配电线路的缺陷检测方法技术

本发明专利技术公开了一种配电线路的缺陷检测方法

【技术实现步骤摘要】
配电线路的缺陷检测方法、装置、电子设备和介质


[0001]本专利技术涉及图像处理
，特别是涉及一种配电线路的缺陷检测方法
、
装置
、
电子设备和介质
。

技术介绍

[0002]相关技术中，目标检测（
DETR
，
Detection Transformer
）模型能够用于将图像中待检测图像与背景区分开，并预测图像中待检测对象的位置和类别
。DETR
模型的实现原理简单，且无需复杂的后处理逻辑，能够直接输出检测结果，但是
DETR
模型存在检测效果差，且模型训练速度慢的问题
。

技术实现思路

[0003]基于此，有必要针对上述技术问题，提供一种能够解决应用
DETR
模型的图像检测效果差
、
训练速度慢的配电线路的缺陷检测方法
、
装置
、
电子设备和介质
。
[0004]一种配电线路的缺陷检测方法，包括以下步骤：获取经过预处理的配电线路图片；对经过预处理的配电线路图片进行特征提取，获得第一特征图；将所述第一特征图输入目标检测模型的编码层，获得第二特征图和第一位置编码；将所述第二特征图和第一位置编码输入到所述目标检测模型的解码层，获得多个检测结果，其中，所述目标检测模型的解码层采用模型学习随机初始化的内容查询向量以及通过去噪查询向量辅助训练的方式来更新匹配查询向量的方式进行训练，并在完成模型训练后去除所述去噪查询向量；根据所述多个检测结果确定所述配电线路图片的缺陷检测结果
。
[0005]一种配电线路的缺陷检测装置，包括：第一获取模块，用于获取经过预处理的配电线路图片；第二获取模块，用于对经过预处理的配电线路图片进行特征提取，获得第一特征图；第三获取模块，用于将所述第一特征图输入目标检测模型的编码层，获得第二特征图和第一位置编码；检测模块，用于将所述第二特征图和第一位置编码输入到所述目标检测模型的解码层，获得多个检测结果，其中，所述目标检测模型的解码层采用模型学习随机初始化的内容查询向量以及通过去噪查询向量辅助训练的方式来更新匹配查询向量的方式进行训练，并在完成模型训练后去除所述去噪查询向量；确定模块，用于根据所述多个检测结果确定所述配电线路图片的缺陷检测结果
。
[0006]一种电子设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述配电线路的缺陷检测方法的步骤
。
[0007]一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述配电线路的缺陷检测方法的步骤
。
[0008]上述配电线路的缺陷检测方法
、
装置
、
电子设备和介质，采用模型学习随机初始化的内容查询向量以及通过去噪查询向量辅助训练的方式来更新匹配查询向量的方式进行训练，并在完成模型训练后去除去噪查询向量，从而使目标检测模型在训练的过程中能够更快速的收敛，同时提升目标检测模型的检测性能，提高检测的精确度
。
附图说明
[0009]图1为目标检测模型的架构示意图；图2为一个实施例中配电线路的缺陷检测方法的流程示意图；图3为一个实施例中训练检测模型的流程示意图；图4为一个实施例中处理检测模型输出的训练结果的流程示意图；图5为一个实施例中检测模型处理输入的数据的流程示意图；图6为一个实施例中配电线路的缺陷检测装置的结构框图
。
具体实施方式
[0010]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，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请
。
[0011]在对本申请的实施例进行详细说明之前，首先对相关技术中的目标检测方法进行简单说明
。
[0012]在相关技术中，人工智能在图像领域的应用越来越普及，图像领域中的目标检测领域发展越来越快，基于目标检测的算法框架也是越来越多，如
YOLO
（
You Only Look Once
）系列
、Faster R
‑
CNN
系列
、CornerNet
系列等，这些算法框架都有一个共同点，就是输出结果需要经过复杂的后处理逻辑才能得到正确的输出框，无法做到真正意义的端到端处理
。
[0013]在此基础上，提出了一种端到端的
DETR
模型，
DETR
模型的实现原理非常简单，且无需复杂的后处理逻辑，能够直接输出结果，其实现原理是输入一张图像，通过卷积模块提取特征，通过
1*1
卷积能够将图像的三维特征转换成一维的序列，输入到
DETR
模型中的编码层
。DETR
