一种基于多特征融合的遮挡绝缘子检测方法技术

本发明专利技术属于图像处理技术领域，公开了一种基于多特征融合的遮挡绝缘子检测方法，包括获取遮挡绝缘子图像；构建基于改进特征融合算法和注意力机制的YOLOX检测模型；利用获取的遮挡绝缘子图像对构建的基于改进特征融合算法和注意力机制的YOLOX检测模型进行训练；利用训练后的基于改进特征融合算法和注意力机制的YOLOX检测模型对待检测绝缘子图像进行检测。本发明专利技术通过构建基于改进特征融合算法和注意力机制的YOLOX检测模型实现对遮挡绝缘子的有效检测，提高了对缺陷绝缘子图像的检测精度和检测效率。和检测效率。和检测效率。

【技术实现步骤摘要】
一种基于多特征融合的遮挡绝缘子检测方法


[0001]本专利技术图像处理
，涉及绝缘子检测技术，具体涉及一种基于多特征融合的遮挡绝缘子检测方法。

技术介绍

[0002]绝缘子是电力线路中重要且广泛应用的器件。由于长期暴露在室外条件下，绝缘子很容易受到恶劣天气和机械载荷的损坏，因此有必要对其进行检测。目前，在中国的大部分地区，电力线检查仍是人工进行的，这既危险又低效。为了解决这个问题，无人机正被用作比人工检查更安全、更有效的替代品。在无人机检测绝缘子的过程中，定位绝缘子是缺陷检测的前提。然而，在复杂的传输线环境中，部分绝缘子由于尺寸小，高宽比极大，存在遮挡，导致难以准确定位。
[0003]随着深度学习的发展，无人机与机器视觉相结合的传输线检测方案具有实现实时、准确检测的潜力。因此，越来越多的研究人员利用深度学习进行绝缘子故障诊断。
[0004]对于绝缘子检测，现有的方法有：通过端到端的方法来快速定位绝缘子；采用级联网络的方法，分别进行绝缘子的定位和检测。虽然这些方法在绝缘子缺陷检测方面取得了一定的效果，但涉及到有遮挡绝缘子检测的研究很少，对于小目标和模糊目标的检测和定位始终存在挑战。在现有的研究中，无遮挡的绝缘子是主要的检测对象，然而在实际的传输线无人机拍摄过程中，在背景中存在许多被遮挡的绝缘子。这些目标泄漏率高、精度低、数量大。而针对有遮挡物体的检测，部分研究人员展开了相应的研究，这些遮挡检测方法为复杂环境中的传输线检测提供了参考。
[0005]而对电枢图像直接采用上述分类方法效果差。复杂环境下的特征提取能力和遮挡绝缘子检测结果欠佳；并且现有方法对特征提取不足且特征融合具有冗余性。

