CN117351022A - 一种基于复杂环境下的输电线路绝缘子缺陷检测方法 - Google Patents

一种基于复杂环境下的输电线路绝缘子缺陷检测方法 Download PDF

Info

Publication number
CN117351022A
CN117351022A CN202311663470.1A CN202311663470A CN117351022A CN 117351022 A CN117351022 A CN 117351022A CN 202311663470 A CN202311663470 A CN 202311663470A CN 117351022 A CN117351022 A CN 117351022A
Authority
CN
China
Prior art keywords
data
image
transmission line
detection
processing
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
Application number
CN202311663470.1A
Other languages
English (en)
Other versions
CN117351022B (zh
Inventor
李倩
伍艳妮
沈志豪
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.)
Changsha Nengchuan Information Technology Co ltd
Original Assignee
Changsha Nengchuan Information Technology 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 Changsha Nengchuan Information Technology Co ltd filed Critical Changsha Nengchuan Information Technology Co ltd
Priority to CN202311663470.1A priority Critical patent/CN117351022B/zh
Publication of CN117351022A publication Critical patent/CN117351022A/zh
Application granted granted Critical
Publication of CN117351022B publication Critical patent/CN117351022B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T2207/20—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
    • 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

Abstract

本发明涉及图像识别技术领域，尤其涉及一种基于复杂环境下的输电线路绝缘子缺陷检测方法。该方法包括以下步骤：获取不同天气条件下的输电线路绝缘子图像数据，并对输电线路绝缘子图像数据进行复杂环境模拟处理，从而得到复杂环境图像数据；对复杂环境图像数据进行图像数据划分，从而得到复杂环境图像训练数据以及复杂环境图像测试数据；对复杂环境图像训练数据进行图像数据增强，从而得到增强图像训练数据；根据增强图像训练数据对改进YOLOX图像模型进行训练，从而得到初步输电线路绝缘子缺陷检测模型。本发明降低了检测的成本和风险，能够提高绝缘子缺陷检测的准确性和效率。

