【技术实现步骤摘要】
基于轻量化目标检测模型的输电线路故障检测方法及系统
[0001]本专利技术涉及计算机视觉中的目标检测领域，尤其涉及一种基于轻量化目标检测模型的输电线路故障检测方法及系统。
技术介绍
[0002]目标检测是计算机视觉中一个具有挑战的领域，其成果已广泛应用到很多领域。输电线路的故障检测大多使用卫星成像或无人机线路巡检，后者在检测时一般采用无人机进行固定线路的图像拍摄，然后传输至监测中心再通过目标检测方法或人力进行故障检测。这种方法需要消耗较高的人力财力，同时不具有实时性检测和分类的效果。
[0003]YOLO系列算法经过了多年的更新迭代已经是一种成熟的目标检测方法，在最新推出的YOLOv7目标检测算法中，在绝大部分情况下速度和精度都超过了所有已知的目标检测器。但原版YOLOv7经过YOLO系列的发展加入了大量的其他方法，变成了一种成熟且复杂的卷积神经网络，这种网络可以在高计算能力的设备上运行出优秀结果，但并不适合在输电线巡检的无人机中进行实时性的故障检测工作。
技术实现思路
[0004]本专利技术的目的在于提供一种基于轻量化目标检测模型的输电线路故障检测方法及系统，用以解决或者至少部分解决现有技术中存在的实时性与分类效果不能兼顾的技术问题。
[0005]为了解决上述技术问题，本专利技术采用如下技术方案：
[0006]第一方面提供了基于轻量化目标检测模型的输电线路故障检测方法，包括：
[0007]采集输电线路图像；
[0008]对采集的输电线路图像进行预处理；>[0009]利用预先构建的轻量化目标检测模型对预处理后的输电线路图像进行缺陷定位，其中，轻量化目标检测模型为基于YOLOv7的改进模型LC
‑
YOLOv7，模型包括主干特征提取网络、加强特征提取网络和检测头部分，改进模型LC
‑
YOLOv7降低YOLOv7模型的通道数，主干特征提取网络在YOLOv7模型的基础上新增一组MP1和ELAN结构以获取更多分辨率的特征图，加强特征提取网络将YOLOv7模型的双特征金字塔由3层改为4层，用以融合新增的特征图，检测头部分在YOLOv7模型的基础上新增一个检测头，用以检测大小不同的输电线路故障，其中，MP1结构为一种特殊的卷积组合，包括三个卷积层和一个最大池化层，MP1的输出通道数与输入通道数相同，ELAN结构为卷积融合结构，用于融合多个卷积层所获得的特征信息，ELAN结构包括六个卷积层，通过前五个卷积层获取的不同特征图进行融合，再通过第六个卷积层控制输出的通道数；
[0010]根据输电线路图像的缺陷定位结果，利用预先构建的轻量化目标检测模型进行缺陷分类和空间定位。
[0011]在一种实施方式中，所述方法还包括：
[0012]根据缺陷定定位结果、缺陷分类和空间定位结果进行损伤警报。
[0013]在一种实施方式中，采集输电线路图像，包括：
[0014]根据预先制定好的输电线路巡检线路，使用部署有LC
‑
YOLOv7模型的无人机沿线进行输电线图像采集。
[0015]在一种实施方式中，对采集的输电线路图像进行预处理，包括：
[0016]对输电线图像进行分辨率归一化处理；将待检测输电线图像的拍摄顺序与输电线路巡检顺序相匹配，将输电线图像统一转化为PNG或JPG格式并使得图像的分辨率达到预设范围。
[0017]在一种实施方式中，利用预先构建的轻量化目标检测模型对预处理后的输电线路图像进行缺陷定位，包括：
[0018]通过主干特征提取网络从输入的预处理后的输电线路图像中获取四种分辨率不同的特征图；
[0019]通过加强特征提取网络的两个特征金字塔对四种分辨率不同的特征图逐步进行特征融合；
[0020]将进行特征融合后的特征图逐个输入四个检测头中，通过检测头中不同大小的锚框确定不同大小的缺陷损伤在输电线图像中坐标位置，作为缺陷定位结果。
[0021]在一种实施方式中，当预处理后的输电线路图像中存在缺陷损失时，所述方法还包括：
[0022]对缺陷所在位置进行重复拍摄；
[0023]对重复拍摄得到的图像输入轻量化目标检测模型进行再次检测；
[0024]将重复拍摄图像进行人工缺陷检测。
[0025]在一种实施方式中，根据输电线路图像的缺陷定位结果，利用预先构建的轻量化目标检测模型进行缺陷分类和空间定位，包括：
[0026]根据缺陷定位结果对缺陷类型进行分类；
[0027]根据输电线路巡检线路和缺陷定位结果，确定缺陷的空间位置。
[0028]基于同样的专利技术构思，本专利技术第二方面提供了基于轻量化目标检测模型的输电线路故障检测系统，包括：
[0029]输电线路图像采集模块，用于采集输电线路图像；
[0030]输电线路图像预处理模块，用于对采集的输电线路图像进行预处理；
