CN117611538A - 均压环缺陷检测方法、装置、计算机设备和存储介质 - Google Patents
均压环缺陷检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117611538A CN117611538A CN202311563012.0A CN202311563012A CN117611538A CN 117611538 A CN117611538 A CN 117611538A CN 202311563012 A CN202311563012 A CN 202311563012A CN 117611538 A CN117611538 A CN 117611538A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- fusion
- detected
- network
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 187
- 230000007547 defect Effects 0.000 title claims abstract description 93
- 239000012212 insulator Substances 0.000 claims abstract description 62
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000002950 deficient Effects 0.000 claims abstract description 10
- 230000004927 fusion Effects 0.000 claims description 151
- 238000000605 extraction Methods 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000025274 Lightning injury Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001502 supplementing 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种均压环缺陷检测方法、装置、计算机设备和存储介质。所述方法包括:获取待检测区域图像;根据预设目标检测算法对待检测区域图像进行识别判断,获得识别判断结果;当识别判断结果为待检测区域图像中存在绝缘子,根据预设检测模型对绝缘子旁均压环进行识别检测,获得均压环检测结果;当均压环检测结果为均压环存在缺陷,在待检测区域图像中存在缺陷的均压环进行框选操作,获得检测后区域图像以及输出缺陷均压环的位置信息。采用本方法能够提高对待检测区域图像中绝缘子两边的均压环检测精确性,以及提高检测识别的效率。
Description
技术领域
本申请涉及输电线路技术领域,特别是涉及一种均压环缺陷检测方法、装置、计算机设备和存储介质。
背景技术
均压环是保证输电线路稳定运行的关键设备,但长期暴露在外易发生倾斜甚至脱落。研究表明,均压环断裂具有脆性断口、氧化痕迹等特征,断裂不是瞬时发生的,也不是雷击所致。实际上,均压环在风载荷作用下,支承面附近产生应力集中,导致微裂纹初始化。然后在各种环境因素影响下,裂纹逐渐扩展,最终造成断裂。可以看出,均压环断裂是长期疲劳堆积的结果,需要加强检查与维护,避免影响输电线路的正常运行。
传统技术中,一般通过对输电线路进行拍摄获取待检测区域的图像信息,然后基于目标检测算法,例如Faster R-CNN(Faster Region-based Convolutional NeuralNetworks,更快的基于区域的卷积神经网络)和Mask R-CNN(Mask Region-basedConvolutional Neural Networks,基于掩码区域的卷积神经网络)等算法,进行对输电设备的检测。
然而,基于传统技术中目标检测算法虽然具有较高的检测精度,但是需要对图像进行大量运算,无法实施反馈检测结果。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高对图像中小目标的检测效率和检测精确度的均压环缺陷检测方法、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,本申请提供了一种均压环缺陷检测方法,包括:
获取待检测区域图像;
根据预设目标检测算法对待检测区域图像进行识别判断,获得识别判断结果;
当识别判断结果为待检测区域图像中存在绝缘子,根据预设检测模型对绝缘子旁均压环进行识别检测,获得均压环检测结果;
当均压环检测结果为均压环存在缺陷,在待检测区域图像中存在缺陷的均压环进行框选操作,获得检测后区域图像以及输出缺陷均压环的位置信息。