Description

一种基于复杂环境下的输电线路绝缘子缺陷检测方法
技术领域
本发明涉及图像识别技术领域，尤其涉及一种基于复杂环境下的输电线路绝缘子缺陷检测方法。
背景技术
绝缘子作为高压输电线路的关键组成部分，既提供了机械支撑，又有效防止电流接地回路的形成，对电力系统的安全运行至关重要。然而，由于绝缘子经常面临复杂恶劣的自然环境，其长期受到电场、机械应力、污秽和温湿度等因素的侵蚀，常常会出现各种缺陷，严重影响绝缘能力甚至导致断电和电网事故。然而，目前的绝缘子巡检方法存在很多问题。由于绝缘子所处环境复杂，巡检人员难以全面覆盖每个绝缘子，并且人工巡视的结果对于缺陷判断存在主观性和不稳定性。而且，人工巡检需要耗费大量的时间和金钱，并存在一定的危险性。
发明内容
本发明为解决上述技术问题，提出了一种基于复杂环境下的输电线路绝缘子缺陷检测方法，以解决至少一个上述技术问题。
本申请提供了一种基于复杂环境下的输电线路绝缘子缺陷检测方法，包括以下步骤：
步骤S1：获取不同天气条件下的输电线路绝缘子图像数据，并对输电线路绝缘子图像数据进行复杂环境模拟处理，从而得到复杂环境图像数据；
步骤S2：对复杂环境图像数据进行图像数据划分，从而得到复杂环境图像训练数据以及复杂环境图像测试数据；
步骤S3：对复杂环境图像训练数据进行图像数据增强，从而得到增强图像训练数据；
步骤S4：根据增强图像训练数据对改进YOLOX图像模型进行训练，从而得到初步输电线路绝缘子缺陷检测模型；
步骤S5：利用复杂环境图像测试数据对初步输电线路绝缘子缺陷检测模型进行迭代优化，从而得到输电线路绝缘子缺陷检测模型，以进行输电线路绝缘子缺陷检测作业。
本发明中通过获取不同天气条件下的绝缘子图像数据，并进行复杂环境模拟处理，使得训练数据具备了较强的环境适应性，使得最终训练出的模型在各种天气条件下都能保持稳定的检测性能，大大提高了实际应用的稳健性。通过步骤S2对复杂环境图像数据进行合理的划分，将数据分为训练集和测试集，确保了模型训练和评估的准确性，保证模型在实际场景中的可靠性。步骤S3中的图像数据增强操作，有效地拓展了训练数据的多样性和数量，从而提升了模型的泛化能力，使得模型在处理不同场景的绝缘子图像时表现更为稳健。通过利用复杂环境图像测试数据对初步模型进行迭代优化（步骤S5），进一步提升模型的检测性能，使其在实际应用场景中取得更准确、可靠的结果。方法中引入了复杂环境模拟处理，有效模拟了实际复杂环境对图像的影响，使得训练数据更贴近实际应用场景，提高了模型的适应性。
本发明的有益效果在于：针对目前绝缘子检测技术存在的问题，即人工巡检效率低、准确率低等，提出一种使用深度学习方法针对复杂情况下的绝缘子缺陷检测方法。通过训练深度学习模型，该方法能够快速准确地检测出绝缘子的各种缺陷，实现高效、自动化的绝缘子检测，提高电力系统的安全性和可靠性。同时，该方法能够降低维护成本和风险，为电力系统运行维护提供了可靠支持。基于深度学习的绝缘子检测方法能够实现自动化的缺陷识别和定位，大大提高了检测的效率。深度学习模型能够自动学习图像中的丰富特征，能够适应各种绝缘子缺陷的复杂形态和变化，提高了检测的准确性。通过利用深度学习模型对绝缘子图像进行训练，学习出其特征表示和缺陷分类能力，本发明能够提高绝缘子缺陷检测的准确性和效率。相较于传统的人工巡检或基于规则的图像处理方法，本发明的绝缘子检测技术能够自动化、高效地实现绝缘子缺陷的识别和定位，降低了检测的成本和风险，为电力系统运行维护提供了可靠支持。本发明相较于现有技术具有高效性、准确性、兼容性和可扩展性等优点，能够有效解决传统绝缘子检测方法存在的问题，提供更可靠高效的绝缘子缺陷检测解决方案。本发明的深度学习模型可根据实际需求进行训练和调整，适应不同类型和规模的绝缘子检测任务。无论是小型输电线路还是大型电网系统，本发明的技术都具有较好的兼容性，并且本发明所设计的算法具有较强的扩展性，通过深度学习模型的不断迭代和训练，本发明的技术可以不断提升识别准确性和适应性，适用于各种新型的绝缘子缺陷识别需求。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出了一实施例的基于复杂环境下的输电线路绝缘子缺陷检测方法的步骤流程图；
图2示出了一实施例的步骤S1的步骤流程图；
图3示出了一实施例的步骤S4的步骤流程图；
图4示出了一实施例的改进的YOLOX网络结构的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
请参阅图1至图4，本申请提供了一种基于复杂环境下的输电线路绝缘子缺陷检测方法，包括以下步骤：
步骤S1：获取不同天气条件下的输电线路绝缘子图像数据，并对输电线路绝缘子图像数据进行复杂环境模拟处理，从而得到复杂环境图像数据；
具体地，例如数据获取：收集了不同天气条件下的输电线路绝缘子图像数据，包括晴天、雨天、多云等条件下的图像。环境模拟处理：利用基于物理模型的天气生成器，将实际采集的图像数据进行模拟环境处理。例如，模拟雨天情况下的水滴、多云天气下的阴影等效应，得到复杂环境图像数据。
步骤S2：对复杂环境图像数据进行图像数据划分，从而得到复杂环境图像训练数据以及复杂环境图像测试数据；
具体地，例如随机划分：将收集到的复杂环境图像数据随机划分为训练集和测试集，训练集用于模型训练，测试集用于模型性能评估。
步骤S3：对复杂环境图像训练数据进行图像数据增强，从而得到增强图像训练数据；
具体地，例如数据翻转：对训练集中的图像进行随机水平或垂直翻转，增加训练样本的多样性。随机旋转：在一定角度范围内对图像进行随机旋转，模拟不同角度下的拍摄情况。亮度、对比度调整：随机调整图像的亮度和对比度，使得模型更具鲁棒性。
步骤S4：根据增强图像训练数据对改进YOLOX图像模型进行训练，从而得到初步输电线路绝缘子缺陷检测模型；
具体地，例如模型选择：选择YOLOX作为基础模型，并根据具体需求进行改进。训练：使用增强后的图像训练改进的YOLOX模型，通过多轮迭代优化模型参数。
具体地，例如改进YOLOX图像模型包括在骨干网络的CSP模块中引入SE注意力模块，改进为SE_CSP模块，SE生成的注意力图会选择性地强调重要的特征,抑制不相关的特征，从而增强网络中特征提取层对图像特征的注意，提升网络的学习能力；a.SE_CSPLayer如ConVBNSiLUk1,s1,p0,c:Con:卷积层(ConvolutionalLayer)，VB:可分离卷积(DepthwiseSeparableConvolution)，N:标准化层(Normalization)，SiLU:SigmoidLinearUnit(激活函数)，k1,s1,p0,c:核大小(kernelsize)1,步幅(stride)1,零填充(padding)0,通道数(channels)，SE:Squeeze-and-Excitationblock，一种注意力机制。BottleNeck:瓶颈结构，通常用于ResNet等架构中，目的是降低计算复杂度。Concat:连接操作，将多个特征图在通道维度上连接起来。ConVBNSiLUk1,s1,p0,c:与第一个相似，在一些情况下具有不同的参数。b.SE模块，如GAP:全局平均池化 (Global Average Pooling)将每个通道的特征图取平均值，从而得到一个固定大小的特征向量。FC:全连接层 (FullyConnected Layer)，也叫稠密连接层，每个节点与上一层的所有节点相连接。ReLU:线性整流单元 (Rectified Linear Unit)，是一种常用的激活函数，通常用于神经网络的隐藏层，可以帮助网络学习非线性关系。Sigmoid:S型函数 (Sigmoid Function)，一种常用的激活函数，将输入映射到0到1之间，常用于二分类问题的输出层。乘积符号：将输入特征以及经过前述步骤生成新的特征数据进行乘积，从而得到注意力图数据。
