无人机影像中电力设施的检测方法、系统、设备及介质技术方案

本发明专利技术属于电力自动化领域，公开了一种无人机影像中电力设施的检测方法、系统、设备及介质，包括：获取待检测的无人机影像；将无人机影像输入预设的预训练高精度电力设施目标检测模型中，通过预训练高精度电力设施目标检测模型标注无人机影像中各电力设施的目标锚框，并获取各电力设施的目标锚框的位置信息和分类结果；其中，分类结果为电力设施类型。基于预训练高精度电力设施目标检测模型的高性能目标检测能力，实现多种电力设施，如高压塔、光伏板、储油罐及烟囱等的高精度检测，提高了电力设施检测的效率和准确度，可帮助工作人员做出正确的决策，对电力设施的检修和管理有着重要的意义。的意义。的意义。

【技术实现步骤摘要】
无人机影像中电力设施的检测方法、系统、设备及介质


[0001]本专利技术属于电力自动化领域，涉及一种无人机影像中电力设施的检测方法、系统、设备及介质。

技术介绍

[0002]电力设施的检测对维护电网系统的安全起着重要的作用。高压塔、光伏板、油罐及烟囱等大型电力设施具有较高的空间复杂性，需要覆盖广泛的采集设备，如无人机等来获取其源图像，因此研究无人机影像中电力设施目标的检测具有重要意义。然而，与自然场景不同，电力设施的背景复杂，导致不相关的背景特征严重干扰了目标物体的特征信息。此外，部分电力设施排列密集，尺寸较小，无人机影像无法有效地捕捉此类电力设施的特征分布。同时，电力设施的方向是任意的，这使得对无人机影像中的电力设施进行检测更加困难。
[0003]进来，在海量高分辨率的图像数据与深度学习支持下，一些应用在图像上的目标检测技术开始相继涌现，尤其基于深度学习技术的目标检测更是发展快速，如基于卷积神经网络的目标检测算法在无人机影像中得到较好的应用，但是由于电力设施的复杂性，如高压塔、光伏板、油罐及烟囱等电力设施存在背景干扰严重及排列密集的图像问题，导致现有的普通卷积神经网络在对无人机影像中的电力设施进行目标检测时，目标识别的效率和准确度都较低。