在其中一个实施例中,根据预设目标检测算法对待检测区域图像进行识别判断,获得识别判断结果,包括:
根据预设图像处理算法对待检测区域图像进行预处理操作,获得预处理图像;
根据预设目标检测算法对预处理图像进行特征提取,获得图像特征;
根据图像特征对待检测区域图像进行图像生成,获得待检测特征图;
根据预设评估算法对待检测特征图进行绝缘子识别,获得图像识别结果;
根据图像识别阈值和图像识别结果进行结果筛选,获得识别判断结果。
在其中一个实施例中,当识别判断结果为待检测区域图像中存在绝缘子,根据预设检测模型对绝缘子旁均压环进行识别检测,获得均压环检测结果,包括:
在确定待检测区域内存在绝缘子时,根据预设检测模型中特征提取网络对预处理图像进行特征提取,获得图像特征信息;
根据预设检测模型中特征融合网络对图像特征信息进行特征融合,获得图像融合特征;
根据预设检测模型中预测目标网络和图像融合特征进行缺陷识别,获得缺陷识别结果。
在其中一个实施例中,根据预设检测模型中特征提取网络对预处理图像进行特征提取,获得图像特征信息,包括:
将预处理图像输入卷积层进行特征提取,获得第一特征信息;
将第一特征信息输入第一残差网络进行特征提取,获得第一图像特征;
将第一图像特征;输入第二残差网络进行特征提取,获得第二图像特征;
将第二图像特征输入第三残差网络进行特征提取,获得第一特征信息;
将第一特征信息输入池化层进行特征提取,获得第三图像特征。
在其中一个实施例中,根据预设检测模型中特征融合网络对图像特征信息进行特征融合,获得图像融合特征,包括:
将第二图像特征和第三图像特征输入第一上采样网络进行特征处理,获得第一处理后特征和第二处理后特征;
将第二处理后特征和第一图像特征输入第二上采样网络进行特征处理,获得第三处理后特征;
将第三处理过后特征输入卷积层进行特征变换,获得第一融合特征;
将第一处理后特征和第一融合特征输入第一融合网络进行特征融合,获得第二融合特征;
将第二处理后特征和第二融合特征输入第一融合网络进行特征融合,获得第三融合特征。
在其中一个实施例中,根据预设检测模型中预测目标网络和图像融合特征进行缺陷识别,获得缺陷识别结果,包括:
将第三融合特征输入注意力层进行特征表示计算,获得多个注意力权重;
基于多个注意力权重对筛选后第三融合特征进行特征调整,获得调整后第三融合特征;
根据调整后第三融合特征、第一融合特征和第二融合特征生成待检测特征图;
根据预设检测识别阈值和待检测特征图进行目标筛选,获得筛选后特征图;
将筛选后特征图输入预测目标网络进行缺陷检测,获得缺陷检测结果。
第二方面,本申请还提供了一种均压环缺陷检测装置,包括:
数据获取模块,用于获取待检测区域图像;
识别分析模块,用于根据预设目标检测算法对待检测区域图像进行识别判断,获得识别判断结果;
缺陷检测模块,用于当识别判断结果为待检测区域图像中存在绝缘子,根据预设检测模型对绝缘子旁均压环进行识别检测,获得均压环检测结果;
结果输出模块,用于当均压环检测结果为均压环存在缺陷,在待检测区域图像中存在缺陷的均压环进行框选操作,获得检测后区域图像以及输出缺陷均压环的位置信息。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待检测区域图像;
根据预设目标检测算法对待检测区域图像进行识别判断,获得识别判断结果;
当识别判断结果为待检测区域图像中存在绝缘子,根据预设检测模型对绝缘子旁均压环进行识别检测,获得均压环检测结果;
当均压环检测结果为均压环存在缺陷,在待检测区域图像中存在缺陷的均压环进行框选操作,获得检测后区域图像以及输出缺陷均压环的位置信息。
第四方面,本申请还提供了一种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以下步骤:
获取待检测区域图像;
根据预设目标检测算法对待检测区域图像进行识别判断,获得识别判断结果;
当识别判断结果为待检测区域图像中存在绝缘子,根据预设检测模型对绝缘子旁均压环进行识别检测,获得均压环检测结果;
当均压环检测结果为均压环存在缺陷,在待检测区域图像中存在缺陷的均压环进行框选操作,获得检测后区域图像以及输出缺陷均压环的位置信息。
第五方面,本申请还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:
获取待检测区域图像;
根据预设目标检测算法对待检测区域图像进行识别判断,获得识别判断结果;
当识别判断结果为待检测区域图像中存在绝缘子,根据预设检测模型对绝缘子旁均压环进行识别检测,获得均压环检测结果;
当均压环检测结果为均压环存在缺陷,在待检测区域图像中存在缺陷的均压环进行框选操作,获得检测后区域图像以及输出缺陷均压环的位置信息。
