变电站的异物检测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种变电站的异物检测方法、装置、计算机设备和存储介质。所述方法包括：对待测的原始图像序列进行时域高通处理，得到原始图像序列的时域高通图像序列，将原始图像序列和时域高通图像序列输入至检测模型的特征提取网络，得到原始图像序列的空间特征和时序特征，将空间特征和时序特征输入至检测模型的特征金字塔网络，得到目标特征图，将目标特征图输入至检测模型的检测头网络，得到原始图像序列的异物检测结果。采用本方法能够有效提高异物检测的精确度。物检测的精确度。物检测的精确度。

【技术实现步骤摘要】
变电站的异物检测方法、装置、计算机设备和存储介质


[0001]本申请涉及人工智能
，尤其涉及智能巡检领域，特别是涉及一种变电站的异物检测方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着智能巡检技术的发展，出现了异物检测技术，该技术多用于在变电站无人值守场景下，对入侵异物进行检测的情况。目前的异物检测方式，主要利用相机采集到的图像、视频中的颜色、形状纹理等信息识别入侵异物。
[0003]然而，在目前的异物检测方式中，没有有效利用视频中图像序列的信息，在复杂的背景条件下，与异物相似的背景容易被误识别为异物目标，同时无法识别运动速度较慢的异物，导致检测精确度的降低，亟需改进。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种检测精确度高的变电站的异物检测方法、装置、计算机设备和存储介质。
[0005]第一方面，本申请提供了一种变电站的异物检测方法。所述方法包括：
[0006]对待测的原始图像序列进行时域高通处理，得到所述原始图像序列的时域高通图像序列；
[0007]将所述原始图像序列和所述时域高通图像序列输入至检测模型的特征提取网络，得到所述原始图像序列的空间特征和时序特征；
[0008]将所述空间特征和所述时序特征输入至所述检测模型的特征金字塔网络，得到目标特征图；
[0009]将所述目标特征图输入至所述检测模型的检测头网络，得到所述原始图像序列的异物检测结果。
[0010]在其中一个实施例中，特征提取网络包括空间特征提取子网络和时序特征提取子网络；所述将所述原始图像序列和所述时域高通图像序列输入至检测模型的特征提取网络，得到所述原始图像序列的空间特征和时序特征，包括：
[0011]将所述原始图像序列输入至所述空间特征提取子网络，得到所述原始图像序列的空间特征；将所述时域高通图像序列输入至所述时序特征提取子网络，得到所述原始图像序列的时序特征。
[0012]在其中一个实施例中，将所述空间特征和所述时序特征输入至所述检测模型的特征金字塔网络，得到目标特征图，包括：
[0013]对所述空间特征和所述时序特征进行融合，得到融合特征；将所述融合特征输入至所述检测模型的特征金字塔网络，得到目标特征图。
[0014]在其中一个实施例中，所述特征金字塔网络包括一个网络层数相同的上采样子网络和下采样子网络。
[0015]在其中一个实施例中，检测头网络包括分类头网络和回归头网络；所述将所述目标特征图输入至所述检测模型的检测头网络，得到所述原始图像序列的异物检测结果，包括：
[0016]将所述目标特征图输入至所述分类头网络，得到所述原始图像序列中异物的类别信息；将所述目标特征图输入至所述回归头网络，得到所述原始图像序列中异物的位置信息。
[0017]在其中一个实施例中，方法还包括：
[0018]根据所述类别信息和/或位置信息，确定预警方式；
[0019]根据所述预警方式，输出预警信息。
[0020]第二方面，本申请还提供了一种变电站的异物检测装置。所述装置包括：
[0021]图像处理模块，用于对待测的原始图像序列进行时域高通处理，得到所述原始图像序列的时域高通图像序列；
[0022]特征提取模块，用于将所述原始图像序列和所述时域高通图像序列输入至检测模型的特征提取网络，得到所述原始图像序列的空间特征和时序特征；
[0023]特征确定模块，用于将所述空间特征和所述时序特征输入至所述检测模型的特征金字塔网络，得到目标特征图；
[0024]检测模块，用于将所述目标特征图输入至所述检测模型的检测头网络，得到所述原始图像序列的异物检测结果。
[0025]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0026]对待测的原始图像序列进行时域高通处理，得到所述原始图像序列的时域高通图像序列；
