1.输电线路故障检测方法,其特征在于,所述方法包括以下步骤:S100:通过无人机空中拍摄收集输电线路不同类型故障的图像,制作包含标注信息的输电线路故障场景的检测数据集,并划分为训练集和测试集;
S200:搭建故障检测网络,包括主干特征提取网络、特征金字塔网络、分类和回归子网络、频域特征融合模块和前背景权重图创建模块;
S300:将训练集中的图像进行卷积处理后输入至主干特征提取网络提取图像的特征,生成多层级特征图;将不同层级特征图输入至特征金字塔网络进行特征融合,得到不同尺度的特征图集合;
S400:将不同尺度的特征图集合输入至分类和回归子网络得到分类和回归结果,其中,不同尺度的特征图集合中的低层特征层还输入至频域特征融合模块,在频域上进行初步特征融合,并固定融合特征的梯度;高层特征层以及频域特征融合模块输出的融合特征分别输入至前背景权重图创建模块进行前景感知处理,得到前景感知处理后的高层特征图和融合特征图;
S500:基于分类和回归结果、前景感知处理后的高层特征图和融合特征图设计损失函数,对故障检测网络进行训练,当达到预设的训练结束条件时,得到训练后的故障检测网络,将测试集输入至训练好的故障检测网络进行特征提取、特征融合以及分类和回归,得到检测结果,并对检测结果进行评估。
2.根据权利要求1所述的方法,其特征在于,S100包括:S110:采用具备高清摄像头和稳定飞行控制系统的巡检无人机,按照预设航线巡检输电线路,收集各类故障图像,同时记录拍摄时间、地点和角度信息;
S120:根据陶瓷绝缘子、玻璃绝缘子、破损绝缘子、连接组件、鸟巢、悬挂夹具、良好防震锤、破损防震锤8种目标检测类型对图像数据进行标注;
S130:随机划分数据集为训练集、验证集和测试集,确保其中包含各类故障图像且比例与原始数据集一致,分别保存图像文件和标注信息。
3.根据权利要求2所述的方法,其特征在于,S400中不同尺度的特征图集合中的低层特征层还输入至频域特征融合模块,在频域上进行初步特征融合,并固定融合特征的梯度,包括:S410:从不同尺度的特征图集合中,选取低层特征图记为,对低层特征图进行上采样操作,使所有低层特征图具有与第一个低层特征图相同的尺寸;其中,具有最高的空间分辨率,具有最丰富的语义信息,表示选取的第个低层特征图,为选取的低层特征图数量,且;
S420:将尺寸统一后的特征图从空间域转换为频域表示后,进行特征融合,固定融合特征的梯度。
4.根据权利要求3所述的方法,其特征在于,S410具体为:设目标尺寸为,采用双线性插值的上采样方法,对于特征图,其任意位置经上采样后的像素值计算如公式(1)所示:(1)
其中,为目标特征图的高度,为目标特征图的宽度,为双线性插值上采样函数;
S420具体为:将每个上采样后的低层特征图从空间域转换到频域,采用二维离散傅里叶变换,其计算过程如公式(2)所示:(2)
其中,为在频域的表示,为空间域坐标,为频域坐标,为上采样后特征图在空间域中坐标处的像素值,为特征图的高度,为特征图的宽度,为二维离散傅里叶变换的核函数;
采用加权求和的方式进行融合,融合公式如式(3)所示:(3)
其中,为融合后的频域特征图,为第个上采样后低层特征图的权重,且满足, 权重通过实验训练确定。
5.根据权利要求4所述的方法,其特征在于,S400中高层特征层以及频域特征融合模块输出的融合特征分别输入至前背景权重图创建模块进行前景感知处理,得到前景感知处理后的高层特征图和融合特征图,包括:S430:计算融合特征层以及特征金字塔网络输出的高层特征层与原图的缩放比例,根据标注的真实框信息,得到前景在原图上的位置;
S440:根据映射后的前景位置信息,为融合特征层以及每个高层特征层创建权重图,其尺寸与特征层大小相同,在权重图中,为前景区域和背景区域分别赋予权重和权重,其中;
S450:将权重图扩展为与对应融合特征层以及高层特征层批次数和通道数相同的权重矩阵,扩展后的权重矩阵的尺寸为,将扩展后的权重矩阵分别与对应融合特征层以及高层特征层逐元素相乘,得到经过前景感知处理后的融合特征层及高层特征层。