技术实现思路

[0004]本专利技术的目的在于克服上述现有技术的缺点，提供一种无人机影像中电力设施的检测方法、系统、设备及介质。
[0005]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0006]本专利技术第一方面，提供一种无人机影像中电力设施的检测方法，包括：
[0007]获取待检测的无人机影像；
[0008]将无人机影像输入预设的预训练高精度电力设施目标检测模型中，通过预训练高精度电力设施目标检测模型标注无人机影像中各电力设施的目标锚框，并获取各电力设施的目标锚框的位置信息和分类结果；其中，分类结果为电力设施类型。
[0009]可选的，所述预训练高精度电力设施目标检测模型通过根据若干标注的无人机影像训练高精度电力设施目标检测模型得到，所述高精度电力设施目标检测模型包括双向特征融合模块、特征提取模块、回归精细化模块以及分类模块；
[0010]双向特征融合模块用于通过双向融合方式提取无人机影像的双向融合多尺度特征图；
[0011]提取模块用于通过空间注意力网络和通道注意力网络，获取双向融合多尺度特征图的分类任务特征和回归任务特征；
[0012]回归精细化模块用于根据回归任务特征生成回归任务特征图，以及将回归任务特
征图上的各特征点作为各电力设施，并标注各电力设施的初始锚框；以及基于预设的回归损失函数迭代优化各电力设施的初始锚框，得到各电力设施的目标锚框，并获取各电力设施的目标锚框的位置信息；
[0013]分类模块用于根据分类任务特征，获取各电力设施的目标锚框的分类结果。
[0014]可选的，所述双向特征融合模块包括ResNet网络、自上而下的融合网络以及自下而上的融合网络；
[0015]其中，自上而下的融合网络为：
[0016][0017]自下而上的融合网络为：
[0018][0019]其中，C
i
(i∈3,4,5)代表ResNet网络的输出，分别为ResNet网络的Conv3_x层、Conv4_x层和Conv5_x层的输出；P
i
(i∈3,4,5,6,7)代表自上而下的融合网络输出的多尺度特征图，P
i
'(i∈3,4,5,6,7)代表自下而上的融合网络输出的多尺度特征图，并作为双向融合多尺度特征图；1
×
1Conv代表步长为1、卷积核尺寸为1
×
1的卷积运算，3
×
3Conv代表步长为1、卷积核尺寸为3
×
3的卷积运算；2
×
UpSample代表二倍上采样操作，2
×
DownSample代表二倍下采样操作。
[0020]可选的，所述通过空间注意力网络和通道注意力网络，获取双向融合多尺度特征图的分类任务特征和回归任务特征包括：
[0021]将双向融合多尺度特征图输入空间注意力网络，得到空间注意力响应图；
[0022]将双向融合多尺度特征图输入通道注意力网络，得到通道注意力响应图；
[0023]将空间注意力响应图和通道注意力响应图进行张量相乘，得到张量相乘结果；
[0024]通过回归任务激活函数激活张量相乘结果，得到回归任务特征权重；
[0025]通过分类任务激活函数激活张量相乘结果，得到分类任务特征权重；
[0026]将回归任务特征权重与双向融合多尺度特征图进行元素相乘，得到第一元素相乘结果并与双向融合多尺度特征图进行残差和，得到回归任务特征；
[0027]将分类任务特征权重与双向融合多尺度特征图进行元素相乘，得到第二元素相乘结果并与双向融合多尺度特征图进行残差和，得到分类任务特征；
[0028]其中，空间注意力网络为：
[0029]W
ci
＝Sig(FC2(FC1(GAP(P
i
'))))
[0030]其中，GAP代表全局平均池化，FC1和FC2代表全连接层，Sig代表Sigmoid函数，W
ci
代表空间注意力响应图；
[0031]通道注意力网络为：
[0032][0033]其中，Conv1×1代表卷积核尺寸为1
×
1的卷积，Conv3×3代表卷积核尺寸为3
×
3的卷
积，和分别代表卷积核尺寸为3
×
3，空洞率分别为1、3、5、7的卷积，cat代表通道级联操作，W
si
代表通道注意力响应图；
[0034]回归任务激活函数f
reg
(x)为：
[0035]f
reg
(x)＝4x(1
‑
x)
[0036]分类任务激活函数f
cls
(x)为：
[0037][0038]其中，x代表激活变量。
[0039]可选的，所述回归精细化模块具体用于：
[0040]S101：将回归任务特征在通道维度上进行拼接，得到回归任务特征图；
[0041]S102：将回归任务特征图中的每一个特征点作为一个电力设施，并在每一个特征点上预定义一个水平锚框，作为各电力设施的初始锚框；
[0042]S103：基于预设的回归损失函数迭代优化各电力设施的初始锚框，并在每次迭代中均进行一次S104和S105，至到达预设迭代次数，得到各电力设施的目标锚框，并获取各电力设施的目标锚框的位置信息；
[0043]S104：对回归任务特征图进行四次步长为1、卷积核大小为3
×
3的卷积操作，并保持特征通道数不变；
[0044]S105：对步骤S104输出的回归任务特征图进行一次本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机影像中电力设施的检测方法，其特征在于，包括：获取待检测的无人机影像；将无人机影像输入预设的预训练高精度电力设施目标检测模型中，通过预训练高精度电力设施目标检测模型标注无人机影像中各电力设施的目标锚框，并获取各电力设施的目标锚框的位置信息和分类结果；其中，分类结果为电力设施类型。2.根据权利要求1所述的无人机影像中电力设施的检测方法，其特征在于，所述预训练高精度电力设施目标检测模型通过根据若干标注的无人机影像训练高精度电力设施目标检测模型得到，所述高精度电力设施目标检测模型包括双向特征融合模块、特征提取模块、回归精细化模块以及分类模块；双向特征融合模块用于通过双向融合方式提取无人机影像的双向融合多尺度特征图；提取模块用于通过空间注意力网络和通道注意力网络，获取双向融合多尺度特征图的分类任务特征和回归任务特征；回归精细化模块用于根据回归任务特征生成回归任务特征图，以及将回归任务特征图上的各特征点作为各电力设施，并标注各电力设施的初始锚框；以及基于预设的回归损失函数迭代优化各电力设施的初始锚框，得到各电力设施的目标锚框，并获取各电力设施的目标锚框的位置信息；分类模块用于根据分类任务特征，获取各电力设施的目标锚框的分类结果。3.根据权利要求2所述的无人机影像中电力设施的检测方法，其特征在于，所述双向特征融合模块包括ResNet网络、自上而下的融合网络以及自下而上的融合网络；其中，自上而下的融合网络为：自下而上的融合网络为：其中，C
i
(i∈3,4,5)代表ResNet网络的输出，分别为ResNet网络的Conv3_x层、Conv4_x层和Conv5_x层的输出；P
i
(i∈3,4,5,6,7)代表自上而下的融合网络输出的多尺度特征图，P
i
'(i∈3,4,5,6,7)代表自下而上的融合网络输出的多尺度特征图，并作为双向融合多尺度特征图；1
×
1Conv代表步长为1、卷积核尺寸为1
×
1的卷积运算，3
×
3Conv代表步长为1、卷积核尺寸为3
×
3的卷积运算；2
×
UpSample代表二倍上采样操作，2
×
DownSample代表二倍下采样操作。4.根据权利要求3所述的无人机影像中电力设施的检测方法，其特征在于，所述通过空间注意力网络和通道注意力网络，获取双向融合多尺度特征图的分类任务特征和回归任务特征包括：将双向融合多尺度特征图输入空间注意力网络，得到空间注意力响应图；将双向融合多尺度特征图输入通道注意力网络，得到通道注意力响应图；
将空间注意力响应图和通道注意力响应图进行张量相乘，得到张量相乘结果；通过回归任务激活函数激活张量相乘结果，得到回归任务特征权重；通过分类任务激活函数激活张量相乘结果，得到分类任务特征权重；将回归任务特征权重与双向融合多尺度特征图进行元素相乘，得到第一元素相乘结果并与双向融合多尺度特征图进行残差和，得到回归任务特征；将分类任务特征权重与双向融合多尺度特征图进行元素相乘，得到第二元素相乘结果并与双向融合多尺度特征图进行残差和，得到分类任务特征；其中，空间注意力网络为：W
ci
＝Sig(FC2(FC1(GAP(P
i
'))))其中，GAP代表全局平均池化，FC1和FC2代表全连接层，Sig代表Sigmoid函数，W
ci
代表空间注意力响应图；通道注意力网络为：其中，Conv1×1代表卷积核尺寸为1
×
1的卷积，Conv3×3代表卷积核尺寸为3
×
3的卷积，和分别代表卷积核尺寸为3
×
3，空洞率分别为1、3、5、7的卷积，cat代表通道级联操作，W
si
代表通道注意力响应图；回归任务激活函数f
reg
(x)为：f
reg
(x)＝4x(1
‑
x)分类任务激活函数f
cls
...

【专利技术属性】
技术研发人员：莫文昊，陈蕾，安康，谈元鹏，孙益辉，周华丽，
申请(专利权)人：国网浙江省电力有限公司国家电网有限公司，
类型：发明
国别省市：