[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

说明书

本发明公开了一种小目标缺陷的轻量化检测模型、方法、设备及存储介质，检测模型由主干网络、特征融合颈及预测输出构成，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，负责提取绝缘子的特征信息；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；预测输出负责给出对绝缘子缺陷的检测结果。轻量化模块DC‑SE用于削弱复杂背景对绝缘子故障的干扰、互补提取绝缘子细微特征，进而增强浅层网络对目标特征信息的提取能力。特征提取模块NewC3‑1和NewC3‑2负责显著降低网络参数、强化网络提取绝缘子有效信息的能力。本发明有助于实现输电线路的高精度、高速度巡检，同时满足绝缘子自爆缺陷实时检测的要求。

技术领域

本发明属于目标检测领域，涉及一种小目标缺陷的轻量化检测模型、方法、设备及存储介质。

背景技术

输电线路是电网系统的重要组成部分，研究如何更安全、快捷地对输电线路进行监测是十分必要的。绝缘子作为输电线路中机械支撑和电气绝缘支撑部件，对输电线路的安全运行起到至关重要的作用。绝缘子长期暴露在自然环境下容易发生自爆、掉串、污秽等故障，绝缘子一旦发生缺陷等故障，将直接影响到输电线路的使用和寿命。

输电线路铺设范围广，地理位置特殊，人工巡检不仅效率低且在不同巡检环境下受地理环境影响，视觉上容易产生误判、漏检等问题。利用搭载深度学习算法的无人机装置进行巡检，很大程度上解决了人工巡检作业危险、效率低、人工成本高等实际问题。深度学习领域的学者在绝缘子检测方向开展了很多研究工作，其主流研究方向分为两种：一是通过优化二阶网络或采用较大网络模型直接提升网络检测精度。二是随着YOLO系列网络的不断优化，通过训练单阶段轻量化网络以实现轻量化实时检测。

提升网络检测精度的典型成果包括，Zhao等在二阶模型Faster R-CNN的基础上采用金字塔策略，优化复杂背景下绝缘子的特征提取能力，详见“W.Zhao,M.Xu,X.Cheng andZ.Zhao.An Insulator in Transmission Lines Recognition and Fault DetectionModel Based on Improved Faster RCNN[J].IEEE Transactions on Instrumentationand Measurement,vol.70,pp.1-8,2021,Art no.5016408.”。Feng等对YOLOv5x较大网络模型优化K-means聚类算法，提升网络对绝缘子目标的检测精度，详见“Z.Feng,L.Guo,D.Huang and R.Li.Electrical Insulator Defects Detection Method Based onYOLOv5[C]//2021IEEE 10th Data Driven Control and Learning Systems Conference(DDCLS),2021,pp.979-984.”。以上改进虽然提升了网络的检测精度，但是模型参数量大、运算过程复杂对于移动设备的算力仍然是个极大的挑战，无法满足无人机巡检的实际应用需求。