6.根据权利要求5所述的方法,其特征在于,S430具体为:融合特征层尺寸为,原图尺寸为,计算其与原图在高度和宽度上的缩放比例和,计算公式如下:(4)
(5)
高层特征层的尺寸为,原图尺寸为,计算其与原图在高度和宽度上的缩放比例和,计算公式如下:(6)
(7)
设真实框的左上角坐标为,右下角坐标为, 对于高层特征层及融合特征层,将原图上的前景位置信息分别映射到对应特征层上,高层特征层映射计算公式如下:(8)
(9)
(10)
(11)
其中为向下取整函数,为高层特征层映射后的左上角坐标,为高层特征层映射后的右下角坐标;
融合特征层映射计算公式如下:
(12)
(13)
(14)
(15)
其中为向下取整函数,为融合特征层映射后的左上角坐标,为融合特征层映射后的右下角坐标;
S440中分别为高层与融合层定义权重图和,记像素坐标为,取值规则如下:(16)
(17)
S450中将与按通道维扩展得到权重矩阵与,分别与对应融合特征层以及高层特征层逐元素相乘,得到经过前景感知处理后的融合特征层及高层特征层,具体为:(18)
(19)
其中,表示逐元素相乘操作。
7.根据权利要求6所述的方法,其特征在于,S500包括:S510:对前景感知处理后的高层特征图进行双线性插值的上采样操作,使其与前景感知后的融合特征图具有相同的尺寸;
S520:设计总损失函数,包括分类损失函数、回归损失函数以及对齐损失函数,基于对齐损失函数计算相同尺寸的前景感知处理后的高层特征图与前景感知处理后的融合特征图之间的对齐程度的对齐损失,具体为:(20)
(21)
其中,为对齐损失,为目标概率图,为归一化因子,为批次大小,为特征图高度,为特征图宽度,为通道求和变量,为特征图的总通道数;
S530:根据分类损失函数、回归损失函数,结合分类和回归结果计算分类损失和回归损失,根据分类损失、回归损失以及对齐损失得到总损失,具体为:(22)
其中,、和分别为分类损失、边界框回归损失和特征对齐损失的权重系数,通过实验进行调整优化;
S540:基于总损失函数对故障检测网络进行训练,当达到预设的训练结束条件时,得到训练后的故障检测网络,将测试集输入至训练好的故障检测网络进行特征提取、特征融合以及分类和回归,得到检测结果,并对检测结果进行评估。
8.输电线路故障检测系统,其特征在于,包括数据集获取模块、故障检测网络搭建模块、特征提取和融合模块、前景感知处理模块、训练和测试模块;
数据集获取模块,用于通过无人机空中拍摄收集输电线路不同类型故障的图像,制作包含标注信息的输电线路故障场景的检测数据集,并划分为训练集和测试集;
故障检测网络搭建模块,用于搭建故障检测网络,包括主干特征提取网络、特征金字塔网络、分类和回归子网络、频域特征融合模块和前背景权重图创建模块;
特征提取和融合模块,用于将训练集中的图像进行卷积处理后输入至主干特征提取网络提取图像的特征,生成多层级特征图;将不同层级特征图输入至特征金字塔网络进行特征融合,得到不同尺度的特征图集合;
前景感知处理模块,用于将不同尺度的特征图集合输入至分类和回归子网络得到分类和回归结果,其中,不同尺度的特征图集合中的低层特征层还输入至频域特征融合模块,在频域上进行初步特征融合,并固定融合特征的梯度;高层特征层以及频域特征融合模块输出的融合特征分别输入至前背景权重图创建模块进行前景感知处理,得到前景感知处理后的高层特征图和融合特征图;
训练和测试模块,用于基于分类和回归结果、前景感知处理后的高层特征图和融合特征图设计损失函数,对故障检测网络进行训练,当达到预设的训练结束条件时,得到训练后的故障检测网络,将测试集输入至训练好的故障检测网络进行特征提取、特征融合以及分类和回归,得到检测结果,并对检测结果进行评估。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。