本發(fā)明屬于輸電線路缺陷檢測，具體涉及基于協(xié)同混合分配訓練的輸電線路相似性缺陷識別方法。

背景技術：

1、輸電線路是電力系統(tǒng)中至關重要的組成部分，在電力運輸過程中輸電線路常因外部原因會出現(xiàn)各種各樣的缺陷，這些缺陷如果得不到及時處理，可能引發(fā)大規(guī)模停電或安全事故，給電力系統(tǒng)的安全運行帶來極大隱患，常見的缺陷中相似性缺陷最難識別，例如：導線斷股、松散等缺陷，傳統(tǒng)方法通常通過采集輸電線路圖像數(shù)據(jù)，通過人工識別相似性缺陷，傳統(tǒng)方法識別準確率低，特別是在復雜場景下，由于相似性缺陷存在外觀相似、位置分散等特點，容易發(fā)生人為漏檢或誤檢等現(xiàn)象。

2、近年來，目標檢測技術在計算機視覺領域取得了突破性進展，并逐漸成為智能化缺陷識別的關鍵手段，目標檢測技術能夠通過對圖像中的目標進行自動定位和分類，實現(xiàn)對缺陷的高效檢測，因此，如何將目標檢測技術應用于輸電線路的相似性缺陷識別過程中，是一個亟待解決的問題。

技術實現(xiàn)思路

1、本發(fā)明的目的是提供基于協(xié)同混合分配訓練的輸電線路相似性缺陷識別方法，解決了現(xiàn)有技術中，在復雜場景下，人工識別相似性缺陷容易發(fā)生人為漏檢或誤檢的問題

2、本發(fā)明所采用的技術方案是，包括以下步驟：

3、步驟1、獲取輸電線路巡檢設備的圖像數(shù)據(jù)，并對圖像數(shù)據(jù)進行預處理；

4、步驟2、對預處理后的圖像數(shù)據(jù)進行特征提取，生成一系列特征圖，通過特征金字塔對每個特征圖進行卷積和上采樣操作，提取多尺度特征；

5、步驟3、將步驟2中生成的特征圖輸入編碼器，生成圖像中缺陷特征的上下文信息；

6、步驟4、通過解碼器接收步驟3中編碼器的上下文信息，并結合co-detr模型中的多尺度適配器對步驟2中提取的多尺度特征進行處理，為每個ground?truth生成多個候選正樣本坐標，最后通過解碼器整合多尺度特征和正樣本信息，輸出輸電線路相似性缺陷的預測類型及位置信息。

7、本發(fā)明的特征還在于，

8、步驟1的具體過程如下：

9、步驟1.1、對輸電線路的缺陷數(shù)據(jù)進行采集；

10、步驟1.2、數(shù)據(jù)預處理環(huán)節(jié)對圖像數(shù)據(jù)進行標注。

11、步驟1.1中缺陷數(shù)據(jù)具體為導線斷股圖像數(shù)據(jù)、導線松股圖像數(shù)據(jù)；絕緣子破損數(shù)據(jù)、絕緣子自爆數(shù)據(jù)。

12、步驟1.2中對圖像數(shù)據(jù)進行標注的內容具體為包括缺陷位置、缺陷類型、與缺陷相關的坐標信息。

13、步驟2的具體過程如下：

14、將步驟1中預處理后的圖像數(shù)據(jù)輸入至co?detr模型的主干網(wǎng)絡對圖像進行特征提取，生成一系列特征圖，具體表示為特征圖{f1，f2，...，fj}，然后將特征圖{f1，f2，...，fj}經(jīng)過批量歸一化bn和relu操作進行歸一化和非線性激活處理，并經(jīng)過卷積操作生成特征圖{c1，c2，...，cn}，特征圖{c1，c2，...，cn}通過conv2d?1×1進行卷積處理，然后每一層卷積特征都通過上采樣操作，將其與上一層的卷積結果融合，上采樣后的特征圖都經(jīng)過一個conv2d?3×3的卷積操作，進行進一步的特征提取，最終通過上采樣和卷積處理，得到預測特征層{p1，p2，...，pn}，預測特征層pn通過maxpool操作生成預測特征層pn+1，輸出結果，完成對多尺度特征的提取。

15、步驟4的具體過程如下：

16、步驟4.1、根據(jù)ground?truth的邊界框位置，從編碼器輸出的特征圖中提取邊界框對應區(qū)域的特征信息；

17、步驟4.2、將步驟4.1中提取的特征信息通過隨機變換生成多個候選正樣本坐標，候選正樣本坐標位于特征圖的有效區(qū)域內，且與ground?truth部分重疊；

