本发明涉及目标及缺陷识别，尤其是涉及一种面向电网复杂应用场景的绝缘子及缺陷检测方法。
背景技术：
1、绝缘子缺陷可能导致电力系统不稳定、电力损失，加剧安全风险，引发设备损坏，甚至导致火灾等严重事故，对电力系统正常运行和安全性带来极大危害。传统的绝缘子及缺陷检测方法面临着复杂工作环境和对大规模变量适应性不足的限制。随着人工智能和无人机的发展，基于深度学习的目标检测模型在电力系统运行和检修方面得到极大的发展。但现有的模型在处理电网复杂应用场景下的绝缘子及其缺陷目标时会出现严重的误检和漏检现象，无法为电力系统的安全运行提供保障。
2、因此，有必要提供一种面向电网复杂应用场景的绝缘子及缺陷检测方法，来解决上述问题。
技术实现思路
1、本发明的目的是提供一种面向电网复杂应用场景的绝缘子及缺陷检测方法，实现了对电网复杂应场景下绝缘子及其缺陷的准确检测，具备完整性的模型构建流程，并适用于陶瓷、玻璃和复合材料等多种类型的绝缘子；输电网、配电网、电厂和电站等多分布场景的绝缘子，为电网复杂应用场景下绝缘子及其缺陷检测提供了先进的解决方案。
2、为实现上述目的，本发明提供了一种面向电网复杂应用场景的绝缘子及缺陷检测方法，包括以下步骤：
3、s1、采集电网复杂应用场景绝缘子数据及其缺陷数据并构建数据集；
4、s2、结合yolov5、尺度序列特征融合、三重特征编码、通道和位置注意力机制和嵌入cota注意力机制的c3模块构建网络模型；
5、s3、采用迁移学习方法，分类损失函数、置信度损失函数、定位损失函数与优化算法训练网络模型，并使用siou损失来替换定位损失函数，调节网络模型参数；
6、s4、通过评估指标对网络模型进行综合对比分析，选择最优网络模型用于电网复杂应用场景绝缘子及其缺陷的检测。
7、优选的，在步骤s1中，电网复杂应用场景下的绝缘子，按照材料分类分为：陶瓷、玻璃和复合材料；按所在场景分类分为：高压输电网、配电网和电厂、电站；绝缘子缺陷种类包括，绝缘子伞帽破损缺陷和绝缘子伞帽污闪缺陷；
8、在标签文件中的每个对象都配有相应的标签，标明输电线路绝缘子图像中绝缘子串的位置、两种缺陷的位置以及具体的缺陷类型；标签为长方形框，其内容具体为：(class，x_center，y_center，length，width)；
9、其中，class表示标签中对象的类别，类别包括绝缘子串、绝缘子表面缺陷和绝缘子破损缺陷；x_center和y_center分别表示标签中心点在输电线路绝缘子图像中的x、y坐标；length和width分别表示标签的长和宽；
10、数据集包括三通道分辨率为640×640×3的图像及其对应标签文件。
11、优选的，在步骤s2中，模块构建网络模型具体包括以下步骤：
12、s21：构建yolov5网络，yolov5网络包括backbone、neck、head三部分结构；
13、s22：采用三重特征编码模块和通道和位置注意力机制模块替换原有yolov5模型颈部neck中的特征融合和特征学习结构；
14、s23、在原有的yolov5模型的头部head部分添加小目标检测头来提高模型对于小尺度目标的检测能力。
15、优选的，在步骤s21中，具体包括以下步骤：
16、s211：使用尺度序列特征融合方法替换原有yolov5模型backbone中的特征融合方式，增大模型对不同尺度特征的感受野；具体表现为，在原有yolov5模型backbone中特征p3、p4、p5与panet连接进行特征融合的基础上，将特征p2、p3、p4以特殊的方法进行特征融合，具体步骤如下；
17、通过三维卷积提取不同尺度特征图的尺度序列特征；
18、再经过批量正则和激活函数进行特征融合；
19、再作为yolov5模型neck中通道和位置注意力模块的输入2；
20、s212：将cota注意力机制嵌入到c3模块中得到c3cota模块，将c3cota模块替换yolov5模型backbone中第八层的c3模块，提高模型在骨干网络的特征提取能力；
21、为c3模块嵌入cota注意力模块的具体操作为：在cota注意力的基础上建立cotabottleneck来替换c3模块中的bottleneck模块。
22、优选的，在步骤s22中，使用三重特征编码模块替换yolov5模型neck层中特征融合模块，同时为模型添加通道和位置注意力机制模块；具体表示为：
23、使用三重特征编码模块tfe，将samll、medium、large三层不同尺度的特征经不同的编码操作后堆叠而成的新的特征作为大尺度特征输出，在特征编码前进行以下操作：
24、s221：调整通道的数量，与中间层主尺度的特征一致，针对大尺度特征large，改变通道数为1c；
25、s222：使用最大池化和平均池化的混合结构进行下采样，针对于小尺度特征small，使用1×1卷积模块改变通道数后，使用最近邻插值的方法进行上采样；
