CN114445336A - 配电设备缺陷检测方法、装置、计算机设备和存储介质 - Google Patents

配电设备缺陷检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN114445336A
CN114445336A CN202111598419.8A CN202111598419A CN114445336A CN 114445336 A CN114445336 A CN 114445336A CN 202111598419 A CN202111598419 A CN 202111598419A CN 114445336 A CN114445336 A CN 114445336A
Authority
CN
China
Prior art keywords
neural network
network model
convolutional neural
module
power distribution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111598419.8A
Other languages
English (en)
Inventor
向真
李艳
张欣
唐峰
吕启深
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Power Supply Co ltd
Original Assignee
Shenzhen Power Supply Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Power Supply Co ltd filed Critical Shenzhen Power Supply Co ltd
Priority to CN202111598419.8A priority Critical patent/CN114445336A/zh
Publication of CN114445336A publication Critical patent/CN114445336A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Chemical & Material Sciences (AREA)
  • Signal Processing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Analytical Chemistry (AREA)

Abstract

本申请涉及一种配电设备缺陷检测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取配电设备的图像；将配电设备的图像输入至预设卷积神经网络模型进行处理，生成缺陷检测结果；预设卷积神经网络模型包括Ghost Bottleneck检测模块及注意力模块。采用本方法能够节约人力资源的同时，提高配电设备缺陷检测的效率。

Description

配电设备缺陷检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种配电设备缺陷检测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
配电房是电力系统的重要组成部分，配电房中设置有多台配电设备，在配电设备的使用过程中，配电设备上所产生的缺陷会严重影响设备的性能，进而会影响电力系统的安全运行。因而，需要定期对配电房中的配电设备进行缺陷检测，以及时发现配电设备的缺陷并进行维护。
传统地，在对配电设备进行缺陷检测时，通常是需要运维人员进行人工巡检，具体是通过人工对每个配电设备进行检查记录，从而发现配电设备上产生的缺陷。然而，现有的配电设备缺陷检测方法浪费人力资源的同时，存在检测效率较低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够节约人力资源的同时，提高配电设备缺陷检测的效率的配电设备缺陷检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种配电设备缺陷检测方法。所述方法包括：
获取配电设备的图像；将配电设备的图像输入至预设卷积神经网络模型进行处理，生成缺陷检测结果；预设卷积神经网络模型包括Ghost Bottleneck检测模块及注意力模块。
在其中一个实施例中，预设卷积神经网络模块还包括融合模块及缺陷检测模块；将配电设备的图像输入至预设卷积神经网络进行处理，生成缺陷检测结果，包括：
将配电设备的图像输入至Ghost Bottleneck检测模块及注意力模块中进行特征提取，生成多个尺度的特征图；将多个尺度的特征图输入至融合模块进行特征融合，生成融合特征图；将融合特征图输入至缺陷检测模块进行检测，生成缺陷检测结果。
在其中一个实施例中，将配电设备的图像输入至Ghost Bottleneck检测模块及注意力模块中进行特征提取，生成多个尺度的特征图，包括：
将配电设备的图像输入至第一Ghost Bottleneck检测模块中提取特征，生成多个第一特征图；多个第一特征图之间存在预设线性变换关系；将多个第一特征图输入至第一注意力模块中提取第一注意力特征图。
在其中一个实施例中，将配电设备的图像输入至Ghost Bottleneck检测模块及注意力模块中进行特征提取，生成多个尺度的特征图，还包括：
将第一注意力特征图输入至第二Ghost Bottleneck检测模块中提取特征，生成多个与第一注意力特征图对应的第二特征图；将第二特征图输入至第二注意力模块中提取第二注意力特征图。
在其中一个实施例中，预设卷积神经网络模型为对中间卷积神经网络模型的参数进行轻量化压缩处理后所生成的网络模型。
第二方面，本申请还提供了一种卷积神经网络模型的训练方法。包括：
将训练集中的各图像帧输入至初始卷积神经网络模型中进行处理，生成缺陷检测预测结果；预设卷积神经网络模型包括初始Ghost Bottleneck检测模块及初始注意力模块；根据缺陷检测预测结果及训练集中与各图像帧对应的缺陷检测标注结果，对初始卷积神经网络模型进行训练，生成预设卷积神经网络模型。
