本申请公开了一种绝缘子检测方法、装置、电子设备以及存储介质，该方法中，在获取无人机采集到的输电线路图像后，采用绝缘子检测模型对输电线路图像进行绝缘子检测，获得包含绝缘子的目标图像，绝缘子检测模型为对目标检测模型进行模型训练后获得的模型，目标检测模型为在Yolov7神经网络模型中引入注意力机制后所构建的模型，然后采用绝缘子分类模型对目标图像中所包含的绝缘子进行分类识别，获得绝缘子的状况类别信息。由于目标检测模型为在Yolov7神经网络模型中引入注意力机制后所构建的模型，因此对与绝缘子相关度较高的特征通道赋予较大的权重，对与绝缘子相关度较低的特征通道赋予较小的权重，可提高Yolov7神经网络模型主干网络对绝缘子的检测能力。模型主干网络对绝缘子的检测能力。模型主干网络对绝缘子的检测能力。
【技术实现步骤摘要】
一种绝缘子检测方法、装置、电子设备以及存储介质
[0001]本申请涉及无人机
，具体涉及一种绝缘子检测方法。本申请同时涉及一种绝缘子检测装置、一种电子设备以及一种计算机可读取存储介质。
技术介绍
[0002]相对传统的人工巡检方式，无人机具有体积小、重量轻、携带方便等特点，此外，无人机巡检具有准确率高、成本低、操控简单等特点，随着无人机和高清摄像头等智能设备的发展，图像处理、机器学习以及深度学习等技术的不断成熟，无人机已经在电力巡检中得到了广泛应用。
[0003]在使用YOLO系列的目标检测模型对绝缘子表面污染、结冰、疏水性和老化等状况进行评估时，由于无人机巡检拍摄角度、位置、距离、植被遮挡、光照情况、绝缘子组件体积较小以及绝缘子在图像中的占比较小、绝缘子不同故障类型所对应的绝缘子数量差距较大等原因，导致基于YOLO系列的目标检测方法对绝缘子缺陷识别的准确度不高，影响其实际应用。因此，如何提高基于无人机自主巡检的绝缘子故障检测性能，是需要解决的问题。
技术实现思路
[0004]本专利技术提供一种绝缘子检测方法、绝缘子检测装置、电子设备及计算机可读存储介质，以解决现有技术中基于YOLO系列的目标检测方法对绝缘子缺陷识别的准确度不高，影响其实际应用的问题。
[0005]为了解决或部分解决上述技术问题，根据本专利技术的一方面，提供一种绝缘子检测方法，该方法应用于无人机，包括：获取无人机采集到的输电线路图像；采用绝缘子检测模型对所述输电线路图像进行绝缘子检测，获得包含绝缘子的目标图像，所述绝缘子检测模型为对目标检测模型进行模型训练后获得的模型，所述目标检测模型为在Yolov7神经网络模型中引入注意力机制后所构建的模型；采用绝缘子分类模型对所述目标图像中所包含的绝缘子进行分类识别，获得所述绝缘子的状况类别信息。
[0006]在一种实施方式中，所述在Yolov7神经网络模型中引入注意力机制，包括：将卷积注意力模块CBAM的通道注意力模块替换为ECA
‑
Net，获得改进后的目标CBAM；将所述目标CBAM集成到Yolov7神经网络的主干网络中。
[0007]在一种实施方式中，所述方法还包括：通过如下方式训练获得所述绝缘子检测模型：对输电线路对应的历史航拍图像进行数据扩充处理，获得训练样本和测试样本，所述训练样本中包含绝缘子的样本为正样本、不包含绝缘子的样本为负样本；响应于所述目标检测模型被构建，通过所述训练样本对所述目标检测模型进行模
型训练，并通过所述测试样本对模型训练结果进行测试，获得所述绝缘子检测模型。
[0008]在一种实施方式中，所述方法还包括：使用梯度流传播路径对重参化卷积与不同网络的结合方法进行分析，并基于分析结果获得所述目标检测模型对应的目标重参化卷积。
[0009]在一种实施方式中，所述方法还包括：使用组卷积对所述Yolov7神经网络模型的计算层的各计算模块的通道数和基数进行扩展。
[0010]在一种实施方式中，所述方法还包括：在缩放所述计算模块的深度因子的同时，计算所述计算模块的输出通道的变化量，并基于所述变化量对过渡层进行等量变化的宽度因子缩放。
[0011]在一种实施方式中，所述方法还包括：通过如下方式训练获得所述绝缘子分类模型：获得绝缘子航拍图像，并基于预设的绝缘子状况类别信息对所述绝缘子航拍图像进行分类打标，获得训练样本；基于所述训练样本，对预先选取的分类模型进行模型训练，获得所述绝缘子分类模型。
[0012]根据本专利技术的另一方面，提供一种绝缘子检测装置，所述装置应用于无人机，包括：输电线路图像获取单元，用于获取无人机采集到的输电线路图像；目标图像获得单元，用于采用绝缘子检测模型对所述输电线路图像进行绝缘子检测，获得包含绝缘子的目标图像，所述绝缘子检测模型为对目标检测模型进行模型训练后获得的模型，所述目标检测模型为在Yolov7神经网络模型中引入注意力机制后所构建的模型；绝缘子分类识别单元，用于采用绝缘子分类模型对所述目标图像中所包含的绝缘子进行分类识别，获得所述绝缘子的状况类别信息。