26、s223：将large、medium、small三个大小相同的特征图进行卷积操作并在通道维度上进行拼接，作为通道和位置注意力模块cpam的输入input1；
27、ftfe＝concat(fl,fm,fs)
28、其中ftfe表示tfe模块输出的特征图，fl、fm和fs分别表示large、medium、small三个尺度的特征图，ftfe由fl、fm和fs拼接得到，具有与fm相同的分辨率，并且通道数是fm的三倍；
29、通道和位置注意力模块cpam，由一个通道注意力网络和位置注意力网络结合而成，其中，通道注意力网络接受来自特征金字塔panet中的特征图，特征图经tfe模块处理后具有更详细的信息；位置注意力网络接受来自ssff模块的输出以及通道注意力机制的输出，input1经通道注意力网络处理后与input2叠加，设计出大小为k的一维卷积来捕获局部跨通道的交互信息，代替注意力网络senet中的逐通道排查依赖关系的方式以避免维度降低所带来的影响；
30、卷积核的大小k表示局部跨通道交互的覆盖范围，在不同的网络结构和不同数量的卷积模块中手动调整k的大小，卷积核的大小k与通道维度c成正比，因此k与c之间存在映射关系，通道数为2的指数，映射关系如下：
31、
32、通过下面函数来调整k的大小：
33、
34、表示最近邻居的个数，γ的值为2，b设置为1；
35、将通道注意力模块输出的特征与尺度序列特征融合ssff输出的特征相融合作为位置注意力网络的输入，位置注意力机制根据特征图的宽度和高度，将输入的特征图分为两个部分，然后分别在水平轴pw、垂直轴ph上通过平均池化进行特征编码，保留特征图的空间结构信息，合并生成输出；
36、
37、其中w和h分别是输入特征图的宽度和高度，e(w,j)和e(i,h)是位置(i,j)输入特征图中的值；
38、在生成位置注意力坐标时，对水平轴pw和垂直轴ph进行连接和堆叠操作：
39、p(aw,ah)＝conv[concat(pw,ph)]
40、其中，p(aw,ah)表示位置注意力坐标的输出，conv表示1×1的卷积，concat表示堆叠；aw表示特征图在水平轴pw上的位置注意力坐标，ah表示特征图在垂直轴上的位置注意力坐标。
41、在分割注意力特征时，会产生依赖性特征映射的配对，如下：
42、sw＝split(aw)
43、sh＝split(ah)
44、其中sw和sh分别表示分割输出的宽度和高度，split表示将位置注意力坐标的输出在水平轴和垂直轴上进行分割；sw和sh分别表示位置注意力坐标经分割输出的宽度和高度。
45、通道和位置注意力机制模块的最终输出映射关系如下：
46、fcpam＝e×sw×sh
47、其中e代表通道注意力和位置注意力的权重。
48、优选的，在步骤s23中，在yolov5模型head部分添加160×160大小的p2检测头。
49、优选的，网络模型训练过程网络的目标函数为损失函数；损失函数组成包括：分类损失函数、置信度损失函数和定位损失函数；
50、使用分类损失函数衡量模型对物体所属类别的分类准确性：
51、
52、其中，nobj表示网络预测锚框的总数；yi,c表示实际的类别；表示模型预测的类别；losscls表示分类损失；c表示各个对象的类别，分为绝缘子串、绝缘子污闪缺陷及绝缘子破损缺陷；classes表示所有对象的类别，包括绝缘子串、绝缘子污闪缺陷及绝缘子破损缺陷；i表示网络预测锚框的编号；
53、使用置信度损失函数衡量模型对物体存在的置信程度：
54、
55、其中，是一个布尔运算，表示第i个锚框是否包含目标；表示模型预测的对象的置信度；λconf表示权重系数；j表示实际锚框的编号；lossconf为置信损失度；
56、使用边界框损失函数用于衡量模型预测的边界框与真实边界框之间的相似度：
57、
58、其中，nobj表示网络预测锚框的总数；bi_gt表示真实边界框；bi_dt表示模型预测的边界框；iou()表示交并比；lossbox为边界框损失；
59、分类总损失函数、置信度总损失函数和边界框总损失函数为160×160，80×80，40×40，20×20四个检测头各损失之和：
60、
61、最终的损失函数为分类损失函数、置信度损失函数和边界框损失函数的加权：
62、ltotal＝alosscls+blossbox+clossconf
63、其中，a＝0.5，b＝0.05，c＝1；ltotal为最终的损失函数。
64、优选的，在步骤s3中，具体包括：
65、采用迁移学习方法：
66、在正式训练前，先用大规模数据集对主干网络模型进行预训练，得到预训练权重；
67、在正式训练时，预训练权重作为初始权重根据目标任务调整后适应目标任务的特征；
68、使用siou损失来优化原有模型的定位损失，提高模型的性能，siou损失由三部分组成，角度惩罚、距离惩罚和形状惩罚。