在其中一个实施例中，对初始卷积神经网络模型进行训练，生成预设卷积神经网络模型，还包括：
对初始卷积神经网络模型进行训练，生成中间卷积神经网络模型；对中间卷积神经网络模型的参数进行轻量化压缩处理，生成预设卷积神经网络模型。
第三方面，本申请还提供了一种配电设备缺陷检测装置。装置包括：
获取模块，用于获取配电设备的图像；
生成模块，用于将配电设备的图像输入至预设卷积神经网络模型进行处理，生成缺陷检测结果；预设卷积神经网络模型包括Ghost Bottleneck检测模块及注意力模块。
第四方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一实施例中的方法步骤。
第五方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一实施例中的方法步骤。
第六方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面任一实施例中的方法步骤。
上述配电设备缺陷检测方法、装置、计算机设备、存储介质和计算机程序产品，通过获取配电设备的图像；将配电设备的图像输入至预设卷积神经网络模型进行处理，生成缺陷检测结果，预设卷积神经网络模型包括Ghost Bottleneck检测模块及注意力模块。在本申请实施例提供的技术方案中，由于可以直接通过预设卷积神经网络对采集到的配电设备的图像进行处理，就可以得到缺陷检测结果，与传统技术相比，不需要运维人员人工巡检，节约了人力资源的同时提高了检测效率；并且，预设卷积神经网络模型中还包括GhostBottleneck检测模块及注意力模块，提高了对配电设备的图像进行特征提取的准确度，进而提高了缺陷检测的准确性。
附图说明
图1为一个实施例中计算机设备的内部结构图；
图2为一个实施例中配电设备缺陷检测方法的流程示意图；
图3为一个实施例中对配电设备的图像进行处理的流程示意图；
图4为一个实施例中Ghost Bottleneck检测模块的结构示意图；
图5为一个实施例中注意力模块的结构示意图；
图6为一个实施例中生成多个尺度的特征图的流程示意图；
图7为另一个实施例中生成多个尺度的特征图的流程示意图；
图8为另一个实施例中缺陷检测的整体架构图；
图9为一个实施例中生成卷积神经网络模型的流程示意图；
图10为另一个实施例中生成卷积神经网络模型的流程示意图；
图11为一个实施例中生成预设卷积神经网络模型的整体架构图；
图12为一个实施例中配电设备缺陷检测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的配电设备缺陷检测方法可以应用于计算机设备中，计算机设备可以是服务器，也可以是终端，其中，服务器可以为一台服务器也可以为由多台服务器组成的服务器集群，本申请实施例对此不作具体限定，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
以计算机设备是服务器为例，图1示出了一种服务器的框图，如图1所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储配电设备缺陷检测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种配电设备缺陷检测方法。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的服务器的限定，可选地服务器可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
需要说明的是，本申请实施例的执行主体可以是计算机设备，也可以是金融产品的报价计算装置，下述方法实施例中就以计算机设备为执行主体进行说明。
在一个实施例中，如图2所示，其示出了本申请实施例提供的一种配电设备缺陷检测的流程图，该方法可以包括以下步骤：
步骤220、获取配电设备的图像。
其中，配电设备是在电力系统中对高压配电柜、发电机、变压器、电力线路、断路器、低压开关柜、配电盘、开关箱、控制箱等电力设备的统称。电力设备的图像可以通过图像采集设备获取，图像采集设备上可以包括相机组件，该相机组件可以是全彩色高帧率相机组件。
图像采集设备可以实时采集配电设备的图像，也可以按照预设的固定时间间隔采集配电设备的图像，采集到的配电设备的图像可以实时传输至处理模块中进行处理，也可以预先存储至存储模块中，待处理时再从存储模块中获取配电设备的图像。获取到的图像可以直接作为待处理图像，还可以经过图像预处理操作后得到，图像预处理操作可以包括但不限于图像标准化、图像去噪、图像尺寸缩放等。
步骤240、将配电设备的图像输入至预设卷积神经网络模型进行处理，生成缺陷检测结果；预设卷积神经网络模型包括Ghost Bottleneck检测模块及注意力模块。
其中，预设卷积神经网络模型是通过配电设备的图像样本集训练得到的，配电设备的图像样本集可以包括多个配电设备的图像帧以及各个图像帧对应的缺陷检测标注结果。预设卷积神经网络模型可以是以yolo网络模型为骨干网络，yolo网络模型用于进行目标检测，也就是在一副图像中检测到目标物体并识别出该目标物体在图像中的位置。该yolo网络模型可以是yolov5x网络模型，并且在骨干网络中添加Ghost Bottleneck检测模块替换掉原有的Bottleneck检测模块，并在原有的骨干网络中添加注意力模块。
Ghost Bottleneck检测模块是一种新型的网络结构，可以在少量非线性的卷积得到的特征图的基础上，再进行一次线性卷积，从而获得更多的特征图，实现消除冗余特征，获取更加轻量的模型。注意力模块是采用注意力机制提取到注意力特征，从而可以提升网络模型对特征图的敏感性。通过将配电设备的图像输入至预设卷积神经网络模型中提取图像特征后进行分析，从而就可以生成缺陷检测结果，缺陷检测结果可以是柜门孔洞密封、外箱表面裂痕、瓷管套管裂纹等类型的缺陷。
