CN116503398A - 绝缘子污闪检测方法、装置、电子设备及存储介质 - Google Patents
绝缘子污闪检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116503398A CN116503398A CN202310753535.5A CN202310753535A CN116503398A CN 116503398 A CN116503398 A CN 116503398A CN 202310753535 A CN202310753535 A CN 202310753535A CN 116503398 A CN116503398 A CN 116503398A
- Authority
- CN
- China
- Prior art keywords
- pollution flashover
- feature
- insulator
- detection
- image
- 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.)
- Granted
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 390
- 238000001514 detection method Methods 0.000 title claims abstract description 353
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 157
- 238000000034 method Methods 0.000 claims abstract description 80
- 238000000605 extraction Methods 0.000 claims abstract description 61
- 238000007499 fusion processing Methods 0.000 claims abstract description 24
- 238000005728 strengthening Methods 0.000 claims description 153
- 230000004927 fusion Effects 0.000 claims description 123
- 239000013598 vector Substances 0.000 claims description 119
- 238000010586 diagram Methods 0.000 claims description 95
- 238000012549 training Methods 0.000 claims description 85
- 230000003044 adaptive effect Effects 0.000 claims description 81
- 238000004364 calculation method Methods 0.000 claims description 52
- 238000009826 distribution Methods 0.000 claims description 51
- 238000012937 correction Methods 0.000 claims description 48
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000012360 testing method Methods 0.000 claims description 37
- 238000012795 verification Methods 0.000 claims description 37
- 230000009466 transformation Effects 0.000 claims description 35
- 238000011176 pooling Methods 0.000 claims description 31
- 210000003128 head Anatomy 0.000 claims description 27
- 230000002787 reinforcement Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 23
- 230000003190 augmentative effect Effects 0.000 claims description 22
- 238000013434 data augmentation Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 13
- 238000003672 processing method Methods 0.000 claims description 11
- 238000011109 contamination Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 101150024075 Mapk1 gene Proteins 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 5
- 210000001525 retina Anatomy 0.000 claims description 5
- 241000282326 Felis catus Species 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 4
- 239000000356 contaminant Substances 0.000 claims 3
- 238000007689 inspection Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000007665 sagging Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1218—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using optical methods; using charged particle, e.g. electron, beams or X-rays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种绝缘子污闪检测方法、装置、电子设备及存储介质，用于解决现有的绝缘子污闪检测方法中存在的检测准确率以及检测效率低下的技术问题。所述方法包括：获取待测绝缘子污闪图像并对其进行多层次特征提取处理，输出多层次的污闪特征，对各个层次的污闪特征分别进行特征协调增强融合处理，输出对应的强化特征，接着对各个层次的强化特征分别进行自适应解码预测处理，输出各个强化特征各自对应的自适应解耦检测头，并基于各个自适应解耦检测头进行绝缘子污闪检测，从而实现快速、准确地检测出绝缘子污闪位置，大大提高了检测效率以及检测准确度。
Description
技术领域
本发明涉及绝缘子故障检测技术领域，尤其涉及一种绝缘子污闪检测方法、装置、电子设备及存储介质。
背景技术
随着社会经济的高速发展，人们对于电力的需求也不断增加，从而使得在对电力系统进行电网维护以及检修时所面临的挑战也越来越大，绝缘子作为电力系统中不可或缺的设备之一，为电力系统提供了电气绝缘以及机械支撑，是高压输配电线路的关键部件。在实际应用中，由于大气条件、机械应力等多种因素的影响，绝缘子常常会出现自爆、破损、污闪等缺陷，其中较为常见的就是由于污染闪络引起的绝缘体损坏以及表面缺陷，而表面缺陷主要是由污染物形成的导电膜和局部放电所引起的。当发生绝缘子污闪事件时，如果不对其进行及时处理，容易引起区域同时多点跳闸，甚至造成区域大面积停电的事故。目前绝缘子污闪检测主要依赖于人工进行巡检，而在进行人工巡检时，容易出现误检漏检的情况，导致检测准确率以及检测效率低下，实际预防工作仍存在不足，未能有效抑制绝缘子故障上升的趋势。
发明内容
本发明提供了一种绝缘子污闪检测方法、装置、电子设备及存储介质，用于解决或部分解决现有的绝缘子污闪检测方法中存在的检测准确率以及检测效率低下的技术问题。
本发明提供的一种绝缘子污闪检测方法，所述方法应用于绝缘子污闪检测系统，所述绝缘子污闪检测系统至少包括多层次特征提取模块、特征融合强化模块以及自适应检测模块，所述方法包括：
获取待测绝缘子污闪图像，将所述待测绝缘子污闪图像输入至所述多层次特征提取模块进行多层次特征提取处理，输出浅层污闪特征、中层污闪特征以及深层污闪特征；
将所述浅层污闪特征、所述中层污闪特征以及所述深层污闪特征输入至所述特征融合强化模块进行特征协调增强融合处理，输出浅层强化特征、中层强化特征以及深层强化特征；
通过所述自适应检测模块对所述浅层强化特征、所述中层强化特征以及所述深层强化特征进行自适应解码预测处理，输出所述浅层强化特征、所述中层强化特征以及所述深层强化特征各自对应的自适应解耦检测头；
基于各个所述自适应解耦检测头对所述待测绝缘子污闪图像进行绝缘子污闪检测，确定绝缘子污闪位置。
可选地，所述将所述待测绝缘子污闪图像输入至所述多层次特征提取模块进行多层次特征提取处理，输出浅层污闪特征、中层污闪特征以及深层污闪特征，包括：
将所述待测绝缘子污闪图像输入所述多层次特征提取模块进行连续两次标准卷积处理，获得压缩特征图，接着对所述压缩特征图先进行多模态特征强化处理，再进行最大值池化处理，接着再进行多模态特征强化处理，输出浅层污闪特征；
对所述浅层污闪特征先进行最大值池化处理，再进行多模态特征强化处理，输出中层污闪特征；
对所述中层污闪特征进行最大值池化处理，获得关键局部输入特征图，对所述关键局部输入特征图进行自适应权重分配处理，输出深层污闪特征。
可选地，所述多层次特征提取模块中包括自适应权重分配子模块，所述对所述关键局部输入特征图进行自适应权重分配处理，输出深层污闪特征，包括：
通过所述自适应权重分配子模块对所述关键局部输入特征图分别进行3次1×1卷积运算，对应获得3个局部特征向量；
计算各个所述局部特征向量各自对应的相关特征图；
通过全连接操作计算自适应分配权重，并采用所述自适应分配权重与所述相关特征图进行分配权重增强计算，获得输出注意力图；
对所述输出注意力图进行自注意力计算，获得自注意力输出特征图，并采用权重分配参数对所述自注意力输出特征图进行优化，输出深层污闪特征。
可选地，所述计算各个所述局部特征向量各自对应的相关特征图，包括：
获取各个所述局部特征向量对应的权重矩阵；
采用各个所述局部特征向量与各自对应的权重矩阵进行计算，分别输出第一相关特征图、第二相关特征图以及第三相关特征图，具体计算公式如下：
；
其中，x为关键局部输入特征图，q、k、v均为局部特征向量，W q 为q的权重矩阵，W k 为k对应的权重矩阵，W v 为v对应的权重矩阵，q（x）为q对应的第一相关特征图，k（x）为k对应的第二相关特征图，v（x）为v对应的第三相关特征图。
可选地，所述通过全连接操作计算自适应分配权重，并采用所述自适应分配权重与所述相关特征图进行分配权重增强计算，获得输出注意力图，包括：
采用如下公式计算自适应分配权重：
；
并采用如下公式进行分配权重增强计算，获得输出注意力图：
；
其中，F i （·）表示全连接操作，表示自适应分配权重，X i 表示第二相关特征图k(x)或第三相关特征图v(x)，P j 表示输出注意力图k'(x)或v'(x)，i,j∈{0,1,2,...,d}，d为特征维度。
可选地，所述对所述输出注意力图进行自注意力计算，获得自注意力输出特征图，并采用权重分配参数对所述自注意力输出特征图进行优化，输出深层污闪特征，包括：
采用如下公式对所述输出注意力图进行自注意力计算，获得自注意力输出特征图：
；
；
；
采用如下公式对所述自注意力输出特征图进行优化，输出深层污闪特征：
；