把骨干网络中的SPP模块替换成SPPF模块，使该部分网络结构由并联卷积核变更为串联卷积核，以减少网络的计算量，同时提升网络的推理速度。
请参阅图4，Backbone、Neck以及Head分别表示骨干网络、颈部网络以及头部网络，骨干网络中第二、第三个SE_CSP模块（自注意力特征融合）中的bottleneck堆叠次数设置极易影响模型的训练效果。经试验，模型训练过程中设置n>6时，容易出现过拟合现象，导致模型鲁棒性下降；当n<6时，训练过程中会出现欠拟合现象，导致模型学习能力下降。因此本发明中将骨干网络中SE_CSP模块中的bottleneck堆叠次数设置为n=6，加强特征提取过程中对绝缘子缺陷细节的学习能力，提高检测精度，避免过拟合或欠拟合，同时减少网络模型的参数量。其中input(640x640x3)：表示输入的数据具有640x640的分辨率，并且具有3个通道（通常代表彩色图像的红绿蓝通道）。Focus(320x320x64)：将输入的640x640图像聚焦为320x320大小，同时生成了64个特征通道。Conv2D(160x160x128)：二维卷积层(ConvolutionalLayer)这表示应用了一个卷积核（kernel）的卷积操作，得到了一个160x160大小的特征图，具有128个通道。Concat+CSPLayer:这里首先进行了一个Concat（连接）操作，通常是将两个或多个特征图在通道维度上连接起来。接着，连接后的特征图会经过一个CSP（CrossStagePartial）模块。CSP模块是一种骨干网络的设计模块，它将输入特征分成两部分，一部分直接传递到后续层，另一部分经过一系列卷积和连接操作后再传递到后续层，以实现特征的有效传递和融合。Upsample:这是一个上采样操作，通常用于将特征图的分辨率增加，常用的方法包括双线性插值等。ConvBNSiLUk1,s1,p0,c:这是一个卷积操作，后跟批归一化和SiLU激活函数。k1,s1,p0表示卷积核大小为1x1、步幅为1、无填充，c表示输出的通道数。在头部网络的输出数据中，Conv2d(CIs)输出层：类别预测输出层、Conv2d(Reg.)输出层：位置回归输出层、Conv2d(loU.)输出层：目标存在与否输出层，1、Reg部分，可知道每个真实框对应的特征点，获取到每个框对应的特征点后，取出该特征点的预测框，利用真实框和预测框计算IOU损失，作为Reg部分的Loss组成。2、Obj部分，可知道每个真实框对应的特征点，所有真实框对应的特征点都是正样本，剩余的特征点均为负样本，根据正负样本和特征点的是否包合物体的预测结果计算交叉熵损失，作为Obi部分的Loss组成。判断预测框内是否有物体。3、CIs部分，可知道每个真实框对应的特征点，获取到每个框对应的特征点后，取出该特征点的种类预测结果，根据真实框的种类和特征点的种类预测结果计算交叉熵损失，作为CIs部分的Loss组成判断预测框内物体的类别。其余步骤或者参数能够从上述变量解释或者含义中直接推导。
目标检测任务中，损失函数的设计直接影响网络的训练结果以及检测精度，普通的IoU函数在计算损失值时没有考虑目标框的尺度、宽度和高度差异，也没有考虑目标框的中心点距离，因此，在本发明中将损失函数中LIoU函数计算方式替换为LCIoU函数，CIoU函数如下：
；
；
；
；
其中，b：预测框的中心坐标；bgt：实际框的中心坐标；d：两边界框中心点之间的欧式距离；c：最小矩形框两对角顶点之间的欧式距离。wgt：(真实框)ground truth的宽；hgt：(真实框)ground truth的高；w：(预测框)bounding box的宽；h：(预测框)bounding box的高。
在目标检测中，网络常常会对同一目标预测多个重叠的边界框，这使得检测结果不可避免地会出现冗余的情况。为了解决这个问题，需要采用非极大值抑制算法（Non-Maximum Suppression，NMS）来剔除冗余的边界框。尽管NMS算法可以有效地剔除冗余的边界框，但是在某些情况下，如果目标存在重合且有遮挡的情况，直接去除类别得分低的边界框会将包含目标的边界框去除，从而出现漏检等情况。因此，为了避免这种情况，本发明采用一种更加精细的策略，Soft-NMS算法来进行边界框的剔除。该算法能考虑边界框之间的IoU值、置信度得分等信息，从而更加准确地剔除冗余的边界框，提高目标检测的性能。Soft-NMS是一种基于分数下降的非极大值抑制算法。相较于传统的NMS算法，Soft-NMS在删除重复边界框时不是直接将IoU大于一定阈值的边界框剔除，而是将其分数进行下调，以减少重复框的影响。Soft-NMS具体流程如下：①对所有预测框按照得分从高到低排序。②选择得分最高的预测框，将其从列表中移除，并加入最终检测结果列表。③对剩余的预测框进行遍历，计算其与已加入最终结果列表中的预测框的IoU值。④对于IoU值大于一定阈值的预测框，使用一个衰减函数对其得分进行下调。⑤重复步骤②-④，直到所有预测框都被处理。
在Soft-NMS中，衰减函数的选择是关键。通常有两种，其计算公式分别为：
(1)；
(2)；
其中IoU为交并比，为衰减后的边界框得分/检测头置信度数据，/>为当前的边界框得分/检测头置信度数据，/>为IoU阈值，/>为得分最高的框，/>为产生的检测框，/>为最终检测结果的集合，/>为高斯系数。
公式(1)采用线性加权方式，即当两个边界框的IoU值大于一定的阈值时，使用线性的方法将边界框的得分进行降低，该方式的问题在于不连续性，容易出现候选框得分出现断层的情况。因此，本发明选用公式(2)使用高斯加权的方式，将IoU值作为高斯函数的自变量，设置了高斯函数的标准差为0.5，这种方式可以将边界框得分降低，同时不会出现得分断层的问题，最后，保存精度最高的模型权重，利用精度最高的模型权重和测试集进行模型评估,得到绝缘子检测结果。
步骤S5：利用复杂环境图像测试数据对初步输电线路绝缘子缺陷检测模型进行迭代优化，从而得到输电线路绝缘子缺陷检测模型，以进行输电线路绝缘子缺陷检测作业。
具体地，例如评估模型性能：使用测试集对训练得到的模型进行评估，计算检测精度、召回率等性能指标。调整模型：根据评估结果，对模型进行进一步的优化，如调整超参数、增加训练轮数等。
具体地，例如1、通过人工采集输电线路绝缘子在不同天气下的图像数据，通过添加随机噪声、随机遮挡等，人工模拟复杂环境下的输电线路绝缘子图像，再使用模拟雨天、雾天算法进行图像增强，得到含有复杂环境信息的输电线路绝缘子数据集；2、将数据集的十分之一划分为测试集，再从剩下的数据中按照9:1的比例划分为训练集和验证集，并使用开源标注工具Labelimg对每个图像数据进行标注，生成对应的xml文件。其中，xml标注文件存放在Annotations文件夹，图像文件存放在JPEGImage文件夹，划分训练集、验证集和测试集的文件存放在ImageSets文件夹；3、对训练集通过平移、镜像、旋转等方法扩充数据的多样性，以提高模型的泛化能力；4、利用训练集的图像数据和标注文件对改进的YOLOX网络模型进行迭代训练，每轮次的训练结束后使用验证集对模型性能进行验证，每训练10个轮次进行一次测试，使用测试集通过模型评价指标计算模型的性能。
本发明中通过获取不同天气条件下的绝缘子图像数据，并进行复杂环境模拟处理，使得训练数据具备了较强的环境适应性，使得最终训练出的模型在各种天气条件下都能保持稳定的检测性能，大大提高了实际应用的稳健性。通过步骤S2对复杂环境图像数据进行合理的划分，将数据分为训练集和测试集，确保了模型训练和评估的准确性，保证模型在实际场景中的可靠性。步骤S3中的图像数据增强操作，有效地拓展了训练数据的多样性和数量，从而提升了模型的泛化能力，使得模型在处理不同场景的绝缘子图像时表现更为稳健。通过利用复杂环境图像测试数据对初步模型进行迭代优化（步骤S5），进一步提升模型的检测性能，使其在实际应用场景中取得更准确、可靠的结果。方法中引入了复杂环境模拟处理，有效模拟了实际复杂环境对图像的影响，使得训练数据更贴近实际应用场景，提高了模型的适应性。