技术实现思路

[0006]针对现有技术中的上述不足，本专利技术提供了一种基于多特征融合的遮挡绝缘子检测方法，可以高效准确地完成对绝缘子图像的缺陷识别，且在精度、查全率和准确率上较其他方法有了较大提升。
[0007]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于多特征融合的遮挡绝缘子检测方法，包括以下步骤：获取遮挡绝缘子图像；构建基于改进特征融合算法和注意力机制的YOLOX检测模型；所述基于改进特征融合算法和注意力机制的YOLOX检测模型具体包括：基于幻影卷积的主干特征提取网络，基于改进特征融合算法和注意力机制的颈部网络，以及预测网络；所述预测网络采用自适应锚框粗提取方法选择绝缘子预测框的中心点，具体包括：根据输入的遮挡绝缘子图像计算绝缘子的长宽比；判定绝缘子的长宽比满足设定阈值范围；
若是，则在遮挡绝缘子的中心点设置一个设定边长的正方形，并选择所有中心点落在该正方形中的锚定帧；否则根据绝缘子的长宽比计算粗筛区域参数，在遮挡绝缘子的中心点根据粗筛区域参数设置一个粗筛区域，并选择所有中心点落在该粗筛区域中的锚定帧；利用获取的遮挡绝缘子图像对构建的基于改进特征融合算法和注意力机制的YOLOX检测模型进行训练；利用训练后的基于改进特征融合算法和注意力机制的YOLOX检测模型对待检测绝缘子图像进行检测。
[0008]可选地，所述基于幻影卷积的主干特征提取网络具体包括：Focus模块、第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层和第五特征提取层；所述第五特征提取层包括依次连接的CBS卷积模块、基于幻影卷积的SPP模块和CSP模块。
[0009]可选地，所述基于幻影卷积的SPP模块具体包括：第一幻影卷积层、第二幻影卷积层、第三幻影卷积层、第一最大池化层、第二最大池化层、第三最大池化层、第四幻影卷积层、第五幻影卷积层、第六幻影卷积层和第七幻影卷积层；所述第一幻影卷积层、第二幻影卷积层和第三幻影卷积层依次连接，用于对输入特征进行特征提取，并将提取的卷积特征输出至第一最大池化层；所述第一最大池化层、第二最大池化层、第三最大池化层依次连接，用于对提取的卷积特征进行最大池化操作，并将第一最大池化层、第二最大池化层、第三最大池化层输出的池化特征与输入的卷积特征进行拼接，并将拼接特征输出至第四幻影卷积层；所述第四幻影卷积层、第五幻影卷积层、第六幻影卷积层依次连接，用于对输入的拼接特征经过第四幻影卷积层和第五幻影卷积层进行特征提取后，将提取的卷积特征与输入特征经过第七幻影卷积层提取的卷积特征进行拼接，最后将拼接特征经过第六幻影卷积层进行特征提取，得到最终的输出特征。
[0010]可选地，所述第一幻影卷积层、第二幻影卷积层、第三幻影卷积层、第四幻影卷积层、第五幻影卷积层、第六幻影卷积层和第七幻影卷积层均采用相同结构，具体包括：依次连接的幻影卷积层、批归一化层和激活层。
[0011]可选地，所述基于改进特征融合算法和注意力机制的颈部网络具体包括：第一基于注意力机制的CBS模块、第一上采样模块、第一注意力特征融合模块、第一CSP模块、第二基于注意力机制的CBS模块、第二上采样模块、第二注意力特征融合模块、第二CSP模块、第三基于注意力机制的CBS模块、第三注意力特征融合模块、第三CSP模块、第四基于注意力机制的CBS模块、第四注意力特征融合模块、第四CSP模块、第五基于注意力机制的CBS模块、第五注意力特征融合模块、第五CSP模块；所述第一基于注意力机制的CBS模块对第五特征提取层的输出特征进行注意力特征增强，再将增强的注意力特征经过第一上采样模块进行上采样操作后输出至第一注意力特征融合模块；所述第一注意力特征融合模块将第四特征提取层的输出特征和第一上采样模块
的输出特征进行特征融合，并将融合特征输出至第一CSP模块；所述第一CSP模块对第一注意力特征融合模块输出的融合特征进行特征增强，再将增强的特征经过第二基于注意力机制的CBS模块进行注意力特征增强，再将增强的注意力特征经过第二上采样模块进行上采样操作后输出至第二注意力特征融合模块；所述第二注意力特征融合模块将第三特征提取层的输出特征和第二上采样模块的输出特征进行特征融合，并将融合特征输出至第二CSP模块；所述第二CSP模块对第二注意力特征融合模块输出的融合特征进行特征增强，再将增强的特征输出至第三注意力特征融合模块；所述第三基于注意力机制的CBS模块对第二特征提取层的输出特征进行注意力特征增强，再将增强的注意力特征输出至第三注意力特征融合模块；所述第三注意力特征融合模块将第三特征提取层的输出特征、第二CSP模块输出的增强特征以及第三基于注意力机制的CBS模块输出的增强注意力特征进行特