其中，x i 、x j 表示关键局部输入特征图x的特征维度，k'(x)与v'(x)表示输出注意力图，（*） T 表示矩阵转置，S ij 为k'(x)转置与q(x)的向量点积计算过程的中间变量，exp（*）表示以自然常数e为底的指数函数，β j,i 为注意力权重值，λ为缩放因子，n∈{0,1,2,...,d}，n为特征矩阵的行或列，O i = (o 1,o 2, …,o d )表示自注意力输出特征图，为权重分配参数，y i 为自适应权重分配子模块输出的深层污闪特征。
可选地，所述将所述浅层污闪特征、所述中层污闪特征以及所述深层污闪特征输入至所述特征融合强化模块进行特征协调增强融合处理，输出浅层强化特征、中层强化特征以及深层强化特征，包括：
对所述深层污闪特征进行空间金字塔池化处理，获得增强空间特征图，接着对所述增强空间特征图先进行标准卷积处理，再进行特征协调融合处理，获得第一协调融合特征图；
对所述中层污闪特征进行标准卷积处理后，与所述第一协调融合特征图进行特征堆叠，获得第一堆叠特征图，对所述第一堆叠特征图进行多模态特征强化处理，输出强化堆叠特征图；
对所述强化堆叠特征图先进行标准卷积处理，再进行特征协调融合处理，获得第二协调融合特征图；
对所述浅层污闪特征进行标准卷积处理后，与所述第二协调融合特征图进行特征堆叠，获得第二堆叠特征图，对所述第二堆叠特征图进行多模态特征强化处理，输出浅层强化特征；
对所述浅层强化特征进行下采样处理后，与所述强化堆叠特征图进行特征堆叠，获得第三堆叠特征图，对所述第三堆叠特征图进行多模态特征强化处理，输出中层强化特征；
对所述中层强化特征进行下采样处理后，与所述增强空间特征图进行特征堆叠，获得第四堆叠特征图，对所述第四堆叠特征图进行多模态特征强化处理，输出深层强化特征。
可选地，所述特征融合强化模块中包括协调融合注意力子模块，所述特征协调融合处理的步骤，包括：
将需要进行特征协调融合处理的原始输入特征图输入至协调融合注意力子模块，分别沿着水平方向与垂直方向对所述原始输入特征图的每个通道进行位置信息提取，获得水平方向对应的水平空间位置特征，以及垂直方向对应的垂直空间位置特征；
采用所述水平空间位置特征以及所述垂直空间位置特征进行融合与卷积变换，输出中间特征图；
将所述中间特征图沿着水平方向与垂直方向分切为水平中间特征向量以及垂直中间特征向量，并对所述水平中间特征向量以及所述垂直中间特征向量分别进行卷积修正处理，获得所述水平中间特征向量对应的水平注意力权重，以及所述垂直中间特征向量对应的垂直注意力权重；
根据所述水平注意力权重、所述垂直注意力权重以及所述原始输入特征图进行相乘，获得协调融合输出特征图。
可选地，所述分别沿着水平方向与垂直方向对所述原始输入特征图的每个通道进行位置信息提取，获得水平方向对应的水平空间位置特征，以及垂直方向对应的垂直空间位置特征，包括：
采用如下公式对所述原始输入特征图的每个通道进行位置信息提取，获得水平空间位置特征，以及垂直空间位置特征：
；
；
；
其中，x c (i,j)为第c个通道高为i宽为j处的原始输入特征图对应特征信息，x c (j,w)为原始输入特征图中第c个通道宽为w处的特征信息，x c (h,i)为原始输入特征图中第c个通道高为h处的特征信息，原始输入特征图的总高为H，总宽为W，表示宽度为w第c通道的水平空间位置特征，/>表示高度为h第c个通道的垂直空间位置特征，z c 表示第c个通道高为h宽为w处的空间位置特征。
可选地，所述采用所述水平空间位置特征以及所述垂直空间位置特征进行融合与卷积变换，输出中间特征图，包括：
采用如下公式对所述水平空间位置特征以及所述垂直空间位置特征进行融合与卷积变换：
；
其中，z h 表示为垂直方向上的垂直空间位置特征，z w 表示为水平方向上的水平空间位置特征，为非线性激活函数，f∈R c/r×(H+W)为在水平方向和垂直方向上对空间位置特征信息进行编码的中间特征图，R为实数集合，r为控制特征通道大小c的减小比，f 1表示1×1的卷积运算，cat(·)表示特征的串联堆叠。
可选地，所述对所述水平中间特征向量以及所述垂直中间特征向量分别进行卷积修正处理，获得所述水平中间特征向量对应的水平注意力权重，以及所述垂直中间特征向量对应的垂直注意力权重，包括：
采用1×1卷积以及激活函数分别对所述水平中间特征向量以及所述垂直中间特征向量进行卷积修正处理，获得所述水平中间特征向量对应的水平注意力权重，以及所述垂直中间特征向量对应的垂直注意力权重，具体计算公式如下：
；
其中，表示通道c上垂直方向的垂直注意力权重，/>表示通道c上水平方向的水平注意力权重，/>表示垂直方向采用的1×1卷积运算，/>表示水平方向采用的1×1卷积运算，σ(·)表示激活函数；
则所述根据所述水平注意力权重、所述垂直注意力权重以及所述原始输入特征图进行相乘，获得协调融合输出特征图，包括：
采用如下公式进行相乘计算，获得协调融合输出特征图：
；
其中，表示垂直方向的垂直注意力权重，/>表示水平方向的水平注意力权重，y c (i,j)表示协调融合注意力子模块最终输出的协调融合输出特征图。
可选地，所述自适应检测模块中包括自适应解码预测子模块，所述自适应解码预测处理的步骤，包括：
将需要进行解码处理的目标强化特征输入至所述自适应解码预测子模块，并对所述目标强化特征进行1×1卷积计算，获得目标降维强化特征，所述目标降维强化特征包括污闪目标分类特征以及污闪定位任务特征；
对所述污闪目标分类特征以及所述污闪定位任务特征先分别进行连续两次的3×3卷积计算，再分别进行1×1卷积计算，输出所述污闪目标分类特征对应的检测目标类别向量，所述污闪定位任务特征对应的检测框坐标向量以及检测框置信度向量；
将所述检测目标类别向量、所述检测框坐标向量以及所述检测框置信度向量进行特征融合，输出所述目标强化特征对应的自适应解耦检测头。
可选地，所述方法还包括：
搭建绝缘子污闪检测系统，并在所述绝缘子污闪检测系统中设置多层次特征提取模块、特征融合强化模块以及自适应检测模块，以构建绝缘子污闪检测模型；
获取经过对比度数据增广处理的绝缘子污闪图像数据集，并采用所述绝缘子污闪图像数据集对所述绝缘子污闪检测模型进行模型训练以及图像检测测试；
根据图像检测测试结果计算污闪检测数据，依据所述污闪检测数据对所述绝缘子污闪检测模型进行模型评价。
可选地，所述采用所述绝缘子污闪图像数据集对所述绝缘子污闪检测模型进行模型训练以及图像检测测试，包括：
将所述绝缘子污闪图像数据集按预设比例划分为污闪训练集、污闪验证集以及污闪测试集，并对所述污闪训练集以及所述污闪验证集中的绝缘子污闪图像进行归一化输入图像处理，获得所述污闪训练集对应的校正训练集，以及所述污闪验证集对应的校正验证集；
通过所述校正训练集以及所述校正验证集对所述绝缘子污闪检测模型进行训练与验证，并将所述污闪测试集输入至训练后的绝缘子污闪检测模型进行图像检测测试。
可选地，所述通过所述校正训练集以及所述校正验证集对所述绝缘子污闪检测模型进行训练与验证，包括：
采用K均值聚类算法对所述校正训练集进行聚类计算，确定先验框尺寸，所述先验框尺寸分别对应浅、中、深三个尺度，所述先验框尺寸用于在模型训练时辅助模型进行目标定位；
采用预设图像数据集对所述绝缘子污闪检测模型进行预训练处理，获得污闪检测预训练模型；
基于所述先验框尺寸以及所述污闪检测预训练模型的权重，采用所述校正训练集以及所述校正验证集先对所述绝缘子污闪检测模型的特征融合强化模块以及自适应检测模块进行局部模型训练与验证，再对所述绝缘子污闪检测模型进行整体模型训练与验证。
可选地，在所述获取经过对比度数据增广处理的绝缘子污闪图像数据集之前，所述方法还包括：
获取绝缘子的巡检记录图像样本集，从所述巡检记录图像样本集中筛选出多张绝缘子污闪图像样本，并对所述多张绝缘子污闪图像样本进行污闪标记处理，生成对应的绝缘子污闪标签文件集；
采用所述多张绝缘子污闪图像样本进行对比度数据增广处理，获得多张增广绝缘子污闪图像，并对所述多张增广绝缘子污闪图像进行标签创建操作，生成对应的污闪图像变换标签文件集；
将所述多张绝缘子污闪图像样本、所述绝缘子污闪标签文件集、所述多张增广绝缘子污闪图像以及所述污闪图像变换标签文件集作为所述绝缘子的绝缘子污闪图像数据集。
可选地，所述采用所述多张绝缘子污闪图像样本进行对比度数据增广处理，获得多张增广绝缘子污闪图像，包括：
步骤S1：每次从所述多张绝缘子污闪图像样本中随机选取预设数量的目标绝缘子污闪图像样本，设置随机概率种子，按照所述随机概率种子对每张所述目标绝缘子污闪图像样本分别进行图像变换处理，获得各自对应的变换污闪图像样本；
步骤S2：将各个所述变换污闪图像样本进行图像拼接处理，获得拼接后的增广绝缘子污闪图像；
步骤S3：重复多次由步骤S1至S2的处理过程，直至获得多张增广绝缘子污闪图像。
可选地，所述按照所述随机概率种子对每张所述目标绝缘子污闪图像样本分别进行图像变换处理，获得各自对应的变换污闪图像样本，包括：
按照所述随机概率种子，从多尺度视网膜增强处理方法与自适应对比度增强方法中选择其中一种图像处理方法，并根据选中的图像处理方法对每张所述目标绝缘子污闪图像样本进行图像处理；
对每张所述目标绝缘子污闪图像样本均采取0.5的概率从旋转、裁剪、镜像翻转中任意选择其一作为图像处理方式进行图像变换，获得各自对应的变换污闪图像样本。
本发明还提供了一种绝缘子污闪检测装置，应用于绝缘子污闪检测系统，所述绝缘子污闪检测系统至少包括多层次特征提取模块、特征融合强化模块以及自适应检测模块，所述装置包括：
特征提取处理模块，用于获取待测绝缘子污闪图像，将所述待测绝缘子污闪图像输入至所述多层次特征提取模块进行多层次特征提取处理，输出浅层污闪特征、中层污闪特征以及深层污闪特征；
特征协调增强融合处理模块，用于将所述浅层污闪特征、所述中层污闪特征以及所述深层污闪特征输入至所述特征融合强化模块进行特征协调增强融合处理，输出浅层强化特征、中层强化特征以及深层强化特征；
自适应解码预测处理模块，用于通过所述自适应检测模块对所述浅层强化特征、所述中层强化特征以及所述深层强化特征进行自适应解码预测处理，输出所述浅层强化特征、所述中层强化特征以及所述深层强化特征各自对应的自适应解耦检测头；
绝缘子污闪检测模块，用于基于各个所述自适应解耦检测头对所述待测绝缘子污闪图像进行绝缘子污闪检测，确定绝缘子污闪位置。
本发明还提供了一种电子设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行如上任一项所述的绝缘子污闪检测方法。
本发明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用于存储程序代码，所述程序代码用于执行如上任一项所述的绝缘子污闪检测方法。
从以上技术方案可以看出，本发明具有以下优点：对于绝缘子污闪检测过程，针对样本图像集，通过采用对比度增强处理技术的多组合数据增强方法对图像样本进行处理，在实现增强绝缘子污闪区域的对比度的同时进行增广样本，从而提高了检测系统实际应用下的检测精度；针对绝缘子污闪检测系统，通过采用自适应权重分配子模块对特征提取网络进行改进，从而克服了全局信息和局部信息的不平衡，实现局部区域重要性的自适应调节，同时采用协调融合注意力子模块对特征融合网络进行改进，利用水平方向与垂直方向的特征获得空间位置信息及其注意力，从而加强了模型对绝缘子污闪区域的关注度，最后在检测网络中引入自适应解码预测子模块对输出的强化特征进行自适应解码预测处理，总体上增强了绝缘子污闪检测系统的小目标检测能力，提高了模型对污闪区域小目标的空间辨识能力。通过采用本发明实施例所提供的绝缘子污闪检测系统，并结合绝缘子污闪检测方法，实现了快速准确地检测出绝缘子污闪位置，大大提高了检测效率以及检测准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种绝缘子污闪检测系统的结构示意图；
图2为本发明实施例提供的一种绝缘子污闪检测方法的步骤流程图；
图3为本发明实施例提供的一种多层次特征提取模块的自适应权重分配子模块中进行特征处理的流程示意图；
图4为本发明实施例提供的一种自适应检测模块的自适应解码预测子模块中进行特征处理的流程示意图；
图5为本发明实施例提供的一种采用对比度数据增广处理方法构建绝缘子污闪图像数据集的步骤流程图；
图6为本发明实施例提供的一种绝缘子污闪检测模型构建及训练过程的步骤流程图；
图7为本发明实施例提供的一种采用绝缘子污闪检测模型进行污闪检测的效果示意图；
图8为本发明实施例提供的一种绝缘子污闪检测装置的结构框图。
