一种高效高精度的输电线路缺陷识别方法及系统

1.本发明涉及输电线路缺陷识别技术领域，更具体的说是涉及一种高效高精度的输电线路缺陷识别方法及系统。


背景技术：

2.中国电力系统的输电线路十分广泛，运行环境复杂，天气条件多变。为确保电力系统的安全稳定运行并防止事故发生，需定期进行检查，以识别潜在的缺陷。无人机易于操作、响应灵敏、飞行灵活、电池寿命长和成本低，已成为电力检查的常用方法。利用无人机进行输电线路检查，不仅提高了输电线路运维的效率和质量，还降低了劳动强度和成本，确保了线路检查人员的安全。
3.目前，用于图像识别的机器学习算法包括基于候选区域的模型和基于回归的模型。基于候选区域模型包括流行的算法，如r-cnn系列，其优点在于训练和识别方面精度高。基于回归模型，如yolo系列，在训练中检测速度快，但硬件要求高，且计算时间较长。几种改进yolov3的方法，如增加卷积层和调整锚框尺寸。尽管以上方法取得了一些进展，但它们忽略了输电线路缺陷识别任务中的几个主要难点：现有特征图中小型电力设备的信息不足，背景复杂，目标缺陷的正面例子很少。具体而言，由于池化和下采样操作，深度cnn特征图具有不同的空间分辨率。较深的特征图具有较强的语义，但会丢失空间信息，而较浅的特征图则具有较高的分辨率，但缺乏必要的语义信息。这两个因素对于有效的小目标检测都是必要的。此外，小目标由于分辨率低和固有信息有限而难以识别，因此，在全局和局部级别上使用上下文信息对小目标检测是必要的。最后，由于缺乏相应的小规模锚点和与实际情况相匹配的正例，深度学习模型在小目标上的检测效果往往很差。这些锚点很难生成，需要在现有方法中手动匹配。
4.因此，提供一种能够同时考虑上下文语义信息和空间信息的输电线路缺陷识别方法及系统是本领域技术人员亟需解决的问题。


