【技术实现步骤摘要】
一种基于无锚网络的实时金具检测方法
[0001]本专利技术涉及图像分析
，尤其涉及一种基于无锚网络的实时金具检测方法。
技术介绍
[0002]输电线路是远距离传输电能的载体，金具是输电线路上广泛使用的铁质或铜制金属附件，主要用于支持、固定、接续裸导线、导体及绝缘子等，种类繁多且形状差异较大。由于金具常年运行在户外，极易产生锈蚀、形变、损坏等现象，严重时会引起大规模地停断电，经济损失不可估量，因此实现对金具目标高精度实时检测可自动定位其故障，对保障电网的安全运行具有重大意义。
[0003]近年来，随着人工智能技术发展，利用无人机对输电线路进行巡检，然后采用计算机视觉和图像处理技术对航拍金具图像进行自动化处理已成为当下的主要手段。
[0004]然而利用深度学习方法对输电线路金具进行检测存在以下两个难题：
[0005]1.目前较为成功的金具检测模型大多为anchor
‑
based方法。这类方法虽然在算法稳定性上得到提升，但由于模型参数过多，对硬件计算资源要求较高，检测速度慢，无法满足...
【技术保护点】
【技术特征摘要】
1.一种基于无锚网络的实时金具检测方法，其特征在于，包括以下步骤：S1，构建金具数据集，得到不同类别、不同尺度的金具图像；S2，选取无锚网络CenterNet为基础架构，改进轻量级MobileNetV3模型作为主干网络；S3，改进轻量级感受野增强模块，提高对不同尺度金具的适应能力；S4，设计高分辨率特征融合方法，采用迭代聚合的方式对不同分辨率的特征进行融合，减少下采样过程中空间语义信息的丢失，准确生成热图。S5，采用随机梯度下降法训练模型，通过目标中心点、中心点偏置、目标尺度三个预测分支回归得出金具检测结果。2.根据权利要求1所述的一种基于无锚网络的实时金具检测方法，其特征在于，所述构建金具数据集，得到不同类别、不同尺度的金具图像，具体包括：将航拍图像中输电线路及杆塔上包含金具的区域裁剪下来，进行清洗，选取其中图像清晰、含有金具种类和数目较多的图像。3.根据权利要求1所述的一种基于无锚网络的实时金具检测方法，其特征在于，所述选取无锚网络CenterNet作为基础架构，改进轻量级MobileNetV3模型作为主干网络，具体包括：首先去除MoblieNetV3网络最后一个瓶颈层的平均池化层和3个1
×
1卷积层，作为主干网络提取特征。然后选取主干网络第二层、第三层、第四层、第六层分别生成4倍、8倍、16倍、32倍下采样特征图，得到四张不同分辨率的特征图。4.根据权利要求1所述的一种基于无锚网络的实时金具检测方法，其特征在于，所述改进轻量级感受野增强模块，提高对不同尺度金具的适应能力，具体包括：首先引入多尺度感受野增强模块，增强特征提取能力和鲁棒性。借鉴RFBNet模拟人类视觉系统中感受野的大小与偏心率之间的关系，引入3个空洞卷积层，增大网络的感受野。空洞卷积的感受野计算公式为：K＝(rate
‑
1)
×
(k
‑
1)+k
ꢀꢀꢀꢀꢀ
(1)式中，K为空洞卷积感受野，rate为空洞卷积率，k为卷积核大小。然后删减部分卷积层，进行轻量化设计。具体流程为：特征图首先经过压缩激励层选择通道，接着经过1
×
1的卷积进行降维，然后并联了4个3
×
3空洞卷积层，对其进行整合并经过1
×
1卷积层后与先前的卷积层进行第二次整合。最后，将轻量化处理后的模块应用在16倍下采样特征图后，获取空间语义信息更丰富的特征图。5.根据权利要求1所述的一种基于无锚网络的实时金具检测方法，其特征在于，所述设计高分辨率特征融合方法，采用迭代聚合的方式对不同分辨率的特征图进行融合，减少下采样过程中空间语义信息的丢失，准确生成热图，具体包括：首先，引入HRNet网络思想，在提取过程中保持高分辨率表征并逐渐增加并行子网，子网并行连接生成不同分辨率的特征图，对不同分辨率的特征图统一尺度后直接进行拼接。其次，针对HRNet无法充分利用不同分辨率的特征，设计一种基于迭代聚合的高分辨率特征融合...
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。