具体实施方式
本发明实施例提供了一种绝缘子污闪检测方法、装置、电子设备及存储介质，用于解决或部分解决现有的绝缘子污闪检测方法中存在的检测准确率以及检测效率低下的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
作为一种示例，绝缘子作为电力系统中不可或缺的设备之一，当发生绝缘子污闪事件时，需对其进行及时处理，以避免造成更大的损失以及影响，目前绝缘子污闪检测主要依赖于人工进行巡检，而在进行人工巡检时，容易出现误检漏检的情况，导致检测准确率以及检测效率低下，实际预防工作仍存在不足，未能有效抑制绝缘子故障上升的趋势。因此，在兼顾电网安全与人工巡检高效率的要求下，电网运维人员需要根据局部区域高频绝缘子故障类型对可能引起该区域绝缘子故障的鸟粪、污秽等因素加强清洁护理工作，同时，不同绝缘子故障会导致不同线路危害，因此需要针对不同区域高频绝缘子故障提出差异化防治措施。绝缘子故障的高效处理离不开绝缘子故障的精确定位以及精准识别，但现有相关技术中所采用的绝缘子污闪检测方法并未考虑到绝缘子污闪区域目标小以及具有独特的空间位置结构问题，从而如何在复杂的巡检图像中准确定位绝缘子故障，进而辅助线路巡检人员对绝缘子故障进行准确精准识别，对于区域化线路维修保养具有重要意义。
因此，本发明实施例的核心发明点之一在于：为提高YOLOv7-tiny（You Only LookOnce v7-tiny，一种当前先进的深度学习目标检测算法）模型的小目标检测能力，对YOLOv7-tiny轻量化目标检测模型进行改进，构建一种绝缘子污闪检测系统YOLO-IF（YOLOv7-tiny for Insulator Flashover，基于YOLOv7-tiny的绝缘子闪络检测），以及提供一种基于绝缘子污闪检测系统进行绝缘子污闪检测的方法。其中，针对样本图像集，通过采用对比度增强处理技术的Mosaic-CE（Mosaic Combined with Contrast Enhancement，马赛克结合对比度增强数据增广方法）数据增强方法对图像样本进行处理，在实现增强绝缘子污闪区域的对比度的同时进行增广样本，从而提高检测系统实际应用下的检测精度；针对绝缘子污闪检测系统，通过采用自适应权重分配子模块AWDMSM（Adaptive WeightDistributive Multi-headed Self-attention Module，自适应权重分配多头自注意力模块）对YOLOv7-tiny的特征提取网络进行改进，从而克服全局信息和局部信息的不平衡，实现局部区域重要性的自适应调节，同时采用协调融合注意力子模块CA（CoordinateAttention，协调注意力）改进YOLOv7-tiny的特征融合网络，利用水平方向与垂直方向的特征获得空间位置信息及其注意力，从而加强模型对绝缘子污闪区域的关注度，最后在YOLOv7-tiny的检测网络中引入自适应解码预测子模块AD-Head（Adaptive Decoupling-Head，自适应解耦检测头）对输出的强化特征进行自适应解码预测处理，总体上增强绝缘子污闪检测系统的小目标检测能力，提高模型对污闪区域小目标的空间辨识能力。通过采用本发明实施例所提供的绝缘子污闪检测系统，并结合绝缘子污闪检测方法，实现快速准确地检测出绝缘子污闪位置，大大提高检测效率以及检测准确度。
参照图1，示出了本发明实施例提供的一种绝缘子污闪检测系统的结构示意图。
由图中可以看出，本发明实施例所提供的绝缘子污闪检测系统100主要可以分为三个部分，分别是多层次特征提取模块101（Backbone主干提取网络）、特征融合强化模块102（Neck特征融合网络）以及自适应检测模块103（Head检测网络）。
具体地，多层次特征提取模块101主要用于对输入的绝缘子污闪图像进行多层次的特征提取，主要可以包括标准卷积子模块CBL（Conv - Batch Normalization -LeakReLU，卷积层 -批量归一化BN层-激活函数层），多模态强化处理子模块MCB（Multi-modal Compact Bilinear Pooling，多模态紧凑双线性池）、最大值池化子模块MP（MaxPooling，最大值池化）、自适应权重分配子模块AWDMSM。
其中，标准卷积子模块CBL主要用于对输入图像进行标准卷积处理，包括在卷积层进行卷积操作、在批量归一化BN层进行批量归一化操作以及在激活函数层进行线性修正操作，获得输入特征图。
绝缘子污闪图像检测可以看作是视觉定位的一种，而对于视觉定位这样的多模态任务，需要融合不同类型模型的向量得到一个具有代表性的融合特征，因此可以采用多模态强化处理子模块MCB对特征图进行多模态特征强化处理，大体流程为先随机将特征映射到更高维空间里，接着在快速傅里叶变化（Fast Fourier Transform，FFT）空间中使用元素乘积有效地卷积两个向量，实现对于特征的融合增强处理，因现有相关技术中公开了对采用多模态强化处理子模块MCB对特征图进行多模态特征强化处理的过程，此处不再赘述。
最大值池化子模块MP则可以对特征图进行最大值池化处理，进一步实现特征选择以及数据过滤。
自适应权重分配子模块AWDMSM是本发明实施例的一个改进点，主要用于对输入的特征图进行局部特征提取并计算分配权重，基于分配权重对原始特征层信息进行多头自注意力增强等处理，通过自适应权重分配子模块AWDMSM的处理，能够根据每个向量特征自适应地预测一组权重，从而克服全局信息和局部信息的不平衡，实现局部区域重要性的自适应调节。
多层次特征提取模块101中的特征提取过程将在下面内容中结合方法实施例进行说明，具体参见下面方法实施例的相关说明部分内容即可。
特征融合强化模块102主要用于对经过多层次特征提取模块101的特征提取之后输出的特征图进行特征融合增强，输出对应的强化特征图，其中，特征融合强化模块102具体可以包括空间金字塔池化子模块SPPCSPC（YOLOv7中使用的SPP（Spatial PyramidPooling，空间金字塔池化）结构 ）、标准卷积子模块CBL、堆叠+多模态强化处理部分Concat+MCB、协调融合注意力子模块CA。
其中，空间金字塔池化子模块SPPCSPC主要用于对输入该子模块的特征图进行标准卷积、最大值池化以及特征堆叠等处理，通过空间金字塔池化子模块SPPCSPC的处理，可以避免由于图像处理操作所造成的图像失真等问题，同时可以解决卷积神经网络提取到图片重复特征的问题。空间金字塔池化子模块SPPCSPC中可以包括标准卷积子模块CBL、最大值池化子模块MP，以及堆叠+标准卷积部分Concat+CBL，对于最大值池化子模块MP，其最大值池化可以应用于大小为1×1、5×5、9×9、13×13的卷积核，而堆叠+标准卷积部分Concat+CBL则用于进行特征堆叠以及标准卷积处理。
由于前面内容对标准卷积子模块CBL进行了介绍，此处不再赘述。堆叠+多模态强化处理部分Concat+MCB则用于先对特征图进行堆叠操作，再进行多模态强化处理操作，以实现特征增强融合。
本发明实施例的其中一个改进点在于引入CA注意力机制对特征融合强化模块102进行改进，其中，协调融合注意力子模块CA主要用于对深层特征信息进行上采样处理，也即特征协调融合处理，其原理是利用水平方向（W方向）和垂直方向（H方向）的特征获得空间位置信息及其注意力，从而加强模型对绝缘子污闪区域的关注度。
特征融合强化模块102中的特征融合强化过程将在下面内容中结合方法实施例进行说明，具体参见下面方法实施例的相关说明部分内容即可。
本发明实施例还有一个改进点在于在自适应检测模块103中引入自适应解码预测子模块AD-Head，主要用于对经特征融合强化模块102处理后输出的各个强化特征进行自适应解码预测处理，输出各个强化特征对应的自适应解耦检测头，以便后续采用自适应解耦检测头对绝缘子污闪图像进行污闪检测，确定具体污闪位置，因此，采用自适应解码预测子模块AD-Head进行特征处理，总体上增强了绝缘子污闪检测系统100的小目标检测能力，提高了模型对污闪区域小目标的空间辨识能力。
自适应检测模块103中的检测过程将在下面内容中结合方法实施例进行说明，具体参见下面方法实施例的相关说明部分内容即可。
在本发明实施例中，对YOLOv7-tiny轻量化目标检测模型进行改进，构建一种绝缘子污闪检测系统，其中，针对绝缘子污闪检测系统，通过采用自适应权重分配子模块AWDMSM对YOLOv7-tiny的特征提取网络进行改进，从而克服了全局信息和局部信息的不平衡，实现局部区域重要性的自适应调节，同时采用协调融合注意力子模块CA改进YOLOv7-tiny的特征融合网络，利用水平方向与垂直方向的特征获得空间位置信息及其注意力，从而加强了模型对绝缘子污闪区域的关注度，最后在YOLOv7-tiny的检测网络中引入自适应解码预测子模块AD-Head对输出的强化特征进行自适应解码预测处理，总体上增强了绝缘子污闪检测系统的小目标检测能力，提高了模型对污闪区域小目标的空间辨识能力。通过采用本发明实施例所提供的绝缘子污闪检测系统，并结合绝缘子污闪检测方法，能够实现快速准确地检测出绝缘子污闪位置，大大提高检测效率以及检测准确度。
为使本发明公开更充分，下面将通过结合上述实施例中所提供的绝缘子污闪检测系统，对绝缘子污闪检测方法进行详细说明。
参照图2，示出了本发明实施例提供的一种绝缘子污闪检测方法的步骤流程图，具体可以包括以下步骤：
步骤201，获取待测绝缘子污闪图像，将所述待测绝缘子污闪图像输入至所述多层次特征提取模块进行多层次特征提取处理，输出浅层污闪特征、中层污闪特征以及深层污闪特征；
具体地，当需要对绝缘子进行绝缘子污闪检测时，可以将对应的待测绝缘子污闪图像输入至绝缘子污闪检测系统中进行处理，为方便进行说明，示例性地，假设输入的待测绝缘子污闪图像大小为640×640像素，通过多层次特征提取模块分别提取出尺寸大小为80×80×256的浅层污闪特征、尺寸大小为40×40×512的中层污闪特征以及尺寸大小为20×20×1024的深层污闪特征，从而通过多层次特征提取模块可以提取出不同尺寸大小的污闪特征，以便后续进行特征融合等处理。
进一步地，将待测绝缘子污闪图像输入至多层次特征提取模块进行多层次特征提取处理，输出浅层污闪特征、中层污闪特征以及深层污闪特征的步骤，具体可以包括：
首先将待测绝缘子污闪图像输入多层次特征提取模块，在标准卷积子模块CBL中进行连续两次标准卷积处理，获得压缩特征图，接着通过多模态强化处理子模块MCB对压缩特征图先进行多模态特征强化处理，再通过最大值池化子模块MP进行最大值池化处理，接着再输入模态强化处理子模块MCB进行多模态特征强化处理，输出浅层污闪特征；
接着通过最大值池化子模块MP对浅层污闪特征先进行最大值池化处理，再通过多模态强化处理子模块MCB进行多模态特征强化处理，输出中层污闪特征；
然后通过最大值池化子模块MP对中层污闪特征进行最大值池化处理，获得关键局部输入特征图并输入至自适应权重分配子模块AWDMSM，通过自适应权重分配子模块AWDMSM对关键局部输入特征图进行自适应权重分配处理，输出深层污闪特征。
为更好地进行说明，参照图3，示出了本发明实施例提供的一种多层次特征提取模块的自适应权重分配子模块中进行特征处理的流程示意图，则对关键局部输入特征图进行自适应权重分配处理，输出深层污闪特征，可以为：
首先通过自适应权重分配子模块的1×1卷积层对关键局部输入特征图x分别进行3次1×1卷积运算，对应获得3个局部特征向量v、k、q；
接着计算各个局部特征向量各自对应的相关特征图，具体可以包括：首先获取各个局部特征向量对应的权重矩阵（即局部特征向量v对应的W v 、局部特征向量k对应的W k 、局部特征向量q对应的W q ），接着采用各个局部特征向量与各自对应的权重矩阵进行计算，分别输出第一相关特征图q（x）、第二相关特征图k（x）以及第三相关特征图v（x），具体计算公式如下：
；
其中，x为关键局部输入特征图，q、k、v均为局部特征向量，W q 为q的权重矩阵，W k 为k对应的权重矩阵，W v 为v对应的权重矩阵，q（x）为q对应的第一相关特征图，k（x）为k对应的第二相关特征图，v（x）为v对应的第三相关特征图。