本实施例中，通过获取配电设备的图像；将配电设备的图像输入至预设卷积神经网络模型进行处理，生成缺陷检测结果，预设卷积神经网络模型包括Ghost Bottleneck检测模块及注意力模块。由于可以直接通过预设卷积神经网络对采集到的配电设备的图像进行处理，就可以得到缺陷检测结果，与传统技术相比，不需要运维人员人工巡检，节约了人力资源的同时提高了检测效率；并且，预设卷积神经网络模型中还包括Ghost Bottleneck检测模块及注意力模块，提高了对配电设备的图像进行特征提取的准确度，进而提高了缺陷检测的准确性。
在一个实施例中，预设卷积神经网络模块还包括融合模块及缺陷检测模块，如图3所示，其示出了本申请实施例提供的一种配电设备缺陷检测的流程图，具体涉及的是对配电设备的图像进行处理的一种可能的过程，该方法可以包括以下步骤：
步骤320、将配电设备的图像输入至Ghost Bottleneck检测模块及注意力模块中进行特征提取，生成多个尺度的特征图。
其中，可以先将配电设备的图像输入至Ghost Bottleneck检测模块进行特征提取，Ghost Bottleneck检测模块的具体结构如图4所示，Ghost Bottleneck检测模块由两个堆叠的Ghost模块组成，第一个Ghost模块用作扩展层，增加了通道数，将Ghost模块的输出通道数与输入通道数之比称为膨胀率；第二个Ghost模块减少通道数，以与路径shortcut匹配，然后，使用shortcut连接这两个Ghost模块的输入和输出，Ghost Bottleneck检测模块中的第二个Ghost模块不使用ReLU激活函数，其他层在每层之后都应用了批量归一化(BN)和ReLu激活函数。Ghost Bottleneck检测模块中对于卷积步长stride＝2的情况，两个Ghost模块之间通过一个stride＝2的深度卷积进行连接。
在Ghost Bottleneck检测模块进行特征提取后得到的特征图输入至注意力模块中再次提取特征，注意力模块的具体结构如图5所示，首先对输入特征图进行全局池化输出特征图；随后经过两个全连接层；最后通过激活函数输出权重因子，利用权重因子对原始特征图各通道进行乘积，从而生成多个尺度的特征图，还可以对特征图的尺寸进行缩放，从而缩放至与原始配电设备的图像尺寸相同。可选地，可以先对输入特征图(h,w,c)进行全局池化，池化尺寸为(h,w)，输出(1×1×c)大小的特征图；随后经过两个全连接层，分别是c/12个神经元和c个神经元以增加非线性因子；最后通过Sigmoid激活函数输出(1×1×c)大小的权重因子，利用权重因子对原始特征图(h,w,c)各通道进行乘积，从而生成多个尺度的特征图。
步骤340、将多个尺度的特征图输入至融合模块进行特征融合，生成融合特征图。
其中，融合模块可以是由FPN和PAN结构组成的，其中，FPN为自顶向下的特征图金字塔网络，PAN是自底向上的特征图金字塔网络，FPN和PAN结构主要解决的是物体检测中的多尺度问题，通过简单的网络连接改变，在基本不增加原有模型计算量情况下，大幅度提升了小物体检测的性能。自顶向下可以传达强语义特征，而自底向上可以传达强定位特征，FPN和PAN两者结合可以从不同的主干层对不同的检测层进行参数聚合。从而通过由FPN和PAN结构组成的融合模块可以对多个尺度的特征图进行特征融合，从而生成融合特征图。
步骤360、将融合特征图输入至缺陷检测模块进行检测，生成缺陷检测结果。
其中，缺陷检测模块可以为预设分类器，通过将融合特征图输入至缺陷检测模块进行检测，从而生成多个包含预测框的特征图，且每个特征图上可以包括多个预测框，例如，每个特征图上可以包含3个预测框。每个预测框中可以包含有目标物体，即缺陷的置信度和预测框的位置信息，最后可以通过非极大值抑制NMS对重复冗余的预测框进行剔除，从而保留置信度最高的预测框信息，最终生成缺陷检测结果。
本实施例中，通过将配电设备的图像输入至Ghost Bottleneck检测模块及注意力模块中进行特征提取，生成多个尺度的特征图；将多个尺度的特征图输入至融合模块进行特征融合，生成融合特征图；将融合特征图输入至缺陷检测模块进行检测，生成缺陷检测结果。由于充分利用Ghost Bottleneck检测模块的图像高维特征提取功能，并且通过GhostBottleneck模块的结构可以理解出该改进会使得整个骨干网络模型更加轻便，计算量更少，还能达到与原模型同样的效果；并且采用注意力模块能够提取到注意力特征，从而可以提升网络模型对特征图的敏感性，最终提高了对配电设备的图像进行特征提取的准确度，进而提高了缺陷检测的准确性。
在一个实施例中，如图6所示，其示出了本申请实施例提供的一种配电设备缺陷检测的流程图，具体涉及的是生成多个尺度的特征图的一种可能的过程，该方法可以包括以下步骤：
步骤620、将配电设备的图像输入至第一Ghost Bottleneck检测模块中提取特征，生成多个第一特征图；多个第一特征图之间存在预设线性变换关系。
其中，第一Ghost Bottleneck检测模块可以设置在骨干网络的第三层，并且可以连续设置三个Ghost Bottleneck检测模块。将配电设备的图像输入至预设卷积神经网络模型中进行处理时，可以从第三层开始连续经过三个Ghost Bottleneck检测模块，并提取图像特征，从而生成多个第一特征图。由于Ghost Bottleneck检测模块是一种新型的网络结构，可以在少量非线性的卷积得到的特征图的基础上，再进行一次线性卷积，从而获得更多的特征图，实现消除冗余特征，获取更加轻量的模型，从而使得多个第一特征图之间存在预设线性变换关系。
步骤640、将多个第一特征图输入至第一注意力模块中提取第一注意力特征图。
其中，第一注意力模块可以设置在骨干网络的第五层，第一注意力模块可以只包含一个注意力模块，也可以包括多个注意力模块，可以根据实际需求设定。通过将多个第一特征图经过骨干网络第四层处理后的结果输入至第一注意力模块中，从而提取到第一注意力特征图。
本实施例中，通过将配电设备的图像输入至第一Ghost Bottleneck检测模块中提取特征，生成多个第一特征图；将多个第一特征图输入至第一注意力模块中提取第一注意力特征图，提高了对配电设备的图像进行特征提取的准确度，进而提高了缺陷检测的准确性。