技术实现要素：

5.有鉴于此，本发明提供了一种高效高精度的输电线路缺陷识别方法及系统，基于联合交集对训练示例电路图片进行抽样；对电路图片进行高效特征融合，收集不同空间位置和尺度上的目标的特征；利用上下文信息建模提取目标周围的特征，进行输电线路缺陷识别。
6.为了实现上述目的，本发明提供如下技术方案：
7.一种高效高精度的输电线路缺陷识别方法，包括以下步骤：
8.基于联合交集对输电线路图片进行抽样，建立输电线路缺陷数据集；
9.提取所述输电线路缺陷数据集中的语义信息和结构信息，并对所述语义信息和所述结构信息进行融合，获取检测目标的特征信息；
10.利用上下文信息模型提取目标周围的特征，利用训练好的神经网络对目标周围的
特征进行缺陷识别。
11.优选的，基于联合交集对输电线路图片进行抽样，建立输电线路缺陷数据集具体包括：
12.对输电线路图片进行边界框锚点；
13.对所述输电线路图片的边界框锚点进行评估，将所述输电线路图片分为正样本和负样本；
14.对所述正样本和负样本进行抽样，使得所述输电线路缺陷数据集中
15.s-|＝η|s
+
|，其中s-表示负集合，s
+
表示正集合，η是一个超参数。
16.优选的，对所述输电线路图片的边界框锚点进行评估，将所述输电线路图片分为正样本和负样本的方法为：
[0017][0018]
其中，表示正样本，s
gt
是训练样本的基本事实；对于i
*
相关的相关的被添加到正集合s
+
；对于带有的样本被设置为负集合s-。
[0019]
优选的，提取所述输电线路缺陷数据集中的语义信息和结构信息，并对所述语义信息和所述结构信息进行融合，获取目标的特征信息，具体包括：
[0020]
将所述输电线路缺陷数据集中的输电线路图片输入目标检测模型，获取检测目标；
[0021]
通过所述检测目标的深层特征对所述检测目标的浅层语义信息进行增强；
[0022]
对所述检测目标的特征层次结构信息进行增强；
[0023]
基于增强的语义信息和增强的特征层次结构信息对所述检测目标进行局部重构；获取所述检测目标的特征信息。
[0024]
优选的，对特征层次结构中信息特征进行增强包括挤压阶段和激励阶段；
[0025]
所述挤压阶段为对所述特征层次结构的每个通道进行全局池化操作，表达式为：
[0026][0027]
其中，表示通道c第n层(i,j)位置处的像素值；w、h分别表示特征图的宽和高；
[0028]
所述激励阶段的表达式为：
[0029][0030][0031]
其中，g
σ
表示sigmoid函数，g
δ
表示relu函数，和是相应的权重，表示按通道相乘，表示新的输入。
[0032]
优选的，利用上下文信息模型提取检测目标周围的特征，具体包括：
[0033]
提取所述检测目标内固定维度的特征，通过所述上下文信息模型中的fc层和输出层进行馈送，并利用所述上下文信息模型中的反卷积层提高检测目标的分辨率；采用多任
务损失函数将附加层进行合并，获取目标周围的特征。
[0034]
优选的，所述多任务损失函数的表达式为：
[0035][0036]
l
cls
(p(f),y)＝-logpy(f)
[0037][0038]
其中，p(f)是类概率分布，是平滑l1损失，y是真实类，因为y＝0表示背景，所以λ[y≥1]表示所关注的前景目标，λ是系数，b和分别表示真实和估计的边界框，bj是相应的坐标。
[0039]
另一方面，本发明还提供了一种高效高精度的输电线路缺陷识别系统，用于实现上述任意一种高效高精度的输电线路缺陷式识别方法，所述系统包括：数据集构建模块、特征信息提取模块、输电线识别模块；
[0040]
所述数据集构建模块包括依次连接的边界框锚点单元、评估单元、抽样单元；所述边界框锚点单元用于对输电线路图片进行边界框锚点；所述评估单元用于对所述输电线路图片的边界框锚点进行评估，将所述输电线路图片分为正样本和负样本；所述抽样单元用于对所述正样本和负样本进行抽样，构建所述输电线路缺陷数据集；
[0041]
所述特征信息提取模型包括目标检测单元、语义信息单元、结构信息单元和特征融合单元；所述目标检测单元用于获取检测目标；所述语义信息单元用于通过添加深层的特征对浅层的语义信息进行增强；所述结构信息单元用于对所述检测目标的特征层次结构中信息特征进行增强；所述特征融合单元用于根据增强的语义信息和增强的结构信息对所述目标进行局部重构，获取所述目标的特征信息；
[0042]
所述输电线识别模块包括上下文信息提取单元、识别单元；所述上下文信息提取单元用于提取感兴趣区域内固定维度的特征，通过fc层和输出层进行馈送，并利用反卷积层提高分辨率，采用多任务损失函数将附加层进行合并，获取目标周围的特征；所述识别单元用于判断所述检测目标是否存在缺陷。
[0043]