然后在自适应权重分配机制AWDM（Adaptive Weight Distributive Module，自适应权重分配）通过全连接操作分别计算第二相关特征图k（x）与第三相关特征图v（x）的自适应分配权重，并采用自适应分配权重与各自相关特征图进行分配权重增强计算，获得对应的输出注意力图v'(x)、k'(x)，具体可以为：
采用如下公式计算自适应分配权重：
；
并采用如下公式进行分配权重增强计算，获得输出注意力图：
；
其中，F i （·）表示全连接操作，表示自适应分配权重，X i 表示第二相关特征图k(x)或第三相关特征图v(x)，P j 表示输出注意力图k'(x)或v'(x)，i,j∈{0,1,2,...,d}，d为特征维度。
接着结合第一相关特征图q（x）对输出注意力图v'(x)、k'(x)进行自注意力计算（即矩阵相乘计算），获得自注意力输出特征图，并采用权重分配参数对自注意力输出特征图进行优化，输出深层污闪特征，具体可以包括：
采用如下公式对输出注意力图v'(x)、k'(x)进行自注意力计算，获得自注意力输出特征图O：
；
；
；
采用如下公式对自注意力输出特征图进行优化，输出深层污闪特征y：
；
其中，x i 、x j 表示关键局部输入特征图x的特征维度，k'(x)与v'(x)表示输出注意力图，（*） T 表示矩阵转置，S ij 为k'(x)转置与q(x)的向量点积计算过程的中间变量，exp（*）表示以自然常数e为底的指数函数，β j,i 为注意力权重值，λ为缩放因子，n∈{0,1,2,...,d}，n为特征矩阵的行或列，O i = (o 1,o 2, …,o d )表示自注意力输出特征图，为权重分配参数，y i 为自适应权重分配子模块输出的深层污闪特征。
从而通过自适应权重分配子模块AWDMSM对输入的特征图进行局部特征提取并计算分配权重，基于分配权重对原始特征层信息进行多头自注意力增强等处理，通过自适应权重分配子模块AWDMSM的处理，能够根据每个向量特征自适应地预测一组权重，从而克服全局信息和局部信息的不平衡，实现局部区域重要性的自适应调节。
步骤202，将所述浅层污闪特征、所述中层污闪特征以及所述深层污闪特征输入至所述特征融合强化模块进行特征协调增强融合处理，输出浅层强化特征、中层强化特征以及深层强化特征；
由前述内容可知，特征融合强化模块可以包括空间金字塔池化子模块SPPCSPC、标准卷积子模块CBL、堆叠+多模态强化处理部分Concat+MCB、协调融合注意力子模块CA，从而在具体的实现中，将浅层污闪特征、中层污闪特征以及深层污闪特征输入至特征融合强化模块进行特征协调增强融合处理，输出浅层强化特征、中层强化特征以及深层强化特征，具体可以为：
首先通过空间金字塔池化子模块SPPCSPC对深层污闪特征进行空间金字塔池化处理，获得增强空间特征图，接着对增强空间特征图先通过标准卷积子模块CBL进行标准卷积处理，再通过协调融合注意力子模块CA进行特征协调融合处理，获得第一协调融合特征图；
接着在标准卷积子模块CBL中对中层污闪特征进行标准卷积处理后，与第一协调融合特征图通过堆叠+多模态强化处理部分Concat+MCB进行特征堆叠，获得第一堆叠特征图，并对第一堆叠特征图进行多模态特征强化处理，输出强化堆叠特征图；
然后通过标准卷积子模块CBL对强化堆叠特征图先进行标准卷积处理，再通过协调融合注意力子模块CA进行特征协调融合处理，获得第二协调融合特征图；
接着在标准卷积子模块CBL中对浅层污闪特征进行标准卷积处理后，与第二协调融合特征图通过堆叠+多模态强化处理部分Concat+MCB进行特征堆叠，获得第二堆叠特征图，并对第二堆叠特征图进行多模态特征强化处理，输出浅层强化特征；
接着在标准卷积子模块CBL中对浅层强化特征进行下采样处理后，与强化堆叠特征图通过堆叠+多模态强化处理部分Concat+MCB进行特征堆叠，获得第三堆叠特征图，并对第三堆叠特征图进行多模态特征强化处理，输出中层强化特征；
然后在标准卷积子模块CBL中对中层强化特征进行下采样处理后，与增强空间特征图通过堆叠+多模态强化处理部分Concat+MCB进行特征堆叠，获得第四堆叠特征图，并对第四堆叠特征图进行多模态特征强化处理，输出深层强化特征。
作为一种可选实施例，通过协调融合注意力子模块CA进行特征协调融合处理的步骤，可以包括：
步骤S11：首先将需要进行特征协调融合处理的原始输入特征图输入至协调融合注意力子模块CA，分别沿着水平方向与垂直方向对原始输入特征图的每个通道进行位置信息提取，获得水平方向对应的水平空间位置特征，以及垂直方向对应的垂直空间位置特征。
进一步地，可以采用如下公式对原始输入特征图的每个通道进行位置信息提取，获得水平空间位置特征，以及垂直空间位置特征：
；/>
；
；
其中，x c (i,j)为第c个通道高为i宽为j处的原始输入特征图对应特征信息，x c (j,w)为原始输入特征图中第c个通道宽为w处的特征信息，x c (h,i)为原始输入特征图中第c个通道高为h处的特征信息，原始输入特征图的总高为H，总宽为W，表示宽度为w第c通道的水平空间位置特征，/>表示高度为h第c个通道的垂直空间位置特征，z c 表示第c个通道高为h宽为w处的空间位置特征。
步骤S22：接着采用水平空间位置特征以及垂直空间位置特征进行融合与卷积变换，输出中间特征图。
进一步地，可以采用如下公式对水平空间位置特征以及垂直空间位置特征进行融合与卷积变换：
；
其中，z h 表示为垂直方向上的垂直空间位置特征，z w 表示为水平方向上的水平空间位置特征，为非线性激活函数，f∈R c/r×(H+W)为在水平方向和垂直方向上对空间位置特征信息进行编码的中间特征图，R为实数集合，r为控制特征通道大小c的减小比，f 1表示1×1的卷积运算，cat(·)表示特征的串联堆叠。
步骤S33：接着将中间特征图沿着水平方向与垂直方向分切为水平中间特征向量以及垂直中间特征向量，并对水平中间特征向量以及垂直中间特征向量分别进行卷积修正处理，获得水平中间特征向量对应的水平注意力权重，以及垂直中间特征向量对应的垂直注意力权重。
进一步地，可以采用1×1卷积以及激活函数分别对水平中间特征向量以及垂直中间特征向量进行卷积修正处理，获得水平中间特征向量对应的水平注意力权重，以及垂直中间特征向量对应的垂直注意力权重，具体计算公式如下：
；
其中，表示通道c上垂直方向的垂直注意力权重，/>表示通道c上水平方向的水平注意力权重，/>表示垂直方向采用的1×1卷积运算，/>表示水平方向采用的1×1卷积运算，σ(·)表示激活函数；
步骤S44：最后可以根据水平注意力权重、垂直注意力权重以及原始输入特征图进行相乘，获得协调融合输出特征图。
进一步地，可以采用如下公式进行相乘计算，获得协调融合输出特征图：
；
其中，表示垂直方向的垂直注意力权重，/>表示水平方向的水平注意力权重，y c (i,j)表示协调融合注意力子模块最终输出的协调融合输出特征图。
从而通过引入CA注意力机制对特征融合强化模块进行改进，并通过协调融合注意力子模块CA对深层特征信息进行特征协调融合处理，利用了水平方向和垂直方向的特征获得空间位置信息及其注意力，从而加强了模型对绝缘子污闪区域的关注度。
步骤203，通过所述自适应检测模块对所述浅层强化特征、所述中层强化特征以及所述深层强化特征进行自适应解码预测处理，输出所述浅层强化特征、所述中层强化特征以及所述深层强化特征各自对应的自适应解耦检测头；
自适应检测模块中包括自适应解码预测子模块AD-Head，为更好地进行说明，参照图4，示出了本发明实施例提供的一种自适应检测模块的自适应解码预测子模块中进行特征处理的流程示意图，从而在每个自适应解码预测子模块AD-Head进行自适应解码预测处理的步骤，可以包括：
将需要进行解码处理的目标强化特征输入至自适应解码预测子模块AD-Head，并对目标强化特征进行1×1卷积计算，获得目标降维强化特征，其中，目标降维强化特征包括污闪目标分类特征以及污闪定位任务特征；
接着对污闪目标分类特征以及污闪定位任务特征先分别进行连续两次的3×3卷积计算，再分别进行1×1卷积计算，输出污闪目标分类特征对应的检测目标类别向量Cls，污闪定位任务特征对应的检测框坐标向量Obj以及检测框置信度向量Reg；
然后将检测目标类别向量Cls、检测框坐标向量Obj以及检测框置信度向量Reg进行特征融合，输出目标强化特征对应的自适应解耦检测头（Cls+Obj+Reg）。
通过计算之后，可以输出浅层强化特征对应的大小为80×80×18的自适应解耦检测头、中层强化特征对应的大小为40×40×18的自适应解耦检测头，以及深层强化特征对应的大小为20×20×18的自适应解耦检测头。
其中，对目标强化特征进行1×1卷积计算是为了将目标强化特征统一至128维，以融合特征信息以及减少计算量；使用2个3×3卷积层分别独立且并行处理绝缘子污闪的污闪目标分类特征与污闪定位任务特征，其作用是实现特征解耦和通道注意力，使得模型更好地捕捉到绝缘子目标的全局以及局部特征，从而更好地区分目标与背景，提高模型的检测精度与鲁棒性；污闪定位任务中还包括检测框置信度的计算，因该部分内容并不是本发明实施例重点介绍的内容，因此并未在图中标识出，可以理解的是，本发明对此不作限制。
从而通过在自适应检测模块中引入自适应解码预测子模块AD-Head，对经特征融合强化模块处理后输出的各个强化特征进行自适应解码预测处理，输出各个强化特征对应的自适应解耦检测头，以便后续采用自适应解耦检测头对绝缘子污闪图像进行污闪检测，确定具体污闪位置，因此，采用自适应解码预测子模块AD-Head进行特征处理，总体上增强了绝缘子污闪检测系统的小目标检测能力，提高了模型对污闪区域小目标的空间辨识能力。
步骤204，基于各个所述自适应解耦检测头对所述待测绝缘子污闪图像进行绝缘子污闪检测，确定绝缘子污闪位置。
最后可以基于各个自适应解耦检测头对待测绝缘子污闪图像进行绝缘子污闪检测，确定绝缘子污闪位置，实现绝缘子污闪快速检测。
在本发明实施例中，提出了一种结合绝缘子污闪检测系统的绝缘子污闪检测方法，通过采用自适应权重分配子模块AWDMSM对YOLOv7-tiny的特征提取网络进行改进，从而克服全局信息和局部信息的不平衡，实现局部区域重要性的自适应调节，同时采用协调融合注意力子模块CA改进YOLOv7-tiny的特征融合网络，利用水平方向与垂直方向的特征获得空间位置信息及其注意力，从而加强模型对绝缘子污闪区域的关注度，最后在YOLOv7-tiny的检测网络中引入自适应解码预测子模块AD-Head对输出的强化特征进行自适应解码预测处理，总体上增强绝缘子污闪检测系统的小目标检测能力，提高模型对污闪区域小目标的空间辨识能力。通过采用本发明实施例所提供的绝缘子污闪检测方法，实现快速准确地检测出绝缘子污闪位置，大大提高检测效率以及检测准确度。
作为一种可选实施例，在采用上述实施例所提供的绝缘子污闪检测方法以及绝缘子污闪检测系统进行污闪检测前，可以先构建绝缘子的绝缘子污闪图像数据集，用于对绝缘子污闪检测系统进行训练以及图像检测测试。
示例性地，参照图5，示出了本发明实施例提供的一种采用对比度数据增广处理方法构建绝缘子污闪图像数据集的步骤流程图，可以包括以下步骤：
步骤501，获取绝缘子的巡检记录图像样本集，从所述巡检记录图像样本集中筛选出多张绝缘子污闪图像样本，并对所述多张绝缘子污闪图像样本进行污闪标记处理，生成对应的绝缘子污闪标签文件集；
在具体的实现中，可以基于某电网公司巡检人员通过无人机、相机等设备拍摄获得的日常巡检记录的各种样式、拍摄角度、光照情况、天气情况下的绝缘子污闪图像作为图像样本，并将所有图像样本作为绝缘子的巡检记录图像样本集，假设通过人工筛选后获得绝缘子污闪图像样本462张，并采用LabelImg（一种图像标注工具）标签工具进行标签制作，将绝缘子污闪图像样本中的污闪区域标记为“wushan”，并自动生成.xml标签文件，构成与多张绝缘子污闪图像样本对应的绝缘子污闪标签文件集。
步骤502，采用所述多张绝缘子污闪图像样本进行对比度数据增广处理，获得多张增广绝缘子污闪图像，并对所述多张增广绝缘子污闪图像进行标签创建操作，生成对应的污闪图像变换标签文件集；
由于绝缘子样式多种多样，而污闪中心区域为白色，相较于同色系材料的绝缘子而言，对比度较低，导致绝缘子污闪情况检测精度下降，难以适应实际工程应用中的检测需求，因此本发明实施例提出一种结合对比度增强处理技术的Mosaic数据增强方法Mosaic-CE，实现增强绝缘子污闪区域的对比度的同时进行增广样本，从而提高检测系统实际应用下的检测精度。
