一种气体绝缘开关设备内部缺陷检测方法与流程

本发明属于设备缺陷检测，涉及气体绝缘开关柜内部缺陷检测，具体涉及一种气体绝缘开关(gas insulated switchgear，gis)设备缺陷检测。

背景技术：

1、gis设备具有安全性高，可靠性强，占地面积小及抗干扰性强等优点，是输电系统中不可或缺的部分，也是维护电网正常运行的重要保障。gis设备外部由金属腔体包裹，内部由避雷器、支撑绝缘子、接地开关的部件组成。但是在gis设备安装、检修过程中容易遗留螺钉、螺母等异物，且gis设备的长期运行中容易出现放电从而造成烧蚀缺陷，这些都会影响gis设备的正常运行，甚至会造成一些难以估量的危害。

2、gis设备的内部空间复杂且狭小，维护人员很难进入设备中进行检查及清理。传统的gis设备内部缺陷检测方法主要是局部放点检测法、sf6分解物质检测法，但是这些方法都需要昂贵的检测设备且需要操作人员有极高的熟练度，还容易出现漏检的问题。

3、目前基于传统图像处理的gis设备内部缺陷检测算法的特征提取和分析工作非常复杂，这些算法泛化能力不强；基于传统深度学习的检测算法无法高效分析全局信息，从而造成gis设备内部缺陷检测的精度不够高、鲁棒性较差且检测速度较慢，容易受到光照信息的干扰等问题。

技术实现思路

1、针对目前现有gis缺陷检测技术中存在的鲁棒性差且检测速度慢等问题，本发明提供了一种气体绝缘开关设备内部缺陷检测方法，通过卷积神经网络(convolutionalneural network，cnn)进行特征提取有效减少计算量，基于transformer的深度特征加权能有效实现gis设备内部缺陷检测。

2、为了达到上述发明目的，本发明采用以下技术方案来实现。

3、本发明提供了一种气体绝缘开关设备内部缺陷检测方法，包括以下步骤：

4、s1、获取包含缺陷的气体绝缘开关设备内部环境标签图像和气体绝缘开关设备内部环境非标签图像；

5、s2、构建基于卷积神经网络和transformer网络的rep-yolox目标检测模型；所述基于卷积神经网络和transformer网络的rep-yolox目标检测模型具体包括：基于卷积神经网络的主干特征提取网络、基于transformer网络的颈部网络和预测网络；所述基于卷积神经网络的主干特征提取网络包括串行的若干特征提取层，所述特征提取层结合空洞卷积对输入图像由浅到深依次进行特征提取，并将提取的特征图输入颈部网络；所述基于transformer网络的颈部网络结合蒙版卷积对输入特征图按照分布规律进行遮挡，完成不同遮挡情况下的特征提取，并将提取的特征图输入预测网络；通过所述预测网络得到缺陷识别结果；

6、s3、利用包含缺陷的气体绝缘开关设备内部环境标签图像对基于卷积神经网络和transformer网络的rep-yolox目标检测模型进行训练；

7、s4、利用训练后的基于卷积神经网络和transformer网络的rep-yolox目标检测模型对气体绝缘开关设备内部环境非标签图像进行缺陷检测。

8、进一步地，所述基于卷积神经网络的主干特征提取网络具体包括：上层特征提取层、中间特征提取层、中下特征提取层和底层特征提取层；

9、所述上层特征提取层包括依次连接的focus模块、第一卷积模块和增强csplayer模块；向所述focus模块输入图像数据后经过第一卷积模块和增强csplayer模块输出增强卷积特征至中间特征提取层；

10、所述中间特征提取层包括依次连接的第二卷积模块和第一csplayer模块；向所述第二卷积模块输入增强卷积特征后经过第一csplayer模块输出第一特征图至中下特征提取层和基于transformer网络的颈部网络；

11、所述中下特征提取层包括依次连接的第三卷积模块和第二csplayer模块；向所述第三卷积模块输入第一特征图后经过第二csplayer模块输出第二特征图至底层特征提取层和基于transformer网络的颈部网络；

12、所述底层特征提取层包括依次连接的第四卷积模块、sppnet模块和第三csplayer模块；所述第四卷积模块输入第二特征图后经过sppnet模块、第三csplayer模块输出第三特征图至基于transformer网络的颈部网络。

13、进一步地，所述增强csplayer模块包括第一空洞卷积模块、第二空洞卷积模块、残差模块和第三空洞卷积模块；向第二空洞卷积模块输入的特征图经残差模块处理，之后与第一空洞卷积模块输出特征图拼接后进一步经第三空洞卷积模块进行特征提取。

14、进一步地，所述sppnet模块包括输入卷积模块、三个并行设置的不同核大小的卷积层和输出卷积模块；三个并行设置的不同核大小的卷积层提取特征图与输入卷积模块输出特征图经拼接后再经输出卷积模块输出。

15、进一步地，所述基于transformer网络的颈部网络具体包括：

16、卷积层、第四csplayer模块、第一蒙版卷积模块、第二蒙版卷积模块、第五csplayer模块、第六csplayer模块、第七csplayer模块和transformer模块；

17、向所述卷积层输入第三特征图，经过卷积操作后得到第四特征图；

18、向所述第四特征图经过上采样操作后与输入第四csplayer模块的第二特征图进行拼接，融合特征图信息并进一步特征提取得到第一融合特征图；

19、向所述第一蒙版卷积模块输入第一融合特征图，并对按照分布规律进行遮挡的特征图进行特征提取，得到第一蒙版特征图；

20、向所述第二蒙版卷积模块输入第一特征图，并对按照分布规律进行遮挡的特征图进行特征提取，得到第二蒙版特征图；

21、所述第一蒙版特征图经过上采样操作后与第二蒙版特征图进行拼接，融合特征图信息并进一步经第五csplayer模块特征提取得到第二融合特征图，输出至预测网络；

22、所述第二融合特征图经过下采样操作后与第一蒙版特征图进行拼接，融合特征图信息并进一步经第六csplayer模块特征提取得到第三融合特征图，输出至预测网络；

23、所述第三融合特征图经过下采样操作后与第四特征图进行拼接，融合特征图信息并进一步经第七csplayer模块特征提取得到第四融合特征图，输出至transformer模块；

24、所述transformer模块对第四融合特征图进行全局特征提取，得到第五融合特征图，输出至预测网络。

25、进一步地，所述第一蒙版卷积模块和第二蒙版卷积模块结构相同，具体包括：

26、并行的第一蒙版卷积层、第二蒙版卷积层、第三蒙版卷积层、第四蒙版卷积层、第五蒙版卷积层和第六蒙版卷积层；

27、所述第一蒙版卷积层采用空白的第一蒙版对输入的第一融合特征图进行处理后，经过卷积层和归一化层进行特征提取，得到第一蒙版卷积特征图；

28、所述第二蒙版卷积层至第六蒙版卷积层采用按照分布规律进行遮挡的第二蒙版至第六蒙版对输入的第一融合特征图进行处理后，经过卷积层和归一化层进行特征提取，得到第二蒙版卷积特征图至第六蒙版卷积特征图；

29、进一步地，所述transformer模块具体包括：

30、卷积层a、transformer网络、卷积层b和卷积层c；

31、所述卷积层a对输入的第四融合特征图进行位置编码后，经过transformer网络进行全局特征提取，再经过卷积层b进行卷积操作后得到全局特征图；

32、所述全局特征图通过跳跃连接与输入的第四融合特征图进行拼接后经过卷积层c进行卷积操作，得到第五融合特征图。

33、进一步地，所述训练后的基于卷积神经网络和transformer网络的rep-yolox目标检测模型中，将第一蒙版卷积模块进行模型重参数，将输入的第一融合特征图按照通道维度上进行叠加，并将第一蒙版卷积模块的六个卷积按照通道维度进行叠加。

34、进一步地，所述训练后的基于卷积神经网络和transformer网络的rep-yolox目标检测模型中，将第二蒙版卷积模块进行模型重参数，将输入的第一特征图按照通道维度上进行叠加，并将第二蒙版卷积模块的六个卷积按照通道维度进行叠加。

35、本发明具有以下有益效果：

36、本发明通过有效结合空洞卷积和常规卷积提升主干网络的感受野，并且能够有效减少计算量；然后利用蒙版卷积模块提升了不同缺陷遮挡情况下的特征提取能力，并通过模型重参数技术保证了检测速度；最后利用transformer模块在模型的预测部分进行全局特征分析，通过transformer的深度特征加权能有效实现gis设备内部缺陷(尤其是烧蚀点、螺钉等)检测，显著提高气体绝缘开关设备内烧蚀点及异物等缺陷的检测率。