上述均压环缺陷检测方法、装置、计算机设备、存储介质和计算机程序产品,在获取需要识别的待检测区域图像后,需要检测该待检测区域图像中是否存在绝缘子,只有在待检测区域图像中存在绝缘子时才可以对绝缘子两边的均压环进行缺陷检测,然后在检测过程中通过预设检测模型对该待检测区域图像记性特征提取,对提取的特征进行优化得到更加精确的特征表示,进而提高对待检测区域图像中绝缘子两边的均压环检测精确性,以及提高检测识别的效率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中均压环缺陷检测方法的流程示意图;
图2为一个实施例中预设检测模型检测识别的流程示意图;
图3为一个实施例中检测输出图像的示意图;
图4为一个实施例中均压环缺陷检测装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
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。
在一个实施例中,如图1所示,提供了一种均压环缺陷检测方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤102,获取待检测区域图像。
其中,待检测区域为输电线路中待巡检的线路及线路上设置的设备。
示例性地,通过检测设别的图像采集模块对待巡检线路及该线路上设置的设备进行图像拍摄,获得待检测区域图像。
步骤104,根据预设目标检测算法对待检测区域图像进行识别判断,获得识别判断结果。
其中,预设目标检测算法包括预设图像处理算法。
示例性地,在获取待检测区域图像之后,基于预设目标检测算法对该待检测区域图像进行预处理,得到图像大小合适的图像数据,对该图像数据进行特征提取并基于提取的特征进行绝缘子识别,以判断该待检测区域图像中是否存在绝缘子。
步骤106,当识别判断结果为待检测区域图像中存在绝缘子,根据预设检测模型对绝缘子旁均压环进行识别检测,获得均压环检测结果。
其中,识别判断结果包括待检测区域图像中存在绝缘子和待检测区域图像中不在绝缘子,预设检测模型是指改进后yolov5(You Only Look Once version 5,实时目标检测算法)检测模型。
其中,预设检测模型包括预设检测阈值。
示例性地,当识别判断结果为待检测区域图像中不存在绝缘子,则重新获取下一个待检测区域图像。
当识别判断结果为待检测区域图像中存在绝缘子,需要对绝缘子两边的均压环进行缺陷检测,基于改进后yolov5检测模型即预设检测模型对待检测区域图像中绝缘子两边均压环识别检测,基于均压环和绝缘子之间的位置关系对均压环的缺陷进行检测,进而得到均压环检测结果。
在检测的同时,基于预设检测阈值对绝缘子和均压环进行筛选,将远处的检测目标即较小的绝缘子和较小的均压环剔除。
步骤108,当均压环检测结果为均压环存在缺陷,在待检测区域图像中存在缺陷的均压环进行框选操作,获得检测后区域图像以及输出缺陷均压环的位置信息。
示例性地,在完成对均压环的缺陷检测之后,将待检测区域图像中绝缘子两侧存在缺陷的均压环进行框选,并在被框选的均压环处标记均压环检测结果,同时将该被框选的均压环的位置信息输出。
上述均压环缺陷检测方法中,在获取需要识别的待检测区域图像后,需要检测该待检测区域图像中是否存在绝缘子,只有在待检测区域图像中存在绝缘子时才可以对绝缘子两边的均压环进行缺陷检测,然后在检测过程中通过预设检测模型对该待检测区域图像记性特征提取,对提取的特征进行优化得到更加精确的特征表示,进而提高对待检测区域图像中绝缘子两边的均压环检测精确性,以及提高检测识别的效率。
在一个示例性的实施例中,根据预设目标检测算法对待检测区域图像进行识别判断,获得识别判断结果,包括:
根据预设图像处理算法对待检测区域图像进行预处理操作,获得预处理图像;根据预设目标检测算法对预处理图像进行特征提取,获得图像特征;根据图像特征对待检测区域图像进行图像生成,获得待检测特征图;根据预设评估算法对待检测特征图进行绝缘子识别,获得图像识别结果;根据图像识别阈值和图像识别结果进行结果筛选,获得识别判断结果。
其中,预设图像处理算法包括Letterbox(自适应图片缩放)算法,预设目标检测算法包括yolov5目标检测算法。
示例性地,在得到待检测区域图像之后,利用Letterbox自适应图片缩放算法对该待检测区域图像进行缩放操作。将该待检测区域图像缩小到一定尺寸得到缩小后图像,基于该待检测区域图像的宽高比将缩小后图像周围补充灰色边框,以得到预处理图像。然后基于yolov5目标检测算法即预设目标检测算法对预处理图像进行特征提取、特征融合等操作,进而得到预处理图像对应的特征图,通过对特征图识别,以确定待检测区域图像中是否存在绝缘子,即得到识别判断结果。
在本实施例中,通过yolov5目标检测算法即预设目标检测算法对待检测区域图像进行初步检测,以判断该检测区域内是否存在绝缘子,有利于提高对图像的检测效率。
在一个示例性的实施例中,如图2所示,当识别判断结果为待检测区域图像中存在绝缘子,根据预设检测模型对绝缘子旁均压环进行识别检测,获得均压环检测结果,包括:
在确定待检测区域内存在绝缘子时,根据预设检测模型中特征提取网络对预处理图像进行特征提取,获得图像特征信息;根据预设检测模型中特征融合网络对图像特征信息进行特征融合,获得图像融合特征;根据预设检测模型中预测目标网络和图像融合特征进行缺陷识别,获得缺陷识别结果。
其中,预设检测模型是指改进后yolov5检测模型,预设检测模型包括特征提取网络、特征融合网络和预测目标网络。
示例性地,在确定检测区域内存在绝缘子后,基于改进后yolov5检测模型的特征提取网络对预处理图像进行特征提取,得到图像特征信息。将提取的图像特征信息输入至特征融合网络中,特征融合网络将图像特征信息中不同层次的特征融合得到图像融合特征,然后基于图像融合特征生成图像特征图,对该图像特征图识别检测,以确定绝缘子两边的均压环是否存在安装不规范或者其他缺陷的情况。
在本实施例中,在确定待检测区域图像中存在绝缘子,通过预设检测模型对该待检测图像提取特征,并利用预设检测模型中的图像融合网络对提取的特征进行融合以提高特征表示,再基于融合后的图像融合特征生成用于缺陷检测的图像特征图,将图像特征图输入预测目标网络检测均压环是否存在缺陷,实现了快速区分检测目标,并且提高检测精确性。
在一个示例性的实施例中,如图2所示,根据预设检测模型中特征提取网络对预处理图像进行特征提取,获得图像特征信息,包括:
将预处理图像输入卷积层进行特征提取,获得第一特征信息;将第一特征信息输入第一残差网络进行特征提取,获得第一图像特征;将第一图像特征;输入第二残差网络进行特征提取,获得第二图像特征;将第二图像特征输入第三残差网络进行特征提取,获得第一特征信息;将第一特征信息输入池化层进行特征提取,获得第三图像特征。
其中,图像特征信息包括第一图像特征、第二图像特征和第三图像特征,池化层为SPPF层。
示例性地,特征提取网络包括多个第一卷积层、多个第一C3(CSP Bottleneckwith 3convolutions,具有3个卷边的CSP瓶颈)单元和一个SPPF(Spatial PyramidPooling Fusion,空间金字塔池融合)层。特征提取网络的第二层至第五层中多个第一卷积层和多个第一C3单元组成第一残差网络,特征提取网络的第六层至第七层中一个第一卷积层和一个第一C3单元组成第二残差网络,特征提取网络的第八层至第九层中一个第一卷积层和一个第一C3单元组成第三残差网络。
将预处理图像输入特征提取网络,通过特征提取网络中第一层的第一卷积层对预处理图像进行特征提取,得到初步提取特征。然后将初步提取特征输入第一残差网络,依次输入多组第一卷积层和第一C3单元,经过多次特征提取以及完成残差特征的传递,进而得到第一图像特征。将第一图像特征传至第二残差网络的同时,将第一图像特征传输至特征融合网络中。第一图像特征经过第二残差网络的处理后得到第二图像特征,将第二图像特征传至第三残差网络的同时,将第二图像特征传输至特征融合网络中。第二图像特征经过第三残差网络的处理后得到第一特征信息,SPPF层接收第一特征信息并将不同尺度的特征融合得到第三图像特征,之后将第三图像特征传输至特征融合网络中
在本实施例中,通过对预处理图像进行多次特征提取以及传递残差特征,减少了模型的参数数量,减少了识别计算的复杂度,进而提高了后续模型检测识别的效率,并且方便获取不同尺度的特征提高检测识别的精确性。
在一个示例性的实施例中,如图2所示,根据预设检测模型中特征融合网络对图像特征信息进行特征融合,获得图像融合特征,包括:
将第二图像特征和第三图像特征输入第一上采样网络进行特征处理,获得第一处理后特征和第二处理后特征;将第二处理后特征和第一图像特征输入第二上采样网络进行特征处理,获得第三处理后特征;将第三处理过后特征输入卷积层进行特征变换,获得第一融合特征;将第一处理后特征和第一融合特征输入第一融合网络进行特征融合,获得第二融合特征;将第二处理后特征和第二融合特征输入第一融合网络进行特征融合,获得第三融合特征。
其中,图像融合特征包括第一融合特征、第二融合特征和第三融合特征;特征融合网络包括上采样网络、卷积层和融合网络。
示例性地,上采样网络包括一个第二卷积层、一个上采样层和一个第一拼接层,且第一上采样层和第二上采样层之间设置有一个第二C3单元。
第一上采样层接收第二图像特征和第三图像特征,第一上采样层通过第二卷积层对第三图像特征进行特征提取得到第一处理后特征。第一处理后特征在传输至上采样层的同时传输至融合网络。上采样层对第一处理后特征进行上采样操作后将第一上采样结果输入第一拼接层,第一拼接层还接收第二图像特征,第一拼接层通过对第二图像特征和第一上采样结果处理得到第二处理后特征,然后将该第二处理后特征输入至第二C3单元。
第二C3单元通过对第二处理后特征完成残差特征的传递后,将第二处理后特征和残差特征输入第二上采样网络,并且第二处理后特征传输至融合网络。