在具体的实现中，可以将筛选出来的462张多张绝缘子污闪图像样本采用Mosaic-CE数据增强方法进行对比度数据增广处理，获得多张增广绝缘子污闪图像，并利用CreateXML（一种xml文件创建工具）创建变换图像后的.xml标签文件，对多张增广绝缘子污闪图像进行标签创建操作，生成对应的污闪图像变换标签文件集。
进一步地，采用多张绝缘子污闪图像样本进行对比度数据增广处理，获得多张增广绝缘子污闪图像的步骤，可以包括：
步骤S1：每次从多张绝缘子污闪图像样本中随机选取预设数量（如选择8张）的目标绝缘子污闪图像样本，设置大小为0.5（即50%的概率）的随机概率种子，按照随机概率种子对每张目标绝缘子污闪图像样本分别进行图像变换处理，获得各自对应的变换污闪图像样本；
具体地，按照随机概率种子对每张目标绝缘子污闪图像样本分别进行图像变换处理，获得各自对应的变换污闪图像样本，可以为：首先按照随机概率种子，从多尺度视网膜增强处理方法MSRCR（Multi-Scale Retinex with Color Restore，带色彩恢复的多尺度视网膜增强）与自适应对比度增强方法CLANE（Contrast Limited Adaptive HistogramEqualization，对比度有限的自适应直方图均衡）中选择其中一种图像处理方法，并根据选中的图像处理方法对每张目标绝缘子污闪图像样本进行图像处理，其中，MSRCR的尺度可以设置为3；接着对每张目标绝缘子污闪图像样本均采取0.5的概率从旋转、裁剪、镜像翻转中任意选择其一作为图像处理方式进行图像变换，获得各自对应的变换污闪图像样本，其中，旋转角度范围为[0,360]，宽高裁剪因子可以为0.6。
步骤S2：将各个变换污闪图像样本进行图像拼接处理，获得拼接后的增广绝缘子污闪图像；
将8张随机变换后的变换污闪图像样本拼接为一幅增广绝缘子污闪图像，拼接后的增广绝缘子污闪图像大小可以设定为640×640像素。
步骤S3：重复多次由步骤S1至S2的处理过程，直至获得多张增广绝缘子污闪图像。
步骤503，将所述多张绝缘子污闪图像样本、所述绝缘子污闪标签文件集、所述多张增广绝缘子污闪图像以及所述污闪图像变换标签文件集作为所述绝缘子的绝缘子污闪图像数据集。
最终，将基于Mosaic-CE获得的多张增广绝缘子污闪图像以及对应的污闪图像变换标签文件集，与462张绝缘子污闪图像样本以及对应的绝缘子污闪标签文件集，共同构建对绝缘子污闪检测系统的检测模型进行训练测试所需的绝缘子污闪图像数据集，通过本示例中的处理方法，共可以获得1648张图像作为绝缘子污闪图像数据集。
从而通过提出结合对比度增强处理技术的Mosaic数据增强方法对图像样本进行处理，在实现增强绝缘子污闪区域的对比度的同时进行增广样本，从而提高检测系统实际应用下的检测精度。
作为一种可选实施例，可以搭建绝缘子污闪检测系统，并构建用于绝缘子污闪检测的检测模型，由于前面实施例中对绝缘子污闪检测系统以及对应的检测方法进行了较为详细的描述，因此，绝缘子污闪检测系统的相关结构以及处理流程可以参照上面实施例中相关内容，此处不再赘述。
具体地，参照图6，示出了本发明实施例提供的一种绝缘子污闪检测模型构建及训练过程的步骤流程图，该过程可以包括以下步骤：
步骤601，搭建绝缘子污闪检测系统，并在所述绝缘子污闪检测系统中设置多层次特征提取模块、特征融合强化模块以及自适应检测模块，以构建绝缘子污闪检测模型；
步骤602，获取经过对比度数据增广处理的绝缘子污闪图像数据集，并采用所述绝缘子污闪图像数据集对所述绝缘子污闪检测模型进行模型训练以及图像检测测试；
在具体的实现中，采用绝缘子污闪图像数据集对绝缘子污闪检测模型进行模型训练以及图像检测测试，可以包括：
首先将绝缘子污闪图像数据集按预设比例（如8:1:1）划分为污闪训练集、污闪验证集以及污闪测试集，并对污闪训练集以及污闪验证集中的绝缘子污闪图像进行归一化输入图像处理，归一化输入图像为640×640像素，获得污闪训练集对应的校正训练集，以及污闪验证集对应的校正验证集，从而通过将基于Mosaic-CE数据增强方法构建的绝缘子污闪图像数据集进行数据划分以及归一化处理，保证输入到模型进行训练的图像样本尺寸大小统一，提高了训练准确性。
接着通过校正训练集以及校正验证集对绝缘子污闪检测模型进行训练与验证，将污闪测试集输入至训练后的绝缘子污闪检测模型进行图像检测测试。
示例性地，通过校正训练集以及校正验证集对绝缘子污闪检测模型进行训练与验证，可以为：采用K均值聚类算法（K-means Clustering Algorithm）对校正训练集进行聚类计算，确定污闪训练集样本中目标框大小，包括目标框的宽和高大小，聚类类别可以设置为9，并基于目标框大小确定先验框尺寸，其中，先验框尺寸分别对应浅、中、深三个尺度，用于在模型训练时辅助模型进行目标定位。
然后采用预设图像数据集COCO数据集（Common Objects in Contex，一个可以用来进行图像识别的数据集）对绝缘子污闪检测模型进行预训练处理，获得污闪检测预训练模型，并将污闪检测预训练模型迁移至本发明实施例所提供的绝缘子污闪检测任务中，基于先验框尺寸以及污闪检测预训练模型的权重，采用校正训练集以及校正验证集先对绝缘子污闪检测模型的特征融合强化模块以及自适应检测模块进行局部模型训练与验证，再对绝缘子污闪检测模型进行整体模型训练与验证。
作为一种示例，在前100轮训练过程中基于先验框尺寸以及污闪检测预训练模型的权重，对绝缘子污闪检测模型的特征融合强化模块Neck以及自适应检测模块Head进行局部模型训练，在后100轮训练过程中则对整个绝缘子污闪检测模型进行训练，其中，前100轮训练的batch_size（一次训练所选取的样本数）大小可以设置为8，学习率可以设置为10-2，后100轮训练的batch_size大小可以设置为2，学习率可以设置为10-3。
值得说明的是，上述例子中所涉及的参数均仅作为一种示例，在对训练的轮数、batch_size以及学习率等参数进行设置时，本领域技术人员也可以根据实际需求进行设定，可以理解的是，本发明对此不作限制。
接着可以将污闪测试集的图像输入至最终训练后获得的绝缘子污闪检测模型中进行批量化检测，示例性地，参照图7，示出了本发明实施例提供的一种采用绝缘子污闪检测模型进行污闪检测的效果示意图。
可以看出，通过采用本发明实施例所提供的绝缘子污闪检测模型，可以清楚且准确地定位至绝缘子中存在污闪的位置（如图中所示的“wushan 0.89”），以便巡检人员快速进行及时处理，避免出现更大的损失。
步骤603，根据图像检测测试结果计算污闪检测数据，依据所述污闪检测数据对所述绝缘子污闪检测模型进行模型评价。
进一步地，在进行图像检测测试之后，可以根据图像检测测试结果计算污闪检测数据，并依据污闪检测数据对绝缘子污闪检测模型进行模型评价。
示例性地，可以根据污闪测试集的图像检测结果计算检测精度，如AP（AveragePrecision，平均精度/目标检测中的一个常用指标）值，检测速度，如FPS（Frame PerSecond，画面每秒传输帧数），模型占用内存等性能评价指标，作为模型评价的评价指标，同时可以将本发明实施例中绝缘子污闪检测系统的测试结果与YOLOv7-tiny模型的指标进行比对，结果如表1所示：
从表中可以看出，相较于YOLOv7-tiny模型，采用本发明实施例中绝缘子污闪检测系统进行绝缘子污闪检测，较大提高了检测精度，能够实现较为准确的检测，且检测速度FPS能够满足工程应用中实时检测需求，有助于电网公司巡检人员开展绝缘子防污闪及处理工作，同时检测速度以及模型占用内存与YOLOv7-tiny模型的测试数据相比，在较大提高了检测精度的前提下，两者差别可以忽略不计。
从而针对绝缘子污闪检测搭建绝缘子污闪检测系统，以及构建对应的绝缘子污闪检测模型，并采用绝缘子污闪图像数据集进行模型训练以及测试，从而采用训练后的绝缘子污闪检测模型并结合绝缘子污闪检测方法，可以实现快速准确地检测出绝缘子污闪位置，大大提高检测效率以及检测准确度。
在本发明实施例中，对于绝缘子污闪检测过程，针对样本图像集，通过采用对比度增强处理技术的多组合数据增强方法对图像样本进行处理，在实现增强绝缘子污闪区域的对比度的同时进行增广样本，从而提高了检测系统实际应用下的检测精度；结合绝缘子污闪检测系统，通过采用自适应权重分配子模块对特征提取网络进行改进，从而克服了全局信息和局部信息的不平衡，实现局部区域重要性的自适应调节，同时采用协调融合注意力子模块对特征融合网络进行改进，利用水平方向与垂直方向的特征获得空间位置信息及其注意力，从而加强了模型对绝缘子污闪区域的关注度，最后在检测网络中引入自适应解码预测子模块对输出的强化特征进行自适应解码预测处理，总体上增强了绝缘子污闪检测系统的小目标检测能力，提高了模型对污闪区域小目标的空间辨识能力。通过采用本发明实施例所提供的绝缘子污闪检测方法，并结合绝缘子污闪检测系统，实现了快速准确地检测出绝缘子污闪位置，大大提高了检测效率以及检测准确度。
参照图8，示出了本发明实施例提供的一种绝缘子污闪检测装置的结构框图，所述装置应用于绝缘子污闪检测方法，所述绝缘子污闪检测方法应用于绝缘子污闪检测系统，所述绝缘子污闪检测系统至少包括多层次特征提取模块、特征融合强化模块以及自适应检测模块，所述装置具体可以包括：
特征提取处理模块801，用于获取待测绝缘子污闪图像，将所述待测绝缘子污闪图像输入至所述多层次特征提取模块进行多层次特征提取处理，输出浅层污闪特征、中层污闪特征以及深层污闪特征；
特征协调增强融合处理模块802，用于将所述浅层污闪特征、所述中层污闪特征以及所述深层污闪特征输入至所述特征融合强化模块进行特征协调增强融合处理，输出浅层强化特征、中层强化特征以及深层强化特征；
自适应解码预测处理模块803，用于通过所述自适应检测模块对所述浅层强化特征、所述中层强化特征以及所述深层强化特征进行自适应解码预测处理，输出所述浅层强化特征、所述中层强化特征以及所述深层强化特征各自对应的自适应解耦检测头；
绝缘子污闪检测模块804，用于基于各个所述自适应解耦检测头对所述待测绝缘子污闪图像进行绝缘子污闪检测，确定绝缘子污闪位置。
在一种可选实施例中，所述特征提取处理模块801包括：
浅层污闪特征输出模块，用于将所述待测绝缘子污闪图像输入所述多层次特征提取模块进行连续两次标准卷积处理，获得压缩特征图，接着对所述压缩特征图先进行多模态特征强化处理，再进行最大值池化处理，接着再进行多模态特征强化处理，输出浅层污闪特征；
中层污闪特征输出模块，用于对所述浅层污闪特征先进行最大值池化处理，再进行多模态特征强化处理，输出中层污闪特征；
深层污闪特征输出模块，用于对所述中层污闪特征进行最大值池化处理，获得关键局部输入特征图，对所述关键局部输入特征图进行自适应权重分配处理，输出深层污闪特征。
在一种可选实施例中，所述多层次特征提取模块中包括自适应权重分配子模块，所述深层污闪特征输出模块包括：
局部特征向量计算模块，用于通过所述自适应权重分配子模块对所述关键局部输入特征图分别进行3次1×1卷积运算，对应获得3个局部特征向量；
相关特征图计算模块，用于计算各个所述局部特征向量各自对应的相关特征图；
输出注意力图生成模块，用于通过全连接操作计算自适应分配权重，并采用所述自适应分配权重与所述相关特征图进行分配权重增强计算，获得输出注意力图；
自注意力输出特征图优化模块，用于对所述输出注意力图进行自注意力计算，获得自注意力输出特征图，并采用权重分配参数对所述自注意力输出特征图进行优化，输出深层污闪特征。
在一种可选实施例中，所述相关特征图计算模块包括：
权重矩阵获取模块，用于获取各个所述局部特征向量对应的权重矩阵；
相关特征图计算子模块，用于采用各个所述局部特征向量与各自对应的权重矩阵进行计算，分别输出第一相关特征图、第二相关特征图以及第三相关特征图，具体计算公式如下：
；
其中，x为关键局部输入特征图，q、k、v均为局部特征向量，W q 为q的权重矩阵，W k 为k对应的权重矩阵，W v 为v对应的权重矩阵，q（x）为q对应的第一相关特征图，k（x）为k对应的第二相关特征图，v（x）为v对应的第三相关特征图。
在一种可选实施例中，所述输出注意力图生成模块具体用于：
采用如下公式计算自适应分配权重：
；
并采用如下公式进行分配权重增强计算，获得输出注意力图：
；
