一种基于上下文多输出融合模块的配电网绝缘子缺陷检测方法及系统与流程

本发明涉及电网运维，尤其涉及一种基于上下文多输出融合模块的配电网绝缘子缺陷检测方法及系统。

背景技术：

1、在过去的电力检测实践中，绝缘子缺陷的识别主要依赖于传统的人工检测手段。这种方式不仅效率低下，耗费大量人力和时间资源，更因受限于人为因素的干扰，往往难以覆盖庞大的配电网中所有绝缘子的全面检测。此外，人工检查的主观性和疲劳度极易导致检测结果的误差和遗漏，从而显著增加了电力系统的潜在风险。

2、随着科技的进步与电力检测技术的革新，非接触式的检测手段如红外、紫外、超声波等逐渐进入电力检测领域，并尝试用于绝缘子的缺陷检测。这些技术虽在一定程度上提高了检测的效率和准确性，但高昂的设备成本和对复杂环境背景的敏感性仍限制了它们的广泛应用。

3、当前，基于计算机视觉的检测方法已经成为电力检测领域的研究热点。该方法主要通过提取绝缘子的轮廓、颜色和纹理等关键特征，并结合支持向量机、聚类分析等先进的机器学习技术，实现对图像中绝缘子状态的自动检测。然而，传统的视觉检测方法在处理绝缘子缺陷的多样性、复杂性和不确定性时，往往存在局限性，容易受到噪声和背景干扰的影响，导致检测精度不高，泛化能力有限。

4、近年来，基于深度学习的物体检测技术为绝缘子缺陷检测带来了新的突破。深度学习架构，特别是卷积神经网络，能够自动从图像中逐层学习深度特征，并通过大规模数据的训练来优化网络模型参数，从而显著提高检测的精度和效率。然而，在应用于无人机捕获的大视场、多角度绝缘子图像时，现有的基于深度学习的绝缘体缺陷检测方法仍面临诸多挑战。图像中复杂的背景环境和细微的缺陷特征往往对检测的准确性和可靠性产生较大影响。

5、因此，需要对现有技术进行改进。

6、以上信息作为背景信息给出只是为了辅助理解本公开，并没有确定或者承认任意上述内容是否可用作相对于本公开的现有技术。

技术实现思路

1、本发明提供一种基于上下文多输出融合模块的配电网绝缘子缺陷检测方法及系统，以解决现有技术中存在的问题。

2、为实现上述目的，本发明提供以下的技术方案：

3、第一方面，本发明提供一种基于上下文多输出融合模块的配电网绝缘子缺陷检测方法，所述方法包括：

4、获取绝缘子的图像；

5、将所述图像输入到改进yolov7模型中，得到绝缘子缺陷检测结果；所述改进yolov7模型包括骨干网络、重颈部和预测部，所述重颈部包括上下文多输出融合模块和多尺度特征融合模块。

6、进一步地，所述基于上下文多输出融合模块的配电网绝缘子缺陷检测方法中，所述上下文多输出融合模块包括多通道学习部分和交叉学习部分；

7、在输入数据中，c×h×w表示特征图的维度，c为特征图的通道数，h为原始输入特征图的高度，w为原始输入特征图的宽度,首先输入到四个路径中来提取特征图的注意力权重，其中包括两个通道的1×1分支和一个3×3分支；

8、在所述多通道学习部分中，两个通道在全局平均池化操作后面加卷积，分别为1×1和2×2，全局平均池化操作将整个特征图的每个通道的特征值取平均，从而得到一个全局的特征表示，接着通过卷积操作，进一步提取更加抽象的特征；其他两个卷积层则分别为1×1和2×2，随后，concat连接将四个通道经过不同操作后得到的特征图拼接在一起，整合不同尺度和抽象度的特征信息；通过卷积操作将整合后的特征进行映射，并通过softmax函数给卷积分支给上各自的权重值；

9、在所述交叉学习部分，输入为output1和input，通过交叉通道，进一步保留上下文特征和信息；

10、……(1)；

11、……(2)；

12、……(3)；

13、其中，gi表示被输入到softmax的特征，ki表示经softmax函数计算得到的特征权重值，output1表示第一部分网络重组后的特征，output2表示模块处理后最终输出的特征；w1、w2和w3是权重矩阵，b1、b2和b3是偏置项，concat是四个通道连接后的特征；经过权重和偏置的处理后，再通过softmax激活函数然后通过sigmoid函数给出分类结果。

14、进一步地，所述基于上下文多输出融合模块的配电网绝缘子缺陷检测方法中，在所述多尺度特征融合模块中，在低层，将低阶特征通过down sampling下采样模块和1×1卷积进行下采样处理，从而使输出大小减少到输入大小的一半，输出通道数减少到输入的一半；

