行校正配准并进行数据增强，构建检测数据集；将两种图像分别输入目标检测网络进行训练，在特征提取网络backbone中添加注意力机制从而对目标进行相关性计算，同时在yolov8运算网络主干部分采用多尺度特征融合的检测方法，在保证模型大小的前提下，实现精度和准确性的提高，满足实际架空输电导线缺陷检测的需要。
2、本申请实施例提供了一种基于yolo模型的导线质量缺陷检测方法，所述导线质量缺陷检测方法包括：
3、获取架空输电线路导线图像以及激光云点图像。
4、将用于获取导线图像以及激光云点图像的环形阵列摄像装置的内外参数输入预先训练好的目标yolo模型之中，对所述导线图像进行网格划分，并对每个网格进行目标检测，输出每个所述网格中的质量缺陷的边缘矩形框中心位置信息、宽高信息、置信度信息以及目标类别信息；其中，所述质量缺陷包括导线损伤变形、防震锤歪斜、间隔棒歪斜、各相不垂直、铝包带缠绕不紧密、不到位等。其中所述环形阵列摄像装置设置在机器人环形摄像阵列上。
5、（1）在所述目标yolo模型之中基于所述导线图像以及所述环形摄像矩阵装置的内外参数网格中的质量缺陷进行位置检测，输出每个网格中的所注导线质量缺陷在所述导线图像中相对于所述环形阵列摄像装置的位置信息。
6、（2）构建基于改进yolov8的架空输电导线缺陷检测模型，包括加入注意力机制后的backbone模块、cds-neck模块以及head模块；
7、所述backbone模块引入下采样模块cgneck_down进行特征提取和残差学习，引入triplet-attention模块进行跨维度交互作用，通过捕捉空间维度和输入张量通道维度之间的交互作用，解决了基于spatial和channel的cbam模型缓解了空间相互依赖的问题。
8、所述cds-neck模块首先通过主干网络中p2层的特征图引入其中，进一步加强特征提取能力，引入轻量化采样算子carafe模块提高网络性能，减少一个concat层，增加一个carafe层；并改变原本的连接方式，实现轻量化的同时保证了特征提取能力。
9、triplet-attention模块用于捕捉图像中更为复杂的特征关系。通过在水平、垂直和通道三个不同方向上计算注意力，进而提升特征表示能力。
10、将原yolov8中ciou损失函数替换为eiou损失函数，通过计算预测框和真实框中心点的欧氏距离可以更准确地衡量边界框的位置差异。通过考虑预测框和真实框的宽度和高度差异，可以更好地处理形状和比例不匹配的问题。
11、（3）采用数据集对构建的基于改进yolov8的架空输电导线缺陷检测模型进行训练；采用训练后的模型进行检测，实现输电导线多种缺陷的检测。
12、进一步地，步骤（1）所述数据集包含导线损伤变形、防震锤歪斜、间隔棒歪斜、各相不垂直、铝包带缠绕不紧密不到位五种缺陷。
13、进一步地，步骤（1）所述数据集中图像尺寸缩放调整为640×640像素；存放数据文件夹为data，包含两个子文件夹，分别为images，labels，其中images保存训练图像，labels保存于训练图像对应的xml文件；训练集图像路径保存在train.txt，其中存放的是训练图像和标签相对路径。
14、进一步地，步骤（2）所述backbone模块包括一个conv模块，四个cgneck_down模块，一个triplet-attention模块，四个c2f-dysnakeconv模块和一个空间金字塔池化模块sppf。
15、进一步地，步骤（2）所述backbone模块实现过程如下：
16、主干网络中四层c2f-dysnakeconv分别为3、5、7、9层，将3、5、7层所提取的特征信息输入到cds-neck模块进一步融合特征信息；输入图像先进入一个conv层进行特征提取，而后进入triplet-attention模块有效处理上下文信息同时保留局部描述的同时向neck层输出，再进行以下循环操作：进入cgneck_down模块进行从语义层次和空间层次两方面进行捕获所有阶段的上下文特征，并进行采样操作；进入c2f-dysnakeconv模块进行特征提取并向neck层输出；如此反复，最后进入sppf模块，在不改变特征图大小的情况下，对不同尺度的特征图进行池化操作。
17、所述cgneck_down模块包括局部特征提取器floc(*)、周围上下文提取器fsur(*)、联合特征提取器fjoi(*)和全局特征提取器f本文档来自技高网...
