绝缘子缺陷检测方法、系统和计算机可读存储介质技术方案

本申请涉及一种绝缘子缺陷检测方法、系统和计算机可读存储介质，包括：获取绝缘子缺陷的多源数据训练集，多源数据训练集包括可见光图像样本和红外图像样本；根据多源数据训练集对绝缘子检测模型进行训练，以构建目标检测模型；将待检测的输电线路图像输入至目标检测模型中，以输出目标预测框，目标预测框用于确定绝缘子的缺陷位置，待检测的输电线路图像包括可见光检测图像和对应的红外检测图像。将可见光图像样本和红外图像样本结合作为多源数据，以多模态图像的训练方式使绝缘子检测模型能够学习到更全面的特征信息，且基于多源数据的深度学习技术，能够自动识别和判定绝缘子的破裂和损坏情况，大大提高检测准确率和鲁棒性。大大提高检测准确率和鲁棒性。大大提高检测准确率和鲁棒性。

【技术实现步骤摘要】
绝缘子缺陷检测方法、系统和计算机可读存储介质


[0001]本申请涉及计算机检测
，特别是涉及一种绝缘子缺陷检测方法、系统和计算机可读存储介质。

技术介绍

[0002]输电线路是电力系统中的重要组成部分，而输电线路绝缘子的安全运行对电网的可靠运行至关重要，在绝缘子发生破裂或损坏时，将可能导致线路短路和发生火灾等严重后果。随着人工智能技术的发展，利用深度学习模型的目标检测方法被广泛应用在安防等领域，但使用单一类型的数据源(如可见光图像)对绝缘子进行缺陷检测的效果不佳，在成像条件较差或受到遮挡时难以分辨出缺陷的绝缘子，易出现错检、漏检等问题，检测精度较低。