优选地，步骤S1具体为：
步骤S11：获取不同天气条件下的输电线路绝缘子图像数据以及对应的气象条件数据；
具体地，例如在一个监测站点，安装高清摄像头以拍摄输电线路绝缘子的图像。同时，安装气象监测设备，记录当前的气象条件，如温度、湿度、风速等。
步骤S12：根据气象条件数据进行环境数值模拟，从而得到环境数值模拟数据；
具体地，例如S121：初始化数值模拟模型：利用数值模拟软件（如COMSOLMultiphysics）建立一个环境模拟模型，输入实测的气象条件数据，设定模拟区域为输电线路绝缘子周围的空间。S122：模拟环境参数设置：在数值模拟软件中，根据实际情况设置输电线路绝缘子的几何形状、材料属性等参数，同时将实测的气象条件数据作为模拟的外部环境条件输入。S123：数值模拟计算：通过数值模拟软件进行求解，得到在给定气象条件下，输电线路绝缘子周围的电场、温度分布等数值模拟结果。
步骤S13：根据环境数值模拟数据对输电线路绝缘子图像数据进行复杂环境模拟处理，从而得到复杂环境图像数据。
具体地，例如步骤S131：处理电场数据：基于数值模拟得到的电场分布数据，可以根据需要进行电场强度分析，比如检测是否存在异常高电场强度区域。步骤S132：处理温度数据：根据数值模拟得到的温度分布数据，可以分析输电线路绝缘子在复杂环境下的温度分布情况，检测是否存在过热区域。步骤S133：图像数据叠加：将电场分布、温度分布等数值模拟结果叠加到相应位置的输电线路绝缘子图像上，生成复杂环境图像数据，用于后续的缺陷检测。
本发明中步骤S11中获取了不同天气条件下的输电线路绝缘子图像数据以及对应的气象条件数据，确保了训练数据的真实性和多样性。这使得模型在实际应用中能够准确地应对各种天气条件下的工作环境，大幅度提高了实际应用的可靠性。通过步骤S12，根据气象条件数据进行环境数值模拟，得到了高度精准的环境数值模拟数据，模拟了实际场景中的复杂环境因素，包括温度、湿度、风速等，为后续的复杂环境模拟奠定了坚实基础。在步骤S13中，利用了步骤S12得到的精准环境数值模拟数据对输电线路绝缘子图像数据进行复杂环境模拟处理，包括了对图像的颜色、亮度、对比度等多个方面的模拟，使得图像数据在复杂环境下具有高度真实的表现，为模型训练提供了高质量的数据。通过在复杂环境下训练模型，使其具备了较强的泛化能力，使得模型在实际应用场景中能够处理各种复杂环境条件，保证了检测效果的准确性和稳定性。本发明的方法能够高效地检测输电线路绝缘子的缺陷，及时发现问题并采取措施，从而保障了输电线路的安全运行，降低了事故风险，对电网的稳定运行起到了重要作用。
优选地，步骤S12具体为：
步骤S121：根据气象条件数据进行数值模拟模型初始化构建，从而得到气象条件数值模拟模型；
具体地，例如使用COMSOL Multiphysics软件，根据所需模拟对象（例如输电线路绝缘子）的几何形状和材料属性，构建初始的数值模拟模型。
步骤S122：根据气象条件数据对气象条件数值模拟模型进行模拟环境参数设置，从而得到模拟环境数值模型；
具体地，例如在COMSOL Multiphysics中，根据实际气象条件数据，设置模拟环境的参数，如环境温度、湿度、风速等。例如，在模型中引入边界条件，模拟不同天气条件下的环境影响。
步骤S123：对模拟环境数值模型进行物理数值模拟计算，从而得到模拟环境物理数值模型；
具体地，例如通过COMSOL Multiphysics进行数值模拟计算，求解电场、温度等物理场的分布情况。例如，可以利用有限元法对电场进行求解，同时考虑热传导方程求解温度分布。
步骤S124：获取输电线路绝缘子物理条件影响数据，并根据输电线路绝缘子物理条件影响数据对模拟环境物理数值模型进行数值模拟处理，从而得到环境数值模拟数据。
具体地，例如根据模拟结果，获取输电线路绝缘子在不同环境条件下的电场分布、温度分布等物理条件影响数据。这些数据可以作为后续分析的基础。
本发明中通过根据气象条件数据进行数值模拟模型初始化构建，系统建立了一个高度精确的气象条件数值模拟模型，这一模型考虑了大气压力、温度、湿度等多种气象参数，通过数值计算模拟了不同环境下的气象条件，保证了后续模拟的真实性和准确性。在S122步骤中，系统根据气象条件数据对气象条件数值模拟模型进行模拟环境参数设置，包括了对模拟模型中的各项参数进行精细的调整，以确保模拟出的环境数据与实际场景的各种复杂条件高度吻合。在S123步骤中，系统对模拟环境数值模型进行数值模拟计算，得到了模拟环境的物理数值模型。这一模型包括了细致的物理参数，例如电场强度、温度分布等，通过复杂的数值计算，将复杂环境的物理特性精确地反映在数值模型中。通过获取输电线路绝缘子的物理条件影响数据，系统可以根据这些数据，对模拟环境的物理数值模型进行进一步的数值模拟处理，得到了高度精细的环境数值模拟数据，为后续的缺陷检测提供了强有力的数据支持。
优选地，步骤S123中数值模拟计算通过数值模拟计算公式进行计算，其中数值模拟计算公式具体为：
；
为模拟环境物理数值，/>为输电线路绝缘子电场强度数据，/>为自然指数常数项，/>为输电线路绝缘子温度数据，/>为大气压力数据，/>为时序周期项，/>为输电线路绝缘子介电常数项，/>为输电线路绝缘子电场倾斜角度数据，/>为输电线路绝缘子电磁场角度项，/>为物理特性常数项。
本发明构造了一种数值模拟计算公式，该计算公式对绝缘子在复杂环境下的物理数值模拟，从而保证模拟结果更具精确性和真实性。公式中涵盖了多种物理特性参数，如介电常数、电场倾斜角度/>等，反映了绝缘子的复杂物理特性，通过公式的运算，使得模拟结果更具细致度。电场强度/>和温度/>在对数和指数运算中相互影响，大气压力/>和/>相互影响，以及其他参数之间的相互作用。公式中的每个参数都代表了绝缘子所处环境的某一特定条件，如电场强度/>、温度/>、大气压力/>等，通过综合考虑这些条件，公式能够全面地模拟出绝缘子在复杂环境下的物理数值。本发明考虑了绝缘子在复杂环境下的多个物理特性，并将其相互交织在一起，形成了一个数值模拟过程，使得模拟结果更加准确，为后续的缺陷检测提供了强有力的数据基础。
优选地，步骤S4中改进YOLOX图像模型的构建步骤具体为：
步骤S41：获取标准图像训练数据以及对应的标准图像标签数据；
具体地，例如从公开的绝缘子图像数据集（如COCO数据集）中获取包含不同绝缘子状态的图像，同时获得相应的标签数据，标记了绝缘子的位置和类别。
步骤S42：对标准图像训练数据进行聚焦网络处理，从而得到聚焦网络图像训练数据；
具体地，例如使用主干网络（如Darknet、ResNet等）中的focus层对标准图像训练数据进行特征提取，以获取聚焦网络图像训练数据。
步骤S43：对聚焦网络图像训练数据进行卷积层处理，从而得到图像训练特征数据；
具体地，例如在聚焦网络图像训练数据的基础上，通过卷积层进行特征进一步提取，以得到图像训练特征数据。
步骤S44：对图像训练特征数据进行自注意力特征融合，从而得到对第一特征融合数据，并对第一特征融合数据进行三次或三次以上的自注意力特征融合以及卷积层处理，从而得到第二特征融合数据，其中第二次以及第三次的自注意力特征融合中的瓶颈结构堆叠次数数据为6，瓶颈结构堆叠次数数据为瓶颈结构堆叠处理的频次数据，瓶颈结构堆叠处理为神经网络中的具有预设通道数的中间层处理；
具体地，例如对图像训练特征数据进行自注意力特征融合，得到第一特征融合数据。随后，进行多次自注意力特征融合与卷积层处理，形成第二特征融合数据。这里自注意力特征融合的具体实现可以采用SENet等自注意力机制。将骨干网络中第二、第三个SE_CSP模块中的bottleneck堆叠次数设置为n=6。
步骤S45：对第二特征融合数据进行串联空间卷积层处理，从而得到特征串联空间卷积层数据；
