基于YOLO-AFPS的绝缘子污闪检测方法技术

本发明专利技术公开了一种基于YOLO

【技术实现步骤摘要】
基于YOLO
‑
AFPS的绝缘子污闪检测方法


[0001]本专利技术涉及绝缘子故障检测
，尤其涉及一种基于YOLO
‑
AFPS的绝缘子污闪检测方法、一种基于YOLO
‑
AFPS的绝缘子污闪检测装置、一种电子设备及一种存储介质。

技术介绍

[0002]随着社会经济的高速发展，人们对于电力的需求也不断增加，从而使得对电力系统进行电网维护以及检修时所面临的挑战也越来越大，对于电力系统而言，绝缘子是不可或缺的重要组成成分，用于支撑与固定输电线路以及设备，同时可以起到隔离与保护作用，为电力系统提供了电气绝缘以及机械支撑，是高压输配电线路的关键部件。然而，在实际环境中，由于大气条件、机械应力等多种因素的影响，绝缘子常常会出现自爆、破损、污闪等缺陷，其中，绝缘子长期暴露在自然环境中，受到各种污染物的侵蚀，长此以往，导致绝缘子表面出现闪络现象更为突出，目前较为常见的是由于污染闪络引起的绝缘体损坏以及表面缺陷，而表面缺陷主要是由污染物形成的导电膜和局部放电所引起的。当发生绝缘子污闪事件时，如果不对其进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLO
‑
AFPS的绝缘子污闪检测方法，其特征在于，包括：获取需要进行检测的绝缘子污闪图像，并将所述绝缘子污闪图像输入至绝缘子污闪检测系统，所述绝缘子污闪检测系统包括特征提取模块、特征融合优化模块以及自适应检测模块；通过所述特征提取模块对所述绝缘子污闪图像进行特征提取强化处理，输出浅层污闪特征、中层污闪特征以及深层污闪特征；将所述浅层污闪特征、所述中层污闪特征以及所述深层污闪特征输入至所述特征融合优化模块进行粒子群特征融合优化处理，输出浅层强化特征、中层强化特征以及深层强化特征；将所述浅层强化特征、所述中层强化特征以及所述深层强化特征输入至所述自适应检测模块分别进行自适应解码预测处理，输出各自对应的自适应解耦检测头；采用各个所述自适应解耦检测头对所述绝缘子污闪图像进行污闪检测，确定绝缘子污闪位置。2.根据权利要求1所述的绝缘子污闪检测方法，其特征在于，所述通过所述特征提取模块对所述绝缘子污闪图像进行特征提取强化处理，输出浅层污闪特征、中层污闪特征以及深层污闪特征，包括：将所述绝缘子污闪图像输入所述特征提取模块进行连续两次标准卷积处理，获得压缩特征图，接着对所述压缩特征图先进行多模态特征强化处理，再进行最大值池化处理，接着再进行多模态特征强化处理，输出浅层污闪特征；对所述浅层污闪特征先进行最大值池化处理，再进行多模态特征强化处理，输出中层污闪特征；对所述中层污闪特征进行最大值池化处理，输出深层污闪特征。3.根据权利要求1或2所述的绝缘子污闪检测方法，其特征在于，所述将所述浅层污闪特征、所述中层污闪特征以及所述深层污闪特征输入至所述特征融合优化模块进行粒子群特征融合优化处理，输出浅层强化特征、中层强化特征以及深层强化特征，包括：对所述深层污闪特征进行空间金字塔池化处理，获得增强空间特征图，接着对所述增强空间特征图先进行标准卷积处理，再进行粒子群特征优化处理，获得第一融合优化特征图；对所述中层污闪特征进行标准卷积处理后，与所述第一融合优化特征图进行特征堆叠，获得第一堆叠特征图，对所述第一堆叠特征图进行多模态特征强化处理，输出强化堆叠特征图；对所述强化堆叠特征图先进行标准卷积处理，再进行粒子群特征优化处理，获得第二融合优化特征图；对所述浅层污闪特征进行标准卷积处理后，与所述第二融合优化特征图进行特征堆叠，获得第二堆叠特征图，对所述第二堆叠特征图进行多模态特征强化处理，输出浅层强化特征；对所述浅层强化特征进行下采样处理后，与所述强化堆叠特征图进行特征堆叠，获得第三堆叠特征图，对所述第三堆叠特征图进行多模态特征强化处理，输出中层强化特征；对所述中层强化特征进行下采样处理后，与所述增强空间特征图进行特征堆叠，获得
