【技术实现步骤摘要】
本专利技术涉及电力缺陷检测领域，尤其涉及一种基于人工智能的绝缘子缺陷检测方法、装置、设备及介质。
技术介绍
1、绝缘子是用于支撑输电线路的关键组件，具有绝缘电力的功能。然而，由于受到环境因素和运行负荷的影响，绝缘子可能会发生各种缺陷，如污秽、击穿、裂纹等。这些缺陷可能导致绝缘子的性能下降，甚至引发事故。因此，开发一种高效准确的绝缘子缺陷检测方法及装置对于维护电力系统的安全和稳定运行非常重要。
2、随着计算机视觉、图像处理、热红外成像和机器学习等技术的发展，绝缘子缺陷检测方法得到了显著的提升和改进。传统的目视检查和手工检测方法存在主观性和效率低下的问题。近年来，随着计算机视觉和深度学习技术的快速发展，高效准确的绝缘子缺陷检测方法及装置得到了广泛研究和应用。基于深度学习的目标检测方法在绝缘子缺陷检测中取得了显著的成果，如faster r-cnn、ssd和yolo系列等，被广泛应用于绝缘子缺陷检测任务中。
3、发现人在实现本专利技术的过程中发现，基于ssd与两阶段微调策略的绝缘子识别方法，相比传统方法无法实现端到端的检测；faster rcnn算法可以实现端到端的绝缘子缺陷检测，但其模型计算量大和检测速度慢；yolo系列的方法在检测精度方面有所提高，却始终伴有模型计算量大、检测速度慢等问题。
技术实现思路
1、本专利技术实施例提供一种基于人工智能的绝缘子缺陷检测方法、装置、计算机设备和存储介质，以提高绝缘子缺陷检测的准确率。
2、为了解决上述技术问题，
3、获取绝缘子图像；
4、对所述绝缘子图像进行数据预处理，得到样本数据；
5、采用所述样本数据对初始目标检测模型进行训练，得到训练好的目标检测模型，其中，所述初始目标检测模型为改进的yolov7模型，所述改进的yolov7模型包括依次连接的特征提取器、特征融合层和预测层；
6、将所述训练好的目标检测模型部署到电力设备缺陷检测装置中，以使在后续接收到待检测图像时，采用所述训练好的目标检测模型对所述待检测图像进行缺陷检测。
7、可选地，所述特征提取器由elan模块、最大池化下采样模块mp和sppcspc模块组成，sppcspc模块是由空间金字塔池化层spp和跨阶段部分连接层csp结合得到；
8、所述特征融合层由cbs模块、上采样模块、gsconv模块、elan-w模块模块、downnam模块(下采样注意力模块)和若干卷积层组成；
9、所述预测层包括卷积层和全连接层，用以对目标检测任务的特定操作，所述特定操作包括锚框生成、边界框回归和类别分类。
10、可选地，所述对所述绝缘子图像进行数据预处理，得到样本数据包括：
11、将每个所述绝缘子图像划分到训练数据集和测试数据集；
12、采用标注工具对所述训练数据集中的每个图像进行标注目标真实框，并为每个所述目标真实框分配类别标签，得到标注后的训练数据集；
13、对所述标注后的训练数据集进行数据增强，得到增强训练集；
14、将所述增强训练集和所述测试数据集，作为所述样本数据。
15、可选地，所述采用所述样本数据对初始目标检测模型进行训练，得到训练好的目标检测模型包括：
16、采用所述样本数据对初始目标检测模型进行训练，并采用如下公式进行损失值计算，得到目标损失值：
17、losstotal＝λclslosscls+λbboxlossbbox+λobjlossobj
18、其中，losstotal为目标损失值，losscls为目标分类损失，lossbbox为边界框位置损失，lossobj为目标置信度损失，λcls、λbbox和λobj分别为目标分类损失、边界框位置损失、目标置信度损失的权重系数，用于平衡不同损失项的重要性；
19、基于所述目标损失值进行参数更新，并返回所述采用所述样本数据对初始目标检测模型进行训练的步骤继续执行，直到达到预设条件，得到所述训练好的目标检测模型。
20、可选地，所述基于所述目标损失值进行参数更新包括：
21、通过反向传播和梯度下降更新参数的权重。
22、可选地，所述目标分类损失和所述目标置信度损失采用二值交叉熵作为损失函数，所述边界框位置损失采用回归定位损失。
23、为了解决上述技术问题，本申请实施例还提供一种基于人工智能的绝缘子缺陷检测装置，包括：
24、获取模块，用于获取绝缘子图像；
25、预处理模块，用于对所述绝缘子图像进行数据预处理，得到样本数据；
26、训练模块，用于采用所述样本数据对初始目标检测模型进行训练，得到训练好的目标检测模型，其中，所述初始目标检测模型为改进的yolov7模型，所述改进的yolov7模型包括依次连接的特征提取器、特征融合层和预测层。