在一个实施例中，如图7所示，其示出了本申请实施例提供的一种配电设备缺陷检测的流程图，具体涉及的是生成多个尺度的特征图的另一种可能的过程，该方法可以包括以下步骤：
步骤720、将第一注意力特征图输入至第二Ghost Bottleneck检测模块中提取特征，生成多个与第一注意力特征图对应的第二特征图。
其中，第二Ghost Bottleneck检测模块可以设置在骨干网络的第五层中的第一注意力模块之后，第二Ghost Bottleneck检测模块可以连续设置三个Ghost Bottleneck检测模块，通过将第一注意力特征图输入至第二Ghost Bottleneck检测模块中进行特征下采样，从而使得特征图的通道数变为原来的两倍，生成多个与第一注意力特征图对应的第二特征图。
步骤740、将第二特征图输入至第二注意力模块中提取第二注意力特征图。
其中，第二注意力模块可以分别设置在骨干网络的第八层和十一层，每一层的第二注意力模块可以只包含一个注意力模块，也可以包括多个注意力模块，可以根据实际需求设定。通过将第二特征图输入至第二注意力模块中，从而提取到第二注意力特征图。
本实施例中，通过将第一注意力特征图输入至第二Ghost Bottleneck检测模块中提取特征，生成多个与第一注意力特征图对应的第二特征图；将第二特征图输入至第二注意力模块中提取第二注意力特征图。由于对提取到的第一注意力特征图再次进行特征提取，从而得到的第二注意力特征图能够更加准确地提取出图像特征，进一步地提高了对配电设备的图像进行特征提取的准确度，进而提高了缺陷检测的准确性。
在一个实施例中，预设卷积神经网络模型为对中间卷积神经网络模型的参数进行轻量化压缩处理后所生成的网络模型。
其中，中间卷积神经网络模型是训练后得到的网络模型，对中间卷积神经网络模型的参数进行轻量化压缩处理后生成了预设卷积神经网络模型。轻量化压缩处理是将中间卷积神经网络模型的参数量化至低比特的过程。在对中间卷积神经网络模型的参数进行轻量化压缩处理时，可以根据中间卷积神经网络模型的不同层对轻量化压缩处理的敏感性，对不同层采用不同的轻量化压缩处理手段。例如，可以将网络模型中对轻量化压缩处理敏感的层量化到更高的比特，对轻量化压缩处理不敏感的层保持低比特量化。
本实施例中，通过对间卷积神经网络模型的参数进行轻量化压缩处理后生成预设卷积神经网络模型，从而使模型在保证精度不受影响的前提下，降低模型复杂度，进而提高了缺陷检测的效率。
在一个具体地实施例中，如图8所示，其示出了本申请实施例提供的一种缺陷检测的整体架构图。在骨干网络部分，首先对输入的配电设备的图像进行Mosaic增强，具体采用随机缩放、裁剪、排布的方式对样本进行拼接，图像从Focus结构进入骨干网络，在Focus结构中对图像进行切片操作，从而得到160×160×128尺度的特征图，在第三层开始连续经过三个Ghost Bottleneck检测模块处理，输出尺度为256×256×80的特征图，在第五层引入注意力模块，随后再次利用3个Ghost Bottleneck检测模块进行特征下采样，通道数变为原来的两倍，在第八层、十一层再次添加注意力模块，最终输出2个尺度的特征图，即80×80、160×160的特征图。在特征融合层部分，通过FPN和PAN结构完成，先是自上而下与骨干网络特征图融合，实现强语义特征传递，再自下而上实现强定位特征传递。在检测层部分，每个特征图上包含3个预测框，每个预测框含有物体的置信度和预测框的位置信息，最后通过非极大值抑制NMS对重复冗余的预测框进行剔除，保留置信度最高的预测框信息，从而完成缺陷检测过程。
在一个实施例中，如图9所示，其示出了本申请实施例提供的一种配电设备缺陷检测的流程图，具体涉及的是生成卷积神经网络模型的一种可能的过程，该方法可以包括以下步骤：
步骤920、将训练集中的各图像帧输入至初始卷积神经网络模型中进行处理，生成缺陷检测预测结果；预设卷积神经网络模型包括初始Ghost Bottleneck检测模块及初始注意力模块。
步骤940、根据缺陷检测预测结果及训练集中与各图像帧对应的缺陷检测标注结果，对初始卷积神经网络模型进行训练，生成预设卷积神经网络模型。
其中，训练集中包括多个配电设备的图像帧以及各个图像帧对应的缺陷检测标注结果，将训练集中的各图像帧输入至初始卷积神经网络模型中进行处理，从而可以生成缺陷检测预测结果。具体在初始卷积神经网络模型中进行处理时，可以经过初始GhostBottleneck检测模块及初始注意力模块提取图像特征。并将缺陷检测预测结果及训练集中与各图像帧对应的缺陷检测标注结果代入至预设的损失函数中，计算损失函数的值。最后根据损失函数的值对初始卷积神经网络模型的参数进行调整，直至达到预设收敛条件，从而生成最优的网络参数。并基于最优的网络参数生成预设卷积神经网络模型。
本实施例中，通过将训练集中的各图像帧输入至初始卷积神经网络模型中进行处理，生成缺陷检测预测结果；根据缺陷检测预测结果及训练集中与各图像帧对应的缺陷检测标注结果，对初始卷积神经网络模型进行训练，生成预设卷积神经网络模型，通过缺陷检测预测结果以及缺陷检测标注结果对网络参数进行调整优化，从而能够生成精度更高的卷积神经网络模型。
在一个实施例中，如图10所示，其示出了本申请实施例提供的一种配电设备缺陷检测的流程图，具体涉及的是生成卷积神经网络模型的另一种可能的过程，该方法可以包括以下步骤：
步骤1020、对初始卷积神经网络模型进行训练，生成中间卷积神经网络模型。
其中，由于训练好的中间卷积神经网络模型具有密集的计算量和参数量，然而边缘设备的算力往往有限，直接在边缘设备上进行推理会带来较大的推理延迟，难以满足缺陷检测的速度要求。通过对训练好的中间卷积神经网络模型进行轻量化压缩处理，将32位浮点数转换为低比特的定点数来降低模型的计算量和参数量，从而实现在不降低模型精度的情况下，加速推理的效果。
步骤1040、对中间卷积神经网络模型的参数进行轻量化压缩处理，生成预设卷积神经网络模型。