具体地，例如对第二特征融合数据进行串联空间卷积层处理，以进一步提取特征，得到特征串联空间卷积层数据。其中串联空间卷积层处理为对第二特征融合数据进行多次池化层处理得到多个不同处理频次的池化层特征数据，并将多个不同处理频次的池化层特征数据以及第二特征融合数据进行特征拼接并卷积层处理，多个不同处理频次的池化层特征数据如第一次池化层处理后的第二特征融合数据、第二次池化层处理后的第二特征融合数据…设定阈值次数的池化层处理后的第二特征融合数据。
步骤S46：对特征串联空间卷积层数据进行颈部网络处理，从而得到高维特征数据；
具体地，例如对特征串联空间卷积层数据进行颈部网络处理，以进一步提取高维特征数据。
步骤S47：根据高维特征数据进行检测头生成，从而得到检测头数据；
具体地，例如基于高维特征数据生成用于目标检测的检测头数据。
步骤S48：根据标准图像标签数据以及检测头数据对标准图像训练数据进行目标检测优化，从而得到改进YOLOX图像模型。
具体地，例如根据标准图像标签数据以及检测头数据，对第二特征池化层数据进行目标检测优化，从而得到改进的YOLOX图像模型。
本发明中通过聚焦网络处理，将对标准图像训练数据进行特别针对性的处理，使得模型能够高效地从图像中提取出有用的信息，从而为后续处理奠定了基础。在步骤S44中，通过自注意力特征融合以及卷积层处理，进行了多层次的特征融合，使得模型能够从不同抽象层次获取特征信息，从而提升了模型的表征能力和检测性能。在步骤S44中，瓶颈结构堆叠次数的设置被指定为6，这个设计能够在保持一定计算效率的同时，充分挖掘和利用了特征的深度信息，为模型的性能提升提供了有力支持。在步骤S45中，通过串联空间卷积层处理，对特征进行了空间信息的整合和优化，使得模型能够更好地理解图像中物体的空间关系，从而提高了检测的准确性。在步骤S46中，通过颈部网络处理，将高维特征数据生成，这使得模型能够同时关注不同尺度的特征，从而提高了模型对小目标和大目标的检测能力。在步骤S47中，根据高维特征数据进行检测头生成，实现了对检测过程的自适应优化，保证了模型能够适应不同场景的检测需求。其中bottleneck堆叠次数设置极易影响模型的训练效果。经试验，模型训练过程中设置n>6时，容易出现过拟合现象，导致模型鲁棒性下降；当n<6时，训练过程中会出现欠拟合现象，导致模型学习能力下降。因此本发明中将骨干网络中SE_CSP模块中的bottleneck堆叠次数设置为n=6（步骤S44），加强特征提取过程中对绝缘子缺陷细节的学习能力，提高检测精度，避免过拟合或欠拟合，同时减少网络模型的参数量。
优选地，步骤S44具体为：
步骤S441：对图像训练特征数据进行自注意力加权处理，从而得到图像自注意力特征数据；
具体地，例如使用全局平均池化层获取特征的全局信息。将全局信息通过多层全连接网络传递，得到特征权重信息。将特征权重与原特征相乘，得到具有自注意力加权的特征。
步骤S442：对图像自注意力特征数据进行瓶颈结构堆叠处理，从而得到图像中间层特征数据；
具体地，例如瓶颈结构是一种网络设计，通常包含一系列卷积层和残差连接，可以有效地增加网络的深度而避免梯度消失或爆炸的问题。
步骤S443：对图像训练特征数据进行卷积层处理，从而得到二次训练特征数据，并根据二次训练特征数据以及图像中间层特征数据进行特征融合并进行卷积层处理，从而得到第一图像特征融合数据，并对第一特征融合数据进行三次或三次以上的自注意力特征融合以及卷积层处理，从而得到第二特征融合数据；
具体地，例如对图像特征进行卷积操作，以提取更高层次的特征信息。将瓶颈结构输出的特征与卷积结果进行融合，以保留更多的上下文信息。通过多次的自注意力机制和卷积操作，进一步提取特征信息。
其中步骤S441中自注意力加权处理的步骤具体为：
对图像训练特征数据进行全局平均池化层处理，从而得到全局平均池化层数据；
对全局平均池化层数据进行全连接层处理，从而得到第一全连接层数据；
对第一全连接层数据进行修正线性单元处理，从而得到修正线性单元数据；
对修正线性单元数据进行全连接层处理，从而得到第二全连接层数据；
对第二全连接层数据进行Sigmoid计算，从而得到分类概率数据；
根据分类概率数据对图像训练特征数据进行加权计算，从而得到图像自注意力特征数据。
具体地，例如全局平均池化层处理：对图像训练特征数据进行全局平均池化，将特征图转化为一个全局特征向量。全连接层处理：将全局特征向量输入到一个全连接神经网络中，得到第一全连接层数据。修正线性单元处理：将第一全连接层数据经过修正线性单元激活函数（ReLU）处理，得到修正线性单元数据。再次全连接层处理：将修正线性单元数据输入到另一个全连接神经网络中，得到第二全连接层数据。Sigmoid计算：对第二全连接层数据进行Sigmoid激活函数处理，将其映射到0到1的范围内，得到分类概率数据。加权计算：利用分类概率数据对图像训练特征数据进行加权计算，得到图像自注意力特征数据。
本发明中在骨干网络的CSP模块中引入SE注意力模块，改进为SE_CSP模块，SE生成的注意力图会选择性地强调重要的特征,抑制不相关的特征，从而增强网络中特征提取层对图像特征的注意，提升网络的学习能力；通过引入自注意力机制，模型可以对图像特征进行自适应加权，突出对重要信息的关注，这样的处理方式使得模型在图像的特征提取过程中更具针对性和灵活性，提升了对关键信息的把握能力。通过对自注意力特征数据进行瓶颈结构堆叠，实现了特征的深度提取，这种设计使得模型能够在保持一定的计算效率的同时，充分挖掘和利用了特征的深度信息，为模型的性能提升提供了有力支持。在多次卷积层处理后，得到了图像特征的多层抽象信息，使得模型能够对图像的细节和抽象特征都有很好的表达，从而提升了模型的检测性能。通过全局平均池化层和全连接层的处理，使得模型能够对全局信息进行整合和分析，从而获得更高层次的语义信息。引入修正线性单元处理，使得模型可以更好地拟合非线性特征，从而提高了模型的表达能力。引入Sigmoid计算，对分类概率数据进行映射，进一步突出了关键信息的权重，使得模型能够更加集中在重要区域进行特征提取。
优选地，步骤S45中串联空间卷积层处理的步骤具体为：
步骤S451：对第二特征融合数据进行卷积层处理，从而得到特征融合卷积层数据；
具体地，例如采用3x3的卷积核，对第二特征融合数据进行卷积操作，得到特征融合卷积层数据。
步骤S452：对特征融合卷积层数据进行最大池化层处理，从而得到特征最大池化层数据；
具体地，例如采用2x2的池化窗口，对特征融合卷积层数据进行最大池化操作，得到特征最大池化层数据。
步骤S453：根据特征最大池化层数据以及特征融合卷积层数据进行特征融合，从而得到第三特征融合数据；
具体地，例如采用加权求和或者拼接等方式进行特征融合，得到第三特征融合数据。
步骤S454：对第三特征融合数据进行卷积层处理，从而得到特征串联空间卷积层数据。
具体地，例如采用3x3的卷积核，对第三特征融合数据进行卷积操作，得到特征池化层数据。
本发明中通过卷积层的处理，对第二特征融合数据进行进一步的特征抽象和提取，使得模型可以更好地捕捉到高级语义信息。最大池化层对特征进行了下采样，保留了最显著的特征信息，同时减小了特征图的尺寸，使得模型能够在保持关键信息的同时降低计算成本。通过将特征最大池化层数据与特征融合卷积层数据进行融合，实现了多尺度信息的有机结合，使得模型可以在保持细节信息的同时，对不同尺度的特征进行充分利用。本发明相比传统的YOLOX网络中，把骨干网络中的SPP模块替换成SPPF模块，使该部分网络结构由并联卷积核变更为串联卷积核，以减少网络的计算量，同时提升网络的推理速度
优选地，步骤S47具体为：
步骤S471：对高维特征数据进行抽象卷积层处理，从而得到抽象特征数据；
具体地，例如采用3x3的卷积核，对高维特征数据进行卷积操作，得到抽象特征数据。例如：输入数据维度为128x128x256，卷积核大小为3x3，步长为1，通道数为512，经过卷积后，得到抽象特征数据，维度为128x128x512。