[0031]输电线路图像检测模块，用于利用预先构建的轻量化目标检测模型对预处理后的输电线路图像进行缺陷定位，其中，轻量化目标检测模型为基于YOLOv7的改进模型LC
‑
YOLOv7，模型包括主干特征提取网络、加强特征提取网络和检测头部分，改进模型LC
‑
YOLOv7降低YOLOv7模型的通道数，主干特征提取网络在YOLOv7模型的基础上新增一组MP1和ELAN结构以获取更多分辨率的特征图，加强特征提取网络将YOLOv7模型的双特征金字塔由3层改为4层，用以融合新增的特征图，检测头部分在YOLOv7模型的基础上新增一个检测头，用以检测大小不同的输电线路故障，其中，MP1结构为一种特殊的卷积组合，包括三个卷积层和一个最大池化层，MP1的输出通道数与输入通道数相同，ELAN结构为卷积融合结构，用于融合多个卷积层所获得的特征信息，ELAN结构包括六个卷积层，通过前五个卷积层获取的不同特征图进行融合，再通过第六个卷积层控制输出的通道数；
[0032]输电线缺陷识别分类模块，用于根据输电线路图像的缺陷定位结果，利用预先构建的轻量化目标检测模型进行缺陷分类和空间定位
[0033]基于同样的专利技术构思，本专利技术第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被执行时实现第一方面所述的方法。
[0034]基于同样的专利技术构思，本专利技术第四方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。
[0035]相对于现有技术，本专利技术的优点和有益的技术效果如下：
[0036]本专利技术公开的基于轻量化目标检测模型的输电线路故障检测方法，利用基于YOLOv7的改进模型LC
‑
YOLOv7进行缺陷定位和分类识别，从而实现故障巡检。改进后的模型通过降低整体网络的通道数，从而降低了卷积的计算次数，使得网络更加轻量化，然后在主干特征提取网络中新增一组卷积以获得不同分辨率的特征图，再将加强特征提取网络中本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于轻量化目标检测模型的输电线路故障检测方法，其特征在于，包括：采集输电线路图像；对采集的输电线路图像进行预处理；利用预先构建的轻量化目标检测模型对预处理后的输电线路图像进行缺陷定位，其中，轻量化目标检测模型为基于YOLOv7的改进模型LC
‑
YOLOv7，模型包括主干特征提取网络、加强特征提取网络和检测头部分，改进模型LC
‑
YOLOv7降低YOLOv7模型的通道数，主干特征提取网络在YOLOv7模型的基础上新增一组MP1和ELAN结构以获取更多分辨率的特征图，加强特征提取网络将YOLOv7模型的双特征金字塔由3层改为4层，用以融合新增的特征图，检测头部分在YOLOv7模型的基础上新增一个检测头，用以检测大小不同的输电线路故障，其中，MP1结构为一种特殊的卷积组合，包括三个卷积层和一个最大池化层，MP1的输出通道数与输入通道数相同，ELAN结构为卷积融合结构，用于融合多个卷积层所获得的特征信息，ELAN结构包括六个卷积层，通过前五个卷积层获取的不同特征图进行融合，再通过第六个卷积层控制输出的通道数；根据输电线路图像的缺陷定位结果，利用预先构建的轻量化目标检测模型进行缺陷分类和空间定位。2.如权利要求1所述的基于轻量化目标检测模型的输电线路故障检测方法，其特征在于，所述方法还包括：根据缺陷定定位结果、缺陷分类和空间定位结果进行损伤警报。3.如权利要求1所述的基于轻量化目标检测模型的输电线路故障检测方法，其特征在于，采集输电线路图像，包括：根据预先制定好的输电线路巡检线路，使用部署有LC
‑
YOLOv7模型的无人机沿线进行输电线图像采集。4.如权利要求1所述的基于轻量化目标检测模型的输电线路故障检测方法，其特征在于，对采集的输电线路图像进行预处理，包括：对输电线图像进行分辨率归一化处理；将待检测输电线图像的拍摄顺序与输电线路巡检顺序相匹配，将输电线图像统一转化为PNG或JPG格式并使得图像的分辨率达到预设范围。5.如权利要求1所述的基于轻量化目标检测模型的输电线路故障检测方法，其特征在于，利用预先构建的轻量化目标检测模型对预处理后的输电线路图像进行缺陷定位，包括：通过主干特征提取网络从输入的预处理后的输电线路图像中获取图种分辨率不同的特征图；通过加强特征提取网络的两个特征金字塔对四种分辨率不同的特征图逐步进行特征融合；将进行特征融合后的特征图逐个输入四个检测头中，通过检测头...
【专利技术属性】
技术研发人员：吴珺，董佳明，郑欣丽，聂万宇，王江鹏，王春枝，
申请(专利权)人：湖北工业大学，
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。