其中，在对中间卷积神经网络模型的参数进行轻量化压缩处理时，由于网络模型的不同层对轻量化压缩处理的敏感度不同，如果将所有层采用相同的轻量化压缩处理策略，会导致网络模型的精度下降，不能满足检测准确率的要求。为了权衡网络模型的推理速度和推理精度，对网络模型的不同层进行敏感性分析，再基于混合精度进行轻量化压缩处理，能保证模型的推理准确率的前提下，对网络模型进行极致压缩，加快网络模型的推理过程。
具体地，针对网络模型的每一层，可以采用余弦距离计算轻量化压缩处理前后特征图的余弦相似度，余弦相似度可以通过测量两个特征向量内积空间的余弦值得到。根据余弦相似度来判定轻量化压缩处理前后的网络模型的特征分布差异，并采用混合量化精度对中间卷积神经网络模型的参数进行轻量化压缩处理。可选地，若轻量化压缩处理前后特征分布差异较大，则说明该层对轻量化压缩处理的敏感度高，从而要将该层量化到高的比特，例如可以将32位浮点数转换为16位；若轻量化压缩处理前后特征分布差异较小，则说明该层对轻量化压缩处理的敏感度低，从而要将该层量化到较低的比特，例如，可以将32位浮点数转换为4位。如图11所示，针对每一层都重复上述过程，最终对网络模型的每一层都进行轻量化压缩处理后，从而生成预设卷积神经网络模型。
本实施例中，通过对初始卷积神经网络模型进行训练，生成中间卷积神经网络模型，对中间卷积神经网络模型的参数进行轻量化压缩处理，生成预设卷积神经网络模型。过对间卷积神经网络模型的参数进行轻量化压缩处理后生成预设卷积神经网络模型，从而使模型在保证精度不受影响的前提下，降低模型复杂度，进而提高了缺陷检测的效率；并且，运用混合精度量化将网络中对量化敏感的层量化到更高的比特，对量化不敏感的层保持低比特量化，从而在达到推理加速的前提下，降低量化带来的精度退化，从而保证了任务的精度。
在一个实施例中，可以使用定制化CPU+FPGA架构上述卷积神经网络模型的推理加速，具体地，FPGA是一种集成电路芯片，可以在成片后针对不同的算法进行定制硬件加速逻辑设计，FPGA架构除了包含基本元素外，还包含额外的计算模块和存储模块来减少对显示查找表(Look-Up-Table，LUT)的耗费以及提高计算和存储效率，LUT本质上就是一个RAM。
预设卷积神经网络模型中一共涉及4类层：卷积层、池化层、路由层和重排序层。其中，路由层只有一个参数layers，说明了路由层并不对对传入的特征进行任何的操作，只是起到一个总结和传递的作用，事实上，它相当于中转作用，不涉及卷积计算，并且，当layer取值为正时，输出这个正数对应的层的特征，如果layer取值为负数，输出路由层向后退layer层对应层的特征，例如，layer＝-2，表示引出前两层的卷积输出的特征图。重排序层用于将上一层的输出特征的顺序根据需要做一个重新排列。因池化与卷积类似，将卷积层和池化层的处理放在FPGA端。路由层可以通过预先设置内存偏移地址来实现。重排序层的抽样重排与直接存储器访问(Direct Memory Access，DMA)类似，也在FPGA端处理。此外，利用CPU的浮点运算单元来加快浮点计算，同时，在编译时采用编译优化加速任务处理。在预设卷积神经网络模型中，除路由层外，其他层都是将上一层的输出作为当前层的输入，输出结果作为下一层的输入，串行顺序处理。因此，将路由层的功能通过预先设置存取地址偏移实现后，FPGA加速器只需根据相关参数读取内存数据、处理数据和将数据写回内存。每次读取或写入多块数据，对FPGA片上缓存的数据块复用结束后，再进行下一次读取，为了确保低带宽及较少的访存次数，每块数据只以少量次数从片外进行读取，并以单次读取或写入多块数据的方式，在片上缓存的数据块复用结束后，再进行下一次数据块读取。对于每一块的数据处理方式，通过设置CONV、POOL、REORG等处理模块，在片外读取的分块数据输入缓存后分类处理，写回输出缓存中，最后将输出结果写入片外存储。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的配电设备缺陷检测方法的配电设备缺陷检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个配电设备缺陷检测装置实施例中的具体限定可以参见上文中对于配电设备缺陷检测方法的限定，在此不再赘述。
在一个实施例中，如图12所示，提供了一种配电设备缺陷检测装置1200，包括：获取模块1202和生成模块1204，其中：
获取模块1202，用于获取配电设备的图像。
生成模块1204，用于将所述配电设备的图像输入至预设卷积神经网络模型进行处理，生成缺陷检测结果；所述预设卷积神经网络模型包括Ghost Bottleneck检测模块及注意力模块。
在一个实施例中，所述预设卷积神经网络模块还包括融合模块及缺陷检测模块；上述生成模块1204具体用于将所述配电设备的图像输入至所述Ghost Bottleneck检测模块及所述注意力模块中进行特征提取，生成多个尺度的特征图；将所述多个尺度的特征图输入至所述融合模块进行特征融合，生成融合特征图；将所述融合特征图输入至所述缺陷检测模块进行检测，生成所述缺陷检测结果。
在一个实施例中，上述生成模块1204还用于将所述配电设备的图像输入至第一Ghost Bottleneck检测模块中提取特征，生成多个第一特征图；所述多个第一特征图之间存在预设线性变换关系；将所述多个第一特征图输入至第一注意力模块中提取第一注意力特征图。
在一个实施例中，上述生成模块1204还用于将所述第一注意力特征图输入至第二Ghost Bottleneck检测模块中提取特征，生成多个与所述第一注意力特征图对应的第二特征图；将所述第二特征图输入至第二注意力模块中提取第二注意力特征图。
在一个实施例中，所述预设卷积神经网络模型为对中间卷积神经网络模型的参数进行轻量化压缩处理后所生成的网络模型。
在一个实施例中，提供了一种卷积神经网络模型的训练装置，包括：处理取模块和训练模块，其中：
处理取模块，用于将训练集中的各图像帧输入至初始卷积神经网络模型中进行处理，生成缺陷检测预测结果；所述预设卷积神经网络模型包括初始Ghost Bottleneck检测模块及初始注意力模块。