步骤S472：对抽象特征数据进行全连接计算，从而得到目标预测数据；
具体地，例如使用一个具有1024个神经元的全连接层，对抽象特征数据进行计算，得到目标预测数据。例如：输入数据维度为128x128x512、全连接层神经元数目为1024、经过全连接计算后，得到目标预测数据，维度为1024。
步骤S473：根据目标预测数据以及高维特征数据生成初步检测头数据；
具体地，例如利用目标预测数据对高维特征数据进行处理，得到初步的检测头数据。例如：可以将目标预测数据与高维特征数据相结合，得到初步的检测头数据。
步骤S474：对初步检测头数据进行分数下降非极大抑制处理，从而得到检测头数据。
具体地，例如根据设定的分数下降非极大抑制算法，对初步检测头数据进行处理，得到最终的检测头数据。例如：根据设定的阈值和算法对初步检测头数据进行抑制，得到最终的检测结果。
本发明中通过抽象卷积层的处理，对高维特征数据进行了进一步的特征抽象和提取，使得模型可以更好地捕捉到更加抽象的特征信息。通过全连接计算，将抽象特征数据映射到目标预测空间，得到了目标的初步预测结果。根据目标预测数据以及高维特征数据，生成了初步的检测头数据，其中包含了模型对目标位置和类别的预测。通过分数下降非极大抑制处理，对初步的检测结果进行了优化和精炼，去除了冗余的检测框，得到了最终的检测结果。
优选地，步骤S48中目标检测优化通过目标检测优化计算公式进行优化计算，其中目标检测优化计算公式具体为：
；
；
；
；
为/>损失数据，/>为完全交并比数据，/>为交并比数据，/>为预测框数据的中心坐标数据与真实框数据的中心坐标数据之间的欧式距离数据，/>为检测头数据中的预测框数据的中心坐标数据，/>为标准图像标签数据中的真实框数据的中心坐标数据，为标准图像标签数据中的真实框数据，/>为形状匹配调整参数，/>为形状相似性数据，/>为真实框数据的宽度数据，/>为真实框数据的高度数据，/>为预测框数据的宽度数据，/>为预测框数据的高度数据。
本发明构造了一种目标检测优化计算公式，该计算公式生成的损失数据是衡量模型预测结果与真实值之间的差异的指标，通过最小化CIoU损失，模型可以更准确地定位目标。该公式结合了和形状匹配调整项/>以及形状相似性/>。其中/>衡量了预测框和真实框之间的重叠程度，形状匹配调整项和形状相似性项用于校正/>的计算，以考虑到预测框和真实框的形状差异，该参数用于调整形状匹配的影响，其值受到形状相似性/>的影响，它的存在使得模型能够更好地适应目标的形状。形状相似性/>用于衡量预测框和真实框之间的形状相似性，它的存在使得模型能够更好地适应目标的形状。整个公式的目的是通过综合考虑预测框和真实框之间的位置关系以及形状相似性，来修正/>的计算，从而得到更准确的目标检测结果。通过反向传播算法，这些参数将被优化以使得损失函数尽量减小，从而提高模型的性能。本发明通过精细的数学计算和参数调整，使得模型能够更准确地定位目标，从而提升了检测的精度和鲁棒性。
优选地，步骤S474中分数下降非极大抑制处理的步骤具体为：
步骤S401：根据初步检测头数据进行置信度计算并排序，从而得到检测头置信度排序数据，其中排序方式为按照得分从高到底进行排序；
具体地，例如使用目标检测模型进行人脸检测，得到了多个检测头，分别对应不同位置的人脸框，同时计算出了各自的置信度得分，按照得分从高到低进行排序。
步骤S402：将检测头置信度排序数据中的检测头当前最高置信度数据加入至预设的检测结果列表数据，并从检测头置信度排序数据中剔除相应的检测头当前最高置信度数据；
具体地，例如假设当前置信度最高的检测头对应的是一个人脸框，将该框加入到检测结果列表中，得到更新后的检测结果列表和更新后的置信度排序数据。
步骤S403：根据检测头置信度排序数据对检测结果列表数据进行交并比值计算，从而得到检测头交并比值数据；
具体地，例如假设在检测结果列表中有多个人脸框，计算每两个框之间的交并比，得到交并比值数据。
步骤S404：确定检测头交并比值数据大于预设的交并比值阈值数据时，则对检测头交并比值数据相应的检测头置信度排序数据中的检测头置信度数据进行分数衰减处理并重新排序，从而得到新的检测头置信度排序数据；
具体地，例如假设阈值设定为0.5，如果交并比大于0.5，则对对应的检测头的置信度进行衰减处理，得到经过分数衰减和重新排序后的检测头置信度排序数据。
步骤S405：迭代进行步骤S402至步骤S404，直至检测头置信度排序数据为空；
具体地，例如对剩余的检测头继续执行S402至S404，直至没有符合条件的检测头，得到最终的检测结果列表。
其中步骤S404中分数衰减处理通过分数衰减计算公式进行处理，分数衰减计算公式具体为：
;
为新的检测头置信度数据，/>为检测头置信度数据，/>为检测头交并比值数据，/>为检测结果列表数据，/>为检测头置信度排序数据中的第/>个检测头置信度数据，为预设的交并比值阈值数据。
本发明中考虑边界框之间的IoU值、置信度得分等信息，从而更加准确地剔除冗余的边界框，提高目标检测的性能。相比于传统的非极大值抑制算法（Non-MaximumSuppression，NMS）来剔除冗余的边界框，客服了在某些情况下，如果目标存在重合且有遮挡的情况，直接去除类别得分低的边界框会将包含目标的边界框去除，从而出现漏检等情况的问题。本发明在保持目标检测精度的同时，剔除高度重叠的检测框，使得最终的检测结果更加准确和可靠。
本发明构造了一种分数衰减计算公式，该计算公式当检测框与已选框的交并比高于阈值时，会降低该检测框的置信度分数，使得其权重降低，从而减少了对结果的影响。通过分数衰减，可以减少高度重叠框的竞争，从而保留最具代表性的检测结果，提高了检测的稳定性。当/>时，分数保持不变，直接使用原始的检测头置信度。当时，会根据/>的大小对分数进行调整，使得高交并比的检测框的分数减小，减弱其对最终结果的影响。本发明在目标检测中起到了平衡高置信度框和保留最具代表性框的作用，从而提升了检测模型的性能和鲁棒性。
针对目前绝缘子检测技术存在的问题，即人工巡检效率低、准确率低等，提出一种使用深度学习方法针对复杂情况下的绝缘子缺陷检测方法。通过训练深度学习模型，该方法能够快速准确地检测出绝缘子的各种缺陷，实现高效、自动化的绝缘子检测，提高电力系统的安全性和可靠性。同时，该方法能够降低维护成本和风险，为电力系统运行维护提供了可靠支持。基于深度学习的绝缘子检测方法能够实现自动化的缺陷识别和定位，大大提高了检测的效率。深度学习模型能够自动学习图像中的丰富特征，能够适应各种绝缘子缺陷的复杂形态和变化，提高了检测的准确性。通过利用深度学习模型对绝缘子图像进行训练，学习出其特征表示和缺陷分类能力，本发明能够提高绝缘子缺陷检测的准确性和效率。相较于传统的人工巡检或基于规则的图像处理方法，本发明的绝缘子检测技术能够自动化、高效地实现绝缘子缺陷的识别和定位，降低了检测的成本和风险，为电力系统运行维护提供了可靠支持。本发明相较于现有技术具有高效性、准确性、兼容性和可扩展性等优点，能够有效解决传统绝缘子检测方法存在的问题，提供更可靠高效的绝缘子缺陷检测解决方案。本发明的深度学习模型可根据实际需求进行训练和调整，适应不同类型和规模的绝缘子检测任务。无论是小型输电线路还是大型电网系统，本发明的技术都具有较好的兼容性，并且本发明所设计的算法具有较强的扩展性，通过深度学习模型的不断迭代和训练，本发明的技术可以不断提升识别准确性和适应性，适用于各种新型的绝缘子缺陷识别需求。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附申请文件而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于复杂环境下的输电线路绝缘子缺陷检测方法，其特征在于，包括以下步骤：
步骤S1：获取不同天气条件下的输电线路绝缘子图像数据，并对输电线路绝缘子图像数据进行复杂环境模拟处理，从而得到复杂环境图像数据；
