高压线路异物检测方法、模型训练方法和装置制造方法及图纸

本申请涉及一种高压线路异物检测方法、模型训练方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取高压线路的实时图像集；调用预先训练的高压线路异物检测模型；高压线路异物检测模型是根据携带异物特征的偏振图像集进行模型训练获得的；通过高压线路异物检测模型对异物进行识别，获取实时图像集中异物的位置。采用本方法能够较为准确且快速地得到架空高压线路挂空异物的位置，特别适用于雾天环境下高压线路挂空异物的检测。用于雾天环境下高压线路挂空异物的检测。用于雾天环境下高压线路挂空异物的检测。

【技术实现步骤摘要】
高压线路异物检测方法、模型训练方法和装置


[0001]本申请涉及异物检测
，特别是涉及一种高压线路异物检测方法、模型训练方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]电力能源是社会生产的重要能源，在社会生产与日常生活中占据着至关重要的地位。目前国内主要采用高压线路进行电力运输，高压线路作为能源供应的重要基础设施，其安全稳定的运行将决定电力系统的安全与供电稳定。然而高压线路容易受到挂空异物的影响，从而为电力运输带来了安全隐患。因此，无人机巡检在电力领域中得到了越来越广泛的应用与普及。
[0003]然而，当前研究人员更多的是对巡检机器人以及对应的系统进行提升，并没有考虑到天气较差情况的处理，例如在有雾的天气，能见度下降，图像对比度也会下降，现有的检测方法的检测性能较差。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够实现在有雾天气高效检测高压线路挂空异物的高压线路异物检测方法、模型训练方法、装置、计算机设备、存储介质和计算机程序产品。
[0005]第一方面，本申请提供了一种高压线路异物检测方法。该方法包括：
[0006]获取高压线路的实时图像集；
[0007]调用预先训练的高压线路异物检测模型；高压线路异物检测模型是根据携带异物特征的偏振图像集进行模型训练获得的；
[0008]通过高压线路异物检测模型对异物进行识别，获取实时图像集中异物的位置。
[0009]第二方面，本申请提供了一种高压线路异物检测模型训练方法，用于训练如第一方面提供的高压线路异物检测模型，该方法包括：
[0010]获取携带异物特征的偏振图像集；
[0011]标注偏振图像集中的异物位置，获得标注图像集；
[0012]使用偏振去雾方法对标注图像集进行去雾处理，获取线偏振图集；
[0013]采用目标检测模型对线偏振图集进行训练，获得高压线路异物检测模型。
[0014]在其中一个实施例中，使用偏振去雾方法对标注图像集进行去雾处理，获取线偏振图集包括：
[0015]携带异物特征的偏振图像集包括不同偏振态的偏振图像，对偏振图像采用偏振暗通道先验去雾技术进行水雾去除，获取线偏振图集。
[0016]在其中一个实施例中，采用目标检测模型对线偏振图集进行训练，获得高压线路异物检测模型包括：
[0017]将标注图像集输入特征提取模块，输出特征图像；
[0018]根据特征图像生成特征图像的位置编码；
[0019]将特征图像和特征图像的位置编码输入编码模块，获取第一输出值；
[0020]将第一输出值输入解码模块，获取第二输出值；
[0021]将第二输出值输入预测头部模块，获取类别预测结果和边界框预测结果；
[0022]根据类别预测结果和边界框预测结果获取损失函数计算值；
[0023]根据损失函数计算值更新模型参数，根据更新后的模型参数获取高压线路异物检测模型。
[0024]在其中一个实施例中，根据类别预测结果和边界框预测结果获取损失函数计算值包括：
[0025]采用匈牙利算法根据类别预测结果和边界框预测结果获取损失函数计算值。
[0026]第三方面，本申请还提供了一种高压线路异物检测装置。该装置包括：
[0027]图像获取模块，用于获取高压线路的实时图像集；
[0028]模型调用模块，用于调用预先训练的高压线路异物检测模型；高压线路异物检测模型是根据携带异物特征的偏振图像集进行模型训练获得的；
[0029]异物识别模块，用于通过高压线路异物检测模型对异物进行识别，获取实时图像集中异物的位置。
[0030]第四方面，本申请提供了一种高压线路异物检测模型训练装置，用于训练如第一方面提供的高压线路异物检测模型，该装置包括：
[0031]参考图像集获取模块，用于获取携带异物特征的偏振图像集；
[0032]图像集标注模块，用于标注偏振图像集中的异物位置，获得标注图像集；
[0033]图像集去雾模块，用于使用偏振去雾方法对标注图像集进行去雾处理，获取线偏振图集；
[0034]模型训练模块，采用目标检测模型对线偏振图集进行训练，获得高压线路异物检测模型。
[0035]第五方面，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上述的高压线路异物检测方法的步骤；或者，实现上述的高压线路异物检测模型训练方法的步骤。
[0036]第六方面，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上述的高压线路异物检测方法的步骤；或者，实现上述的高压线路异物检测模型训练方法的步骤。
[0037]第七方面，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上述的高压线路异物检测方法的步骤；或者，实现上述的高压线路异物检测模型训练方法的步骤。
[0038]上述高压线路异物检测方法、模型训练方法、装置、计算机设备、存储介质和计算机程序产品，通过获取高压线路的实时图像集，再调用预先训练的高压线路异物检测模型，其中高压线路异物检测模型是根据携带异物特征的偏振图像集进行模型训练获得的，通过高压线路异物检测模型对挂空异物进行识别，获取实时图像集中挂空异物的位置。将高压线路异物检测模型应用于检测实时图像中的挂空异物，可以较为准确且快速地得到架空高压线路挂空异物的位置，从而解决雾天环境下的高压线路挂空异物检测效率低下的问题。
其中，通过获取携带异物特征的偏振图像集，标注偏振图像集中的异物位置，获得标注图像集，使用偏振去雾方法对标注图像集进行去雾处理，获取线偏振图集，采用目标检测模型对线偏振图集进行训练，获得高压线路异物检测模型。在训练高压线路异物检测模型的过程中，通过结合偏振去雾算法和基于Transformer的深度学习目标检测算法来实现高压线挂空异物的检测识别，从而解决雾天环境下的检测性能差的问题。
附图说明
[0039]图1为一个实施例中高压线路异物检测方法的流程示意图；
[0040]图2为一个实施例中高压线路异物检测模型训练方法的流程示意图；
[0041]图3为一个实施例中高压线路异物检测方法和高压线路异物检测模型训练方法的模块示意图；
[0042]图4为另一个实施例中高压线路异物检测方法的流程示意图；
[0043]图5为一个实施例中高压线路异物检测装置的结构示意图；
[0044]图6为一个实施例中高压线路异物检测模型训练装置的结构示意图；
[0045]图7为一个实施例中计算机设备的内部结构图。
具体实施方式
[0046]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高压线路异物检测方法，其特征在于，所述方法包括：获取高压线路的实时图像集；调用预先训练的高压线路异物检测模型；所述高压线路异物检测模型是根据携带异物特征的偏振图像集进行模型训练获得的；通过所述高压线路异物检测模型对异物进行识别，获取实时图像集中异物的位置。2.一种高压线路异物检测模型训练方法，用于训练如权利要求1中所述的高压线路异物检测模型，其特征在于，所述方法包括：获取携带异物特征的偏振图像集；标注所述偏振图像集中的异物位置，获得标注图像集；使用偏振去雾方法对所述标注图像集进行去雾处理，获取线偏振图集；采用目标检测模型对所述线偏振图集进行训练，获得高压线路异物检测模型。3.根据权利要求2所述的方法，其特征在于，所述使用偏振去雾方法对所述标注图像集进行去雾处理，获取线偏振图集包括：所述携带异物特征的偏振图像集包括不同偏振态的偏振图像，对所述偏振图像采用偏振暗通道先验去雾技术进行水雾去除，获取线偏振图集。4.根据权利要求2所述的方法，其特征在于，所述采用目标检测模型对所述线偏振图集进行训练，获得高压线路异物检测模型包括：将所述标注图像集输入特征提取模块，输出特征图像；根据所述特征图像生成特征图像的位置编码；将所述特征图像和特征图像的位置编码输入编码模块，获取第一输出值；将所述第一输出值输入解码模块，获取第二输出值；将所述第二输出值输入预测头部模块，获取类别预测结果和边界框预测结果；根据所述类别预测结果和边界框预测结果获取损失函数计算值；根据所述损失函数计算值更新模型参数，根据所述更新后的模型参数获取高压线路...

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