训练模块，用于根据所述缺陷检测预测结果及所述训练集中与各图像帧对应的缺陷检测标注结果，对所述初始卷积神经网络模型进行训练，生成预设卷积神经网络模型。
在一个实施例中，上述训练模块具体用于对所述初始卷积神经网络模型进行训练，生成中间卷积神经网络模型；对所述中间卷积神经网络模型的参数进行轻量化压缩处理，生成所述预设卷积神经网络模型。
上述配电设备缺陷检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取配电设备的图像；将配电设备的图像输入至预设卷积神经网络模型进行处理，生成缺陷检测结果；预设卷积神经网络模型包括Ghost Bottleneck检测模块及注意力模块。
在一个实施例中，预设卷积神经网络模块还包括融合模块及缺陷检测模块；
处理器执行计算机程序时还实现以下步骤：
将配电设备的图像输入至Ghost Bottleneck检测模块及注意力模块中进行特征提取，生成多个尺度的特征图；将多个尺度的特征图输入至融合模块进行特征融合，生成融合特征图；将融合特征图输入至缺陷检测模块进行检测，生成缺陷检测结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将配电设备的图像输入至第一Ghost Bottleneck检测模块中提取特征，生成多个第一特征图；多个第一特征图之间存在预设线性变换关系；将多个第一特征图输入至第一注意力模块中提取第一注意力特征图。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将第一注意力特征图输入至第二Ghost Bottleneck检测模块中提取特征，生成多个与第一注意力特征图对应的第二特征图；将第二特征图输入至第二注意力模块中提取第二注意力特征图。
在一个实施例中，预设卷积神经网络模型为对中间卷积神经网络模型的参数进行轻量化压缩处理后所生成的网络模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将训练集中的各图像帧输入至初始卷积神经网络模型中进行处理，生成缺陷检测预测结果；预设卷积神经网络模型包括初始Ghost Bottleneck检测模块及初始注意力模块；根据缺陷检测预测结果及训练集中与各图像帧对应的缺陷检测标注结果，对初始卷积神经网络模型进行训练，生成预设卷积神经网络模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对初始卷积神经网络模型进行训练，生成中间卷积神经网络模型；对中间卷积神经网络模型的参数进行轻量化压缩处理，生成预设卷积神经网络模型。
本申请实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取配电设备的图像；将配电设备的图像输入至预设卷积神经网络模型进行处理，生成缺陷检测结果；预设卷积神经网络模型包括Ghost Bottleneck检测模块及注意力模块。
在一个实施例中，预设卷积神经网络模块还包括融合模块及缺陷检测模块；
计算机程序被处理器执行时还实现以下步骤：
将配电设备的图像输入至Ghost Bottleneck检测模块及注意力模块中进行特征提取，生成多个尺度的特征图；将多个尺度的特征图输入至融合模块进行特征融合，生成融合特征图；将融合特征图输入至缺陷检测模块进行检测，生成缺陷检测结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将配电设备的图像输入至第一Ghost Bottleneck检测模块中提取特征，生成多个第一特征图；多个第一特征图之间存在预设线性变换关系；将多个第一特征图输入至第一注意力模块中提取第一注意力特征图。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将第一注意力特征图输入至第二Ghost Bottleneck检测模块中提取特征，生成多个与第一注意力特征图对应的第二特征图；将第二特征图输入至第二注意力模块中提取第二注意力特征图。
在一个实施例中，预设卷积神经网络模型为对中间卷积神经网络模型的参数进行轻量化压缩处理后所生成的网络模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将训练集中的各图像帧输入至初始卷积神经网络模型中进行处理，生成缺陷检测预测结果；预设卷积神经网络模型包括初始Ghost Bottleneck检测模块及初始注意力模块；根据缺陷检测预测结果及训练集中与各图像帧对应的缺陷检测标注结果，对初始卷积神经网络模型进行训练，生成预设卷积神经网络模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对初始卷积神经网络模型进行训练，生成中间卷积神经网络模型；对中间卷积神经网络模型的参数进行轻量化压缩处理，生成预设卷积神经网络模型。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取配电设备的图像；将配电设备的图像输入至预设卷积神经网络模型进行处理，生成缺陷检测结果；预设卷积神经网络模型包括Ghost Bottleneck检测模块及注意力模块。
在一个实施例中，预设卷积神经网络模块还包括融合模块及缺陷检测模块；
计算机程序被处理器执行时还实现以下步骤：
将配电设备的图像输入至Ghost Bottleneck检测模块及注意力模块中进行特征提取，生成多个尺度的特征图；将多个尺度的特征图输入至融合模块进行特征融合，生成融合特征图；将融合特征图输入至缺陷检测模块进行检测，生成缺陷检测结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将配电设备的图像输入至第一Ghost Bottleneck检测模块中提取特征，生成多个第一特征图；多个第一特征图之间存在预设线性变换关系；将多个第一特征图输入至第一注意力模块中提取第一注意力特征图。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将第一注意力特征图输入至第二Ghost Bottleneck检测模块中提取特征，生成多个与第一注意力特征图对应的第二特征图；将第二特征图输入至第二注意力模块中提取第二注意力特征图。