步骤S2：对复杂环境图像数据进行图像数据划分，从而得到复杂环境图像训练数据以及复杂环境图像测试数据；
步骤S3：对复杂环境图像训练数据进行图像数据增强，从而得到增强图像训练数据；
步骤S4：根据增强图像训练数据对改进YOLOX图像模型进行训练，从而得到初步输电线路绝缘子缺陷检测模型；
步骤S5：利用复杂环境图像测试数据对初步输电线路绝缘子缺陷检测模型进行迭代优化，从而得到输电线路绝缘子缺陷检测模型，以进行输电线路绝缘子缺陷检测作业。
2.根据权利要求1所述的方法，其特征在于，步骤S1具体为：
步骤S11：获取不同天气条件下的输电线路绝缘子图像数据以及对应的气象条件数据；
步骤S12：根据气象条件数据进行环境数值模拟，从而得到环境数值模拟数据；
步骤S13：根据环境数值模拟数据对输电线路绝缘子图像数据进行复杂环境模拟处理，从而得到复杂环境图像数据。
3.根据权利要求2所述的方法，其特征在于，步骤S12具体为：
步骤S121：根据气象条件数据进行数值模拟模型初始化构建，从而得到气象条件数值模拟模型；
步骤S122：根据气象条件数据对气象条件数值模拟模型进行模拟环境参数设置，从而得到模拟环境数值模型；
步骤S123：对模拟环境数值模型进行物理数值模拟计算，从而得到模拟环境物理数值模型；
步骤S124：获取输电线路绝缘子物理条件影响数据，并根据输电线路绝缘子物理条件影响数据对模拟环境物理数值模型进行数值模拟处理，从而得到环境数值模拟数据。
4.根据权利要求3所述的方法，其特征在于，步骤S123中数值模拟计算通过数值模拟计算公式进行计算，其中数值模拟计算公式具体为：
；
为模拟环境物理数值，/>为输电线路绝缘子电场强度数据，/>为自然指数常数项，/>为输电线路绝缘子温度数据，/>为大气压力数据，/>为时序周期项，/>为输电线路绝缘子介电常数项，/>为输电线路绝缘子电场倾斜角度数据，/>为输电线路绝缘子电磁场角度项，/>为物理特性常数项。
5.根据权利要求1所述的方法，其特征在于，步骤S4中改进YOLOX图像模型的构建步骤具体为：
步骤S41：获取标准图像训练数据以及对应的标准图像标签数据；
步骤S42：对标准图像训练数据进行聚焦网络处理，从而得到聚焦网络图像训练数据；
步骤S43：对聚焦网络图像训练数据进行卷积层处理，从而得到图像训练特征数据；
步骤S44：对图像训练特征数据进行自注意力特征融合，从而得到对第一特征融合数据，并对第一特征融合数据进行三次或三次以上的自注意力特征融合以及卷积层处理，从而得到第二特征融合数据，其中第二次以及第三次的自注意力特征融合中的瓶颈结构堆叠次数数据为6，瓶颈结构堆叠次数数据为瓶颈结构堆叠处理的频次数据，瓶颈结构堆叠处理为神经网络中的具有预设通道数的中间层处理；
步骤S45：对第二特征融合数据进行串联空间卷积层处理，从而得到特征串联空间卷积层数据；
步骤S46：对特征串联空间卷积层数据进行颈部网络处理，从而得到高维特征数据；
步骤S47：根据高维特征数据进行检测头生成，从而得到检测头数据；
步骤S48：根据标准图像标签数据以及检测头数据对标准图像训练数据进行目标检测优化，从而得到改进YOLOX图像模型。
6.根据权利要求5所述的方法，其特征在于，步骤S44具体为：
步骤S441：对图像训练特征数据进行自注意力加权处理，从而得到图像自注意力特征数据；
步骤S442：对图像自注意力特征数据进行瓶颈结构堆叠处理，从而得到图像中间层特征数据；
步骤S443：对图像训练特征数据进行卷积层处理，从而得到二次训练特征数据，并根据二次训练特征数据以及图像中间层特征数据进行特征融合并进行卷积层处理，从而得到第一图像特征融合数据，并对第一特征融合数据进行三次或三次以上的自注意力特征融合以及卷积层处理，从而得到第二特征融合数据；
其中步骤S441中自注意力加权处理的步骤具体为：
对图像训练特征数据进行全局平均池化层处理，从而得到全局平均池化层数据；
对全局平均池化层数据进行全连接层处理，从而得到第一全连接层数据；
对第一全连接层数据进行修正线性单元处理，从而得到修正线性单元数据；
对修正线性单元数据进行全连接层处理，从而得到第二全连接层数据；
对第二全连接层数据进行Sigmoid计算，从而得到分类概率数据；
根据分类概率数据对图像训练特征数据进行加权计算，从而得到图像自注意力特征数据。
7.根据权利要求5所述的方法，其特征在于，步骤S45中串联空间卷积层处理的步骤具体为：
步骤S451：对第二特征融合数据进行卷积层处理，从而得到特征融合卷积层数据；
步骤S452：对特征融合卷积层数据进行最大池化层处理，从而得到特征最大池化层数据；
步骤S453：根据特征最大池化层数据以及特征融合卷积层数据进行特征融合，从而得到第三特征融合数据；
步骤S454：对第三特征融合数据进行卷积层处理，从而得到特征串联空间卷积层数据。
8.根据权利要求5所述的方法，其特征在于，步骤S47具体为：
步骤S471：对高维特征数据进行抽象卷积层处理，从而得到抽象特征数据；
步骤S472：对抽象特征数据进行全连接计算，从而得到目标预测数据；
步骤S473：根据目标预测数据以及高维特征数据生成初步检测头数据；
步骤S474：对初步检测头数据进行分数下降非极大抑制处理，从而得到检测头数据。
9.根据权利要求5所述的方法，其特征在于，步骤S48中目标检测优化通过目标检测优化计算公式进行优化计算，其中目标检测优化计算公式具体为：
；
；
；
；
为/>损失数据，/>为完全交并比数据，/>为交并比数据，/>为预测框数据的中心坐标数据与真实框数据的中心坐标数据之间的欧式距离数据，/>为检测头数据中的预测框数据的中心坐标数据，/>为标准图像标签数据中的真实框数据的中心坐标数据，/>为标准图像标签数据中的真实框数据，/>为形状匹配调整参数，/>为形状相似性数据，/>为真实框数据的宽度数据，/>为真实框数据的高度数据，/>为预测框数据的宽度数据，/>为预测框数据的高度数据。
10.根据权利要求8所述的方法，其特征在于，步骤S474中分数下降非极大抑制处理的步骤具体为：
步骤S401：根据初步检测头数据进行置信度计算并排序，从而得到检测头置信度排序数据，其中排序方式为按照得分从高到底进行排序；
步骤S402：将检测头置信度排序数据中的检测头当前最高置信度数据加入至预设的检测结果列表数据，并从检测头置信度排序数据中剔除相应的检测头当前最高置信度数据；
步骤S403：根据检测头置信度排序数据对检测结果列表数据进行交并比值计算，从而得到检测头交并比值数据；
步骤S404：确定检测头交并比值数据大于预设的交并比值阈值数据时，则对检测头交并比值数据相应的检测头置信度排序数据中的检测头置信度数据进行分数衰减处理并重新排序，从而得到新的检测头置信度排序数据；
步骤S405：迭代进行步骤S402至步骤S404，直至检测头置信度排序数据为空；
其中步骤S404中分数衰减处理通过分数衰减计算公式进行处理，分数衰减计算公式具体为：
;
为新的检测头置信度数据，/>为检测头置信度数据，/>为检测头交并比值数据，/>为检测结果列表数据，/>为检测头置信度排序数据中的第/>个检测头置信度数据，/>为预设的交并比值阈值数据。
CN202311663470.1A 2023-12-06 2023-12-06 一种基于复杂环境下的输电线路绝缘子缺陷检测方法 Active CN117351022B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311663470.1A CN117351022B (zh) 2023-12-06 2023-12-06 一种基于复杂环境下的输电线路绝缘子缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311663470.1A CN117351022B (zh) 2023-12-06 2023-12-06 一种基于复杂环境下的输电线路绝缘子缺陷检测方法

