基于压缩感知的输电线路部件缺陷检测与重建方法及装置与流程

本发明涉及输电线路，具体涉及一种基于压缩感知的输电线路部件缺陷检测与重建方法和一种基于压缩感知的输电线路部件缺陷检测与重建装置。

背景技术：

1、输电线路部件出现缺陷会导致电网运行故障和安全事故的发生，因此在电网巡检工作中需要重点关注对于输电线路缺陷的故障图像传输与故障区域检测。

2、在资源受限的边缘端应用中，使用传统图像压缩编码算法对高清的巡检图像进行压缩会消耗较多的算力和电池能量，而基于压缩感知理论的压缩算法允许边缘端使用较简单的矩阵乘法得到数据的压缩表示，复杂的压缩图像重建过程则转移至资源较为充裕的主站侧进行。在图像压缩感知研究中，传统基于优化的方法使用随机高斯矩阵作为采样矩阵，图像重构时间较长，重构的图像质量较差。近年来，深度学习方法的图像压缩感知模型出现。reconnet证明了使用卷积神经网络搭建重建网络恢复图像的可行性，但目前基于深度学习的算法对图像特征的学习能力较弱，没有充分利用所有尺度特征，对于图像细节的恢复较差。

3、近年来，基于深度学习的目标检测算法在输电线路部件缺陷检测中得到了广泛的应用。此类算法利用卷积神经网络来学习图像的特征表示，然后通过学习到的特征来对绝缘子中的缺陷进行检测。可以帮助巡检人员快速、准确地发现缺陷，提高电网的安全性和可靠性。目前，单阶段的yolov5算法在目标检测的精度和速度方面都已经取得了不错的表现，然而高清巡检图像通常具有较大的输入规模，同时高清巡检图像中部件的绝对尺寸差距较大，现有的目标检测算法很难同时兼顾尺度差异大的部件缺陷而针对不同尺度单独设计网络或训练模型，导致检测模型的参数规模较大。

技术实现思路

1、本发明为解决上述技术问题，提出了如下技术方案。

2、本发明第一方面实施例提出了一种基于压缩感知的输电线路部件缺陷检测与重建方法，包括以下步骤：获取输电线路部件的原始图像，并通过多尺度图像压缩感知方式对所述原始图像进行压缩采样，以得到多尺度的压缩采样图像；将所述压缩采样图像输入特征融合提取网络，以得到特征融合图像，其中，所述特征融合提取网络包括依次相连的多尺度转置卷积层、拼接层、多头注意力层、卷积层和激活函数；将所述特征融合图像输入缺陷检测网络，以得到所述输电线路部件的缺陷检测结果；将所述特征融合图像输入图像重建网络，以得到所述输电线路部件的图像重建结果，其中，所述图像重建网络包括时间嵌入矩阵。

3、另外，根据本发明上述实施例的基于压缩感知的输电线路部件缺陷检测与重建方法还可以具有如下附加的技术特征。

4、根据本发明的一个实施例，通过多尺度图像压缩感知方式对所述原始图像进行压缩采样，包括：使用卷积神经网络对多尺度的采样矩阵进行训练，以得到训练后的采样矩阵；采用所述训练后的采样矩阵对所述原始图像进行压缩采样。

5、根据本发明的一个实施例，所述多尺度包括尺度依次增加的第一尺度、第二尺度和第三尺度，其中，第一尺度、第二尺度和第三尺度的采样矩阵大小分别为32x32、64x64、128x128。

6、根据本发明的一个实施例，所述多尺度转置卷积层包括第一尺度的转置卷积层、第二尺度的转置卷积层和第三尺度的转置卷积层，多个所述转置卷积层对应的尺度与多个所述采样矩阵大小一一对应，每个所述转置卷积层的大小基于对应尺度的采样矩阵进行设置。

7、根据本发明的一个实施例，每个所述转置卷积层的特征图深度与对应尺度的采样矩阵的特征图深度相同，每个所述转置卷积层的卷积核大小与对应尺度的采样矩阵大小相同，每个所述转置卷积层的卷积步长为对应尺度的采样矩阵维度的一半。

8、根据本发明的一个实施例，所述多头注意力层使用transformer中使用的多头注意力机制搭建，所述卷积层的特征图深度为20，卷积核大小为1x1，步长为1。

9、根据本发明的一个实施例，将所述特征融合图像输入图像重建网络之前，还包括：基于unet结构搭建包括收缩过程、中间过程和扩散过程的图像重建网络，并分别在所述收缩过程、所述中间过程和所述扩散过程中加入时间嵌入矩阵，其中，所述收缩过程的网络结构包括第一可逆卷积层、时间嵌入矩阵、第二可逆卷积层和下采样层，所述中间过程的网络结构包括第三可逆卷积层、时间嵌入矩阵和第四可逆卷积层，所述扩散过程的网络结构包括第五可逆卷积层、时间嵌入矩阵、第六可逆卷积层和上采样层。

10、根据本发明的一个实施例，所述可逆卷积层包括若干前后连接的可逆卷积模块，所述可逆卷积模块的计算公式为：

11、y1＝x1+frc1(x2)

12、y2＝x2+frc2(x1)

13、其中，frc1与frc2为卷积块，y1与x1、y2与x2分别为按照特征图维度将输入特征图拆分为[mrc/2,rrc,hrc]的两个向量，其中wrc为输入的特征图大小，wrc、hrc分别为输入的特征图宽与高。

14、根据本发明的一个实施例，所述卷积块的结构包括特征图深度为mrc/2、卷积核大小为3x3、步长为1、以及填充参数为1的卷积层、激活函数和特征图深度为mrc/2、卷积核大小为3x3、步长为1、以及填充参数为1的卷积层。

15、本发明第二方面实施例提出了一种基于压缩感知的输电线路部件缺陷检测与重建装置，包括：采样模块，用于获取输电线路部件的原始图像，并通过多尺度图像压缩感知方式对所述原始图像进行压缩采样，以得到多尺度的压缩采样图像；融合模块，用于将所述压缩采样图像输入特征融合提取网络，以得到特征融合图像，其中，所述特征融合提取网络包括依次相连的多尺度转置卷积层、拼接层、多头注意力层、卷积层和激活函数；检测模块，用于将所述特征融合图像输入缺陷检测网络，以得到所述输电线路部件的缺陷检测结果；重建模块，用于将所述特征融合图像输入图像重建网络，以得到所述输电线路部件的图像重建结果，其中，所述图像重建网络包括时间嵌入矩阵。

16、本发明实施例的技术方案，基于压缩感知和特征融合得到特征融合图像，再分别基于特征融合图像进行缺陷检测和图像重建，兼顾各个尺度特征，可以在检测时减小参数规模、减少计算压力以及减少检测时间，可以保证图像重建时细节的有效恢复，而且在重建网络中加入时间嵌入矩阵可以适应不同噪声干扰下的重建任务，进一步提升了重建效果。

技术特征：

1.一种基于压缩感知的输电线路部件缺陷检测与重建方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于压缩感知的输电线路部件缺陷检测与重建方法，其特征在于，通过多尺度图像压缩感知方式对所述原始图像进行压缩采样，包括：

3.根据权利要求2所述的基于压缩感知的输电线路部件缺陷检测与重建方法，其特征在于，所述多尺度包括尺度依次增加的第一尺度、第二尺度和第三尺度，其中，第一尺度、第二尺度和第三尺度的采样矩阵大小分别为32x32、64x64、128x128。

4.根据权利要求3所述的基于压缩感知的输电线路部件缺陷检测与重建方法，其特征在于，所述多尺度转置卷积层包括第一尺度的转置卷积层、第二尺度的转置卷积层和第三尺度的转置卷积层，多个所述转置卷积层对应的尺度与多个所述采样矩阵大小一一对应，每个所述转置卷积层的大小基于对应尺度的采样矩阵进行设置。

5.根据权利要求4所述的基于压缩感知的输电线路部件缺陷检测与重建方法，其特征在于，每个所述转置卷积层的特征图深度与对应尺度的采样矩阵的特征图深度相同，每个所述转置卷积层的卷积核大小与对应尺度的采样矩阵大小相同，每个所述转置卷积层的卷积步长为对应尺度的采样矩阵维度的一半。

6.根据权利要求1-5任一项所述的基于压缩感知的输电线路部件缺陷检测与重建方法，其特征在于，所述多头注意力层使用transforner中使用的多头注意力机制搭建，所述卷积层的特征图深度为20，卷积核大小为1x1，步长为1。

7.根据权利要求1-5任一项所述的基于压缩感知的输电线路部件缺陷检测与重建方法，其特征在于，将所述特征融合图像输入图像重建网络之前，还包括：

8.根据权利要求7所述的基于压缩感知的输电线路部件缺陷检测与重建方法，其特征在于，所述可逆卷积层包括若干前后连接的可逆卷积模块，所述可逆卷积模块的计算公式为：

9.根据权利要求8所述的基于压缩感知的输电线路部件缺陷检测与重建方法，其特征在于，所述卷积块的结构包括特征图深度为mrc/2、卷积核大小为3x3、步长为1、以及填充参数为1的卷积层、激活函数和特征图深度为mrc/2、卷积核大小为3x3、步长为1、以及填充参数为1的卷积层。

10.一种基于压缩感知的输电线路部件缺陷检测与重建装置，其特征在于，包括：

技术总结
本发明涉及输电线路技术领域，提供一种基于压缩感知的输电线路部件缺陷检测与重建方法及装置，方法包括：获取输电线路部件的原始图像，并通过多尺度图像压缩感知方式对原始图像进行压缩采样；将压缩采样图像输入多尺度特征融合提取网络；将特征融合图分别像输入缺陷检测网络、图像重建网络，以得到缺陷检测结果、图像重建结果。由此，基于压缩感知和特征融合得到特征融合图像，再分别基于特征融合图像进行缺陷检测和图像重建，兼顾各个尺度特征，可以在检测时减小参数规模、减少计算压力以及减少检测时间，可以保证图像重建时细节的有效恢复，而且在重建网络中加入时间嵌入矩阵可以适应不同噪声干扰下的重建任务，进一步提升了重建效果。

技术研发人员：陆晓,徐春雷,吴强,蒋承伶,马洲俊,姚建伟,李海涛,李波,陈洁,李元,刘岳鑫
受保护的技术使用者：国网江苏省电力有限公司常州供电分公司
技术研发日：
技术公布日：2024/4/29