[发明专利]一种输电线路金具及绝缘子检测方法

说明书

一种输电线路金具及绝缘子检测方法。该方法针对输电线路上的金具及绝缘子目标检测，保证输电线路安全稳定运行。通过微调YOLOv4模型并且嵌入CBAM模块，在空间和通道两个层面增强目标特征信息，从而实现了对输电线路金具及绝缘子的有效检测，既保证了目标检测的准确，又确保了模型训练测试的速度。模型微调使得网络在针对输电线路金具及绝缘子数据集进行检测时更加高效，CBAM模块的嵌入帮助模型在提取目标特征时提取到的特征信息更丰富，达到提升最终输出结果准确率的目的。

技术领域

本申请涉及图像识别领域，尤其涉及一种输电线路金具及绝缘子检测方法。

背景技术

输电线路作为电力系统的重要基础设备之一，其运行状态的安全稳定是电力传输的重要前提保障。金具和绝缘子是输电线路上重要的组成部件，金具主要用于支持、固定、接续裸导线和其他导体，绝缘子则可以防止电流回地，由于输电线路长期暴露在野外恶劣环境下，金具及绝缘子容易出现锈蚀、破损等故障，从而对整个电力系统的稳定运行造成威胁，因此，对金具及绝缘子进行定期检修可以有效保障线路的正常运行。

目前，输电线路金具及绝缘子检测工作也取得了一定的进展，以防震锤、线夹、联板和均压环等金属部件为研究对象，相关的检测算法研究主要以传统图像处理、机器学习方法和深度学习算法两大类。传统算法主要针对绝缘子或单一金具进行检测，并不适用于复杂背景下输电线路的多类部件检测，并且很难达到输电线路部件检测的精度和效率之间的平衡，其具有一定的局限性。随着深度学习研究的逐渐深入，基于深度学习的检测算法越来越多，SSD(Single Shot Detector)、YOLO(You Only Look Once)系列的典型one-stage算法，利用生成的候选目标区域来定位目标并分类的two-stage算法，包括Fast RCNN、Faster RCNN、RFCN等。通常one-stage算法直接在特征图上进行锚框定位，无需候选区域，所以其速度比two-stage算法要快。为满足输电线路金具及绝缘子检测的实时性要求，one-stage算法成为本方法的首选目标。

YOLOv4集成了当下许多优秀的算法，不仅速度块，检测性能也优于大部分算法，故以此模型为基础，研究输电线路上的金具及绝缘子检测具有重大意义。

发明内容

为了提升输电线路金具及绝缘子检测准确率提高输电线路巡检效率，本申请提供了一种输电线路金具及绝缘子检测方法。

本申请实施例提供了如下技术方案：

将标注样本图像输入特征提取网络，得到第一特征图，所述第一特征图包含三种不同尺度的特征图；

将第一特征图输入CBAM注意力模块，得到第二特征图，所述第二特征图包含三种不同尺度的特征图；

将第二特征图输入特征融合网络，得到第三特征图，所述第三特征图包含三种不同尺度的特征图；

将第三特征图输入到YOLO head，得到检测结果。

其中，所述标注样本图像是使用labelimg标注工具对整理好的航拍图像进行标注得到的。

其中，所述特征提取网络采用CSPDarknet53。

其中，CBAM注意力模块在特征提取网络和特征融合网络之间，从空间和通道两个层面分别关注目标区域，增强相关特征、抑制无关特征，帮助信息在网络中的传递。