69、角度惩罚angle cost描述了中心点连线与水平轴之间的最小角度，
70、
71、其中
72、
73、其中，和bcx分别表示真实框和预测框中心点的水平坐标，和bcy分别表示真实框和预测框中心点的垂直坐标；α表示真实框和预测框中心点连线与水平轴之间的夹角；σ表示真实框和水平框中心点之间的距离；x表示α的正弦值，即真实框和预测框中心点之间的垂直距离与两中心点之间距离之比；ch表示真实框和预测框在垂直方向上的距离；
74、当中心点在水平轴或垂直轴上对齐时，λ＝0；
75、当中心点连线与水平轴夹角为45°时，λ＝1；角度惩罚引导回归框anchor box移动到目标框最近的轴上，减少了边界框回归的总自由度数；
76、距离惩罚distance cost描述了中心点之间的距离，距离惩罚代价与角度惩罚呈正相关，
77、
78、式中，当t＝x时表示水平方向上的距离惩罚；当t＝y时，表示垂直方向上的距离惩罚。
79、其中
80、
81、式中，cw和ch分别表示真实框和预测框最小外接矩形的宽度和高度；ρx表示真实框和预测框中心点在水平方向上的距离与最小外接矩形宽度之比的平方；ρy表示真实框和预测框中心点在垂直方向上的距离与最小外接矩形高度之比的平方。
82、当α→0时，距离惩罚的贡献降低；
83、当α→π/4，距离惩罚贡献最大；
84、形状惩罚shape cost通过计算两个框之间的宽之差和二者最大宽之比；
85、
86、式中，当t＝x时，ωx表示宽度方向的形状惩罚，当t＝y时，ωy表示高度方向的形状惩罚。θ是一个可调参数，用于控制与形状相关的惩罚应该被强调的程度。
87、其中
88、
89、式中，wdt表示预测框的宽度，wgt表示真实框的宽度，hdt表示预测框的高度，hgt表示真实框的高度。ωw表示真实框和预测框的宽度之差的绝对值与两者宽度最大值之比，表示宽度方向的形状惩罚；ωh表示真实框和预测框的高度之差的绝对值与两者高度最大值之比，表示高度方向的形状惩罚。
90、siou损失由上述三个惩罚组成，其表达式如下：
91、
92、式中，δ表示距离惩罚值，ω表示形状惩罚值。
93、因此，本发明采用上述一种面向电网复杂应用场景的绝缘子及缺陷检测方法，具备以下有益效果：
94、(1)本发明构建的基于深度学习的电网复杂应用场景下绝缘子及其缺陷的目标检测模型可以直接对输入的绝缘子图片进行识别，同时定位绝缘子并识别绝缘子表面缺陷与破损缺陷两种缺陷，有利于在行业内进行推广使用。
95、(2)本发明网络模型聚焦于电网复杂应用场景下的绝缘子目标检测，相较于传统的绝缘子目标检测模型，本发明有更强的泛化能力和实际部署时的表现性能。
96、(3)本发明所提出的目标检测模型引入了小目标检测头、新颖的特征提取模块、尺度序列特征融合方法、三重特征编码模块以及通道和位置注意力机制模块，在预测中达到了最好的map指标，对电网复杂应用场景下绝缘子及其缺陷有最好的检测能力。
97、(4)本发明基于深度学习的输电线路绝缘子缺陷检查的有益实现，为模型转移应用构建提供完整的流程。
98、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
1.一种面向电网复杂应用场景的绝缘子及缺陷检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种面向电网复杂应用场景的绝缘子及缺陷检测方法，其特征在于：在步骤s1中，电网复杂应用场景下的绝缘子，按照材料分类分为：陶瓷、玻璃和复合材料；按所在场景分类分为：高压输电网、配电网和电厂、电站；；绝缘子缺陷种类包括，绝缘子伞帽破损缺陷和绝缘子伞帽污闪缺陷；
3.根据权利要求1所述的一种面向电网复杂应用场景的绝缘子及缺陷检测方法，其特征在于：在步骤s2中，模块构建网络模型具体包括以下步骤：
4.根据权利要求3所述的一种面向电网复杂应用场景的绝缘子及缺陷检测方法，其特征在于：在步骤s21中，具体包括以下步骤：
5.根据权利要求3所述的一种面向电网复杂应用场景的绝缘子及缺陷检测方法，其特征在于：在步骤s22中，使用三重特征编码模块替换yolov5模型neck层中特征融合模块，同时为模型添加通道和位置注意力机制模块；具体表示为：
6.根据权利要求3所述的一种面向电网复杂应用场景的绝缘子及缺陷检测方法，其特征在于：在步骤s23中，在yolov5模型head部分添加160×160大小的p2检测头。
7.根据权利要求1所述的一种面向电网复杂应用场景的绝缘子及缺陷检测方法，其特征在于：网络模型训练过程网络的目标函数为损失函数；损失函数组成包括：分类损失函数、置信度损失函数和定位损失函数；
8.根据权利要求1所述的一种面向电网复杂应用场景的绝缘子及缺陷检测方法，其特征在于：在步骤s3中，具体包括：
