一种输电线路部件检测模型构建方法、装置及存储介质与流程

本发明涉及输电线路检测，具体涉及一种输电线路部件检测模型构建方法、装置及存储介质。

背景技术：

1、架空输电线路系统是由杆塔连接电力线路导线，外加诸如绝缘子、均压环、防震锤等电力部件组合而成的完整网络。由于其特殊结构和运行环境，使得该系统具有一定的复杂性，在实际应用过程中容易出现一些故障，进而影响整个供电系统的安全与平稳运转。

2、传统的人工巡检方法存在着工作效率低下、检测质量参差等问题，且当在复杂环境中开展工作时，巡检职工的生命安全往往无法获得有效保证。而后，一些电力公司逐渐在地形险峻地区采取直升机载人进行局域线路巡检工作，但是该方式需消耗巨大财力，且对天气情况有较高要求。随着科技的发展，计算机技术得到更加广泛的应用，并开始活跃于各个领域。得益于此，无人巡检设备逐渐在输电线路巡检上得到应用，比较常见的有地面巡查机器人及空中线路巡查设备，其中地面巡检机器受限于地形，只能在开阔平坦区域进行工作，相较之下，空中工作方式使用场合较为普遍且受自然环境影响制约也较小，因此能够到达许多巡查死角，进而提高了巡查质量，使电力线路的巡查工作更为快捷；同时，随着图像技术的发展，使用无人机巡航对输电线路完成检测已成为保障电网稳定运营的重要途径，与传统人工巡检和直升机载人巡检方式相比而言，使用无人机航拍可以进行输电线路巡检图像保存和实时返回，还可以对坐标进行精准记录便于后期进行检修工作，成为主流的巡检方式。

3、但是由于无人机巡检过程中会采集大量的图片和视频信息，如何对海量信息进行高效准确处理，完成对输电线路部件的准确检测成为亟待解决的难题，仅依靠人工审核完成该工作较为困难，采用现在常用的智能算法模型的话，由于需要对模型进行训练，需要获取大量的样本，而无人机巡检的样本获取成本较高，且数据量的不充分，导致模型的识别效果不佳。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种输电线路部件检测模型构建方法、装置及存储介质，以解决现有技术中，由于需要对模型进行训练，需要获取大量的样本，而无人机巡检的样本获取成本较高，且数据量的不充分，导致模型的识别效果不佳的问题。

2、根据本发明实施例的第一方面，提供一种输电线路部件检测模型构建方法，所述方法包括：

3、获取预训练的faster r-cnn网络结构，在所述预训练的faster r-cnn网络结构的基础上，添加多注意力模块以及转换特征再现模块，得到目标模型结构；

4、获取x张无人机巡检采集的实地场景下输电线路典型部件的图片作为训练集，将所述训练集按照一定比例分为第一支持集以及第一查询集；

5、将所述第一支持集中以及第一查询集中分别输入到所述目标模型结构中，通过所述目标模型结构中的预训练的faster r-cnn网络结构的特征提取网络提取所述第一支持集的特征得到支持集特征，以及提取所述第一查询集的特征得到查询集特征；

6、通过所述目标模型结构的多注意力模块抑制所述支持集特征中的背景和非支持类的特征响应，所述多注意力模块还用于增强所述支持集特征以及查询集特征的支持类的特征响应，得到第一重构特征；

7、将所述第一重构特征通过所述目标模型结构的候选区域生成网络进行roi特征提取，得到第二重构特征；

8、将所述第二重构特征作为第二支持集输入到所述目标模型结构的转换特征再现模块中，将所述第一查询集输入到所述目标模型结构的转换特征再现模块中，所述转换特征再现模块通过对所述第二支持集和第一查询集进行特征重组，得到第三重构特征；

9、将所述第三重构特征输入到所述目标模型结构的分类器中，输出输电线路部件分类结果，在所述分类器中引入余弦余量惩罚，构造余弦边界交叉熵损失函数，通过所述余弦边界交叉熵损失函数代替所述分类器的原损失函数计算所述目标模型结构的总损失，以所述总损失收敛为目标对所述目标模型结构进行迭代训练，得到输电线路部件检测模型。

10、优选地，

11、所述通过所述目标模型结构的多注意力模块抑制所述支持集特征中的背景和非支持类的特征响应，所述多注意力模块还用于增强所述支持集特征以及查询集特征的支持类的特征响应，得到第一重构特征包括：

12、将所述支持集特征输入到所述多注意力模块的通道注意力模块中，所述通道注意力模块利用通道注意力机制抑制输入的支持集特征中的背景和非支持类的特征响应，得到第二支持集特征；

13、将所述第二支持集特征与查询集特征相乘后得到第一融合特征，将所述第一融合特征输入到所述多注意力模块的空间注意力模块中，所述空间注意力模块利用空间注意力机制增强所述第一融合特征的支持类的特征响应，得到第二融合特征，将所述第一融合特征与所述第二融合特征相乘后得到第一重构特征。

