基于无人机配网架空线路的多类别缺陷检测方法及系统技术方案

本发明专利技术提出一种基于无人机配网架空线路的多类别缺陷检测方法及系统，属于无人机巡检的技术领域，通过使用细粒度样本匹配方法，计算质量对齐矩阵，设计细粒度补偿指数对质量对齐矩阵中困难样本的系数进行补偿，并归一化质量对齐矩阵，解决训练开始阶段矩阵分数过低问题

【技术实现步骤摘要】
基于无人机配网架空线路的多类别缺陷检测方法及系统


[0001]本专利技术涉及无人机巡检的
，特别涉及一种基于无人机配网架空线路的多类别缺陷检测方法及系统
。

技术介绍

[0002]配网架空线路存在缺陷种类繁多，形态各异，且缺陷样本分布差异大，导致缺陷检测训练困难，缺陷召回低等问题
。
现有配网缺陷检测方法多采用检测加分类的数据管道
pipeline
形式，但是，多模型的
pipeline
融合会造成缺陷误检率高，显存占用大，维护成本高
。
[0003]由于配网线路暴露环境多样，存在的缺陷形态各异，且缺陷数据分布差异巨大，例如，在同一批训练数据中，销钉缺失存在十几万张样本，而绝缘子灼伤可能只有几百张样本，进而导致模型难以收敛，易出现梯度爆炸，且召回低误检多等缺陷，现有技术中采用检测加分类的
pipeline
形式进行多模型融合会造成缺陷误检率高，显存占用大，维护成本高等问题
。