[0027]将所述原始图像序列和所述时域高通图像序列输入至检测模型的特征提取网络，得到所述原始图像序列的空间特征和时序特征；
[0028]将所述空间特征和所述时序特征输入至所述检测模型的特征金字塔网络，得到目标特征图；
[0029]将所述目标特征图输入至所述检测模型的检测头网络，得到所述原始图像序列的异物检测结果。
[0030]第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0031]对待测的原始图像序列进行时域高通处理，得到所述原始图像序列的时域高通图像序列；
[0032]将所述原始图像序列和所述时域高通图像序列输入至检测模型的特征提取网络，得到所述原始图像序列的空间特征和时序特征；
[0033]将所述空间特征和所述时序特征输入至所述检测模型的特征金字塔网络，得到目标特征图；
[0034]将所述目标特征图输入至所述检测模型的检测头网络，得到所述原始图像序列的异物检测结果。
[0035]第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算
机程序，该计算机程序被处理器执行时实现以下步骤：
[0036]对待测的原始图像序列进行时域高通处理，得到所述原始图像序列的时域高通图像序列；
[0037]将所述原始图像序列和所述时域高通图像序列输入至检测模型的特征提取网络，得到所述原始图像序列的空间特征和时序特征；
[0038]将所述空间特征和所述时序特征输入至所述检测模型的特征金字塔网络，得到目标特征图；
[0039]将所述目标特征图输入至所述检测模型的检测头网络，得到所述原始图像序列的异物检测结果。
[0040]上述变电站的异物检测方法、装置、计算机设备和存储介质，通过对待测的原始图像序列进行时域高通处理，能够得到原始图像序列的时域高通图像序列，进而将原始图像序列和时域高通图像序列输入至检测模型的特征提取网络，能够得到原始图像序列的空间特征和时序特征，进一步的，将空间特征和时序特征输入至检测模型的特征金字塔网络，能够得到目标特征图，最后将目标特征图输入至检测模型的检测头网络，能够得到原始图像序列的异物检测结果。上述方案，通过对原始图像序列进行时域高通处理，提取出了图像的时序特征，结合图像的时序特征以及空间特征对异物进行检测，能够有效提高异物检测的精确度；同时，由于提取出了图像的时序特征，能够检测到慢速移动的异物，更进一步的提高了异物检测的精确度。
附图说明
[0041]图1为一个实施例中变电站的异物检测方法的应用环境图；
[0042]图2为一个实施例中变电站的异物检测方法的流程示意图；
[0043]图3为一个实施例中对原始图像序列进行特征提取的流程示意图；
[0044]图4为一个实施例中得到目标特征图的流程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变电站的异物检测方法，其特征在于，所述方法包括：对待测的原始图像序列进行时域高通处理，得到所述原始图像序列的时域高通图像序列；将所述原始图像序列和所述时域高通图像序列输入至检测模型的特征提取网络，得到所述原始图像序列的空间特征和时序特征；将所述空间特征和所述时序特征输入至所述检测模型的特征金字塔网络，得到目标特征图；将所述目标特征图输入至所述检测模型的检测头网络，得到所述原始图像序列的异物检测结果。2.根据权利要求1所述的方法，其特征在于，所述特征提取网络包括空间特征提取子网络和时序特征提取子网络；所述将所述原始图像序列和所述时域高通图像序列输入至检测模型的特征提取网络，得到所述原始图像序列的空间特征和时序特征，包括：将所述原始图像序列输入至所述空间特征提取子网络，得到所述原始图像序列的空间特征；将所述时域高通图像序列输入至所述时序特征提取子网络，得到所述原始图像序列的时序特征。3.根据权利要求1所述的方法，其特征在于，所述将所述空间特征和所述时序特征输入至所述检测模型的特征金字塔网络，得到目标特征图，包括：对所述空间特征和所述时序特征进行融合，得到融合特征；将所述融合特征输入至所述检测模型的特征金字塔网络，得到目标特征图。4.根据权利要求3所述的方法，其特征在于，所述特征金字塔网络包括一个网络层数相同的上采样子网络和下采样子网络。5.根据权利要求1所述的方法，其特征在于，所述检测头网络包括分类头网络和回归头网络；所述将所述目标特征图输入至所述...

【专利技术属性】
技术研发人员：饶竹一，郑筠，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：