其中，F i （·）表示全连接操作，表示自适应分配权重，X i 表示第二相关特征图k(x)或第三相关特征图v(x)，P j 表示输出注意力图k'(x)或v'(x)，i,j∈{0,1,2,...,d}，d为特征维度。
在一种可选实施例中，所述自注意力输出特征图优化模块具体用于：
采用如下公式对所述输出注意力图进行自注意力计算，获得自注意力输出特征图：
；
；
；
采用如下公式对所述自注意力输出特征图进行优化，输出深层污闪特征：
；
其中，x i 、x j 表示关键局部输入特征图x的特征维度，k'(x)与v'(x)表示输出注意力图，（*） T 表示矩阵转置，S ij 为k'(x)转置与q(x)的向量点积计算过程的中间变量，exp（*）表示以自然常数e为底的指数函数，β j,i 为注意力权重值，λ为缩放因子，n∈{0,1,2,...,d}，n为特征矩阵的行或列，O i = (o 1,o 2, …,o d )表示自注意力输出特征图，为权重分配参数，y i 为自适应权重分配子模块输出的深层污闪特征。
在一种可选实施例中，所述特征协调增强融合处理模块802包括：
第一协调融合特征图生成模块，用于对所述深层污闪特征进行空间金字塔池化处理，获得增强空间特征图，接着对所述增强空间特征图先进行标准卷积处理，再进行特征协调融合处理，获得第一协调融合特征图；
强化堆叠特征图输出模块，用于对所述中层污闪特征进行标准卷积处理后，与所述第一协调融合特征图进行特征堆叠，获得第一堆叠特征图，对所述第一堆叠特征图进行多模态特征强化处理，输出强化堆叠特征图；
第二协调融合特征图生成模块，用于对所述强化堆叠特征图先进行标准卷积处理，再进行特征协调融合处理，获得第二协调融合特征图；
浅层强化特征输出模块，用于对所述浅层污闪特征进行标准卷积处理后，与所述第二协调融合特征图进行特征堆叠，获得第二堆叠特征图，对所述第二堆叠特征图进行多模态特征强化处理，输出浅层强化特征；
中层强化特征输出模块，用于对所述浅层强化特征进行下采样处理后，与所述强化堆叠特征图进行特征堆叠，获得第三堆叠特征图，对所述第三堆叠特征图进行多模态特征强化处理，输出中层强化特征；
深层强化特征输出模块，用于对所述中层强化特征进行下采样处理后，与所述增强空间特征图进行特征堆叠，获得第四堆叠特征图，对所述第四堆叠特征图进行多模态特征强化处理，输出深层强化特征。
在一种可选实施例中，所述特征融合强化模块中包括协调融合注意力子模块，所述深层污闪特征输出模块包括：
位置信息提取模块，用于将需要进行特征协调融合处理的原始输入特征图输入至协调融合注意力子模块，分别沿着水平方向与垂直方向对所述原始输入特征图的每个通道进行位置信息提取，获得水平方向对应的水平空间位置特征，以及垂直方向对应的垂直空间位置特征；
中间特征图输出模块，用于采用所述水平空间位置特征以及所述垂直空间位置特征进行融合与卷积变换，输出中间特征图；
卷积修正处理模块，用于将所述中间特征图沿着水平方向与垂直方向分切为水平中间特征向量以及垂直中间特征向量，并对所述水平中间特征向量以及所述垂直中间特征向量分别进行卷积修正处理，获得所述水平中间特征向量对应的水平注意力权重，以及所述垂直中间特征向量对应的垂直注意力权重；
协调融合输出特征图生成模块，用于根据所述水平注意力权重、所述垂直注意力权重以及所述原始输入特征图进行相乘，获得协调融合输出特征图。
在一种可选实施例中，所述位置信息提取模块具体用于：
采用如下公式对所述原始输入特征图的每个通道进行位置信息提取，获得水平空间位置特征，以及垂直空间位置特征：
；
；
；
其中，x c (i,j)为第c个通道高为i宽为j处的原始输入特征图对应特征信息，x c (j,w)为原始输入特征图中第c个通道宽为w处的特征信息，x c (h,i)为原始输入特征图中第c个通道高为h处的特征信息，原始输入特征图的总高为H，总宽为W，表示宽度为w第c通道的水平空间位置特征，/>表示高度为h第c个通道的垂直空间位置特征，z c 表示第c个通道高为h宽为w处的空间位置特征。
在一种可选实施例中，所述中间特征图输出模块具体用于：
采用如下公式对所述水平空间位置特征以及所述垂直空间位置特征进行融合与卷积变换：
；/>
其中，z h 表示为垂直方向上的垂直空间位置特征，z w 表示为水平方向上的水平空间位置特征，为非线性激活函数，f∈R c/r×(H+W)为在水平方向和垂直方向上对空间位置特征信息进行编码的中间特征图，R为实数集合，r为控制特征通道大小c的减小比，f 1表示1×1的卷积运算，cat(·)表示特征的串联堆叠。
在一种可选实施例中，所述卷积修正处理模块具体用于：
采用1×1卷积以及激活函数分别对所述水平中间特征向量以及所述垂直中间特征向量进行卷积修正处理，获得所述水平中间特征向量对应的水平注意力权重，以及所述垂直中间特征向量对应的垂直注意力权重，具体计算公式如下：
；
其中，表示通道c上垂直方向的垂直注意力权重，/>表示通道c上水平方向的水平注意力权重，/>表示垂直方向采用的1×1卷积运算，/>表示水平方向采用的1×1卷积运算，σ(·)表示激活函数；
则所述协调融合输出特征图生成模块具体用于：
采用如下公式进行相乘计算，获得协调融合输出特征图：
；
其中，表示垂直方向的垂直注意力权重，/>表示水平方向的水平注意力权重，y c (i,j)表示协调融合注意力子模块最终输出的协调融合输出特征图。
在一种可选实施例中，所述自适应检测模块中包括自适应解码预测子模块，所述自适应解码预测处理模块803包括：
目标降维强化特征输出模块，用于将需要进行解码处理的目标强化特征输入至所述自适应解码预测子模块，并对所述目标强化特征进行1×1卷积计算，获得目标降维强化特征，所述目标降维强化特征包括污闪目标分类特征以及污闪定位任务特征；
检测向量生成模块，用于对所述污闪目标分类特征以及所述污闪定位任务特征先分别进行连续两次的3×3卷积计算，再分别进行1×1卷积计算，输出所述污闪目标分类特征对应的检测目标类别向量，所述污闪定位任务特征对应的检测框坐标向量以及检测框置信度向量；
自适应解耦检测头输出模块，用于将所述检测目标类别向量、所述检测框坐标向量以及所述检测框置信度向量进行特征融合，输出所述目标强化特征对应的自适应解耦检测头。
在一种可选实施例中，所述装置还包括：
绝缘子污闪检测模型构建模块，用于搭建绝缘子污闪检测系统，并在所述绝缘子污闪检测系统中设置多层次特征提取模块、特征融合强化模块以及自适应检测模块，以构建绝缘子污闪检测模型；
模型训练以及测试模块，用于获取经过对比度数据增广处理的绝缘子污闪图像数据集，并采用所述绝缘子污闪图像数据集对所述绝缘子污闪检测模型进行模型训练以及图像检测测试；
模型评价模块，用于根据图像检测测试结果计算污闪检测数据，依据所述污闪检测数据对所述绝缘子污闪检测模型进行模型评价。
在一种可选实施例中，所述模型训练以及测试模块包括：
数据集划分模块，用于将所述绝缘子污闪图像数据集按预设比例划分为污闪训练集、污闪验证集以及污闪测试集，并对所述污闪训练集以及所述污闪验证集中的绝缘子污闪图像进行归一化输入图像处理，获得所述污闪训练集对应的校正训练集，以及所述污闪验证集对应的校正验证集；
模型交叉验证测试模块，用于通过所述校正训练集以及所述校正验证集对所述绝缘子污闪检测模型进行训练与验证，并将所述污闪测试集输入至训练后的绝缘子污闪检测模型进行图像检测测试。
在一种可选实施例中，所述模型交叉验证测试模块包括：
先验框尺寸确定模块，用于采用K均值聚类算法对所述校正训练集进行聚类计算，确定先验框尺寸，所述先验框尺寸分别对应浅、中、深三个尺度，所述先验框尺寸用于在模型训练时辅助模型进行目标定位；
预训练处理模块，用于采用预设图像数据集对所述绝缘子污闪检测模型进行预训练处理，获得污闪检测预训练模型；
模型交叉验证测试子模块，用于基于所述先验框尺寸以及所述污闪检测预训练模型的权重，采用所述校正训练集以及所述校正验证集先对所述绝缘子污闪检测模型的特征融合强化模块以及自适应检测模块进行局部模型训练与验证，再对所述绝缘子污闪检测模型进行整体模型训练与验证。
在一种可选实施例中，所述装置还包括：
多张绝缘子污闪图像样本筛选模块，用于获取绝缘子的巡检记录图像样本集，从所述巡检记录图像样本集中筛选出多张绝缘子污闪图像样本，并对所述多张绝缘子污闪图像样本进行污闪标记处理，生成对应的绝缘子污闪标签文件集；
对比度数据增广处理模块，用于采用所述多张绝缘子污闪图像样本进行对比度数据增广处理，获得多张增广绝缘子污闪图像，并对所述多张增广绝缘子污闪图像进行标签创建操作，生成对应的污闪图像变换标签文件集；
绝缘子污闪图像数据集确定模块，用于将所述多张绝缘子污闪图像样本、所述绝缘子污闪标签文件集、所述多张增广绝缘子污闪图像以及所述污闪图像变换标签文件集作为所述绝缘子的绝缘子污闪图像数据集。
在一种可选实施例中，所述对比度数据增广处理模块包括：
图像变换处理模块，用于执行步骤S1：每次从所述多张绝缘子污闪图像样本中随机选取预设数量的目标绝缘子污闪图像样本，设置随机概率种子，按照所述随机概率种子对每张所述目标绝缘子污闪图像样本分别进行图像变换处理，获得各自对应的变换污闪图像样本；
图像拼接处理模块，用于执行步骤S2：将各个所述变换污闪图像样本进行图像拼接处理，获得拼接后的增广绝缘子污闪图像；
数据增广处理重复模块，用于执行步骤S3：重复多次由步骤S1至S2的处理过程，直至获得多张增广绝缘子污闪图像。
在一种可选实施例中，所述图像变换处理模块包括：
图像处理方法选择模块，用于按照所述随机概率种子，从多尺度视网膜增强处理方法与自适应对比度增强方法中选择其中一种图像处理方法，并根据选中的图像处理方法对每张所述目标绝缘子污闪图像样本进行图像处理；
图像变换处理子模块，用于对每张所述目标绝缘子污闪图像样本均采取0.5的概率从旋转、裁剪、镜像翻转中任意选择其一作为图像处理方式进行图像变换，获得各自对应的变换污闪图像样本。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述得比较简单，相关之处参见前述方法实施例的部分说明即可。
本发明实施例还提供了一种电子设备，设备包括处理器以及存储器：
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行本发明任一实施例的绝缘子污闪检测方法。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行本发明任一实施例的绝缘子污闪检测方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (21)
1.一种绝缘子污闪检测方法，其特征在于，应用于绝缘子污闪检测系统，所述绝缘子污闪检测系统至少包括多层次特征提取模块、特征融合强化模块以及自适应检测模块，所述方法包括：
获取待测绝缘子污闪图像，将所述待测绝缘子污闪图像输入至所述多层次特征提取模块进行多层次特征提取处理，输出浅层污闪特征、中层污闪特征以及深层污闪特征；
将所述浅层污闪特征、所述中层污闪特征以及所述深层污闪特征输入至所述特征融合强化模块进行特征协调增强融合处理，输出浅层强化特征、中层强化特征以及深层强化特征；
通过所述自适应检测模块对所述浅层强化特征、所述中层强化特征以及所述深层强化特征进行自适应解码预测处理，输出所述浅层强化特征、所述中层强化特征以及所述深层强化特征各自对应的自适应解耦检测头；
基于各个所述自适应解耦检测头对所述待测绝缘子污闪图像进行绝缘子污闪检测，确定绝缘子污闪位置。
2.根据权利要求1所述的绝缘子污闪检测方法，其特征在于，所述将所述待测绝缘子污闪图像输入至所述多层次特征提取模块进行多层次特征提取处理，输出浅层污闪特征、中层污闪特征以及深层污闪特征，包括：
将所述待测绝缘子污闪图像输入所述多层次特征提取模块进行连续两次标准卷积处理，获得压缩特征图，接着对所述压缩特征图先进行多模态特征强化处理，再进行最大值池化处理，接着再进行多模态特征强化处理，输出浅层污闪特征；
对所述浅层污闪特征先进行最大值池化处理，再进行多模态特征强化处理，输出中层污闪特征；
对所述中层污闪特征进行最大值池化处理，获得关键局部输入特征图，对所述关键局部输入特征图进行自适应权重分配处理，输出深层污闪特征。
3.根据权利要求2所述的绝缘子污闪检测方法，其特征在于，所述多层次特征提取模块中包括自适应权重分配子模块，所述对所述关键局部输入特征图进行自适应权重分配处理，输出深层污闪特征，包括：