27、检测模块，用于将所述训练好的目标检测模型部署到电力设备缺陷检测装置中，以使在后续接收到待检测图像时，采用所述训练好的目标检测模型对所述待检测图像进行缺陷检测。
28、可选地，所述预处理模块包括：
29、划分单元，用于将每个所述绝缘子图像划分到训练数据集和测试数据集；
30、标注单元，用于采用标注工具对所述训练数据集中的每个图像进行标注目标真实框，并为每个所述目标真实框分配类别标签，得到标注后的训练数据集；
31、增强单元，用于对所述标注后的训练数据集进行数据增强，得到增强训练集；
32、样本确定单元，用于将所述增强训练集和所述测试数据集，作为所述样本数据。
33、可选地，所述训练模块包括：
34、损失计算单元，用于采用所述样本数据对初始目标检测模型进行训练，并采用如下公式进行损失值计算，得到目标损失值：
35、losstotal＝λclslosscls+λbboxlossbbox+λobjlossobj
36、其中，losstotal为目标损失值，losscls为目标分类损失，lossbbox为边界框位置损失，lossobj为目标置信度损失，λcls、λbbox和λobj分别为目标分类损失、边界框位置损失、目标置信度损失的权重系数，用于平衡不同损失项的重要性；
37、迭代更新单元，用于基于所述目标损失值进行参数更新，并返回所述采用所述样本数据对初始目标检测模型进行训练的步骤继续执行，直到达到预设条件，得到所述训练好的目标检测模型。
38、为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于人工智能的绝缘子缺陷检测方法的步骤。
39、为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所本文档来自技高网...
【技术保护点】
1.一种基于人工智能的绝缘子缺陷检测方法，其特征在于，包括：
2.如权利要求1所述的基于人工智能的绝缘子缺陷检测方法，其特征在于，所述特征提取器由ELAN模块、最大池化下采样模块MP和SPPCSPC模块组成，SPPCSPC模块是由空间金字塔池化层SPP和跨阶段部分连接层CSP结合得到；
3.如权利要求1所述的基于人工智能的绝缘子缺陷检测方法，其特征在于，所述对所述绝缘子图像进行数据预处理，得到样本数据包括：
4.如权利要求1所述的基于人工智能的绝缘子缺陷检测方法，其特征在于，所述采用所述样本数据对初始目标检测模型进行训练，得到训练好的目标检测模型包括：
5.如权利要求4所述的基于人工智能的绝缘子缺陷检测方法，其特征在于，所述基于所述目标损失值进行参数更新包括：
6.如权利要求4所述的基于人工智能的绝缘子缺陷检测方法，其特征在于，所述目标分类损失和所述目标置信度损失采用二值交叉熵作为损失函数，所述边界框位置损失采用回归定位损失。
7.一种基于人工智能的绝缘子缺陷检测装置，其特征在于，包括：
8.如权
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的基于人工智能的绝缘子缺陷检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于人工智能的绝缘子缺陷检测方法。
...【技术特征摘要】
1.一种基于人工智能的绝缘子缺陷检测方法，其特征在于，包括：
2.如权利要求1所述的基于人工智能的绝缘子缺陷检测方法，其特征在于，所述特征提取器由elan模块、最大池化下采样模块mp和sppcspc模块组成，sppcspc模块是由空间金字塔池化层spp和跨阶段部分连接层csp结合得到；
3.如权利要求1所述的基于人工智能的绝缘子缺陷检测方法，其特征在于，所述对所述绝缘子图像进行数据预处理，得到样本数据包括：
4.如权利要求1所述的基于人工智能的绝缘子缺陷检测方法，其特征在于，所述采用所述样本数据对初始目标检测模型进行训练，得到训练好的目标检测模型包括：
5.如权利要求4所述的基于人工智能的绝缘子缺陷检测方法，其特征在于，所述基于所述目标损失值进行参数更新包括：
6.如权利要...
【专利技术属性】
技术研发人员：孟欣欣，曹澍，肖靖峰，王楷，郭江涛，王涛，王晓卓，王平，杨文忠，陈丹妮，魏富源，孙家文，
申请(专利权)人：国网新疆电力有限公司信息通信公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。