在一个实施例中，预设卷积神经网络模型为对中间卷积神经网络模型的参数进行轻量化压缩处理后所生成的网络模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将训练集中的各图像帧输入至初始卷积神经网络模型中进行处理，生成缺陷检测预测结果；预设卷积神经网络模型包括初始Ghost Bottleneck检测模块及初始注意力模块；根据缺陷检测预测结果及训练集中与各图像帧对应的缺陷检测标注结果，对初始卷积神经网络模型进行训练，生成预设卷积神经网络模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对初始卷积神经网络模型进行训练，生成中间卷积神经网络模型；对中间卷积神经网络模型的参数进行轻量化压缩处理，生成预设卷积神经网络模型。
本实施例提供的计算机程序产品，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种配电设备缺陷检测方法，其特征在于，所述方法包括：
获取配电设备的图像；
将所述配电设备的图像输入至预设卷积神经网络模型进行处理，生成缺陷检测结果；所述预设卷积神经网络模型包括Ghost Bottleneck检测模块及注意力模块。
2.根据权利要求1所述的方法，其特征在于，所述预设卷积神经网络模块还包括融合模块及缺陷检测模块；所述将所述配电设备的图像输入至预设卷积神经网络进行处理，生成缺陷检测结果，包括：
将所述配电设备的图像输入至所述Ghost Bottleneck检测模块及所述注意力模块中进行特征提取，生成多个尺度的特征图；
将所述多个尺度的特征图输入至所述融合模块进行特征融合，生成融合特征图；
将所述融合特征图输入至所述缺陷检测模块进行检测，生成所述缺陷检测结果。
3.根据权利要求2所述的方法，其特征在于，所述将所述配电设备的图像输入至所述Ghost Bottleneck检测模块及所述注意力模块中进行特征提取，生成多个尺度的特征图，包括：
将所述配电设备的图像输入至第一Ghost Bottleneck检测模块中提取特征，生成多个第一特征图；所述多个第一特征图之间存在预设线性变换关系；
将所述多个第一特征图输入至第一注意力模块中提取第一注意力特征图。
4.根据权利要求3所述的方法，其特征在于，所述将所述配电设备的图像输入至所述Ghost Bottleneck检测模块及所述注意力模块中进行特征提取，生成多个尺度的特征图，还包括：
将所述第一注意力特征图输入至第二Ghost Bottleneck检测模块中提取特征，生成多个与所述第一注意力特征图对应的第二特征图；
将所述第二特征图输入至第二注意力模块中提取第二注意力特征图。
5.根据权利要求1所述的方法，其特征在于，所述预设卷积神经网络模型为对中间卷积神经网络模型的参数进行轻量化压缩处理后所生成的网络模型。
6.一种卷积神经网络模型的训练方法，其特征在于，所述方法包括：
将训练集中的各图像帧输入至初始卷积神经网络模型中进行处理，生成缺陷检测预测结果；所述预设卷积神经网络模型包括初始Ghost Bottleneck检测模块及初始注意力模块；
根据所述缺陷检测预测结果及所述训练集中与各图像帧对应的缺陷检测标注结果，对所述初始卷积神经网络模型进行训练，生成预设卷积神经网络模型。
7.根据权利要求6所述的方法，其特征在于，所述对所述初始卷积神经网络模型进行训练，生成预设卷积神经网络模型，还包括：
对所述初始卷积神经网络模型进行训练，生成中间卷积神经网络模型；
对所述中间卷积神经网络模型的参数进行轻量化压缩处理，生成所述预设卷积神经网络模型。
8.一种配电设备缺陷检测装置，其特征在于，所述装置包括：
获取模块，用于获取配电设备的图像；
生成模块，用于将所述配电设备的图像输入至预设卷积神经网络模型进行处理，生成缺陷检测结果；所述预设卷积神经网络模型包括Ghost Bottleneck检测模块及注意力模块。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202111598419.8A 2021-12-24 2021-12-24 配电设备缺陷检测方法、装置、计算机设备和存储介质 Pending CN114445336A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111598419.8A CN114445336A (zh) 2021-12-24 2021-12-24 配电设备缺陷检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111598419.8A CN114445336A (zh) 2021-12-24 2021-12-24 配电设备缺陷检测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN114445336A true CN114445336A (zh) 2022-05-06

Family

ID=81364675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111598419.8A Pending CN114445336A (zh) 2021-12-24 2021-12-24 配电设备缺陷检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN114445336A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953408A (zh) * 2023-03-15 2023-04-11 国网江西省电力有限公司电力科学研究院 一种基于YOLOv7的避雷器表面缺陷检测方法
CN116881704A (zh) * 2023-09-06 2023-10-13 北京新亚盛创电气技术有限公司 电网运行状态的预警方法及系统