通过所述自适应权重分配子模块对所述关键局部输入特征图分别进行3次1×1卷积运算，对应获得3个局部特征向量；
计算各个所述局部特征向量各自对应的相关特征图；
通过全连接操作计算自适应分配权重，并采用所述自适应分配权重与所述相关特征图进行分配权重增强计算，获得输出注意力图；
对所述输出注意力图进行自注意力计算，获得自注意力输出特征图，并采用权重分配参数对所述自注意力输出特征图进行优化，输出深层污闪特征。
4.根据权利要求3所述的绝缘子污闪检测方法，其特征在于，所述计算各个所述局部特征向量各自对应的相关特征图，包括：
获取各个所述局部特征向量对应的权重矩阵；
采用各个所述局部特征向量与各自对应的权重矩阵进行计算，分别输出第一相关特征图、第二相关特征图以及第三相关特征图，具体计算公式如下：
；
其中，x为关键局部输入特征图，q、k、v均为局部特征向量，W q 为q的权重矩阵，W k 为k对应的权重矩阵，W v 为v对应的权重矩阵，q（x）为q对应的第一相关特征图，k（x）为k对应的第二相关特征图，v（x）为v对应的第三相关特征图。
5.根据权利要求4所述的绝缘子污闪检测方法，其特征在于，所述通过全连接操作计算自适应分配权重，并采用所述自适应分配权重与所述相关特征图进行分配权重增强计算，获得输出注意力图，包括：
采用如下公式计算自适应分配权重：
；
并采用如下公式进行分配权重增强计算，获得输出注意力图：
；
其中，F i （·）表示全连接操作，表示自适应分配权重，X i 表示第二相关特征图k(x)或第三相关特征图v(x)，P j 表示输出注意力图k'(x)或v'(x)，i, j∈{0,1,2,...,d}，d为特征维度。
6.根据权利要求5所述的绝缘子污闪检测方法，其特征在于，所述对所述输出注意力图进行自注意力计算，获得自注意力输出特征图，并采用权重分配参数对所述自注意力输出特征图进行优化，输出深层污闪特征，包括：
采用如下公式对所述输出注意力图进行自注意力计算，获得自注意力输出特征图：
；
；
；
采用如下公式对所述自注意力输出特征图进行优化，输出深层污闪特征：
；
其中，x i 、x j 表示关键局部输入特征图x的特征维度，k'(x)与v'(x)表示输出注意力图，（*） T 表示矩阵转置，S ij 为k'(x)转置与q(x)的向量点积计算过程的中间变量，exp（*）表示以自然常数e为底的指数函数，β j,i 为注意力权重值，λ为缩放因子，n∈{0,1,2,...,d}，n为特征矩阵的行或列，O i = (o 1, o 2, …, o d )表示自注意力输出特征图，为权重分配参数，y i 为自适应权重分配子模块输出的深层污闪特征。
7.根据权利要求2所述的绝缘子污闪检测方法，其特征在于，所述将所述浅层污闪特征、所述中层污闪特征以及所述深层污闪特征输入至所述特征融合强化模块进行特征协调增强融合处理，输出浅层强化特征、中层强化特征以及深层强化特征，包括：
对所述深层污闪特征进行空间金字塔池化处理，获得增强空间特征图，接着对所述增强空间特征图先进行标准卷积处理，再进行特征协调融合处理，获得第一协调融合特征图；
对所述中层污闪特征进行标准卷积处理后，与所述第一协调融合特征图进行特征堆叠，获得第一堆叠特征图，对所述第一堆叠特征图进行多模态特征强化处理，输出强化堆叠特征图；
对所述强化堆叠特征图先进行标准卷积处理，再进行特征协调融合处理，获得第二协调融合特征图；
对所述浅层污闪特征进行标准卷积处理后，与所述第二协调融合特征图进行特征堆叠，获得第二堆叠特征图，对所述第二堆叠特征图进行多模态特征强化处理，输出浅层强化特征；
对所述浅层强化特征进行下采样处理后，与所述强化堆叠特征图进行特征堆叠，获得第三堆叠特征图，对所述第三堆叠特征图进行多模态特征强化处理，输出中层强化特征；
对所述中层强化特征进行下采样处理后，与所述增强空间特征图进行特征堆叠，获得第四堆叠特征图，对所述第四堆叠特征图进行多模态特征强化处理，输出深层强化特征。
8.根据权利要求7所述的绝缘子污闪检测方法，其特征在于，所述特征融合强化模块中包括协调融合注意力子模块，所述特征协调融合处理的步骤，包括：
将需要进行特征协调融合处理的原始输入特征图输入至协调融合注意力子模块，分别沿着水平方向与垂直方向对所述原始输入特征图的每个通道进行位置信息提取，获得水平方向对应的水平空间位置特征，以及垂直方向对应的垂直空间位置特征；
采用所述水平空间位置特征以及所述垂直空间位置特征进行融合与卷积变换，输出中间特征图；
将所述中间特征图沿着水平方向与垂直方向分切为水平中间特征向量以及垂直中间特征向量，并对所述水平中间特征向量以及所述垂直中间特征向量分别进行卷积修正处理，获得所述水平中间特征向量对应的水平注意力权重，以及所述垂直中间特征向量对应的垂直注意力权重；
根据所述水平注意力权重、所述垂直注意力权重以及所述原始输入特征图进行相乘，获得协调融合输出特征图。
9.根据权利要求8所述的绝缘子污闪检测方法，其特征在于，所述分别沿着水平方向与垂直方向对所述原始输入特征图的每个通道进行位置信息提取，获得水平方向对应的水平空间位置特征，以及垂直方向对应的垂直空间位置特征，包括：
采用如下公式对所述原始输入特征图的每个通道进行位置信息提取，获得水平空间位置特征，以及垂直空间位置特征：
；
；
；
其中，x c (i,j)为第c个通道高为i宽为j处的原始输入特征图对应特征信息，x c (j,w)为原始输入特征图中第c个通道宽为w处的特征信息，x c (h,i)为原始输入特征图中第c个通道高为h处的特征信息，原始输入特征图的总高为H，总宽为W，表示宽度为w第c通道的水平空间位置特征，/>表示高度为h第c个通道的垂直空间位置特征，z c 表示第c个通道高为h宽为w处的空间位置特征。
10.根据权利要求9所述的绝缘子污闪检测方法，其特征在于，所述采用所述水平空间位置特征以及所述垂直空间位置特征进行融合与卷积变换，输出中间特征图，包括：
采用如下公式对所述水平空间位置特征以及所述垂直空间位置特征进行融合与卷积变换：
；
其中，z h 表示为垂直方向上的垂直空间位置特征，z w 表示为水平方向上的水平空间位置特征，为非线性激活函数，f∈R c/r×(H+W)为在水平方向和垂直方向上对空间位置特征信息进行编码的中间特征图，R为实数集合，r为控制特征通道大小c的减小比，f 1表示1×1的卷积运算，cat(·)表示特征的串联堆叠。
11.根据权利要求10所述的绝缘子污闪检测方法，其特征在于，所述对所述水平中间特征向量以及所述垂直中间特征向量分别进行卷积修正处理，获得所述水平中间特征向量对应的水平注意力权重，以及所述垂直中间特征向量对应的垂直注意力权重，包括：
采用1×1卷积以及激活函数分别对所述水平中间特征向量以及所述垂直中间特征向量进行卷积修正处理，获得所述水平中间特征向量对应的水平注意力权重，以及所述垂直中间特征向量对应的垂直注意力权重，具体计算公式如下：
；
其中，表示通道c上垂直方向的垂直注意力权重，/>表示通道c上水平方向的水平注意力权重，/>表示垂直方向采用的1×1卷积运算，/>表示水平方向采用的1×1卷积运算，σ(·)表示激活函数；
则所述根据所述水平注意力权重、所述垂直注意力权重以及所述原始输入特征图进行相乘，获得协调融合输出特征图，包括：
采用如下公式进行相乘计算，获得协调融合输出特征图：
；
其中，表示垂直方向的垂直注意力权重，/>表示水平方向的水平注意力权重，y c (i,j)表示协调融合注意力子模块最终输出的协调融合输出特征图。
12.根据权利要求2所述的绝缘子污闪检测方法，其特征在于，所述自适应检测模块中包括自适应解码预测子模块，所述自适应解码预测处理的步骤，包括：
将需要进行解码处理的目标强化特征输入至所述自适应解码预测子模块，并对所述目标强化特征进行1×1卷积计算，获得目标降维强化特征，所述目标降维强化特征包括污闪目标分类特征以及污闪定位任务特征；
对所述污闪目标分类特征以及所述污闪定位任务特征先分别进行连续两次的3×3卷积计算，再分别进行1×1卷积计算，输出所述污闪目标分类特征对应的检测目标类别向量，所述污闪定位任务特征对应的检测框坐标向量以及检测框置信度向量；
将所述检测目标类别向量、所述检测框坐标向量以及所述检测框置信度向量进行特征融合，输出所述目标强化特征对应的自适应解耦检测头。
13.根据权利要求1所述的绝缘子污闪检测方法，其特征在于，还包括：
搭建绝缘子污闪检测系统，并在所述绝缘子污闪检测系统中设置多层次特征提取模块、特征融合强化模块以及自适应检测模块，以构建绝缘子污闪检测模型；
获取经过对比度数据增广处理的绝缘子污闪图像数据集，并采用所述绝缘子污闪图像数据集对所述绝缘子污闪检测模型进行模型训练以及图像检测测试；
根据图像检测测试结果计算污闪检测数据，依据所述污闪检测数据对所述绝缘子污闪检测模型进行模型评价。
14.根据权利要求13所述的绝缘子污闪检测方法，其特征在于，所述采用所述绝缘子污闪图像数据集对所述绝缘子污闪检测模型进行模型训练以及图像检测测试，包括：
将所述绝缘子污闪图像数据集按预设比例划分为污闪训练集、污闪验证集以及污闪测试集，并对所述污闪训练集以及所述污闪验证集中的绝缘子污闪图像进行归一化输入图像处理，获得所述污闪训练集对应的校正训练集，以及所述污闪验证集对应的校正验证集；
通过所述校正训练集以及所述校正验证集对所述绝缘子污闪检测模型进行训练与验证，并将所述污闪测试集输入至训练后的绝缘子污闪检测模型进行图像检测测试。
15.根据权利要求14所述的绝缘子污闪检测方法，其特征在于，所述通过所述校正训练集以及所述校正验证集对所述绝缘子污闪检测模型进行训练与验证，包括：
采用K均值聚类算法对所述校正训练集进行聚类计算，确定先验框尺寸，所述先验框尺寸分别对应浅、中、深三个尺度，所述先验框尺寸用于在模型训练时辅助模型进行目标定位；
采用预设图像数据集对所述绝缘子污闪检测模型进行预训练处理，获得污闪检测预训练模型；
基于所述先验框尺寸以及所述污闪检测预训练模型的权重，采用所述校正训练集以及所述校正验证集先对所述绝缘子污闪检测模型的特征融合强化模块以及自适应检测模块进行局部模型训练与验证，再对所述绝缘子污闪检测模型进行整体模型训练与验证。
16.根据权利要求13所述的绝缘子污闪检测方法，其特征在于，在所述获取经过对比度数据增广处理的绝缘子污闪图像数据集之前，所述方法还包括：
获取绝缘子的巡检记录图像样本集，从所述巡检记录图像样本集中筛选出多张绝缘子污闪图像样本，并对所述多张绝缘子污闪图像样本进行污闪标记处理，生成对应的绝缘子污闪标签文件集；
采用所述多张绝缘子污闪图像样本进行对比度数据增广处理，获得多张增广绝缘子污闪图像，并对所述多张增广绝缘子污闪图像进行标签创建操作，生成对应的污闪图像变换标签文件集；
将所述多张绝缘子污闪图像样本、所述绝缘子污闪标签文件集、所述多张增广绝缘子污闪图像以及所述污闪图像变换标签文件集作为所述绝缘子的绝缘子污闪图像数据集。
17.根据权利要求16所述的绝缘子污闪检测方法，其特征在于，所述采用所述多张绝缘子污闪图像样本进行对比度数据增广处理，获得多张增广绝缘子污闪图像，包括：
步骤S1：每次从所述多张绝缘子污闪图像样本中随机选取预设数量的目标绝缘子污闪图像样本，设置随机概率种子，按照所述随机概率种子对每张所述目标绝缘子污闪图像样本分别进行图像变换处理，获得各自对应的变换污闪图像样本；
步骤S2：将各个所述变换污闪图像样本进行图像拼接处理，获得拼接后的增广绝缘子污闪图像；
步骤S3：重复多次由步骤S1至S2的处理过程，直至获得多张增广绝缘子污闪图像。
18.根据权利要求17所述的绝缘子污闪检测方法，其特征在于，所述按照所述随机概率种子对每张所述目标绝缘子污闪图像样本分别进行图像变换处理，获得各自对应的变换污闪图像样本，包括：
按照所述随机概率种子，从多尺度视网膜增强处理方法与自适应对比度增强方法中选择其中一种图像处理方法，并根据选中的图像处理方法对每张所述目标绝缘子污闪图像样本进行图像处理；
对每张所述目标绝缘子污闪图像样本均采取0.5的概率从旋转、裁剪、镜像翻转中任意选择其一作为图像处理方式进行图像变换，获得各自对应的变换污闪图像样本。
19.一种绝缘子污闪检测装置，其特征在于，应用于绝缘子污闪检测系统，所述绝缘子污闪检测系统至少包括多层次特征提取模块、特征融合强化模块以及自适应检测模块，所述装置包括：