15、在中间层，特征也经过1×1卷积，保持其大小，同时将通道计数减少到输入的四分之一；

16、在高层，特征经过upsampling2d上采样模块，在保留相同通道计数的同时将其输出大小加倍；

17、随后，将这三个经过处理的特征图连接起来，然后进行1×1的卷积运算进行降维。

18、进一步地，所述基于上下文多输出融合模块的配电网绝缘子缺陷检测方法中，所述方法还包括：

19、构建yolov7模型，所述yolov7模型包括骨干网络、重颈部和预测部；

20、设置所述重颈部包括上下文多输出融合模块和多尺度特征融合模块，得到改进yolov7模型；

21、对所述改进yolov7模型进行训练，得到训练好的改进yolov7模型。

22、第二方面，本发明提供一种基于上下文多输出融合模块的配电网绝缘子缺陷检测系统，所述系统包括：

23、图像获取模块，用于获取绝缘子的图像；

24、缺陷检测模块，用于将所述图像输入到改进yolov7模型中，得到绝缘子缺陷检测结果；所述改进yolov7模型包括骨干网络、重颈部和预测部，所述重颈部包括上下文多输出融合模块和多尺度特征融合模块。

25、进一步地，所述基于上下文多输出融合模块的配电网绝缘子缺陷检测系统中，所述上下文多输出融合模块包括多通道学习部分和交叉学习部分；

26、在输入数据中，c×h×w表示特征图的维度，c为特征图的通道数，h为原始输入特征图的高度，w为原始输入特征图的宽度,首先输入到四个路径中来提取特征图的注意力权重，其中包括两个通道的1×1分支和一个3×3分支；

27、在所述多通道学习部分中，两个通道在全局平均池化操作后面加卷积，分别为1×1和2×2，全局平均池化操作将整个特征图的每个通道的特征值取平均，从而得到一个全局的特征表示，接着通过卷积操作，进一步提取更加抽象的特征；其他两个卷积层则分别为1×1和2×2，随后，concat连接将四个通道经过不同操作后得到的特征图拼接在一起，整合不同尺度和抽象度的特征信息；通过卷积操作将整合后的特征进行映射，并通过softmax函数给卷积分支给上各自的权重值；

28、在所述交叉学习部分，输入为output1和input，通过交叉通道，进一步保留上下文特征和信息；

29、……(1)；

30、……(2)

31、……(3)；

32、其中，gi表示被输入到softmax的特征，ki表示经softmax函数计算得到的特征权重值，output1表示第一部分网络重组后的特征，output2表示模块处理后最终输出的特征；w1、w2和w3是权重矩阵，b1、b2和b3是偏置项，concat是四个通道连接后的特征；经过权重和偏置的处理后，再通过softmax激活函数然后通过sigmoid函数给出分类结果。

33、进一步地，所述基于上下文多输出融合模块的配电网绝缘子缺陷检测系统中，在所述多尺度特征融合模块中，在低层，将低阶特征通过down sampling下采样模块和1×1卷积进行下采样处理，从而使输出大小减少到输入大小的一半，输出通道数减少到输入的一半；

34、在中间层，特征也经过1×1卷积，保持其大小，同时将通道计数减少到输入的四分之一；

35、在高层，特征经过upsampling2d上采样模块，在保留相同通道计数的同时将其输出大小加倍；

36、随后，将这三个经过处理的特征图连接起来，然后进行1×1的卷积运算进行降维。

37、进一步地，所述基于上下文多输出融合模块的配电网绝缘子缺陷检测系统中，所述系统还包括模型构建模块，用于：

38、构建yolov7模型，所述yolov7模型包括骨干网络、重颈部和预测部；

39、设置所述重颈部包括上下文多输出融合模块和多尺度特征融合模块，得到改进yolov7模型；

40、对所述改进yolov7模型进行训练，得到训练好的改进yolov7模型。

41、第三方面，本发明提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的基于上下文多输出融合模块的配电网绝缘子缺陷检测方法。

42、第四方面，本发明提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令由计算机处理器执行，以实现如上述第一方面所述的基于上下文多输出融合模块的配电网绝缘子缺陷检测方法。

43、与现有技术相比，本发明具有以下有益效果：

44、本发明提供的一种基于上下文多输出融合模块的配电网绝缘子缺陷检测方法及系统，通过改进yolov7模型，使得其包括骨干网络、重颈部和预测部，且重颈部包括上下文多输出融合模块和多尺度特征融合模块，从而可由上下文多输出融合模块在网络中整合来自不同尺度的上下文信息，使模型能够在更高级别的特征地图上实现更好的像素级聚焦，且可由多尺度特征融合模块结合上下文多输出融合模块来确保特征层之间充分的信息传递，避免了重要特征的丢失，解决配电网绝缘子缺陷检测中漏检率和漏检率高的问题，有利于推广应用。

45、本发明具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。