[发明专利]小目标缺陷的轻量化检测模型、方法、设备及存储介质

权利要求书

1.一种小目标缺陷的轻量化检测模型，其特征在于，依次包括主干网络、特征融合颈及预测输出三部分；

所述主干网络包含交替连接的4个轻量化模块DC-SE和4个特征提取模块NewC3-1，主干网络负责提取绝缘子的特征信息；

所述特征融合颈包含4个特征提取模块NewC3-2，负责实现对主干网络提取的多维特征的信息融合；

所述特征提取模块NewC3-1和NewC3-2包含深度卷积、逐点卷积与通道注意力机制，旨在降低模型参数的同时，通过结合通道信息增强网络对绝缘子有效特征的提取能力；

所述轻量化模块DC-SE融合传统卷积与深度卷积，随着网络不断加深利用数目成倍增长的卷积逐步扩大通道数量，助力绝缘子特征的互补提取；同时，引入注意力机制SE强化主干网络对细节特征的表达能力，提高网络对不同尺寸绝缘子图像的特征融合能力，改善特征融合过程对细节信息的丢失问题，从而加强浅层网络对绝缘子自爆缺陷特征的检测性能；

所述预测输出负责给出对绝缘子缺陷的检测结果。

2.根据权利要求1所述一种小目标缺陷的轻量化检测模型，其特征在于，所述特征提取模块NewC3-j(j＝1,2)是为了充分提取绝缘子上的小目标特征；

每个NewC3-j(j＝1,2)模块由x个New-bottleneckj(j＝1,2)与2个卷积模块(Conv+BN+SiLU)组成，Conv+BN+SiLU由1×1传统卷积、BN归一化以及SiLu激活函数组成，其通道数为NewC3-j(j＝1,2)模块的输入通道数；

所述New-bottleneckj(j＝1,2)模块由3×3深度卷积、逐点卷积和ECA构成，分为New-bottleneck1与New-bottleneck2两种结构；

New-bottleneck1输入与输出之间采用残差连接，残差连接用于优化主干网络可以缓解梯度爆炸问题；

New-bottleneck2采用串行的方式进行信息传输，因为其作用于颈部的融合结构，其直接输出的方式能更大程度上保留融合特征信息；

骨干网络中含有4个NewC3-1，该模块依次含有3、6、9、3个New-bottleneck1；特征融合颈中含有4个NewC3-2，其中均含3个New-bottleneck2；

所述New-bottleneckj(j＝1,2)的数量由配置文件.yaml和参数depth_multiple的乘积自动决定；

所述New-bottleneckj(j＝1,2)采用3×3深度卷积与1×1逐点卷积处理后，参数量约为传统卷积的1/9，深度可分离卷积在保证提取更多特征属性的同时减少了更多的参数量；

所述逐点卷积负责将深度卷积生成的特征进行新的通道拼接，随后将信息传入注意力机制进行处理；

所述注意力机制通过内核的快速一维卷积来共享相同的学习参数，让模型具有更轻体积的同时有效捕获了跨通道交互、强化网络提取绝缘子有效信息的能力、提高特征融合的质量进一步提高网络检测精度。

3.根据权利要求1所述一种小目标缺陷的轻量化检测模型，其特征在于，所述轻量化模块DC-SE通过1个1×1卷积和多个深度卷积串联并经BN处理和SiLU激活后再与1×1卷积拼接，实现特征提取；然后利用通道注意力机制SE解决输电线路巡检时所拍摄图片背景复杂干扰信息过多的问题；

所述DC-SE模块被用在骨干网络中，依次使用的4个DC-SE模块中，深度卷积的数量分别为128、256、512、和1024，它们利用数目成倍增长的卷积逐步扩大通道数，强化提取绝缘子上的小缺陷特征；

所述DC-SE模块在对通道信息全局提取的同时，借助SE自适应学习不同通道之间的依赖关系，自适应的增强目标的特征像素，削弱复杂背景信息对绝缘子故障检测的干扰，在扩大浅层网络感受野的同时保证网络对缺陷的精准提取。