【技術實現步驟摘要】
本專利技術為計算機視覺和深度學習領域，具體涉及一種基于無人機輔助拍攝圖像的輸電線邊緣檢測方法。本質上是針對特定物體的邊緣檢測問題。
技術介紹
1、隨著微小型無人機和圖像傳感器技術的發展，基于無人機的電力線自動巡檢在電力行業受到了廣泛關注。通過無人機搭載光學成像或紅外熱成像傳感器對輸電線進行電力線圖像拍攝，進而實現對輸電線路故障和存在危機線路隱患的檢測，以及后續根據識別圖像中的電力線，來實時調整飛行的位置和姿態，因此，全自動巡檢的技術實現關鍵是電力線檢測。
2、在傳統基于圖像的電力線檢測方法中，雖然能夠捕捉到部分電力線的特征，但由于自然環境中背景復雜、光照變化以及電力線自身較為細小，這些方法通常難以區分電力線與背景的差異，導致檢測的準確性不高。
3、隨著深度學習的發展，能夠高效提取特征的神經網絡被引入電力線檢測任務中。電力線檢測通常被看做為邊緣檢測的應用任務，通過深度神經網絡的大量參數來學習電力線的多尺度特征，實現對電力線特征的感知和特征表達。雖然基于深度學習的電力線檢測展現出了優越的特征提取能力，能夠處理復雜的背景并提高檢測精度，但在實際應用中仍然存在一些亟待解決的問題：
4、(1)由于輸電線通常較細且背景復雜，網絡在處理電力線邊緣時容易受到噪聲影響，導致邊緣模糊或不連續；
5、(2)深度卷積網絡在提取輸電線特征時，可能無法充分捕捉多尺度信息，從而影響檢測的全面性和準確性。
技術實現思路
1、本專利技術針對現有技術的上述問題，提供一種
2、一種基于多尺度特征的電力線檢測方法，其特征在于，包括下列的步驟：
3、步驟1，數據集預處理；
4、步驟2，采用編碼器進行多尺度特征提取，輸出的特征圖表示為mi(i＝1，2，3，4，5)；從m1到m5提取到的特征信息由淺入深；
5、步驟3，對編碼器提取到的多尺度特征圖mi，通過cocbam模塊處理，實現特征的注意力增強優化，得到增強優化后的特征圖ei(i＝1，2，3，4，5)；
6、步驟4，對增強優化后的特征圖e4和e5上采樣后的結果進行相加，再通過bilkb解碼器處理，利用大核卷積及空間選擇機制，輔以小核卷積修正，對有效特征進行選擇和細化處理，得到解碼信息為o4；
7、步驟5，將深層解碼信息o4和淺層增強優化后的特征圖e1,e2,e3，輸入的密集尺度特征融合結構，實現深層語義信息和淺層細節信息的融合，得到最后的輸電線邊緣提取圖medae；
8、步驟6，通過損失函數對網絡模型訓練。
9、進一步的，步驟1包括：采用了數據增強的策略，分別采用隨機旋轉24個角度和翻轉圖像-標簽對，并對剪裁后的圖片進行鏡像填充；增強后的訓練集作為訓練網絡模型的輸入數據。
10、進一步的，編碼器部分，選取efficientnet?b7作為骨干網絡，對輸入圖像處理，提取出不同尺度的特征圖。
11、進一步的，步驟3中，cocbam模塊結構的處理步驟如下：特征圖mi先由convblock組成的殘差模塊處理，再輸入進cbam組成的殘差模塊進行特征增強處理，cbam通過通道注意力和空間注意力的結合，關注特征通道和輸入數據的空間位置，增強網絡的特征表達能力，輸出增強優化后的特征圖ei(i＝1，2，3，4，5)。
12、進一步的，convblock包含一個3×3卷積核，批歸一化層和relu激活函數。
13、進一步的，步驟4的方法如下：
14、對經過cocbam模塊增強優化后的特征圖e5采用反卷積方法進行上采樣，得到與上一層增強優化后的特征圖e4尺寸對齊的結果；將e5上采樣處理后的結果圖與上一層增強特征圖e4逐元素相加，得到相加結果為i4；
15、i4通過解碼器bilkb模塊處理，擴大感受野并進行空間選擇，再輔以細節信息修正，實現對多尺度特征的優化和選擇，得到對應的解碼信息圖o4；
16、解碼器bilkb模塊由兩個lkb塊，batchnorm和relu順次連接的殘差結構組成；
17、lkb模塊，由一個1×1卷積，一個激活函數gelu，兩個并聯模塊即大核卷積融合模塊lkf和小核卷積糾正模塊skr，一個1×1卷積構成；
18、其中，lkf模塊利用兩個大核卷積擴大感受野，提取到包含更多信息的特征圖，再利用空間選擇機制，實現對有效特征的選擇，lkf模塊具體處理步驟為：利用5×5的深度空洞的大核卷積(dilation＝1)，以及其與7×7的深度空洞的大核卷積(dilation＝3)順次連接，實現不同尺度的特征提取，得到特征f1，f2；利用空間選擇機制，將不同尺寸的卷積核提取到的特征f1，f2進行連接操作，基于通道維度應用平均池化和最大池化操作，通過卷積操作實現特征交互，應用sigmoid激活函數，得到空間選擇處理后的張量；所述張量沿通道分解為不同尺度特征的單獨空間選擇掩碼，作為不同尺度特征映射的空間選擇；
19、與lkf并行的skr模塊處理步驟為：經過3×3卷積，批歸一化層和relu激活函數，用于對輸入的特征圖進行細節信息的修正；
20、將每個大核卷積提取的特征與它的空間選擇掩碼逐元素相乘，再通過卷積操作來恢復通道數，獲得到空間選擇機制后特征圖；
21、i4經過兩次lkb模塊處理后，得到最后的特征選擇優化的深層解碼信息o4。
22、進一步的，步驟5的方法如下：
23、將深層解碼信息o4進行反卷積上采樣，實現與第三層特征圖尺度匹配，與第三層的增強優化后的特征圖e3逐元素相加，其結果作為解碼器bilkb的輸入進行解碼，得到第三層的解碼信息o3；
24、將深層網絡的解碼結果o4,o3進行反卷積上采樣,實現與第二層特征圖尺度匹配,再與第二層的增強特征圖e2逐元素相加，輸入解碼器中，得到第二層解碼信息o2；
25、將深層網絡的解碼結果o4,o3,o2進行反卷積上采樣，實現與最淺層特征圖尺度匹配，再與最淺層增強優化后的特征圖e1逐元素相加，輸入解碼器中，得到最終的解碼信息o1，實現密集尺度的特征融合；
26、將最后得到的最終的解碼信息o1通過一層1×1卷積處理，得到最后的輸電線邊緣檢測圖medge。
27、進一步的，步驟6的方法如下：在訓練階段，采用adam優化算法指導梯度下降過程；采用加權交叉熵損失函數，進行過反向傳播來指導模型的每一輪訓練與參數調整，實現網絡的精準邊緣檢測。
28、本專利技術針對對電力巡檢領域中輸電線邊緣檢測時面臨的問題，提出了一種基于多尺度特征的電力線檢測方法。引入注意力機制，提出cocbam模塊，彌補了由復雜的背景噪聲等導致的提取邊緣線模糊的問題。也通過引入大核卷積組成的編碼器bilkb，并設計了密集尺度特征融合結構，解決對多尺度特征提取及利用不充分的問題，實現對輸電線邊緣更精細的提取。因此本專利技術在輸電本文檔來自技高網...
【技術保護點】
1.一種基于多尺度特征的電力線檢測方法，其特征在于，包括下列的步驟：
2.根據權利要求1所述的基于多尺度特征的電力線檢測方法，其特征在于，步驟1包括：采用了數據增強的策略，分別采用隨機旋轉24個角度和翻轉圖像-標簽對，并對剪裁后的圖片進行鏡像填充；增強后的訓練集作為訓練網絡模型的輸入數據。
3.根據權利要求1所述的基于多尺度特征的電力線檢測方法，其特征在于，編碼器部分，選取EfficientNet?b7作為骨干網絡，對輸入圖像處理，提取出不同尺度的特征圖。
4.根據權利要求1所述的基于多尺度特征的電力線檢測方法，其特征在于，步驟3中，CoCBAM模塊結構的處理步驟如下：特征圖Mi先由Convblock組成的殘差模塊處理，再輸入進CBAM組成的殘差模塊進行特征增強處理，CBAM通過通道注意力和空間注意力的結合，關注特征通道和輸入數據的空間位置，增強網絡的特征表達能力，輸出增強優化后的特征圖Ei(i＝1，2，3，4，5)。
5.根據權利要求4所述的基于多尺度特征的電力線檢測方法，其特征在于，ConvBlock包含一個3×3卷積核，批歸一
6.根據權利要求1所述的基于多尺度特征的電力線檢測方法，其特征在于，步驟4的方法如下：
7.根據權利要求1所述的基于多尺度特征的電力線檢測方法，其特征在于，步驟5的方法如下：
8.根據權利要求1所述的基于多尺度特征的電力線檢測方法，其特征在于，步驟6的方法如下：在訓練階段，采用Adam優化算法指導梯度下降過程；采用加權交叉熵損失函數，進行過反向傳播來指導模型的每一輪訓練與參數調整，實現網絡的精準邊緣檢測。
...【技術特征摘要】
1.一種基于多尺度特征的電力線檢測方法，其特征在于，包括下列的步驟：
2.根據權利要求1所述的基于多尺度特征的電力線檢測方法，其特征在于，步驟1包括：采用了數據增強的策略，分別采用隨機旋轉24個角度和翻轉圖像-標簽對，并對剪裁后的圖片進行鏡像填充；增強后的訓練集作為訓練網絡模型的輸入數據。
3.根據權利要求1所述的基于多尺度特征的電力線檢測方法，其特征在于，編碼器部分，選取efficientnet?b7作為骨干網絡，對輸入圖像處理，提取出不同尺度的特征圖。
4.根據權利要求1所述的基于多尺度特征的電力線檢測方法，其特征在于，步驟3中，cocbam模塊結構的處理步驟如下：特征圖mi先由convblock組成的殘差模塊處理，再輸入進cbam組成的殘差模塊進行特征增強處理，cbam通過通道注意...
【專利技術屬性】
技術研發人員：李凱，黃小龍，李鵬，李振動，韓庚，郭昕陽，任振龍，李達，李玉寶，郝新磊，王斐然，蔡龍，張峰，施鵬，蔣濤，黃曉胤，王博，楊磊，王煦，白湘楠，李宏奎，于海鵬，
申請(專利權)人：國網冀北電力有限公司超高壓分公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。