挂空异物检测方法、系统和计算机可读存储介质技术方案

本申请涉及一种挂空异物检测方法、系统和计算机可读存储介质，包括：获取输电线路的多源数据训练集，多源数据训练集包括可见光图像样本和偏振度图像样本；基于多源数据训练集对挂空异物检测模型进行训练，以构建目标检测模型；将待测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挂空异物的位置，待测输电线路图像包括可见光检测图像和对应的偏振度检测图像。将可见光图像样本和偏振度图像样本结合作为多源数据，能够更全面地获取图像信息和帮助区分输电线路和挂空异物，以多模态图像的训练方式使挂空异物检测模型能够学习到更全面的特征信息，提高挂空异物检测的准确性和鲁棒性，提高检测精度。提高检测精度。提高检测精度。

【技术实现步骤摘要】
挂空异物检测方法、系统和计算机可读存储介质


[0001]本申请涉及计算机检测
，特别是涉及一种挂空异物检测方法、系统和计算机可读存储介质。

技术介绍

[0002]输电线路的挂空异物是指在输电线路上悬挂的、与输电线路无关的异物，如树枝、塑料袋、气球等。这些异物如果不及时检测和清除，会对输电线路造成影响，甚至会导致输电线路故障，给电网安全稳定运行带来隐患。目前针对输电线路挂空异物检测通常采用人工巡视或航拍图像识别的方式来实现，而当挂空异物的颜色纹理与输电线路相似时，基于可见光图像的检测模型难以区分出是否存在挂空异物，进而导致检测效率低、误判率高和人力成本高等问题。

技术实现思路

[0003]基于此，有必要针对现有技术中基于可见光图像的检测模型检测挂空异物的检测效率低、误判率高和人力成本高的问题提供一种挂空异物检测方法、系统和计算机可读存储介质。
[0004]为了实现上述目的，本申请提供了一种挂空异物检测方法，包括：
[0005]获取输电线路的多源数据训练集，所述多源数据训练集包括可见光图像样本和偏振度图像样本；
[0006]基于所述多源数据训练集对挂空异物检测模型进行训练，以构建目标检测模型；
[0007]将待测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挂空异物的位置，所述待测输电线路图像包括可见光检测图像和对应的偏振度检测图像。
[0008]在其中一个实施例中，所述挂空异物检测模型包括依次相连的特征提取模块、特征融合模块、预测头部模块和参数更新模块，所述基于所述多源数据训练集对挂空异物检测模型进行训练，以构建目标检测模型，包括：
[0009]基于所述特征提取模块分别对所述可见光图像样本和所述偏振度图像样本进行特征提取和位置编码，获得两路特征提取后的特征图像和对应的位置编码；
[0010]基于所述特征融合模块对两路特征提取后的特征图像和对应的位置编码进行特征融合，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，获得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，根据所述类别预测结果和所述边界框预测结果对所述挂空异物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，所述特征融合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，所述对两路特征提取后的特征图像和对应的位置编码进行特征融合，获得融合后的特征图像，包括：
[0014]将经两路位置编码后的特征图像通过线性变换以分别获取查询向量、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，最后一级编码器分别输出两路特征变换后的特征图像；
[0016]将两路特征变换后的特征图像通过卷积计算进行特征融合，获得融合后的特征图像。
[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，根据所述类别预测结果和所述边界框预测结果对所述挂空异物检测模型的参数进行优化更新，包括：
[0019]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；
[0020]根据损失计算结果和梯度回传算法对所述挂空异物检测模型的参数进行优化更新。
[0021]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：
[0022]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；
[0023]根据正负样本分配结果和损失函数进行损失计算。
[0024]在其中一个实施例中，所述将待测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：
[0025]将待测输电线路图像对应的可见光检测图像和偏振度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；
[0026]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。
[0027]在其中一个实施例中，所述获取输电线路的多源数据训练集，包括：
[0028]采集所述输电线路的可见光巡检图像和对应的偏振巡检图像，所述偏振巡检图像为四种偏振角度巡检图像；
[0029]对所述可见光巡检图像和所述偏振巡检图像中的挂空异物进行位置标注，并对标注后的图像进行预处理，以获得可见光图像样本和偏振图像样本；
[0030]对所述偏振图像样本进行预处理，以获取偏振度图像样本。
[0031]本申请提供一种挂空异物检测系统，包括：
[0032]获取模块，用于获取输电线路的多源数据训练集，所述多源数据训练集包括可见光图像样本和偏振度图像样本；
[0033]训练模块，用于基于所述多源数据训练集对挂空异物检测模型进行训练，以构建目标检测模型；
[0034]检测模块，用于将待测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挂空异物的位置，所述待测输电线路图像包括可见光检测图像和对应的偏振度检测图像。
[0035]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挂空异物检测方法。
[0036]上述挂空异物检测方法、系统和计算机可读存储介质，通过输电线路的可见光图像样本和偏振度图像样本对挂空异物检测模型进行训练，以构建目标检测模型，将待测输电线路图像输入至目标检测模型中以获取挂空异物的位置信息。将可见光图像样本和偏振度图像样本结合作为多源数据，能够更全面地获取图像信息和帮助区分输电线路和挂空异物，以多模态图像的训练方式使挂空异物检测模型能够学习到更全面的特征信息，提高挂空异物检测的准确性和鲁棒性，提高检测精度。因此，上述挂空异物检测方法不仅能实现自动化检测，减少人工巡视的工作量和成本，还能够更准确地实时检测出输电线路上的挂空异物，提高电网的安全性和可靠性。
附图说明
[0037]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。
[0038]图1为一实施例中提供的挂空异物检测方法的流程示意图之一；
[0039]图2为一实施例中提供的挂空异物检测方法的流程示意图之二；
[0040]图3为一实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种挂空异物检测方法，其特征在于，包括：获取输电线路的多源数据训练集，所述多源数据训练集包括可见光图像样本和偏振度图像样本；基于所述多源数据训练集对挂空异物检测模型进行训练，以构建目标检测模型；将待测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挂空异物的位置，所述待测输电线路图像包括可见光检测图像和对应的偏振度检测图像。2.根据权利要求1所述的挂空异物检测方法，其特征在于，所述挂空异物检测模型包括依次相连的特征提取模块、特征融合模块、预测头部模块和参数更新模块，所述基于所述多源数据训练集对挂空异物检测模型进行训练，以构建目标检测模型，包括：基于所述特征提取模块分别对所述可见光图像样本和所述偏振度图像样本进行特征提取和位置编码，获得两路特征提取后的特征图像和对应的位置编码；基于所述特征融合模块对两路特征提取后的特征图像和对应的位置编码进行特征融合，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，获得类别预测结果和边界框预测结果；基于所述参数更新模块，根据所述类别预测结果和所述边界框预测结果对所述挂空异物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所述的挂空异物检测方法，其特征在于，所述特征融合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，所述对两路特征提取后的特征图像和对应的位置编码进行特征融合，获得融合后的特征图像，包括：将经两路位置编码后的特征图像通过线性变换以分别获取查询向量、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，最后一级编码器分别输出两路特征变换后的特征图像；将两路特征变换后的特征图像通过卷积计算进行特征融合，获得融合后的特征图像。4.根据权利要求2所述的挂空异物检测方法，其特征在于，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...

【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：