CN116991459A (zh) * 2023-08-18 2023-11-03 中南大学 一种软件多缺陷信息预测方法与系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112164034A (zh) * 2020-09-15 2021-01-01 郑州金惠计算机系统工程有限公司 一种工件表面缺陷检测方法、装置、电子设备及存储介质
CN112819252A (zh) * 2021-03-01 2021-05-18 云南电网有限责任公司电力科学研究院 一种卷积神经网络模型构建方法
CN113822885A (zh) * 2021-11-23 2021-12-21 常州微亿智造科技有限公司 融合多注意力机制的工件缺陷检测方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112164034A (zh) * 2020-09-15 2021-01-01 郑州金惠计算机系统工程有限公司 一种工件表面缺陷检测方法、装置、电子设备及存储介质
CN112819252A (zh) * 2021-03-01 2021-05-18 云南电网有限责任公司电力科学研究院 一种卷积神经网络模型构建方法
CN113822885A (zh) * 2021-11-23 2021-12-21 常州微亿智造科技有限公司 融合多注意力机制的工件缺陷检测方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李浪怡，刘强，邹一鸣，陈金源，李鹏，王前选: "基于改进 YOLOv5 算法的轨面缺陷检测", 《五邑大学学报（自然科学版）》, vol. 35, no. 3, 31 August 2021 (2021-08-31), pages 43 - 48 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953408A (zh) * 2023-03-15 2023-04-11 国网江西省电力有限公司电力科学研究院 一种基于YOLOv7的避雷器表面缺陷检测方法
CN116991459A (zh) * 2023-08-18 2023-11-03 中南大学 一种软件多缺陷信息预测方法与系统
CN116991459B (zh) * 2023-08-18 2024-04-26 中南大学 一种软件多缺陷信息预测方法与系统
CN116881704A (zh) * 2023-09-06 2023-10-13 北京新亚盛创电气技术有限公司 电网运行状态的预警方法及系统
CN116881704B (zh) * 2023-09-06 2023-11-14 北京新亚盛创电气技术有限公司 电网运行状态的预警方法及系统

Similar Documents

Publication Publication Date Title
US11126862B2 (en) Dense crowd counting method and apparatus
CN114445336A (zh) 配电设备缺陷检测方法、装置、计算机设备和存储介质
CN111369440A (zh) 模型训练、图像超分辨处理方法、装置、终端及存储介质
CN112529146B (zh) 神经网络模型训练的方法和装置
CN110738235B (zh) 肺结核判定方法、装置、计算机设备及存储介质
WO2023134086A1 (zh) 卷积神经网络模型剪枝方法和装置、电子设备、存储介质
CN113468996B (zh) 一种基于边缘细化的伪装物体检测方法
DE102022119386A1 (de) Verfahren und einrichtung zum durchführen einer dichten vorhersage unter verwendung von transformatorblöcken
CN116503399B (zh) 基于yolo-afps的绝缘子污闪检测方法
CN117218102A (zh) 一种基于改进YOLOv5的绝缘子缺陷检测方法及其系统
CN116862847A (zh) 一种红外图像电力设备交互式分割方法和系统
CN114419406A (zh) 图像变化检测方法、训练方法、装置和计算机设备
CN114677548A (zh) 基于阻变存储器的神经网络图像分类系统及方法
CN116194933A (zh) 处理系统、处理方法以及处理程序
Zhou et al. MSAR‐DefogNet: Lightweight cloud removal network for high resolution remote sensing images based on multi scale convolution
Xiao et al. FPGA-based scalable and highly concurrent convolutional neural network acceleration
CN115344805A (zh) 素材审核方法、计算设备及存储介质
CN116958148A (zh) 输电线路关键部件缺陷的检测方法、装置、设备、介质
CN116362301A (zh) 一种模型的量化方法以及相关设备
CN116363415A (zh) 一种基于自适应特征层融合的船舶目标检测方法
CN117011219A (zh) 物品质量检测方法、装置、设备、存储介质和程序产品
CN115656747A (zh) 基于异构数据的变压器缺陷诊断方法、装置和计算机设备
CN115600666A (zh) 面向输配电线路缺陷检测模型的自学习方法及装置
CN112712015B (zh) 一种人体关键点识别方法、装置、智能终端及存储介质
CN114049576A (zh) 电力物联网的输电线路覆冰监测方法、装置、系统和设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination