【技术实现步骤摘要】
航拍绝缘子自爆缺陷的检测模型、方法、设备及存储介质
[0001]本专利技术属于图像处理
，涉及一种航拍绝缘子自爆缺陷的检测模型、方法、设备及存储介质。
技术介绍
[0002]随着计算机、自动化等技术的快速发展，智能电网是电网技术发展的必然趋势。输电线路作为电网的重要组成部分，其安全稳定运行对国民经济的平稳发展具有重要作用。绝缘子是输电线路中常见电气设备之一，其长期处于相对恶劣的自然环境，容易出现自爆、锈蚀、污秽等问题。因此，绝缘子定期巡检对电力系统的正常运行具有重要意义。
[0003]传统的人工绝缘子巡检方式危险系数高、效率低。随着近些年来深度学习在计算机领域的快速发展，利用深度学习算法搭载无人机的巡检方式已成为主流趋势。目前学者所研究的绝缘子自爆缺陷检测方法主要分为两类，一种是级联网络结构检测方法，另一种是单阶段网络结构检测。
[0004]在级联网络结构检测方法的研究中，Tao等人针对绝缘子的定位和缺陷检测提出了一种新的深度卷积神经网络级联结构,将缺陷检测转化为两级目标检测问题,同时针对数据集过少的问...
【技术保护点】
【技术特征摘要】
1.一种航拍绝缘子自爆缺陷的检测模型，其特征在于，包括：主干网络D
‑
Darknet53、特征挖掘模块以及四尺度预测层；所述主干网络D
‑
Darknet53，用于提取绝缘子缺陷图像的不同尺度、不同层级的图像特征信息；所述特征挖掘模块，用于对绝缘子缺陷图像的局部特征与总体特征信息进行融合，得到特征信息丰富的绝缘子缺陷特征图像；所述四尺度预测层，用于对不同尺度、不同层级特征信息融合后的四种尺度绝缘子缺陷特征图像进行预测，得到绝缘子缺陷的最佳预测框。2.根据权利要求1所述的一种航拍绝缘子自爆缺陷的检测模型，其特征在于，所述主干网络D
‑
Darknet53有5个残差模块Resdx(x＝1、2、8、8、4)和下采样卷积组成，每个残差模块之前有一个下采样卷积，输入的绝缘子缺陷图像通过3
×
3卷积将输入尺寸调整为608
×
608后，依次经过下采样卷积和残差模块Resdx(x＝1、2、8、8、4)；所述残差模块Resdx，用于在不同感受野下提取绝缘子缺陷图像中物体的纹理、边缘信息，得到不同尺度的特征图，采用深度可分离卷积，降低网络模型的参数量；所述残差模块Resdx由x个残差单元Resdunit组成；所述残差单元采用深度可分离卷积，深度可分离卷积由卷积核大小为3
×
3的深度卷积和1
×
1的点卷积构成；所述残差单元输入端与点卷积的输出端进行相加操作后，作为残差单元的输出；所述5个残差模块中的后四个残差模块Resdx(x＝2、8、8、4)的输出分别为L1、L2、L3、L4，前一层的特征图大小均为后一层的2倍；所述主干网络D
‑
Darknet53的输出端与特征挖掘模块的输入端相连。3.根据权利要求1所述的一种航拍绝缘子自爆缺陷的检测模型，其特征在于，所述特征挖掘模块依次由三个卷积层、密集空间金字塔池化Dense
‑
SPP及三个卷积层组成；所述卷积层，用于对主干网络的输出特征图进行卷积操作，提高绝缘子缺陷特征图的特征表达能力；所述密集空间金字塔池化Dense
‑
SPP，用于对卷积层输出的绝缘子缺陷特征图进行不同尺度的池化操作，加强局部特征与总体特征的融合，得到特征信息丰富绝缘子缺陷特征图；所述特征挖掘模块的输入为主干网络D
‑
Darknet的输出L4，L4经过3个卷积核大小分别为1
×
1、3
×
3、1
×
1的卷积，不改变特征图的大小，提取特征得到绝缘子缺陷特征图L5；L5作为密集空间金字塔池化Dense
‑
spp的输入，将L5送入4条并行分支，其中一条分支为跳跃连接，其余3条均由级联、最大池化层和1
×
1卷积层构成，3个池化核大小分别为5
×
5、9
×
9、13
×
13；最后对四条支路的输出进行拼接操作得到Dense
‑
SPP挖掘出的特征L6；L6再经过三个依次相连的卷积核大小分别1
×
1、3
×
3、1
×
1的卷积获得特征L7，即为特征挖掘模块的最终输出。4.根据权利要求1所述的一种航拍绝缘子自爆缺陷的检测模型，其特征在于，所述四尺度预测层由四支预测特征层组成，后三支特征层经过上采样和拼接后得到四尺度预测特征图；所述上采样操作，在原有绝缘子缺陷特征图的基础上在各个像素之间采用合适的插值
算法插入新元素，将原特征图扩大2倍，从而与上一层的特征图进行拼接操作；所述四尺度预测层的尺度大小分别为19*19、38*38、76*76、152*152，小尺度预测层的感受野较大，用于检测大目标，大尺度预测层的感受野较小...
【专利技术属性】
技术研发人员：贾晓芬，于业齐，郭永存，黄友锐，赵佰亭，
申请(专利权)人：安徽理工大学，
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。