【技术保护点】
1.一种基于多尺度特征融合的架空输电线路缺陷检测方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于多尺度特征融合的架空输电线路缺陷检测方法，其特征在于：步骤1）所述导线图像通过设置在机器人环形摄像阵列上的环形阵列摄像装置拍摄获得；所述数据集包含导线损伤变形、防震锤歪斜、间隔棒歪斜、各相不垂直、铝包带缠绕不紧密不到位五种缺陷。
3.根据权利要求1所述的基于多尺度特征融合的架空输电线路缺陷检测方法，其特征在于：步骤2）所述位置信息包括网格中的质量缺陷的边缘矩形框中心位置信息、宽高信息、置信度信息以及目标类别信息。
4.根据权利要求1所述的基于多尺度特征融合的架空输电线路缺陷检测方法，其特征在于：步骤3）所述Backbone模块具体包括一个Conv模块，四个CGNeck_Down模块，一个Triplet-Attention模块，三个C2f-DySnakeConv模块和一个空间金字塔池化模块SPPF。
5.根据权利要求4所述的基于多尺度特征融合的架空输电线路缺陷检测方法，其特征在于：所述Backbone模块实现过程如下：主干网络中
6.根据权利要求4或5所述的基于多尺度特征融合的架空输电线路缺陷检测方法，其特征在于：所述CGNeck_Down模块包括局部特征提取器floc(*)、周围上下文提取器fsur(*)、联合特征提取器fjoi(*)和全局特征提取器fglo(*)；所述floc(*)以常规卷积计算实现；所述fsur(*)以膨胀卷积计算实现；所述fjoi(*)为一个拼接层，后面加上一个BN层和PreLU函数激活；所述fglo(*)为全局池化层后面跟两个全连接层抽取特征，得到一个权重向量，以该权重向量指导联合特征融合。
7.根据权利要求4或5所述的基于多尺度特征融合的架空输电线路缺陷检测方法，其特征在于：所述CGNeck_Down模块中CGNeck采用残差学习，包括局部残差学习和全局残差学习两种方式。
8.根据权利要求4或5所述的基于多尺度特征融合的架空输电线路缺陷检测方法，其特征在于：所述Triplet-Attention模块在卷积神经网络中用于增强特征表达的注意力机制通过分别在三个正交方向上进行注意力计算，来捕捉更加全面的特征信息；包括通道注意力、空间注意力、高度注意力，对输入特征图在空间维度（H×W）上进行全局平均池化和全局最大池化，得到两个通道描述向量；
9.根据权利要求8所述的基于多尺度特征融合的架空输电线路缺陷检测方法，其特征在于：所述Triplet-Attention模块实现过程如下：
10.根据权利要求1所述的基于多尺度特征融合的架空输电线路缺陷检测方法，其特征在于：步骤3）所述的CDS-Neck模块实现过程如下：首先由backbone 中 3、5、7层输出的特征图进入颈部的concat层实现输入数据的拼接，第10层的特征图先进入轻量级算子CARAFE上采样模块放大图像，提取特征后再进入第13层的Concat层进行拼接;再经过14层、15层两个C2f-DySnakeConv模块提取特征后，14层的C2f-DySnakeConv模块先向head部的Detect头进行输出，然后输入第16层CARAFE层进行上采样操作，输出的特征图像与第5层输入的特征图像一起进入第17层Concat层进行拼接操作，然后进入18层C2f-DySnakeConv模块进行特征提取后先向 head部的Detect头进行输出；然后进入19层Conv层卷积层减少计算量，再进入20层CARAFE层进行上采样操作，再与第3层输入的特征一起进入21层Concat层进行拼接，将不同大小的特征张量连接起来，提升模型的表现能力；进入第22层C2f-DySnakeConv模块进行特征提取融合；最后输出到head部的Detect头。
...【技术特征摘要】
1.一种基于多尺度特征融合的架空输电线路缺陷检测方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于多尺度特征融合的架空输电线路缺陷检测方法，其特征在于：步骤1）所述导线图像通过设置在机器人环形摄像阵列上的环形阵列摄像装置拍摄获得；所述数据集包含导线损伤变形、防震锤歪斜、间隔棒歪斜、各相不垂直、铝包带缠绕不紧密不到位五种缺陷。
3.根据权利要求1所述的基于多尺度特征融合的架空输电线路缺陷检测方法，其特征在于：步骤2）所述位置信息包括网格中的质量缺陷的边缘矩形框中心位置信息、宽高信息、置信度信息以及目标类别信息。
4.根据权利要求1所述的基于多尺度特征融合的架空输电线路缺陷检测方法，其特征在于：步骤3）所述backbone模块具体包括一个conv模块，四个cgneck_down模块，一个triplet-attention模块，三个c2f-dysnakeconv模块和一个空间金字塔池化模块sppf。
5.根据权利要求4所述的基于多尺度特征融合的架空输电线路缺陷检测方法，其特征在于：所述backbone模块实现过程如下：主干网络中四层c2f-dysnakeconv分别为3、5、7、9层，将3、5、7层所提取的特征信息输入到cds-neck模块进一步融合特征信息；输入图像先进入一个conv层进行特征提取，而后进入triplet-attention模块有效处理上下文信息同时保留局部描述的同时向neck层输出，再进行以下循环操作：进入cgneck_down模块进行从语义层次和空间层次两方面进行捕获所有阶段的上下文特征，并进行采样操作；进入c2f-dysnakeconv模块进行特征提取并向neck层输出；如此反复，最后进入sppf模块，在不改变特征图大小的情况下，对不同尺度的特征图进行池化操作。
6.根据权利要求4或5所述的基于多尺度特征融合的架空输电线路缺陷检测方法，其特征在于：所述cgneck_down模块包括局部特征提取器floc(*)、周围上下文提取器fsur(*)、联合特征提取器fjoi(*)和全局特征提取器fglo(*)；所述floc(*)以常规卷积计算实现；所述fsur(*)以膨胀卷积计算实现；所述fjoi(*)为一个...
【专利技术属性】
技术研发人员：周孝法，王晓锋，蒋声婴，姜成诚，唐易民，茹天云，夏严峰，孙博洋，
申请(专利权)人：国网上海市电力公司，
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。