技术实现思路

[0004]专利技术目的：提出一种基于无人机配网架空线路的多类别缺陷检测方法及系统，以解决现有技术存在的上述问题，通过对训练样本数据的处理，以及双权重损失的训练实现缺陷检测的过程中保留细节的同时，减少网格重建过程中出现的孔洞的目的
。
[0005]技术方案：第一方面，提出了一种基于无人机配网架空线路的多类别缺陷检测方法，该方法包括以下步骤：
[0006]步骤
1、
构建缺陷检测模型，并接收待分析的图像数据；
[0007]步骤
2、
利用所述缺陷检测模型提取图像数据中的三个图像特征；
[0008]步骤
3、
对三个图像特征执行多尺度融合操作获得融合特征；
[0009]步骤
4、
对融合特征执行解耦操作，获得回归特征
、
分类特征和回归偏移特征；
[0010]步骤
5、
构建质量对齐矩阵
、
细粒度补偿指数，并利用质量对齐矩阵获取正样本点，同时使用细粒度补偿系数归一化质量对齐矩阵；
[0011]步骤
6、
构建双权重损失，将质量对齐矩阵作为正样本权重，并消除歧义样本；
[0012]步骤
7、
基于消除歧义后的样本，根据分类特征和校正后的回归特征，获得缺陷检测的最终结果
。
[0013]在第一方面的一些可实现方式中，缺陷检测模型包含：骨干模块
、
颈部模块
、
解耦模块
、
校正模块和输出模块，执行数据处理的过程中，首先利用骨干模块执行特征提取操作，获得三个输出特征；其次，利用颈部模块对三个输出特征进行多尺度融合，获得融合特征，并将融合特征传输至解耦模块；再次，解耦模块对融合结果进行解耦，获得分类特征
、
回归特征和回归偏移特征；从次，采用校正模块对回归特征和回归偏移特征进行融合，生成回归坐标，进而获得检测框的具体坐标；最后，输出模块输出校正后的回归特征和分类特征
。
[0014]在第一方面的一些可实现方式中，在所述缺陷检测模型执行分类与回归的过程中，构建质量对齐矩阵，并采用细粒度补偿系数进行优化，从而执行细粒度样本匹配
。
[0015]其中，质量对齐矩阵的表达式为：
[0016]Align Metric
＝
cls
0.5
*iou5[0017]式中，
cls
表示解耦模块输出的分类得分；
iou
表示解耦模块输出的回归坐标与真实目标框的交并比；
[0018]所述细粒度补偿系数的表达式为：
[0019][0020]式中，
w
表示真实目标框的宽；
h
表示真实目标框的高；
cls
表示缺陷检测模型的分类得分；
const
表示困难系数；
[0021]利用细粒度补偿系数对质量对齐矩阵进行结合的表达式为：
[0022]Align Metric
′
＝
(Align Metric)
C
[0023]获得
Align Metric
′
之后，执行排序操作，并针对每个真实目标框选取前
10
作为正样本点
。
[0024]获得正样本点后执行归一化操作，对应的表达式为：
[0025]Pos_align_metrics
＝
Align Metric
′
.amax(
‑
1)
[0026]norm_Align_Metric
＝
Align Metric
′
/Pos_align_metrics
[0027]式中，
Align Metric
′
的尺寸为
(b,obj_num,grid_num)
，其中，
objnum
表示当前图中
G
真实目标框的个数，
grid_num
表示输出特征所占格子的数量，
b
表示批量大小；
amax(
‑
1)
表示在
grid_num
这个维度取最大值；
Pos_align_metrics
表示每个
GT
真实目标框在
metric
质量中的最大值
。
[0028]在第一方面的一些可实现方式中，通过构建双权重损失，将负样本损失与正样本损失解耦
。
构建负样本损失时，将
anchor
锚框的
IOU
得分作为评价系数，对应的表达式为：
[0029]neg_weight
＝
(1
‑
iou)2*cls.sigmoid()
[0030]neg_loss
＝
BCE(cls.sigmoid()
，
neg_label)*neg_weight
[0031]式中，
iou
表示模型输出的回归坐标与真实坐标框的交并比；
cls.sigmoid()
表示分类特征最后一维进行
sigmoid
激活；
BCE
表示交叉熵；
neg_label
表示所有的
anchor
锚框
。
[0032]将获得的归一化质量对齐矩阵作为细粒度权重，用于分类正样本与回归损失，对应的表达式为：
[0033]pos_weight
＝
(1
‑
cls.sigmoid)2*pos_label
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于无人机配网架空线路的多类别缺陷检测方法，其特征在于，包括以下步骤：步骤
1、
构建缺陷检测模型，并接收待分析的图像数据；步骤
2、
利用所述缺陷检测模型提取图像数据中的三个图像特征；步骤
3、
对三个图像特征执行多尺度融合操作获得融合特征；步骤
4、
对融合特征执行解耦操作，获得回归特征
、
分类特征和回归偏移特征；步骤
5、
构建质量对齐矩阵
、
细粒度补偿指数，并利用质量对齐矩阵获取正样本点，同时使用细粒度补偿系数归一化质量对齐矩阵；步骤
6、
构建双权重损失，将质量对齐矩阵作为正样本权重，并消除歧义样本；步骤
7、
基于消除歧义后的样本，根据分类特征和校正后的回归特征，获得缺陷检测的最终结果
。2.
根据权利要求1所述的一种基于无人机配网架空线路的多类别缺陷检测方法，其特征在于，所述缺陷检测模型包含：骨干模块
、
颈部模块
、
解耦模块
、
校正模块和输出模块，执行数据处理的过程中，首先利用骨干模块执行特征提取操作，获得三个输出特征；其次，利用颈部模块对三个输出特征进行多尺度融合，获得融合特征，并将融合特征传输至解耦模块；再次，解耦模块对融合结果进行解耦，获得分类特征
、
回归特征和回归偏移特征；从次，采用校正模块对回归特征和回归偏移特征进行融合，生成回归坐标，进而获得检测框的具体坐标；最后，输出模块输出校正后的回归特征和分类特征
。3.
根据权利要求1所述的一种基于无人机配网架空线路的多类别缺陷检测方法，其特征在于，在所述缺陷检测模型执行分类与回归的过程中，构建质量对齐矩阵，并采用细粒度补偿系数进行优化，从而执行细粒度样本匹配
。4.
根据权利要求3所述的一种基于无人机配网架空线路的多类别缺陷检测方法，其特征在于，所述质量对齐矩阵的表达式为：
Align Metric
＝
cls
0.5
*iou5式中，
cls
表示解耦模块输出的分类得分；
iou
表示解耦模块输出的回归坐标与真实目标框的交并比；所述细粒度补偿系数的表达式为：式中，
w
表示真实目标框的宽；
h
表示真实目标框的高；
cls
表示缺陷检测模型的分类得分；
const
表示困难系数；利用细粒度补偿系数对质量对齐矩阵进行结合的表达式为：
Align Metric
′
＝
(Align Metric)
C
获得
Align Metric
′
之后，执行排序操作，并针对每个真实目标框选取前
10
作为正样本点
。5.
根据权利要求4所述的一种基于无人机配网架空线路的多类别缺陷检测方法，其特征在于，获得正样本点后执行归一化操作，对应的表达式为：
Pos_align_metrics
＝
Align Metric
′
.amax(
‑
1)norm_Align_Metric
＝
Align Metric
′
/Pos_align_metrics
式中，
Align Metric
′
的尺寸为
(b,obj_num,grid_num)
，其中，
objnum
表示当前图中
G...

【专利技术属性】
技术研发人员：冷聪，魏学备，海雷，
申请(专利权)人：中科方寸知微南京科技有限公司，
类型：发明
国别省市：