征融合，并将融合特征输出至第三CSP模块；所述第三CSP模块对第三注意力特征融合模块输出的融合特征进行特征增强，并将增强的特征作为第一特征图分别输出至第四基于注意力机制的CBS模块和预测网络；所述第四基于注意力机制的CBS模块对第三CSP模块输出的增强特征进行注意力特征增强，再将增强的注意力特征输出至第四注意力特征融合模块；所述第四注意力特征融合模块将第四特征提取层的输出特征、第二基于注意力机制的CBS模块输出的增强注意力特征以及第四基于注意力机制的CBS模块输出的增强注意力特征进行特征融合，并将融合特征输出至第四CSP模块；所述第四CSP模块对第四注意力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多特征融合的遮挡绝缘子检测方法，其特征在于，包括以下步骤：获取遮挡绝缘子图像；构建基于改进特征融合算法和注意力机制的YOLOX检测模型；所述基于改进特征融合算法和注意力机制的YOLOX检测模型具体包括：基于幻影卷积的主干特征提取网络，基于改进特征融合算法和注意力机制的颈部网络，以及预测网络；所述预测网络采用自适应锚框粗提取方法选择绝缘子预测框的中心点，具体包括：根据输入的遮挡绝缘子图像计算绝缘子的长宽比；判定绝缘子的长宽比满足设定阈值范围；若是，则在遮挡绝缘子的中心点设置一个设定边长的正方形，并选择所有中心点落在该正方形中的锚定帧；否则根据绝缘子的长宽比计算粗筛区域参数，在遮挡绝缘子的中心点根据粗筛区域参数设置一个粗筛区域，并选择所有中心点落在该粗筛区域中的锚定帧；利用获取的遮挡绝缘子图像对构建的基于改进特征融合算法和注意力机制的YOLOX检测模型进行训练；利用训练后的基于改进特征融合算法和注意力机制的YOLOX检测模型对待检测绝缘子图像进行检测。2.根据权利要求1所述的基于多特征融合的遮挡绝缘子检测方法，其特征在于，所述基于幻影卷积的主干特征提取网络具体包括：Focus模块、第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层和第五特征提取层；所述第五特征提取层包括依次连接的CBS卷积模块、基于幻影卷积的SPP模块和CSP模块。3.根据权利要求2所述的基于多特征融合的遮挡绝缘子检测方法，其特征在于，所述基于幻影卷积的SPP模块具体包括：第一幻影卷积层、第二幻影卷积层、第三幻影卷积层、第一最大池化层、第二最大池化层、第三最大池化层、第四幻影卷积层、第五幻影卷积层、第六幻影卷积层和第七幻影卷积层；所述第一幻影卷积层、第二幻影卷积层和第三幻影卷积层依次连接，用于对输入特征进行特征提取，并将提取的卷积特征输出至第一最大池化层；所述第一最大池化层、第二最大池化层、第三最大池化层依次连接，用于对提取的卷积特征进行最大池化操作，并将第一最大池化层、第二最大池化层、第三最大池化层输出的池化特征与输入的卷积特征进行拼接，并将拼接特征输出至第四幻影卷积层；所述第四幻影卷积层、第五幻影卷积层、第六幻影卷积层依次连接，用于对输入的拼接特征经过第四幻影卷积层和第五幻影卷积层进行特征提取后，将提取的卷积特征与输入特征经过第七幻影卷积层提取的卷积特征进行拼接，最后将拼接特征经过第六幻影卷积层进行特征提取，得到最终的输出特征。4.根据权利要求3所述的基于多特征融合的遮挡绝缘子检测方法，其特征在于，所述第一幻影卷积层、第二幻影卷积层、第三幻影卷积层、第四幻影卷积层、第五幻影卷积层、第六幻影卷积层和第七幻影卷积层均采用相同结构，具体包括：
依次连接的幻影卷积层、批归一化层和激活层。5.根据权利要求2
‑
4任一项所述的基于多特征融合的遮挡绝缘子检测方法，其特征在于，所述基于改进特征融合算法和注意力机制的颈部网络具体包括：第一基于注意力机制的CBS模块、第一上采样模块、第一注意力特征融合模块、第一CSP模块、第二基于注意力机制的CBS模块、第二上采样模块、第二注意力特征融合模块、第二CSP模块、第三基于注意力机制的CBS模块、第三注意力特征融合模块、第三CSP模块、第四基于注意力机制的CBS模块、第四注意力特征融合模块、第四CSP模块、第五基于注意力机制的CBS模块、第五注意力特征融合模块、第五CSP模块；所述第一基于注意力机制的CBS模块对第五特征提取层的输出特征进行注意力特征增强，再将增强的注意力特征经过第一上采样模块进行上采样操作后输出至第一注意力特征融合模块；所述第一注意力特征融合模块将第四特征提取层的输出特征和第一上采样模块的输出特征进行特征融合，并将融合特...

【专利技术属性】
技术研发人员：霍耀冉，肖岚，吕磊，李旭旭，戴旭，沈泺成，刘从洪，方夏，王玫，徐海涛，
申请(专利权)人：国网四川省电力公司信息通信公司，
类型：发明
国别省市：