[0013]根据本专利技术的另一方面，还提供一种电子设备，包括处理器和存储器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现上述方法。
[0014]根据本专利技术的另一方面，还提供一种计算机可读存储介质，其上存储有一条或多条计算机指令，该指令被处理器执行以实现上述方法。
[0015]与现有技术相比，本申请实施例具有以下优点：本申请实施例提供的绝缘子检测方法，在获取无人机采集到的输电线路图像后，采用绝缘子检测模型对输电线路图像进行绝缘子检测，获得包含绝缘子的目标图像，绝缘子检测模型为对目标检测模型进行模型训练后获得的模型，目标检测模型为在Yolov7神经网络模型中引入注意力机制后所构建的模型，然后采用绝缘子分类模型对目标图像中所包含的绝缘子进行分类识别，获得绝缘子的状况类别信息。该方法中，由于目标检测模型为在Yolov7神经网络模型中引入注意力机制后所构建的模型，因此可增强CNN的特征表示，从而在诸多信息中聚焦任务目标的关键信息，降低对无关信息的关注度，具体的，可针对与绝缘子相关度较高的特征通道赋予较大的权重，对与绝缘子相关度较低的特征通道赋予较小的
权重，提高了Yolov7神经网络模型主干网络对绝缘子的检测能力，可降低因无人机巡检拍摄角度、位置、距离、植被遮挡、光照情况、绝缘子组件体积较小以及绝缘子在图像中的占比较小等因素的影响，实现对绝缘子的精确位置进行有效定位，提高基于无人机自主巡检的绝缘子故障检测性能。
附图说明
[0016]图1是本申请一实施例提供的绝缘子检测方法流程图；图2是本申请一实施例提供的绝缘子检测装置的单元框图；图3是本申请一实施例提供的电子设备的逻辑结构示意图。
具体实施方式
[0017]在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
[0018]将基于深度学习的目标检测方法应用于绝缘子故障检测，是当前应用较为广泛的绝缘子故障检测方法，例如：R
‑
CNN(region
‑
based convolutional neural network)系列目标检测方法、YOLO(You Only Look Once)系列目标检测方法等，其中，R
‑
CNN网络模型复杂，无法部署在无人机上，其实时性较差。基于YOLO(You Only Look Once)系列的目标检测方法，其网络模型简单，具有较快的检测速度和较高的检测准确度，可以部署在无人机上，实时性较好，目前被大量用于无人机自主输电线路的巡检中。
[0019]在使用YOLO系列的目标检测模型对绝缘子表面污染、结冰、疏水性和老化等状况进行评估时，由于无人机巡本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种绝缘子检测方法，其特征在于，应用于无人机，所述方法包括：获取无人机采集到的输电线路图像；采用绝缘子检测模型对所述输电线路图像进行绝缘子检测，获得包含绝缘子的目标图像，所述绝缘子检测模型为对目标检测模型进行模型训练后获得的模型，所述目标检测模型为在Yolov7神经网络模型中引入注意力机制后所构建的模型；采用绝缘子分类模型对所述目标图像中所包含的绝缘子进行分类识别，获得所述绝缘子的状况类别信息。2.根据权利要求1所述的方法，其特征在于，所述在Yolov7神经网络模型中引入注意力机制，包括：将卷积注意力模块CBAM的通道注意力模块替换为ECA
‑
Net，获得改进后的目标CBAM；将所述目标CBAM集成到Yolov7神经网络的主干网络中。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：通过如下方式训练获得所述绝缘子检测模型：对输电线路对应的历史航拍图像进行数据扩充处理，获得训练样本和测试样本，所述训练样本中包含绝缘子的样本为正样本、不包含绝缘子的样本为负样本；响应于所述目标检测模型被构建，通过所述训练样本对所述目标检测模型进行模型训练，并通过所述测试样本对模型训练结果进行测试，获得所述绝缘子检测模型。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：使用梯度流传播路径对重参化卷积与不同网络的结合方法进行分析，并基于分析结果获得所述目标检测模型对应的目标重参化卷积。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：使用组卷积对所述Yolov7神经网络模型的计算层的各计算模块...
【专利技术属性】
技术研发人员：任雪峰，罗巍，
申请(专利权)人：北京卓翼智能科技有限公司，
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。