一种轻量化可见光绝缘子目标检测方法及系统技术方案

本发明专利技术公开了一种轻量化可见光绝缘子目标检测方法及系统，方法包括：构建

【技术实现步骤摘要】
一种轻量化可见光绝缘子目标检测方法及系统


[0001]本专利技术属于绝缘子检测
，尤其涉及一种轻量化可见光绝缘子目标检测方法及系统
。

技术介绍

[0002]当今，输电线路巡检朝着智能巡检发展
。
绝缘子作为输电线路基本构件起着机械支撑与电气隔离作用
。
长期暴露于恶劣环境中，遭受恶劣天气
、
动物等不可控干扰从而导致绝缘子腐蚀
、
自爆等缺陷
。
其中，自爆最容易发生且对输电线路安全运行的威胁较大
。
因此，绝缘子定期巡检对排除输电线路隐患具有重大意义
。
[0003]现有的绝缘子目标检测算法对于小尺寸绝缘子的检测效果较差，容易产生漏检现象，并且在绝缘子被遮挡的情况下往往难以准确检测，容易产生漏检或误检现象
。

技术实现思路

[0004]本专利技术提供一种轻量化可见光绝缘子目标检测方法及系统，用于解决在绝缘子被遮挡的情况下往往难以准确检测，容易产生漏检或误检现象的技术问题
。
[0005]第一方面，本专利技术提供一种轻量化可见光绝缘子目标检测方法，包括：构建
SSD
检测网络模型，所述
SSD
检测网络模型中包含主干特征提取网络
、
附加层和检测层，所述检测层中包含至少一个检测头；获取包含绝缘子的可见光图像样本，根据实例分割标注的标准对所述可见光图像样本进行分割，得到实例分割结果；以每个实例分割结果中分割目标区域的上
、
下
、
左
、
右的边缘像素点为目标检测标注的边界框选择标准，对所述实例分割结果进行标注，得到目标检测标注结果；将所述目标检测标注结果和所述实例分割结果映射至预设的二维矩阵中，得到辅助学习权重矩阵，所述辅助学习权重矩阵中分割目标区域的映射值为1，目标检测标注的边界框除去分割目标区域的映射值为
0.75
，其余部分为0；将辅助学习权重矩阵输入至
SSD
检测网络模型中，对所述
SSD
检测网络模型进行训练，得到目标检测网络模型；将待检测的可见光图像输入至所述目标检测网络模型中，所述目标检测网络模型通过主干特征提取网络和附加层对所述可见光图像进行特征提取，提取出不同尺度的特征图，并通过至少一个检测头预测不同尺度的特征图中每个位置上存在的目标的类别和位置，得到与所述至少一个检测头对应的至少一个输出结果；将所述至少一个输出结果映射至待检测的可见光图像上进行非极大值抑制，得到目标输出结果
。
[0006]第二方面，本专利技术提供一种轻量化可见光绝缘子目标检测系统，包括：构建模块，配置为构建
SSD
检测网络模型，所述
SSD
检测网络模型中包含主干特征提取网络
、
附加层和检测层，所述检测层中包含至少一个检测头；
获取模块，配置为获取包含绝缘子的可见光图像样本，根据实例分割标注的标准对所述可见光图像样本进行分割，得到实例分割结果；分割模块，配置为以每个实例分割结果中分割目标区域的上
、
下
、
左
、
右的边缘像素点为目标检测标注的边界框选择标准，对所述实例分割结果进行标注，得到目标检测标注结果；映射模块，配置为将所述目标检测标注结果和所述实例分割结果映射至预设的二维矩阵中，得到辅助学习权重矩阵，所述辅助学习权重矩阵中分割目标区域的映射值为1，目标检测标注的边界框除去分割目标区域的映射值为
0.75
，其余部分为0；训练模块，配置为将辅助学习权重矩阵输入至
SSD
检测网络模型中，对所述
SSD
检测网络模型进行训练，得到目标检测网络模型；输出模块，配置为将待检测的可见光图像输入至所述目标检测网络模型中，所述目标检测网络模型通过主干特征提取网络和附加层对所述可见光图像进行特征提取，提取出不同尺度的特征图，并通过至少一个检测头预测不同尺度的特征图中每个位置上存在的目标的类别和位置，得到与所述至少一个检测头对应的至少一个输出结果；处理模块，配置为将所述至少一个输出结果映射至待检测的可见光图像上进行非极大值抑制，得到目标输出结果
。
[0007]第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例的轻量化可见光绝缘子目标检测方法的步骤
。
[0008]第四方面，本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本专利技术任一实施例的轻量化可见光绝缘子目标检测方法的步骤
。
[0009]本申请的轻量化可见光绝缘子目标检测方法及系统，对数据集进行特殊处理生成辅助学习权重矩阵，辅助学习权重矩阵用于
SSD
网络模型训练通过对不同区域进行加权学习以提升网络模型对关键区域学习效率，并采用无锚框检测头，不需要预定义和生成锚框，通过直接回归目标的中心点和边界框，可以更准确地定位目标同时更好地适应不同尺度和形状的目标
。
附图说明
[0010]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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
。
[0011]图1为本专利技术一实施例提供的一种轻量化可见光绝缘子目标检测方法的流程图；图2为本专利技术一实施例提供的一种轻量化可见光绝缘子目标检测系统的结构框图；图3是本专利技术一实施例提供的电子设备的结构示意图
