【技术实现步骤摘要】
本专利技术是基于深度学习的目标检测领域，涉及输电线路绝缘子检测的，尤其涉及一种基于自适应双加权特征网络的输电线路绝缘子检测方法，实现了绝缘子的高精度检测，尤其针对输电线路中小绝缘子的检测。
技术介绍
1、在电力应用场景中，高压绝缘子需要定期检查，以保证电力系统的安全稳定运行。只有对绝缘子进行准确定位，才能有效地进行后续的缺陷检测。绝缘子是输配电系统中必不可少的部件，用于防止电流从导体流向支撑结构。绝缘子通过提供电气隔离和机械支持来维持电网的完整性和稳定性。绝缘子检测对保证电力系统安全可靠运行起着至关重要的作用。随着电力需求的增长和高压输电线路的发展，绝缘子的正常工作变得越来越重要。然而，由于污染、湿度和温度变化等环境条件，绝缘体会随着时间的推移而恶化。绝缘子缺陷会严重影响输电线路的可靠运行和电力系统的稳定性。因此，绝缘子检测作为故障检测、线路巡检等任务的前期工作，是一项至关重要的任务。
2、cnn(convolutional neural network)神经网络在计算机视觉领域有广泛的应用场景并取得了巨大成功，如图像分类、目标检测、图像生成等。cnn神经网络通过共享权重和局部感受野的设计，能够有效地捕捉到图像中的局部特征和空间关系，提取出更具有判别性的特征，从而在图像处理和分析任务中表现出色。cnn神经网络不仅在计算机视觉领域具有广泛应用，还在自然语言处理、医学图像处理、语音识别、视频分析、人工智能辅助等领域发挥着重要作用，其强大的特征提取和泛化能力使得成为处理和分析具有网格结构数据的一种重要工具。近年来，研究人员
3、申请号为202310117643.3的专利技术专利公开了一种融合cat-bifpn与注意力机制的航拍绝缘子多缺陷检测方法，通过对航拍绝缘子缺陷图像进行预处理、训练并评估yolov7网络模型、针对评估进行yolov7网络改进、训练改进yolov7网络；针对yolov7网络模型存在的没有对多尺度特征融合模块的权重进行调整，特征融合不够充分，同张图像中尺度相差极大的目标难以准确检测，没有针对小尺寸物体的检测层，尺度小的绝缘子缺陷检测效果比较差的问题进行改进，用具有单元内跳跃结构的加权双向特征金字塔(cat-bifpn)替代yolov7中的双向路径融合网络(panet)，减少冗余，提高多尺度目标特征的融合度，并形成针对小目标检测的第四检测层；通过添加注意力与卷积混合模块(acmix)更加关注特征中的细节，使检测模型更高效地捕获关键信息，提高模型的检测能力，检测精度高、速度快。上述专利申请融合cat-bifpn与注意力机制的模型进行绝缘子缺陷检测，其参数量比较大，检测精度仍有待提高。
技术实现思路
1、针对现有绝缘子检测方法对小绝缘子检测的精度低的技术问题，本专利技术提出一种基于自适应双加权特征网络(adaptive dual weighted net,adfnet)的输电线路绝缘子检测方法，能快速地检测出目标，对绝缘子的检测精度也尤其高(map为98.19％，比源码yolov7高3.92％)；解决了现有目标检测中的yolov7不能提取图像更加细节特征信息，导致出现检测小目标的精度低多问题。
2、为了达到上述目的，本专利技术的技术方案是这样实现的：一种基于自适应双加权特征网络的输电线路绝缘子检测方法，其步骤如下：
3、步骤一：以目标的尺寸为分级依据，将目标分为三个等级；
4、步骤二：根据三个等级选择绝缘子图像，再通过数据增强策略扩充图像数量得到数据集，并按比例划分成训练集、测试集和验证集；
5、步骤三：构建绝缘子检测模型：在颈部网络中增添上下文感知特征提取模块和跨尺度残差感知网络，并利用双加权特征融合网络进行特征融合；
6、步骤四：用训练集对构建的绝缘子检测模型进行训练，得到绝缘子检测模型的权重参数；
7、步骤五：分别使用测试集、验证集对训练后的绝缘子检测模型的检测结果进行测试和验证。
8、优选地，所述步骤一中的目标是依据图像中的目标所占的像素大小来划分的三个等级，如下：
9、 目标定义 小目标 中目标 大目标 尺寸范围 0×0～32×32 32×32～96×96 ≥96×96
10、。
11、优选地，所述步骤二中的数据增强策略包括随机翻转、图像裁剪、调整亮度、调整对比度和饱和度、添加高斯噪声；数据集按照81％、10％和9％的比例将其划分为训练集、测试集和验证集。
12、优选地，所述绝缘子检测模型包括主干网络、颈部网络和预测网络，在颈部网络中增添上下文感知特征提取模块和跨尺度残差感知网络，且将颈部的普通融合模块替换为双加权特征融合网络；预测网络的检测头包含一系列卷积层，用于对高层特征进行空间和通道的信息整合。
13、优选地，通过主干网络特征提取得到的有效特征图输入到上下文感知特征提取模块后，依次被传递至平均池化层和通道注意力模块；所述上下文感知特征提取模块包括上下文特征增强模块和平均池化层，上下文特征增强模块以主干网络输出的特征图作为输入，上下文特征增强模块包含3个不同膨胀率的3*3卷积层和1个1*1卷积层，每个卷积层的输出通道为32；平均池化层在输入的特征图上移动池化窗口，在池化窗口内将所有像素的值求和后除以像素数量，得到平均值作为池化结果；所述通道注意力模块是指在通道维度上引入注意力机制，通过通道注意力生成的权重矩阵对不同通道的特征进行加权。
14、优选地，所述跨尺度残差感知网络设计在上下文感知特征提取模块的后侧，在卷积的两端增加一个跳跃连接结构，将卷积前的特征图通过跳跃连接传到卷积后的特征图并与卷积前的特征图进行拼接操作，使两个不同深度的特征图进行融合，从而将浅层信息传递至深层；
15、所述双加权特征融合模块通过有效的特征提取以及特征加权，充分表征目标的特征，实现方式为：有效特征图的原始特征矩阵与通道注意力模块生成的注意力本文档来自技高网...
【技术保护点】
1.一种基于自适应双加权特征网络的输电线路绝缘子检测方法，其特征在于，其步骤如下：
2.根据权利要求1所述的基于自适应双加权特征网络的输电线路绝缘子检测方法，其特征在于，所述步骤一中的目标是依据图像中的目标所占的像素大小来划分的三个等级，如下：
3.根据权利要求2所述的基于自适应双加权特征网络的输电线路绝缘子检测方法，其特征在于，所述步骤二中的数据增强策略包括随机翻转、图像裁剪、调整亮度、调整对比度和饱和度、添加高斯噪声；数据集按照81％、10％和9％的比例将其划分为训练集、测试集和验证集。
4.根据权利要求1所述的基于自适应双加权特征网络的输电线路绝缘子检测方法，其特征在于，所述绝缘子检测模型包括主干网络、颈部网络和预测网络，在颈部网络中增添上下文感知特征提取模块和跨尺度残差感知网络，且将颈部的普通融合模块替换为双加权特征融合网络；预测网络的检测头包含一系列卷积层，用于对高层特征进行空间和通道的信息整合。
5.根据权利要求4所述的基于自适应双加权特征网络的输电线路绝缘子检测方法，其特征在于，通过主干网络特征提取得到的有效特征图输入
6.根据权利要求4所述的基于自适应双加权特征网络的输电线路绝缘子检测方法，，其特征在于，所述跨尺度残差感知网络设计在上下文感知特征提取模块的后侧，在卷积的两端增加一个跳跃连接结构，将卷积前的特征图通过跳跃连接传到卷积后的特征图并与卷积前的特征图进行拼接操作，使两个不同深度的特征图进行融合，从而将浅层信息传递至深层；
7.根据权利要求6所述的基于自适应双加权特征网络的输电线路绝缘子检测方法，，其特征在于，进行加权的方法为：
8.根据权利要求4所述的基于自适应双加权特征网络的输电线路绝缘子检测方法，其特征在于，输入的图像通过主干网络提取特征得到输入图像的三个不同深度的特征图，三层深度特征分别为大尺度深度特征矩阵、中尺度深度特征矩阵、小尺度深度特征矩阵；所述主干网络中的卷积操作是通过卷积核从左到右、从上至下进行互相关运算；
9.根据权利要求8所述的基于自适应双加权特征网络的输电线路绝缘子检测方法，其特征在于，主干网络对输入的图像进行特征提取，得到三个不同深度的有效特征图；上下文感知特征提取模块对三个有效特征图进行特征增强，输出的特征层被输入到跨尺度残差感知网络，跨尺度残差感知网络在卷积的两端增加了一个跳跃连接结构，完成浅层信息到深层信息的不同层次传递，将输出的特征输入到双加权特征融合模块，通过不同深度的有效特征图分别与特定的注意力矩阵进行相乘，得到加权特征图；分别输入到预测网络的大尺度检测层、中尺度检测层和小尺度检测层的三个检测头网络中进行检测，分别检测不同尺寸的绝缘子，得到检测结果。
10.根据权利要求1所述的基于自适应双加权特征网络的输电线路绝缘子检测方法，其特征在于，训练过程中绝缘子检测模型采用Adam优化器，初始学习率设置为0.001，训练的Batch Size设置为8。
...【技术特征摘要】
1.一种基于自适应双加权特征网络的输电线路绝缘子检测方法，其特征在于，其步骤如下：
2.根据权利要求1所述的基于自适应双加权特征网络的输电线路绝缘子检测方法，其特征在于，所述步骤一中的目标是依据图像中的目标所占的像素大小来划分的三个等级，如下：
3.根据权利要求2所述的基于自适应双加权特征网络的输电线路绝缘子检测方法，其特征在于，所述步骤二中的数据增强策略包括随机翻转、图像裁剪、调整亮度、调整对比度和饱和度、添加高斯噪声；数据集按照81％、10％和9％的比例将其划分为训练集、测试集和验证集。
4.根据权利要求1所述的基于自适应双加权特征网络的输电线路绝缘子检测方法，其特征在于，所述绝缘子检测模型包括主干网络、颈部网络和预测网络，在颈部网络中增添上下文感知特征提取模块和跨尺度残差感知网络，且将颈部的普通融合模块替换为双加权特征融合网络；预测网络的检测头包含一系列卷积层，用于对高层特征进行空间和通道的信息整合。
5.根据权利要求4所述的基于自适应双加权特征网络的输电线路绝缘子检测方法，其特征在于，通过主干网络特征提取得到的有效特征图输入到上下文感知特征提取模块后，依次被传递至平均池化层和通道注意力模块；所述上下文感知特征提取模块包括上下文特征增强模块和平均池化层，上下文特征增强模块以主干网络输出的特征图作为输入，上下文特征增强模块包含3个不同膨胀率的3*3卷积层和1个1*1卷积层，每个卷积层的输出通道为32；平均池化层在输入的特征图上移动池化窗口，在池化窗口内将所有像素的值求和后除以像素数量，得到平均值作为池化结果；所述通道注意力模块是指在通道维度上引入注意力机制，通过通道注意力生成的权重矩阵对不同通道的特征进行加权。
6.根据权利要求4所述的...
【专利技术属性】
技术研发人员：张杰，王夏兵，张焕龙，王延峰，陈宜滨，王凤仙，李林伟，卢淼鑫，史坤峰，
申请(专利权)人：郑州轻工业大学，
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。