第二上采样层接收第一处理后特征、残差特征和第一融合特征,第二上采样层对第二处理后特征依次输入第二卷积层和上采样层进行特征处理得到第二上采样结果并将第二上采样结果输入第一拼接层,第一拼接层还接第一图像特征,第一拼接层通过对第一图像特征和第二上采样结果处理得到第三处理后特征,然后将该第三处理后特征传输至融合网络。
融合网络包括多个第三卷积层、多个第三C3单元、多个第二拼接层和多个注意力层。
第三处理后特征输入融合网络第一个第三卷积层进行特征提取,得到第一融合特征,将第一融合特征传输至预测目标网络以及第三C3单元。
第一融合特征依次输入第三C3单元、第三卷积层和第二拼接层进行特征处理得到第一特征处理结果并将第一特征处理结果传输至下一个第三C3单元,同时该下一个第三C3单元还接收第二处理后特征,通过对第一特征处理结果和第二处理后特征的融合处理,得到第二融合特征。然后将第二融合特征分别传输至预测目标网络和下一个第三卷积层。
第二融合特征依次输入第三卷积层和第二拼接层,同时该第二拼接层还接收第一处理后特征,通过对第二融合特征和第一处理后特征进行拼接处理得到第三融合特征并将第三融合特征传输至预测目标网络。
在本实施例中,通过对预处理图像进行特征提取、特征融合,并在特征融合阶段采用三种注意力机制,可以得到不同尺度特征融合的图像融合特征,有利于提高特征表示的综合性,以便于对不同尺度目标的检测,达到了提高检测识别精确性的效果。
在一个示例性的实施例中,如图2所示,根据预设检测模型中预测目标网络和图像融合特征进行缺陷识别,获得缺陷识别结果,包括:
将第三融合特征输入注意力层进行特征表示计算,获得多个注意力权重;基于多个注意力权重对筛选后第三融合特征进行特征调整,获得调整后第三融合特征;根据调整后第三融合特征、第一融合特征和第二融合特征生成待检测特征图;根据预设检测识别阈值和待检测特征图进行目标筛选,获得筛选后特征图;将筛选后特征图输入预测目标网络进行缺陷检测,获得缺陷检测结果。
其中,预设检测模型包括注意力层和预设检测识别阈值,注意力层包括尺度注意力层、空间注意力层和通道注意力层。
示例性地,在得到第三融合特征后,将该第三融合特征依次输入尺度注意力层、空间注意力层和通道注意力层。在每个注意力层中,需要计算输入数据的注意力权重,然后将该注意力权值进行归一化操作,再将归一化后注意力权重与每个注意力层的输入数据相乘得到注意力层输出结果。在依次输入尺度注意力层、空间注意力层和通道注意力层得到调整后第三融合特征,即得到不同尺度特征融合的融合特征。
基于调整后第三融合特征、第一融合特征和第二融合特征生成待检测特征图,然后基于预设检测识别阈值对待检测特征图中可检测目标进行筛选,即将置信度低于置信度阈值以及尺度不处于尺度范围内的目标剔除,得到筛选后待检测特征图,预测目标网络对筛选后待检测特征图进行预测,得到针对目标的检测框并输出该检测框对应目标的位置信息,即得到缺陷检测结果,缺陷检测结果如图3所示。
在本实施例中,通过将第三融合特征输入多个注意力层并经过注意力层的注意力操作,对提取的特征进行优化得到更加精确的特征表示,同时基于预设检测识别阈值对待检测目标进行筛选,减少待检测目标的数量,进而提高对待检测区域图像中绝缘子两边的均压环检测精确性,以及提高检测识别的效率。
在一个示例性的实施例中,提供了一种均压环缺陷检测方法,该方法包括以下步骤:
获取待检测区域图像。
根据预设图像处理算法对待检测区域图像进行预处理操作,获得预处理图像。
根据预设目标检测算法对预处理图像进行特征提取,获得图像特征。
根据图像特征对待检测区域图像进行图像生成,获得待检测特征图。
根据预设评估算法对待检测特征图进行绝缘子识别,获得图像识别结果。
根据图像识别阈值和图像识别结果进行结果筛选,获得识别判断结果。
将预处理图像输入卷积层进行特征提取,获得第一特征信息。
将第一特征信息输入第一残差网络进行特征提取,获得第一图像特征。
将第一图像特征;输入第二残差网络进行特征提取,获得第二图像特征。
将第二图像特征输入第三残差网络进行特征提取,获得第一特征信息。
将第一特征信息输入池化层进行特征提取,获得第三图像特征。
将第二图像特征和第三图像特征输入第一上采样网络进行特征处理,获得第一处理后特征和第二处理后特征。
将第二处理后特征和第一图像特征输入第二上采样网络进行特征处理,获得第三处理后特征。
将第三处理过后特征输入卷积层进行特征变换,获得第一融合特征。
将第一处理后特征和第一融合特征输入第一融合网络进行特征融合,获得第二融合特征。
将第二处理后特征和第二融合特征输入第一融合网络进行特征融合,获得第三融合特征。
将第三融合特征输入注意力层进行特征表示计算,获得多个注意力权重。
基于多个注意力权重对筛选后第三融合特征进行特征调整,获得调整后第三融合特征。
根据调整后第三融合特征、第一融合特征和第二融合特征生成待检测特征图。
根据预设检测识别阈值和待检测特征图进行目标筛选,获得筛选后特征图。
将筛选后特征图输入预测目标网络进行缺陷检测,获得缺陷检测结果。
当均压环检测结果为均压环存在缺陷,在待检测区域图像中存在缺陷的均压环进行框选操作,获得检测后区域图像以及输出缺陷均压环的位置信息。
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均压环缺陷检测方法的均压环缺陷检测装置。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均压环缺陷检测装置实施例中的具体限定可以参见上文中对于均压环缺陷检测方法的限定,在此不再赘述。
在一个示例性的实施例中,如图4所示,提供了一种均压环缺陷检测装置,包括:数据获取模块402、识别分析模块404、缺陷检测模块406和结果输出模块408,其中:
数据获取模块402,用于获取待检测区域图像。
识别分析模块404,用于根据预设目标检测算法对待检测区域图像进行识别判断,获得识别判断结果。
缺陷检测模块406,用于当识别判断结果为待检测区域图像中存在绝缘子,根据预设检测模型对绝缘子旁均压环进行识别检测,获得均压环检测结果。
结果输出模块408,用于当均压环检测结果为均压环存在缺陷,在待检测区域图像中存在缺陷的均压环进行框选操作,获得检测后区域图像以及输出缺陷均压环的位置信息。
在一个示例性的实施例中,识别分析模块404,还用于根据预设图像处理算法对待检测区域图像进行预处理操作,获得预处理图像;根据预设目标检测算法对预处理图像进行特征提取,获得图像特征;根据图像特征对待检测区域图像进行图像生成,获得待检测特征图;根据预设评估算法对待检测特征图进行绝缘子识别,获得图像识别结果;根据图像识别阈值和图像识别结果进行结果筛选,获得识别判断结果。
在一个示例性的实施例中,缺陷检测模块406,还用于在确定待检测区域内存在绝缘子时,根据预设检测模型中特征提取网络对预处理图像进行特征提取,获得图像特征信息;根据预设检测模型中特征融合网络对图像特征信息进行特征融合,获得图像融合特征;根据预设检测模型中预测目标网络和图像融合特征进行缺陷识别,获得缺陷识别结果。
在一个示例性的实施例中,缺陷检测模块406,还用于将预处理图像输入卷积层进行特征提取,获得第一特征信息;将第一特征信息输入第一残差网络进行特征提取,获得第一图像特征;将第一图像特征;输入第二残差网络进行特征提取,获得第二图像特征;将第二图像特征输入第三残差网络进行特征提取,获得第一特征信息;将第一特征信息输入池化层进行特征提取,获得第三图像特征。
在一个示例性的实施例中,缺陷检测模块406,还用于将第二图像特征和第三图像特征输入第一上采样网络进行特征处理,获得第一处理后特征和第二处理后特征;将第二处理后特征和第一图像特征输入第二上采样网络进行特征处理,获得第三处理后特征;将第三处理过后特征输入卷积层进行特征变换,获得第一融合特征;将第一处理后特征和第一融合特征输入第一融合网络进行特征融合,获得第二融合特征;将第二处理后特征和第二融合特征输入第一融合网络进行特征融合,获得第三融合特征。
在一个示例性的实施例中,缺陷检测模块406,还用于将第三融合特征输入注意力层进行特征表示计算,获得多个注意力权重;基于多个注意力权重对筛选后第三融合特征进行特征调整,获得调整后第三融合特征;根据调整后第三融合特征、第一融合特征和第二融合特征生成待检测特征图;根据预设检测识别阈值和待检测特征图进行目标筛选,获得筛选后特征图;将筛选后特征图输入预测目标网络进行缺陷检测,获得缺陷检测结果。
上述均压环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。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。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图像特征数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信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均压环缺陷检测方法。
本领域技术人员可以理解,图5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计算机设备的限定,具体的计算机设备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。
在一个示例性的实施例中,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上述各方法实施例中的步骤。
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,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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上述各方法实施例中的步骤。