。
具体实施方式
[0012]为使本专利技术实施例的目的
、
技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例
。
基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围
。
[0013]请参阅图1，其示出了本申请的一种轻量化可见光绝缘子目标检测方法的流程图
。
[0014]如图1所示，轻量化可见光绝缘子目标检测方法具体包括以下步骤：步骤
S101
，构建
SSD
检测网络模型，所述
SSD
检测网络模型中包含主干特征提取网络
、
附加层和检测层，所述检测层中包含至少一个检测头
。
[0015]在本步骤中，构建
SSD
检测网络模型时，主要由三个部本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种轻量化可见光绝缘子目标检测方法，其特征在于，包括：构建
SSD
检测网络模型，所述
SSD
检测网络模型中包含主干特征提取网络
、
附加层和检测层，所述检测层中包含至少一个检测头；获取包含绝缘子的可见光图像样本，根据实例分割标注的标准对所述可见光图像样本进行分割，得到实例分割结果；以每个实例分割结果中分割目标区域的上
、
下
、
左
、
右的边缘像素点为目标检测标注的边界框选择标准，对所述实例分割结果进行标注，得到目标检测标注结果；将所述目标检测标注结果和所述实例分割结果映射至预设的二维矩阵中，得到辅助学习权重矩阵，所述辅助学习权重矩阵中分割目标区域的映射值为1，目标检测标注的边界框除去分割目标区域的映射值为
0.75
，其余部分为0；将辅助学习权重矩阵输入至
SSD
检测网络模型中，对所述
SSD
检测网络模型进行训练，得到目标检测网络模型；将待检测的可见光图像输入至所述目标检测网络模型中，所述目标检测网络模型通过主干特征提取网络和附加层对所述可见光图像进行特征提取，提取出不同尺度的特征图，并通过至少一个检测头预测不同尺度的特征图中每个位置上存在的目标的类别和位置，得到与所述至少一个检测头对应的至少一个输出结果；将所述至少一个输出结果映射至待检测的可见光图像上进行非极大值抑制，得到目标输出结果
。2.
根据权利要求1所述的一种轻量化可见光绝缘子目标检测方法，其特征在于，在将辅助学习权重矩阵输入至
SSD
检测网络模型中，对所述
SSD
检测网络模型进行训练，得到目标检测网络模型之前，所述方法包括：分别选择辅助学习权重矩阵的长边和短边，并将所述辅助学习权重矩阵的长边
Max
（
W
，
H
）和短边
Min
（
W
，
H
）调整至与所述
SSD
检测网络模型的输入长宽一致，其中，为输入图像的宽，为输入图像的高；对调整后的辅助学习权重矩阵居中进行对称填充零值至二维矩阵为
S
×
S
，再将对称填充后的二维矩阵进行倍缩放，得到多个目标辅助学习权重矩阵，其中，为下采样次数，
i
为1至6的随机整数
。3.
根据权利要求1所述的一种轻量化可见光绝缘子目标检测方法，其特征在于，所述主干特征提取网络用于捕捉输入图像的特征，所述主干特征提取网络包括卷积层
、
下采样层和注意力层；将输入数据输入所述卷积层中，分别经过第一操作路径和第二操作路径处理后将结果相加再经处理得到卷积层的第一输出数据，其中，卷积层包括：卷积核大小为1×1的第一卷积操作
、
卷积核大小为1×1的第二卷积操作
、
第一批量归一化
、
第二批量归一化
、
卷积核大小为3×3的第一深度可分离卷积
、
卷积核大小为5×5的第二深度可分离卷积
、
卷积核大小7×7的第三深度可分离卷积
、
第一
ReLu
激活函数以及第二
ReLu
激活函数
、
第三
ReLu
激活函数和第四
ReLu
激活函数；输入数据分别与第一卷积操作和第二卷积操作相连接；第一卷积操作依次与第一批量归一化
、
第一
ReLu
激活函数连接；
第一
ReLu
激活函数分别与第一深度可分离卷积
、
第二深度可分离卷积
、
第三深度可分离卷积连接；第一深度可分离卷积依次与通道向堆叠连接；第二深度可分离卷积依次与通道向堆叠连接；第三深度可分离卷积依次与通道向堆叠连接；通道向堆叠依次与第二批量归一化
、
第二
ReLu
激活函数连接；第二
ReLu
激活函数依次与第三卷积操作
、
第三
ReLu
激活函数连接，由第三
ReLu
激活函数得到第一输出；第二卷积操作依次与第四
ReLu
激活函数连接，由第四
ReLu
激活函数得到第二输出；将第一输出与第二输出进行相加操作得到卷积层最终输出，即第一输出数据；将卷积层的第一输出数据输入至所述下采样层中，依次经过卷积操作
、
批量归一化和
ReLu
激活函数后得到下采样层的第二输出数据；将下采样层的第二输出数据输入至所述注意力层中，依次经过卷积核大小为1×1的卷积操作
、
纵向多头自注意力机制
、
横向多头自注意力机制
、
通道向多头自注意力机制
、
输出相乘
、
卷积核大小为1×1的卷积操作
、
纵向多头自注意力机制
、
横向多头自注意力机制
、
通道向多头自注意力机制
、
卷积核大小...

【专利技术属性】
技术研发人员：曾兵，周宇，何帝霖，陈显彪，饶繁星，杨小品，谢云敏，
申请(专利权)人：南昌工程学院，
类型：发明
国别省市：