14、优选地，

15、所述所述通道注意力模块利用通道注意力机制抑制输入的支持集特征中的背景和非支持类的特征响应，得到第二支持集特征包括：

16、所述通道注意力模块先对所述支持集特征进行平均池化，将进行平均池化后的支持集特征输入到第一全连接层中，将经过第一全连接层的支持集特征通过激活函数进行激活，将激活后的特征输入到第二全连接中，对第二全连接层的输出进行归一化处理得到第二支持集特征。

17、优选地，

18、所述将所述第一融合特征输入到所述多注意力模块的空间注意力模块中，所述空间注意力模块利用空间注意力机制增强所述第一融合特征的支持类的特征响应，得到第二融合特征包括：

19、所述空间注意力模块对输入的第一融合特征通过并行卷积模块从不同的空间维度上进行特征增强，再通过卷积层进行特征提取，将提取的特征进行归一化处理得到第二融合特征。

20、优选地，

21、所述空间注意力模块对输入的第一融合特征通过并行卷积模块从不同的空间维度上进行特征增强包括：

22、所述并行卷积模块包括多个卷积层，每个卷积层的由不同的卷积核组成；

23、将所述第一融合特征分别输入到多个卷积层中，每个卷积层输出对应的特征提取结果，将多个卷积层输出的结果进行合并后输出。

24、优选地，

25、所述转换特征再现模块通过对所述第二支持集和第一查询集进行特征重组，得到第三重构特征包括：

26、所述转换特征再现模块通过计算输入的第二支持集和第一查询集的余弦相似度来度量第二支持集的每个像素的关注权重，基于每个像素的关注权重对每个特征进行求和得到处理后的第二支持集特征，然后将处理后的第二支持集特征与第一查询集特征进行加权融合，得到第三重构特征。

27、优选地，

28、所述通过所述余弦边界交叉熵损失函数代替所述分类器的原损失函数计算所述目标模型结构的总损失包括：

29、将所述候选区域生成网络的lrpn损失、所述分类器的余弦边界交叉熵损失以及所述目标模型结构的框预测器的l1损失相加得到所述目标模型结构的总损失。

30、优选地，

31、所述获取x张无人机巡检采集的实地场景下输电线路典型部件的图片作为训练集包括：

32、获取200张无人机巡检采集的不同场景下输电线路典型部件的图片，分别包括已损导线、绝缘子、鸟巢、销钉和防震锤；

33、所述已损导线、绝缘子、鸟巢、销钉和防震锤的数量分别为20、50、30、80和20。

34、根据本发明实施例的第二方面，提供一种输电线路部件检测模型构建装置，所述装置包括：

35、模型结构获取模块：用于获取预训练的faster r-cnn网络结构，在所述预训练的faster r-cnn网络结构的基础上，添加多注意力模块以及转换特征再现模块，得到目标模型结构；

36、数据集获取模块：用于获取x张无人机巡检采集的实地场景下输电线路典型部件的图片作为训练集，将所述训练集按照一定比例分为第一支持集以及第一查询集；

37、第一特征获取模块：用于将所述第一支持集中以及第一查询集中分别输入到所述目标模型结构中，通过所述目标模型结构中的预训练的faster r-cnn网络结构的特征提取网络提取所述第一支持集的特征得到支持集特征，以及提取所述第一查询集的特征得到查询集特征；

38、第二特征获取模块：用于通过所述目标模型结构的多注意力模块抑制所述支持集特征中的背景和非支持类的特征响应，所述多注意力模块还用于增强所述支持集特征以及查询集特征的支持类的特征响应，得到第一重构特征；

39、第三特征获取模块：用于将所述第一重构特征通过所述目标模型结构的候选区域生成网络进行roi特征提取，得到第二重构特征；

40、第四特征获取模块：用于将所述第二重构特征作为第二支持集输入到所述目标模型结构的转换特征再现模块中，将所述第一查询集输入到所述目标模型结构的转换特征再现模块中，所述转换特征再现模块通过对所述第二支持集和第一查询集进行特征重组，得到第三重构特征；

41、模型训练模块：用于将所述第三重构特征输入到所述目标模型结构的分类器中，输出输电线路部件分类结果，在所述分类器中引入余弦余量惩罚，构造余弦边界交叉熵损失函数，通过所述余弦边界交叉熵损失函数代替所述分类器的原损失函数计算所述目标模型结构的总损失，以所述总损失收敛为目标对所述目标模型结构进行迭代训练，得到输电线路部件检测模型。

42、根据本发明实施例的第三方面，提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被主控器执行时，实现上述的方法中的各个步骤。

43、本发明的实施例提供的技术方案可以包括以下有益效果：

44、本技术通过在现有的faster r-cnn网络的基础上，将其和小样本学习相结合，引入了多注意力模块以及引入转换特征再现(tfr)模块，多注意力模块分别通过通道和空间注意力抑制非支持类、增强支持类，引导模型自主的选择更具判别力的特征向量；转换特征再现(tfr)模块通过对少样本类别的支持集和查询集的roi特征进行特征重组，扩充支持集数量，进而最大限度的减少模型对于少量样本类别的灾难性遗忘；同时设计余弦边界交叉熵损失函数，引入余弦余量惩罚，增加了混淆类之间额外的角余量，以拉大类之间的类间边界从而减少类间混淆，使得拟合的数据分布对少量类别示例的描述更准确。

45、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。