模型的编码层由多头的子注意力模块和一个前馈神经网络构成，一维序列通过多个自注意力模块组成的编码层后，再经过由多个自注意力模块和交叉注意力模块组成的解码层，然后经过多个前馈神经网络，得到最后的输出结果
。
[0014]在
DETR
模型的训练过程中，
DETR
模型的解码层中的查询向量是由随机初始化通过迭代训练进行更新的，导致
DETR
模型的训练速度慢，且训练得到的
DETR
模型的目标检测效果较差
。
[0015]基于此，本申请提供一种配电线路的缺陷检测方法
、
装置
、
电子设备和介质，以提高
DETR
模型的训练效率，并且提升
DETR
模型的检测效果，从而能够更加准确地识别配电线路的各种缺陷
。
[0016]以下对本申请实施例的技术方案的实现细节进行详细描述
。
[0017]本申请提供的配电线路的缺陷检测方法可应用于图1所示的目标检测模型的架构示意图中，下面结合图1所示的模型结构示意图，对本申请实施例的配电线路的缺陷检测方法进行详细说明
。
[0018]在一个实施例中，如图2所示，提供了一种配电线路的缺陷检测方法，该配电线路的检测方法可包括以下步骤：步骤
S201
，获取经过预处理的配电线路图片
。
[0019]这里的配电线路图片是指待检测的配电线路图片，这些图片需要输入到目标检测模型中进行缺陷检测
。
[0020]获取需要检测的配电线路图片，对配电线路图片进行预处理，能够提取和增强图像中的有用信息，为后续的图像分析提供更好的输入，从而能够得到精确度更高的检测结果
。
其中，对配电线路图片的预处理操作可以包括：图像缩放：将配电线路图片调整为固定大小，通常会将配电线路图片缩放为目标检测模型要求的输入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种配电线路的缺陷检测方法，其特征在于，包括：获取经过预处理的配电线路图片；对经过预处理的配电线路图片进行特征提取，获得第一特征图；将所述第一特征图输入目标检测模型的编码层，获得第二特征图和第一位置编码；将所述第二特征图和第一位置编码输入到所述目标检测模型的解码层，获得多个检测结果，其中，所述目标检测模型的解码层采用模型学习随机初始化的内容查询向量以及通过去噪查询向量辅助训练的方式来更新匹配查询向量的方式进行训练，并在完成模型训练后去除所述去噪查询向量；根据所述多个检测结果确定所述配电线路图片的缺陷检测结果
。2.
根据权利要求1所述的方法，其特征在于，在所述目标检测模型的解码层采用模型学习随机初始化的内容查询向量以及通过去噪查询向量辅助训练的方式来更新匹配查询向量的方式进行训练时，所述方法包括：对数据集进行缺陷目标标注，并对完成标注的所述数据集进行特征提取，以获得第三特征图；所述数据集包含若干张用于模型训练的配电线路图片；将所述第三特征图输入至目标检测模型中的编码层，获得第四特征图和第二位置编码；将所述第四特征图和所述第二位置编码输入至所述目标检测模型中的解码层以对所述目标检测模型中的解码层进行训练；所述解码层包括随机初始化的内容查询向量
、
预先配置的所述匹配查询向量和去噪查询向量
。3.
根据权利要求2所述的方法，其特征在于，在所述将所述第四特征图和所述第二位置编码输入至所述目标检测模型中的解码层以对所述目标检测模型中的解码层进行训练时，所述方法包括：创建注意力掩码矩阵；利用所述注意力掩码矩阵对注意力权重矩阵进行处理以计算自注意力，其中，所述注意力掩码矩阵用于在计算自注意力的过程中，使得所述匹配查询向量忽略所述去噪查询向量以防止信息泄露
。4.
根据权利要求2所述的方法，其特征在于，所述将所述第四特征图和所述第二位置编码输入至所述目标检测模型中的解码层以对所述目标检测模型中的解码层进行训练，方法包括：获取目标检测模型基于所述匹配查询向量
、
所述第四特征图和所述第二位置编码进行注意力计算生成的第一缺陷预测结果，和基于所述去噪查询向量
、
所述第四特征图和所述第二位置编码进行注意力计算生成的第二缺陷预测结果；根据所述第一缺陷预测结果与所述数据集的标注结果，计算第一损失函数，并根据所述第二缺陷预测结果与所述数据集的标注结果，计算第二损失函数；根据所述第一损失函数和所述第二损失函数，确定是否需要对所述目标检测模型继续进行迭代训练
。5.
根据权利要求2所述的方法，其特征在于，在所述将所述第四特征图和所述第二位置编码输入至所述目标检测模型中的解码层以对所述目标检测模型中的解码层进行训练之前，包括：
对所述数据集的标注结果中用于标注缺陷目标的矩形框进行中心点偏移处理，并采用随机翻转的抖动方式对所述标注结果中用于标注缺陷目标的类别标签进行处理，得到所述去噪查询向量
...

【专利技术属性】
技术研发人员：张志勇，艾坤，刘海峰，
申请(专利权)人：合肥中科类脑智能技术有限公司，
类型：发明
国别省市：