18、步驟4.3、通過位置嵌入將步驟4.2中得到的候選正樣本坐標編碼為查詢向量，并輸入至解碼器；

19、步驟4.4、引入混合協(xié)同分配機制，將正負樣本分配給多個輔助檢測頭，每個輔助檢測頭負責不同尺度的特征檢測；

20、步驟4.4的具體過程如下：

21、采用一對一和一對多結合的匹配方式將正負樣本分配給多個輔助檢測頭，其中，一對一指的是每個ground?truth只能與一個檢測結果匹配，即co?detr模型會從所有預測框中挑選出一個與ground?truth匹配的預測框，并將其視為正樣本，其他的預測框則被視為負樣本，一對多匹配是每個ground?truth同時與多個檢測結果進行匹配，即一個目標分配多個正樣本。

22、步驟4.5、對于每個輔助檢測頭，定義相應的損失函數(shù)，損失包括分類損失和回歸損失，其中，回歸損失用于計算預測邊界框與實際缺陷位置的差異，分類損失用于衡量模型對缺陷類型的預測準確度，通過將多任務損失函數(shù)結合，并引入平衡系數(shù)對損失進行加權，最終的損失函數(shù)形式為：

23、

24、其中，lcls為分類損失，lreg為邊界框回歸損失，laux為輔助檢測頭損失，λ1和λ2為平衡系數(shù)。

25、步驟4.6、解碼器整合多尺度特征與經(jīng)過混合協(xié)同分配的正負樣本信息，輸出輸電線路相似性缺陷的預測類型及位置信息。

26、本發(fā)明的有益效果是：

27、本發(fā)明基于協(xié)同混合分配訓練的輸電線路相似性缺陷識別方法，通過引入多尺度特征融合模塊，能夠在不同尺度上獲取豐富的上下文信息，增強了系統(tǒng)對小目標、遮擋和相似性缺陷的適應能力，在復雜場景下依然具備高效的檢測效果，克服了現(xiàn)有技術中復雜目標信息缺失、容易發(fā)生人為漏檢或誤檢等問題。

技術特征：

1.基于協(xié)同混合分配訓練的輸電線路相似性缺陷識別方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的基于協(xié)同混合分配訓練的輸電線路相似性缺陷識別方法，其特征在于，所述步驟1的具體過程如下：

3.根據(jù)權利要求2所述的基于協(xié)同混合分配訓練的輸電線路相似性缺陷識別方法，其特征在于，步驟1.1中所述缺陷數(shù)據(jù)包括導線斷股圖像數(shù)據(jù)、導線松股圖像數(shù)據(jù)、絕緣子破損數(shù)據(jù)、絕緣子自爆數(shù)據(jù)；

4.根據(jù)權利要求1所述的基于協(xié)同混合分配訓練的輸電線路相似性缺陷識別方法，其特征在于，所述步驟2的具體過程如下：

5.根據(jù)權利要求1所述的基于協(xié)同混合分配訓練的輸電線路相似性缺陷識別方法，其特征在于，所述步驟4的具體過程如下：

6.根據(jù)權利要求5所述的基于協(xié)同混合分配訓練的輸電線路相似性缺陷識別方法，其特征在于，所述步驟4.4的具體過程如下：

技術總結
本發(fā)明公開的基于協(xié)同混合分配訓練的輸電線路相似性缺陷識別方法，包括：步驟1、獲取輸電線路的圖像數(shù)據(jù)，并進行預處理；步驟2、進行特征提取生成一系列特征圖，通過特征金字塔對每個特征圖進行卷積和上采樣操作提取多尺度特征；步驟3、將步驟2中生成的特征圖輸入編碼器，生成圖像中缺陷特征的上下文信息；步驟4、通過解碼器接收步驟3中上下文信息，并結合Co?DETR模型對步驟2中的多尺度特征進行處理，為每個Ground?Truth生成多個候選正樣本坐標，通過解碼器整合多尺度特征和正樣本信息，輸出相似性缺陷的預測類型及位置信息；通過該方法解決了現(xiàn)有技術中在復雜場景下、人工識別相似性缺陷容易發(fā)生人為漏檢或誤檢等問題。

技術研發(fā)人員：馬富齊,許朝陽,賈嶸,王波,李微,李佳樂,趙宇航,戚明陽
受保護的技術使用者：西安理工大學
技術研發(fā)日：
技術公布日：2025/1/9