Publications (2)

Publication Number Publication Date
CN117351022A true CN117351022A (zh) 2024-01-05
CN117351022B CN117351022B (zh) 2024-03-08

Family

ID=89367251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311663470.1A Active CN117351022B (zh) 2023-12-06 2023-12-06 一种基于复杂环境下的输电线路绝缘子缺陷检测方法

Country Status (1)

Country Link
CN (1) CN117351022B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109614634A (zh) * 2018-10-25 2019-04-12 中国辐射防护研究院 一种水环境中放射性核素迁移扩散数值模拟方法及系统
CN110287629A (zh) * 2019-07-01 2019-09-27 国网重庆市电力公司电力科学研究院 确定高压盆式绝缘子结构参数的计算机装置、设备及方法
CN111814741A (zh) * 2020-07-28 2020-10-23 四川通信科研规划设计有限责任公司 一种基于注意力机制的遮挡胚胎原核及卵裂球检测方法
WO2021244079A1 (zh) * 2020-06-02 2021-12-09 苏州科技大学 智能家居环境中图像目标检测方法
CN113807187A (zh) * 2021-08-20 2021-12-17 北京工业大学 基于注意力特征融合的无人机视频多目标跟踪方法
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
WO2022052181A1 (zh) * 2020-09-09 2022-03-17 华北电力大学（保定） 一种基于零样本学习的绝缘子缺陷检测方法及系统
WO2022188379A1 (zh) * 2021-03-12 2022-09-15 国网智能科技股份有限公司 服务于电力机器人的人工智能系统及方法
CN116403129A (zh) * 2023-03-24 2023-07-07 广州大学 一种适应复杂气候环境的绝缘子检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109614634A (zh) * 2018-10-25 2019-04-12 中国辐射防护研究院 一种水环境中放射性核素迁移扩散数值模拟方法及系统
CN110287629A (zh) * 2019-07-01 2019-09-27 国网重庆市电力公司电力科学研究院 确定高压盆式绝缘子结构参数的计算机装置、设备及方法
WO2021244079A1 (zh) * 2020-06-02 2021-12-09 苏州科技大学 智能家居环境中图像目标检测方法
CN111814741A (zh) * 2020-07-28 2020-10-23 四川通信科研规划设计有限责任公司 一种基于注意力机制的遮挡胚胎原核及卵裂球检测方法
WO2022052181A1 (zh) * 2020-09-09 2022-03-17 华北电力大学（保定） 一种基于零样本学习的绝缘子缺陷检测方法及系统
WO2022188379A1 (zh) * 2021-03-12 2022-09-15 国网智能科技股份有限公司 服务于电力机器人的人工智能系统及方法
CN113807187A (zh) * 2021-08-20 2021-12-17 北京工业大学 基于注意力特征融合的无人机视频多目标跟踪方法
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
CN116403129A (zh) * 2023-03-24 2023-07-07 广州大学 一种适应复杂气候环境的绝缘子检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗箫瑜: "基于改进YOLOX 的变电站设备缺陷检测方法", 吉林大学学报, vol. 41, no. 5, pages 848 - 858 *

Also Published As

Publication number Publication date
CN117351022B (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
CN111461110B (zh) 一种基于多尺度图像和加权融合损失的小目标检测方法
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
CN112183788B (zh) 一种域自适应设备运检系统和方法
CN111951212A (zh) 对铁路的接触网图像进行缺陷识别的方法
CN114445706A (zh) 一种基于特征融合的输电线路目标检测与识别方法
CN115731164A (zh) 基于改进YOLOv7的绝缘子缺陷检测方法
CN109034184B (zh) 一种基于深度学习的均压环检测识别方法
CN110570363A (zh) 基于带有金字塔池化与多尺度鉴别器的Cycle-GAN的图像去雾方法
CN114663346A (zh) 一种基于改进YOLOv5网络的带钢表面缺陷检测方法
CN112560619B (zh) 一种基于多聚焦图像融合的多距离鸟类精准识别方法
CN111696136B (zh) 一种基于编解码结构的目标跟踪方法
CN114821282B (zh) 一种基于域对抗神经网络的图像检测装置及方法
CN114119610B (zh) 基于旋转目标检测的缺陷检测方法
CN113569981A (zh) 一种基于单阶段目标检测网络的电力巡检鸟窝检测方法
CN111126278A (zh) 针对少类别场景的目标检测模型优化与加速的方法
CN116385958A (zh) 一种用于电网巡检和监控的边缘智能检测方法
CN114331946A (zh) 一种图像数据处理方法、设备以及介质
CN115239710A (zh) 基于注意力反馈和双空间金字塔的绝缘子缺陷检测方法
CN113610905A (zh) 基于子图像匹配的深度学习遥感图像配准方法及应用
CN113469950A (zh) 一种基于深度学习的复合绝缘子异常发热缺陷的诊断方法
CN114021704B (zh) 一种ai神经网络模型的训练方法及相关装置
CN115409814A (zh) 一种基于融合图像的光伏组件热斑检测方法及系统
CN111340124A (zh) 图像中实体类别的识别方法和装置
CN112862766B (zh) 一种基于图像数据扩充技术的绝缘子检测方法及系统
CN116977747B (zh) 基于多路多尺度特征孪生网络的小样本高光谱分类方法

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