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,且相关数据的收集、使用和处理需要符合相关规定。
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)
1.一种均压环缺陷检测方法,其特征在于,所述方法包括:
获取待检测区域图像;
根据预设目标检测算法对所述待检测区域图像进行识别判断,获得识别判断结果;
当所述识别判断结果为待检测区域图像中存在绝缘子,根据预设检测模型对所述绝缘子旁均压环进行识别检测,获得均压环检测结果;
当所述均压环检测结果为均压环存在缺陷,在所述待检测区域图像中存在缺陷的均压环进行框选操作,获得检测后区域图像以及输出缺陷均压环的位置信息。
2.根据权利要求1所述的方法,其特征在于,所述预设目标检测算法包括预设图像处理算法;所述根据预设目标检测算法对所述待检测区域图像进行识别判断,获得识别判断结果,包括:
根据预设图像处理算法对所述待检测区域图像进行预处理操作,获得预处理图像;
根据所述预设目标检测算法对所述预处理图像进行特征提取,获得图像特征;
根据所述图像特征对所述待检测区域图像进行图像生成,获得待检测特征图;
根据预设评估算法对所述待检测特征图进行绝缘子识别,获得图像识别结果;
根据图像识别阈值和所述图像识别结果进行结果筛选,获得识别判断结果。
3.根据权利要求1所述的方法,其特征在于,所述预设检测模型包括特征提取网络、特征融合网络和预测目标网络;所述当所述识别判断结果为待检测区域图像中存在绝缘子,根据预设检测模型对所述绝缘子旁均压环进行识别检测,获得均压环检测结果,包括:
在确定待检测区域内存在绝缘子时,根据所述预设检测模型中特征提取网络对预处理图像进行特征提取,获得图像特征信息;
根据所述预设检测模型中特征融合网络对所述图像特征信息进行特征融合,获得图像融合特征;
根据所述预设检测模型中预测目标网络和所述图像融合特征进行缺陷识别,获得缺陷识别结果。
4.根据权利要求3所述的方法,其特征在于,所述图像特征信息包括第一图像特征、第二图像特征和第三图像特征;所述特征提取网络包括卷积层、残差网络和池化层;所述根据所述预设检测模型中特征提取网络对预处理图像进行特征提取,获得图像特征信息,包括:
将所述预处理图像输入卷积层进行特征提取,获得第一特征信息;
将所述第一特征信息输入第一残差网络进行特征提取,获得第一图像特征;
将所述第一图像特征;输入第二残差网络进行特征提取,获得第二图像特征;
将所述第二图像特征输入第三残差网络进行特征提取,获得第一特征信息;
将所述第一特征信息输入池化层进行特征提取,获得第三图像特征。
5.根据权利要求3所述的方法,其特征在于,所述图像融合特征包括第一融合特征、第二融合特征和第三融合特征;所述特征融合网络包括上采样网络、卷积层和融合网络;所述根据所述预设检测模型中特征融合网络对所述图像特征信息进行特征融合,获得图像融合特征,包括:
将所述第二图像特征和所述第三图像特征输入第一上采样网络进行特征处理,获得第一处理后特征和第二处理后特征;
将所述第二处理后特征和第一图像特征输入第二上采样网络进行特征处理,获得第三处理后特征;
将第三处理过后特征输入卷积层进行特征变换,获得第一融合特征;
将所述第一处理后特征和所述第一融合特征输入第一融合网络进行特征融合,获得第二融合特征;
将所述第二处理后特征和所述第二融合特征输入第一融合网络进行特征融合,获得第三融合特征。
6.根据权利要求3所述的方法,其特征在于,所述预设检测模型包括注意力层和预设检测识别阈值;所述根据所述预设检测模型中预测目标网络和所述图像融合特征进行缺陷识别,获得缺陷识别结果,包括:
将第三融合特征输入注意力层进行特征表示计算,获得多个注意力权重;
基于多个所述注意力权重对所述筛选后第三融合特征进行特征调整,获得调整后第三融合特征;
根据所述调整后第三融合特征、第一融合特征和第二融合特征生成待检测特征图;
根据预设检测识别阈值和所述待检测特征图进行目标筛选,获得筛选后特征图;
将所述筛选后特征图输入预测目标网络进行缺陷检测,获得缺陷检测结果。
7.一种均压环缺陷检测装置,其特征在于,所述装置包括:
数据获取模块,用于获取待检测区域图像;
识别分析模块,用于根据预设目标检测算法对所述待检测区域图像进行识别判断,获得识别判断结果;
缺陷检测模块,用于当所述识别判断结果为待检测区域图像中存在绝缘子,根据预设检测模型对所述绝缘子旁均压环进行识别检测,获得均压环检测结果;
结果输出模块,用于当所述均压环检测结果为均压环存在缺陷,在所述待检测区域图像中存在缺陷的均压环进行框选操作,获得检测后区域图像以及输出缺陷均压环的位置信息。
8.一种计算机设备,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6中任一项所述的方法的步骤。