技术实现思路

[0003]基于此，有必要针对现有技术中单一类型的数据源对绝缘子进行缺陷检测的效果不佳的问题提供一种绝缘子缺陷检测方法、系统和计算机可读存储介质。
[0004]为了实现上述目的，本申请提供了一种绝缘子缺陷检测方法，包括：
[0005]获取绝缘子缺陷的多源数据训练集，所述多源数据训练集包括可见光图像样本和红外图像样本；
[0006]根据所述多源数据训练集对绝缘子检测模型进行训练，以构建目标检测模型；
[0007]将待检测的输电线路图像输入至所述目标检测模型中，以输出目标预测框，所述目标预测框用于确定绝缘子的缺陷位置，所述待检测的输电线路图像包括可见光检测图像和对应的红外检测图像。
[0008]在其中一个实施例中，所述绝缘子检测模型包括依次相连的特征提取模块、编码模块、预测头部模块和参数更新模块，所述根据所述多源数据训练集对绝缘子检测模型进行训练，以构建目标检测模型，包括：
[0009]基于所述特征提取模块对所述可见光图像样本和所述红外图像样本分别进行全局特征提取，并将两路经全局特征提取的特征图像进行拼接和位置编码；
[0010]基于所述编码模块对经拼接后的特征图像进行融合处理，获得融合后的特征图像；
[0011]基于所述预测头部模块对融合后的特征图像进行目标预测，以输出类别预测结果和边界框预测结果；
[0012]基于所述参数更新模块对所述类别预测结果和所述边界框预测结果进行损失计算，根据损失计算结果和梯度回传算法对所述绝缘子检测模型的参数进行优化更新，以构建所述目标检测模型。
[0013]在其中一个实施例中，所述编码模块包括依次相连的多个编码器，上一级所述编码器的输出为下一级所述编码器的输入，所述编码器包括多头注意力层和前馈网络层，所
述基于所述编码模块对经拼接后的特征图像进行融合处理，获得融合后的特征图像，包括：
[0014]将经位置编码后的特征图像通过线性变换以获取查询向量、键向量和值向量；
[0015]根据所述查询向量和所述键向量进行相似度计算，并将相似度计算结果转换为注意力权重分布，将所述注意力权重分布与所述值向量的乘积作为一路注意力结果，多路注意力结果经过拼接后通过所述前馈网络层的特征变换，输出至下一级编码器，其中，最后一级编码器的输出作为融合后的特征图像。
[0016]在其中一个实施例中，所述多头注意力层和所述前馈网络层之间还包括依次连接的第一残差网络和第一层归一化网络，所述前馈网络层的输出端还依次连接第二残差网络和第二层归一化网络，所述残差网络用于残差处理，所述层归一化网络用于归一化处理。
[0017]在其中一个实施例中，所述预测头部模块包括第一前馈网络和第二前馈网络，所述第一前馈网络用于类别预测，第二前馈网络用于边界框预测。
[0018]在其中一个实施例中，所述基于所述参数更新模块对所述类别预测结果和所述边界框预测结果进行损失计算，包括：
[0019]对所述类别预测结果和所述边界框预测结果进行正负样本分配；
[0020]根据正负样本分配结果和损失函数进行损失计算。
[0021]在其中一个实施例中，所述将待检测的输电线路图像输入至所述目标检测模型中，以输出目标预测框，包括：
[0022]将待检测的输电线路对应的可见光检测图像和红外光检测图像输入至所述目标检测模型之后，输出预设数量的边界框；
[0023]基于非极大值抑制算法通过筛选所述预设数量的边界框以输出所述目标预测框。
[0024]在其中一个实施例中，所述获取绝缘子缺陷的多源数据训练集，包括：
[0025]采集输电线路的可见光巡检图像和红外巡检图像，以获取绝缘子图像集；
[0026]对所述绝缘子图像集中的各绝缘子图像的缺陷区域进行标注，将标注后的绝缘子图像集作为所述多源数据训练集。
[0027]本申请提供一种绝缘子缺陷检测系统，包括：
[0028]获取模块，用于获取绝缘子缺陷的多源数据训练集，所述多源数据训练集包括可见光图像样本和红外图像样本；
[0029]训练模块，用于根据所述多源数据训练集对绝缘子检测模型进行训练，以构建目标检测模型；
[0030]检测模块，用于将待检测的输电线路图像输入至所述目标检测模型中，以输出目标预测框，所述目标预测框用于确定绝缘子的缺陷位置，所述待检测的输电线路图像包括可见光检测图像和对应的红外检测图像。
[0031]本申请提供一种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如上所述的绝缘子缺陷检测方法。
[0032]上述绝缘子缺陷检测方法、系统和计算机可读存储介质，通过绝缘子缺陷的可见光图像样本和红外图像样本对绝缘子检测模型进行训练，以构建目标检测模型，将待检测的输电线路图像输入至目标检测模型中以获取绝缘子缺陷情况，将可见光图像样本和红外图像样本结合作为多源数据，以多模态图像的训练方式使绝缘子检测模型能够学习到更全面的特征信息，提高绝缘子缺陷检测的鲁棒性和准确性，基于深度学习技术和多源数据来
综合判断绝缘子的缺陷情况，能够自动识别和判定绝缘子的破裂和损坏情况，大大提高检测准确率和效率。
附图说明
[0033]为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0034]图1为一实施例中提供的绝缘子缺陷检测方法的流程示意图之一；
[0035]图2为一实施例中提供的绝缘子缺陷检测方法的流程示意图之二；
[0036]图3为一实施例中提供的绝缘子缺陷检测方法的流程示意图之三；
[0037]图4为一实施例中提供的绝缘子缺陷检测方法的流程示意图之四；
[0038]图5为一实施例中提供的绝缘子缺陷检测方法的流程示意图之五；
[0039]图6为一实施例中提供的绝缘子缺陷检测方法的流程示意图之六。
具体实施方式
[0040]为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是，本申请可以以许本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种绝缘子缺陷检测方法，其特征在于，包括：获取绝缘子缺陷的多源数据训练集，所述多源数据训练集包括可见光图像样本和红外图像样本；根据所述多源数据训练集对绝缘子检测模型进行训练，以构建目标检测模型；将待检测的输电线路图像输入至所述目标检测模型中，以输出目标预测框，所述目标预测框用于确定绝缘子的缺陷位置，所述待检测的输电线路图像包括可见光检测图像和对应的红外检测图像。2.根据权利要求1所述的绝缘子缺陷检测方法，其特征在于，所述绝缘子检测模型包括依次相连的特征提取模块、编码模块、预测头部模块和参数更新模块，所述根据所述多源数据训练集对绝缘子检测模型进行训练，以构建目标检测模型，包括：基于所述特征提取模块对所述可见光图像样本和所述红外图像样本分别进行全局特征提取，并将两路经全局特征提取的特征图像进行拼接和位置编码；基于所述编码模块对经拼接后的特征图像进行融合处理，获得融合后的特征图像；基于所述预测头部模块对融合后的特征图像进行目标预测，以输出类别预测结果和边界框预测结果；基于所述参数更新模块对所述类别预测结果和所述边界框预测结果进行损失计算，根据损失计算结果和梯度回传算法对所述绝缘子检测模型的参数进行优化更新，以构建所述目标检测模型。3.根据权利要求2所述的绝缘子缺陷检测方法，其特征在于，所述编码模块包括依次相连的多个编码器，上一级所述编码器的输出为下一级所述编码器的输入，所述编码器包括多头注意力层和前馈网络层，所述基于所述编码模块对经拼接后的特征图像进行融合处理，获得融合后的特征图像，包括：将经位置编码后的特征图像通过线性变换以获取查询向量、键向量和值向量；根据所述查询向量和所述键向量进行相似度计算，并将相似度计算结果转换为注意力权重分布，将所述注意力权重分布与所述值向量的乘积作为一路注意力结果，多路注意力结果经过拼接后通过所述前馈网络层的特征变换，输出至下一级编码器，其中，最后一级编码器的输出作为融合后的特征图像。4.根据权利要求3所述的绝缘子缺陷检测方法，其特征在于，所述多头注意力层和所述前馈网络...

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