第四堆叠特征图，对所述第四堆叠特征图进行多模态特征强化处理，输出深层强化特征。4.根据权利要求3所述的绝缘子污闪检测方法，其特征在于，所述特征融合优化模块中包括粒子群特征优化子模块，所述粒子群特征优化处理的步骤，包括：将需要进行粒子群特征优化处理的原始输入特征图输入至所述粒子群特征优化子模块，对所述原始输入特征图进行粒子群优化计算，获得最优输出特征向量；对所述最优输出特征向量进行线性变换，获得对应的变换输出特征向量；将所述变换输出特征向量分别输入至三个全连接层并分别进行点积运算，再进行归一化处理，获得每一所述变换输出特征向量对应的输出权重；基于每一所述输出权重以及每一所述输出权重对应的变换输出特征向量进行加权求和，获得所述粒子群特征优化子模块输出的与所述最优输出特征向量对应的最终输出特征向量。5.根据权利要求4所述的绝缘子污闪检测方法，其特征在于，所述对所述原始输入特征图进行粒子群优化计算，获得最优输出特征向量，包括：对所述原始输入特征图进行权重向量分解，获得多个权重向量；采用正态分布随机初始化一个粒子群，并确定所述粒子群中每个粒子的粒子位置以及粒子速度，所述粒子位置表示当前的权重向量，所述粒子速度表示搜索方向与速率；构建粒子群优化算法，采用实数编码方式设定一个权重向量对应一个粒子，并确定每个权重向量的大小；将每一所述粒子对应的权重向量作为间接输入，基于最小损失函数计算适应度函数，所述适应度函数用于反映各个所述权重向量的性能；获取每一所述粒子的历史最优位置，并采用所述历史最优位置与预设惯性权重进行全局最优计算，并基于计算结果对每一所述粒子的粒子位置以及粒子速度进行迭代更新；基于迭代更新后的粒子所对应的权重向量再次计算适应度函数，当适应度函数结果表征权重向量的性能达到最优时，输出对应的全局最优位置，并结束对各个粒子的迭代更新；输出所述全局最优位置对应的权重向量作为最优输出特征向量。6.根据权利要求5所述的绝缘子污闪检测方法，其特征在于，所述将每一所述粒子对应的权重向量作为间接输入，基于最小损失函数计算适应度函数，包括：将每一所述粒子对应的权重向量作为间接输入，基于最小损失函数计算目标函数值，并将所述目标函数值作为适应度函数，计算公式如下：；其中，Loss为适应度函数，N为目标分类数，y
t
为目标分类数为t时的真实标签，p为目标分类数为t时的预测值，log（*）为对数函数。7.根据权利要求6所述的绝缘子污闪检测方法，其特征在于，所述采用所述历史最优位置与预设惯性权重进行全局最优计算，包括：根据所述历史最优位置与预设惯性权重，采用下列计算公式进行全局最优计算：；；
；其中，ω为惯性因子，即预设惯性权重，n为当前迭代次数，c1与c2均为学习因子，rand(*)为0
‑
1之间的随机数，pbest
n
与gbest
n
为粒子跟踪过程中的极值，v
n
‑1为粒子上一次迭代的粒子速度，x
n
‑1为粒子上一次迭代的粒子位置，即粒子的历史最优位置，x
n
为粒子的当前粒子位置，即权重向量，v
n
为粒子的当前速度，即搜索方向与速率，G
k
为最大迭代次数，g为当前迭代次数，ω
ini
为初始惯性权重值，ω
end
为迭代至最大次数时的惯性权重值。8.根据权利要求4所述的绝缘子污闪检测方法，其特征在于，所述对所述最优输出特征向量进行线性变换，获得对应的变换输出特征向量，包括：通过下列公式对所述最优输出特征向量进行线性变换，获得对应的变换输出特征向量：；其中，x为最优输出特征向量，h为进行线性变换后获得的变换输出特征向量，W与b均为可学习参数。9.根据权利要求8所述的绝缘子污闪检测方法，其特征在于，所述将所述变换输出特征向量分别输入至三个全连接层并分别进行点积运算，再进行归一化处理，获得每一所述变换输出特征向量对应的输出权重，包括：将所述变换输出特征向量分别输入至三个全连接层，对于每一个全连接层，提取所述变换输出特征向量在第一位置上的所有第一位置向量，以及在第二位置上的所有第二位置向量，并采用每一所述第一位置向量分别与每一所述第二位置向量进行点积运算，获得点积权值，计算公式如下：；其中，a
ij
为点积权值，h
i
为第一位置i对应的第一位置向量，h
j
为第二位置j对应的第二位置向量；对所述点积权值进行归一化处理，获得注意力权重系数，并将所述注意力权重系数作为所述变换输出特征向量对应的输出权重，计算公式如下：；其中，S
ij
为注意力权重系数，a
kj
为位置k...

【专利技术属性】
技术研发人员：吴悦园，林丽霞，李华轩，李杏，陈晓儒，陈智豪，庄凤彩，王斌，施冬松，赵浩远，陈浩，陈婷，莫仲辉，吴瑜，冯文秋，
申请(专利权)人：广东电网有限责任公司湛江供电局，
类型：发明
国别省市：