特征提取处理模块，用于获取待测绝缘子污闪图像，将所述待测绝缘子污闪图像输入至所述多层次特征提取模块进行多层次特征提取处理，输出浅层污闪特征、中层污闪特征以及深层污闪特征；
特征协调增强融合处理模块，用于将所述浅层污闪特征、所述中层污闪特征以及所述深层污闪特征输入至所述特征融合强化模块进行特征协调增强融合处理，输出浅层强化特征、中层强化特征以及深层强化特征；
自适应解码预测处理模块，用于通过所述自适应检测模块对所述浅层强化特征、所述中层强化特征以及所述深层强化特征进行自适应解码预测处理，输出所述浅层强化特征、所述中层强化特征以及所述深层强化特征各自对应的自适应解耦检测头；
绝缘子污闪检测模块，用于基于各个所述自适应解耦检测头对所述待测绝缘子污闪图像进行绝缘子污闪检测，确定绝缘子污闪位置。
20.一种电子设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-18任一项所述的绝缘子污闪检测方法。
21.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-18任一项所述的绝缘子污闪检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310753535.5A CN116503398B (zh) | 2023-06-26 | 2023-06-26 | 绝缘子污闪检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310753535.5A CN116503398B (zh) | 2023-06-26 | 2023-06-26 | 绝缘子污闪检测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116503398A true CN116503398A (zh) | 2023-07-28 |
| CN116503398B CN116503398B (zh) | 2023-09-26 |
Family
ID=87325129
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310753535.5A Active CN116503398B (zh) | 2023-06-26 | 2023-06-26 | 绝缘子污闪检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116503398B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117422689A (zh) * | 2023-10-31 | 2024-01-19 | 南京邮电大学 | 一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法 |
| CN117422689B (zh) * | 2023-10-31 | 2024-05-31 | 南京邮电大学 | 一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019153908A1 (zh) * | 2018-02-11 | 2019-08-15 | 北京达佳互联信息技术有限公司 | 基于注意力模型的图像识别方法和系统 |
| CN111738940A (zh) * | 2020-06-02 | 2020-10-02 | 大连理工大学 | 一种基于自注意力机制模范生成对抗网络的人脸图像眼部补全方法 |
| CN113298080A (zh) * | 2021-07-26 | 2021-08-24 | 城云科技（中国）有限公司 | 目标检测增强模型、目标检测方法、装置及电子装置 |
| CN113920107A (zh) * | 2021-10-29 | 2022-01-11 | 西安工程大学 | 一种基于改进yolov5算法的绝缘子破损检测方法 |
| US20220270373A1 (en) * | 2020-04-29 | 2022-08-25 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method for detecting vehicle, electronic device and storage medium |
| CN115063573A (zh) * | 2022-06-14 | 2022-09-16 | 湖北工业大学 | 一种基于注意力机制的多尺度目标检测方法 |
| CN115239710A (zh) * | 2022-09-21 | 2022-10-25 | 南京信息工程大学 | 基于注意力反馈和双空间金字塔的绝缘子缺陷检测方法 |
| CN115761484A (zh) * | 2022-11-02 | 2023-03-07 | 武汉大学 | 一种基于遥感图像的云检测方法及装置 |
| CN116258850A (zh) * | 2022-12-12 | 2023-06-13 | 浙江大华技术股份有限公司 | 图像语义分割方法、电子设备以及计算机可读存储介质 |
| CN116256586A (zh) * | 2023-05-10 | 2023-06-13 | 广东电网有限责任公司湛江供电局 | 电力设备过热检测方法、装置、电子设备与存储介质 |
-
2023
- 2023-06-26 CN CN202310753535.5A patent/CN116503398B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019153908A1 (zh) * | 2018-02-11 | 2019-08-15 | 北京达佳互联信息技术有限公司 | 基于注意力模型的图像识别方法和系统 |
| US20220270373A1 (en) * | 2020-04-29 | 2022-08-25 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method for detecting vehicle, electronic device and storage medium |
| CN111738940A (zh) * | 2020-06-02 | 2020-10-02 | 大连理工大学 | 一种基于自注意力机制模范生成对抗网络的人脸图像眼部补全方法 |
| CN113298080A (zh) * | 2021-07-26 | 2021-08-24 | 城云科技（中国）有限公司 | 目标检测增强模型、目标检测方法、装置及电子装置 |
| CN113920107A (zh) * | 2021-10-29 | 2022-01-11 | 西安工程大学 | 一种基于改进yolov5算法的绝缘子破损检测方法 |
| CN115063573A (zh) * | 2022-06-14 | 2022-09-16 | 湖北工业大学 | 一种基于注意力机制的多尺度目标检测方法 |
| CN115239710A (zh) * | 2022-09-21 | 2022-10-25 | 南京信息工程大学 | 基于注意力反馈和双空间金字塔的绝缘子缺陷检测方法 |
| CN115761484A (zh) * | 2022-11-02 | 2023-03-07 | 武汉大学 | 一种基于遥感图像的云检测方法及装置 |
| CN116258850A (zh) * | 2022-12-12 | 2023-06-13 | 浙江大华技术股份有限公司 | 图像语义分割方法、电子设备以及计算机可读存储介质 |
| CN116256586A (zh) * | 2023-05-10 | 2023-06-13 | 广东电网有限责任公司湛江供电局 | 电力设备过热检测方法、装置、电子设备与存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| WEICHENG SHI.ET AL: "An Insulator Detection Model Using Bidirectional Feature Fusion Structure Based On YOLO X", IEEE, pages 881 - 886 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117422689A (zh) * | 2023-10-31 | 2024-01-19 | 南京邮电大学 | 一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法 |
| CN117422689B (zh) * | 2023-10-31 | 2024-05-31 | 南京邮电大学 | 一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116503398B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109840556B (zh) | 一种基于孪生网络的图像分类识别方法 | |
| CN107564025B (zh) | 一种基于深度神经网络的电力设备红外图像语义分割方法 | |
| CN112115783A (zh) | 基于深度知识迁移的人脸特征点检测方法、装置及设备 | |
| CN109872305B (zh) | 一种基于质量图生成网络的无参考立体图像质量评价方法 | |
| CN109583483A (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
| CN116256586B (zh) | 电力设备过热检测方法、装置、电子设备与存储介质 | |
| CN111860171A (zh) | 一种大规模遥感图像中不规则形状目标的检测方法及系统 | |
| CN110879982A (zh) | 一种人群计数系统及方法 | |
| CN111160096A (zh) | 禽蛋异常的识别方法、装置及系统、存储介质、电子装置 | |
| CN112257741B (zh) | 一种基于复数神经网络的生成性对抗虚假图片的检测方法 | |
| CN107067410A (zh) | 一种基于增广样本的流形正则化相关滤波目标跟踪方法 | |
| CN116229052B (zh) | 一种基于孪生网络的变电站设备状态变化检测方法 | |
| CN111368637B (zh) | 一种基于多掩模卷积神经网络的搬运机器人识别目标方法 | |
| CN114067286A (zh) | 基于序列化可形变注意力机制的高位相机车辆重识别方法 | |
| CN116092179A (zh) | 一种改进的yolox跌倒检测系统 | |
| CN116503399B (zh) | 基于yolo-afps的绝缘子污闪检测方法 | |
| CN111598854A (zh) | 基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法 | |
| CN117422695A (zh) | 一种基于CR-Deeplab的异常检测方法 | |
| CN117437691A (zh) | 一种基于轻量化网络的实时多人异常行为识别方法及系统 | |
| CN116503398B (zh) | 绝缘子污闪检测方法、装置、电子设备及存储介质 | |
| CN106570910B (zh) | 基于自编码特征和近邻模型的图像自动标注方法 | |
| CN111291712A (zh) | 基于插值的cn和胶囊网络的森林火灾识别方法及装置 | |
| CN116523881A (zh) | 一种电力设备异常温度检测方法及装置 | |
| Pardyl et al. | Active visual exploration based on attention-map entropy | |
| CN113628261B (zh) | 一种电力巡检场景下的红外与可见光图像配准方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |