【技术实现步骤摘要】
本申请实施例涉及变电站巡检，特别涉及一种变电站设备的检测方法、装置、设备及存储介质。
技术介绍
1、变电站作为电能汇集、调控、分配的关键设施，一旦出现故障会导致电能失稳，进而引发不必要的生命危险和财产损失，因此，对变电设备进行定期巡检具有非常重要的意义。目前变电站的巡检工作主要依靠维护人员来完成，这种巡检方受变电站巡检人员自身专业素质和专业技能因素影响较大并且伴随着一定的安全风险，因此，变电站巡检急需无人化与智能化。
2、随着计算机视觉的发展，目标检测技术进入数据驱动的深度学习时代，基于深度学习的目标检测算法够提取图片中更深层的抽象特征，具有更强的泛化能力。现阶段，这种图像检测技术在变电站巡检领域，工程需求量不断增加，逐渐成一个热点研究问题，特别是这种不需要人工干预，端到端的算法模式为变电站无人化与智能化巡检提供了新思路。
3、基于深度学习的目标检测算法根据识别阶段分为两种。一种是基于候选框机制的两阶段检测(two-stage detector)算法，例如r-cnn(regionwith cnn feature)算法、fastr-cnn算法、fasterr-cn算法以及maskr-cnn算法；另一种是基于单阶段检测(one-stagedetector)的yolo(you only look once)算法和ssd(single shotmultibox detector)算法，yolo算法例如yolov2、yolov3、yolov4。得益于卷积神经网络强大的特征提取能力，深度学习检测算法具有泛化能力强，检
技术实现思路
1、本申请实施例的目的在于提供一种变电站设备的检测方法、装置、设备及存储介质，通过一种轻量化网络实现变电站的目标检测，降低网络复杂度。
2、为解决上述技术问题，本申请的实施例提供了一种变电站设备的检测方法，包括以下步骤：
3、获取待检测的变电站设备的目标图像；
4、将所述目标图像输入预先训练好的目标检测模型中；
5、其中，所述目标检测模型通过采用若干个不同的变电站设备的图像对预构建的yolov4网络进行训练得到，所述yolov4网络包含主干网络、颈部网络和头部网络，所述主干网络采用包括多个按序连接的稠密连接块的稠密连接网络，每个稠密连接块还与后面所有的稠密连接块连接；
6、通过所述主干网络中的稠密连接块提取所述目标图像的特征，每个稠密连接块所提取到的特征还会传递给下一个与其连接的稠密连接块；
7、通过所述颈部网络的通道域注意力机制和空间域注意力机制分别对所述稠密连接块提取到的目标图像的特征中不同通道尺度的特征和不同空间尺度的特征进行加权，并将通过所述通道域注意力机制加权得到的目标通道特征和所述空间域注意力机制加权得到的目标空间特征进行融合；
8、通过所述头部网络对融合后的目标通道特征和目标空间特征进行检测，得到所述待检测的变电站设备的检测结果。
9、在一些可选的实施例中，所述方法还包括：
10、在将所述目标通道特征和所述目标空间特征进行融合之后，通过所述颈部网络提取融合后的特征中目标通道特征和目标空间特征之间的关联特征；
11、通过所述头部网络对融合后的目标通道特征和目标空间特征以及所述关联特征进行检测。
12、在一些可选的实施例中，所述通过所述颈部网络提取融合后的特征中目标通道特征和目标空间特征之间的关联特征，包括：
13、通过所述颈部网络中由鬼影混洗卷积层gsconv和标准卷积层sc构成的主干路以及由标准卷积层sc构成的支干路分别对融合后的目标通道特征和目标空间特征进行特征提取，并将所述主干路和所述支干路各自提取到的特征进行拼接，以形成所述关联特征。
14、在一些可选的实施例中，所述通过所述颈部网络的通道域注意力机制和空间域注意力机制分别对所述稠密连接块提取到的目标图像的特征中不同通道尺度的特征和不同空间尺度的特征进行加权，并将通过所述通道域注意力机制加权得到的目标通道特征和所述空间域注意力机制加权得到的目标空间特征进行融合，包括：
15、通过所述颈部网络分别获取所述多个按序连接的稠密连接块中除第一个稠密连接块外的所有稠密连接块提取到的特征，并获取每个稠密连接块的目标通道特征和目标空间特征的融合特征；
16、所述通过所述头部网络对融合后的目标通道特征和目标空间特征进行检测，包括：
17、通过所述头部网络对所有稠密连接块对应的融合特征进行检测。
18、在一些可选的实施例中，所述主干网络中相邻两个稠密连接块之间还包括一个过渡块，所述方法还包括：
19、在每个稠密连接块提取到所述目标图像的特征后，通过所述稠密连接块后面连接的过渡块对所述稠密连接块提取到的特征作归一化处理，并将归一化后的特征整合后输入下一个稠密连接块。
20、在一些可选的实施例中，所述目标检测模型采用以下损失函数训练得到：
21、leiou＝liou+ldis+lasp
22、liou＝1-iou
23、
24、
25、其中，liou、ldis、lasp分别表示目标框的重叠损失、距离损失和长宽损失，b表示预测框的中心点，bgt表示真实框的中心点，ρ2(b,bgt)表示预测框的中心点和真实框的中心点之间的欧氏距离，c表示真实框和预测框的最小外接矩形框的对角线长度，cw和ch分别表示最小外接矩形框的宽度和高度，ρ2(w,wgt)表示两个最小外接矩形框的宽度之间的欧氏距离，ρ2(h,hgt)表示两个最小外接矩形框的高度之间的欧氏距离。
26、在一些可选的实施例中，目标检测模型通过以下步骤训练得到：
27、将所述若干个不同的变电站设备的图像作为训练数据，并对所述训练数据作以下任意一个图像处理操作或其任意组合，以对所述训练数据进行扩展：
28、图像雾化处理、图像高斯模糊处理、图像雾化加高斯模糊处理以及图像亮度调节处理；
29、采用扩展后的训练数据对所述yolov4网络进行训练得到所述目标检测模型。
30、本申请的实施例还提供了一种变电站设备的检测装置，包括：
31、图像采集模块，用于获取待检测的变电站设备的目标图像；
32、设备检测模块，用于将所述目标图像输入预先训练好的目标检测模型中；
33、其中，所述目标检测模型通过采用若干个不同的变电站设备的图像对预构建的yolov4网络进行训练得到，所述yolov4网络包括包含主干网络、颈部网络和头部网络，所述主干网络采用包括多个按序连接的稠密连接块的稠密连接网络，每个稠密连接块还与后面所有的稠密连接块连接；
34、通过所述主干网络中的稠密连接块提取所述目标图本文档来自技高网...
【技术保护点】
1.一种变电站设备的检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的变电站设备的检测方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的变电站设备的检测方法，其特征在于，所述通过所述颈部网络提取融合后的特征中目标通道特征和目标空间特征之间的关联特征，包括：
4.根据权利要求1所述的变电站设备的检测方法，其特征在于，所述通过所述颈部网络的通道域注意力机制和空间域注意力机制分别对所述稠密连接块提取到的目标图像的特征中不同通道尺度的特征和不同空间尺度的特征进行加权，并将通过所述通道域注意力机制加权得到的目标通道特征和所述空间域注意力机制加权得到的目标空间特征进行融合，包括：
5.根据权利要求4所述的变电站设备的检测方法，其特征在于，所述主干网络中相邻两个稠密连接块之间还包括一个过渡块，所述方法还包括：
6.根据权利要求1至5中任一项所述的变电站设备的检测方法，其特征在于，所述目标检测模型采用以下损失函数训练得到：
7.根据权利要求1所述的变电站设备的检测方法，其特征在于，所述目标检测模型通过以
8.一种变电站设备的检测装置，其特征在于，所述装置包括：
9.一种计算机设备，其特征在于，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如权利要求1至7中任一所述的变电站设备的检测方法。
10.一种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7中任一项所述的变电站设备的检测方法。
...【技术特征摘要】
1.一种变电站设备的检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的变电站设备的检测方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的变电站设备的检测方法，其特征在于，所述通过所述颈部网络提取融合后的特征中目标通道特征和目标空间特征之间的关联特征，包括：
4.根据权利要求1所述的变电站设备的检测方法，其特征在于，所述通过所述颈部网络的通道域注意力机制和空间域注意力机制分别对所述稠密连接块提取到的目标图像的特征中不同通道尺度的特征和不同空间尺度的特征进行加权，并将通过所述通道域注意力机制加权得到的目标通道特征和所述空间域注意力机制加权得到的目标空间特征进行融合，包括：
5.根据权利要求4所述的变电站设备的检测方法，其特征在于，所述主干网络中相邻两个稠密连接块之间还包括一个过渡块，所述...
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。