9.一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6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311563012.0A CN117611538A (zh) | 2023-11-21 | 2023-11-21 | 均压环缺陷检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311563012.0A CN117611538A (zh) | 2023-11-21 | 2023-11-21 | 均压环缺陷检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117611538A true CN117611538A (zh) | 2024-02-27 |
Family
ID=89952652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311563012.0A Pending CN117611538A (zh) | 2023-11-21 | 2023-11-21 | 均压环缺陷检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117611538A (zh) |
-
2023
- 2023-11-21 CN CN202311563012.0A patent/CN117611538A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | A new image recognition and classification method combining transfer learning algorithm and mobilenet model for welding defects | |
CN114897779B (zh) | 基于融合注意力的宫颈细胞学图像异常区域定位方法及装置 | |
CN113469074B (zh) | 基于孪生注意力融合网络的遥感图像变化检测方法及系统 | |
CN110610475A (zh) | 一种深度卷积神经网络的视觉缺陷检测方法 | |
CN114596290B (zh) | 缺陷检测方法及其装置、存储介质、程序产品 | |
CN110796634A (zh) | 大坝状态检测方法、装置、计算机设备和可读存储介质 | |
CN110942456B (zh) | 篡改图像检测方法、装置、设备及存储介质 | |
CN113888514A (zh) | 导地线缺陷检测方法、装置、边缘计算设备和存储介质 | |
CN114399719B (zh) | 一种变电站火灾视频监测方法 | |
CN115809982B (zh) | 电芯压伤检测方法、装置及系统 | |
CN116453056A (zh) | 目标检测模型构建方法和变电站异物入侵检测方法 | |
CN114445336A (zh) | 配电设备缺陷检测方法、装置、计算机设备和存储介质 | |
CN116579998A (zh) | 变电设备的缺陷检测方法、装置、设备、介质和程序产品 | |
CN116563243A (zh) | 输电线路的异物检测方法、装置、计算机设备和存储介质 | |
CN114419406A (zh) | 图像变化检测方法、训练方法、装置和计算机设备 | |
CN115861284A (zh) | 印刷制品线状缺陷检测方法、装置、电子设备和存储介质 | |
CN117173145A (zh) | 电力设备表面缺陷的检测方法、装置、设备及存储介质 | |
CN116665054A (zh) | 一种基于改进YOLOv3的遥感影像小目标检测方法 | |
CN117115715A (zh) | 一种基于流重构和帧预测结合的视频异常检测方法 | |
Zhao et al. | NAS-kernel: Learning suitable Gaussian kernel for remote sensing object counting | |
CN114387451A (zh) | 异常图像检测模型的训练方法、装置及介质 | |
CN113723553A (zh) | 一种基于选择性密集注意力的违禁物品检测方法 | |
CN115393252A (zh) | 显示面板的缺陷检测方法、装置、电子设备及存储介质 | |
CN115100592B (zh) | 一种输电通道外破隐患识别方法、装置及存储介质 | |
CN117611538A (zh) | 均压环缺陷检测方法、装置、计算机设备和存储介质 |
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 |