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种高效高精度的输电线路缺陷识别方法及系统，引入的eff网络，与基线相比，精度提高了3.9％，有两个优点：非线性变换的表现力更强；由于所有规模的同步金字塔处理，效率更高。最重要的是，通过添加cim模块考虑了上下文信息建模，使模型性能提高了2.4％。最后，所提出的cic模块被证明可以有效缓解传输线缺陷识别任务中常见的类不平衡问题。由于本质上是前馈单个输入的cim模块和cic模块没有增加模型的复杂性，因此节省了新框架的内存和计算成本，显著提高了输电线路智能边缘检测的效率。
附图说明
[0044]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据
提供的附图获得其他的附图。
[0045]
图1为本发明的流程示意图；
[0046]
图2为本发明一个实施例提供的高效特征融合网络架构示意图；
[0047]
图3为本发明一个实施例提供的上下文信息建模的子网络结构示意图；
[0048]
图4为本发明一个实施例提供的不同输电线路缺陷识别方法的p-r关系曲线图；
[0049]
图5(a)为检测结果错误案例一，图5(b)为检测结果错误案例二，图5(c)为检测结果错误案例三，图5(d)为检测结果错误案例四。
[0050]
图6为本发明一个实施例提供的不同模型的pr关系曲线图；
[0051]
图7为本发明一个实施例提供的一种高效高精度的输电线路缺陷识别方法针对不同类别的pr关系曲线图；
[0052]
图8为本发明一个实施例提供的一种高效高精度的输电线路缺陷识别系统的框架图。
具体实施方式
[0053]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0054]
如图1所示，本发明实施例公开了一种高效高精度的输电线路缺陷识别方法，具体包括：
[0055]
s1：基于联合交集对输电线路图片进行抽样，建立输电线路缺陷数据集。
[0056]
边界框锚点的样本通过以下方式进行评估：
[0057][0058]
其中，表示正样本，s
gt
是训练样本的基本事实。对于i
*
相关的i*表示需要进行边界框锚点评估的输电线路图片，被添加到正集合s
+
，f
i*
表示该图片所属缺陷类别的概率分布，y
i*
表示该图片所属的缺陷类型，b
i*
表示该图片真实的边框界，这有助于损失函数。对于带有的样本被设置为负集合s-。
[0059]
为了解决传输线图像中目标和非目标的不平衡分布问题，本发明采用采样技术生成了一组最终的负样本，使得|s-|＝η|s
+
|，其中，η是一个超参数。
[0060]
本发明考虑三种抽样策略：1)随机抽样：在均匀分布的基础上随机选择负样本；2)自举：对负样本进行排序并选择顶部；以及3)混合采样：将前两种方法结合起来。在实验中，在混合采样和自举下的性能相似。为了确保每一层的检测尺度都在特定范围内，训练集由相应的尺度子集组成。如果对于特定层不能找到正的训练样本，则导致|s-|/|s
+
|＞＞η，则不同样本的交叉熵项将被相应地加权的情况：
[0061][0062]
s2：提取输电线路缺陷数据集中的语义信息和结构信息，并对语义信息和结构信
息进行融合，获取检测目标的特征信息。如图2所示，本发明实施例提供的一种体征融合网络结构；
[0063]
给定输入图像，convnet的输出是通过n层非线性变换获得的，表示为xnet。在没有特征分层结构的情况下，目标检测模型利用输出中的单个深层进行检测，表示为：
[0064]fpred
＝{f
p
,f
p+1
,...,fn}
[0065]
其中，fn表示特征图的第n层，p是超参数，n是最大层数，f
pred
表示预测的特征图集合。
[0066]
较深的层用于检测较大的实例，而较浅的高分辨率层用于检测较小的实例。
[0067]
通过添加深层的特征，如fpn方法，浅层的语义信息可以增强为：
[0068][0069]
其中，wn表示学习的第n层权重。最后，预测集变为：
[0070]f′
pred
＝{f
′
p
,f
′
p+1
,...,f
′n}
[0071]
se模块用于强调特征层次结构中的信息特征。挤压阶段为特征层次结构的每个通道上的全局池化操作。
[0072][0073]
其中，表示通道c第n层(i,j)位置处的像素值；w、h分别表示特征图的宽和高。
[0074]
激励阶段写为：
[0075][0076][0077]
其中，g
σ
,g
δ
分别表示sigmoid和relu函数，和是相应的权重，表示按通道相乘，表示新的输入。
[0078]
局部重构定义为：
[0079][0080]
其中，gr(
·
)表示残差映射，w
l
是为线性投影。
[0081]
s3：利用上下文信息模型提取目标周围的特征，进行输电线路缺陷识别。
[0082]
如图3所示，引入一个检测子网络来对小目标周围的局部上下文信息进行建模。学习过程如下：提取感兴趣区域内固定维度的特征，通过fc层和输出层进行馈送，并利用反卷积层提高分辨率。为了合并这些附加层，多任务损失函数被扩展为：
[0083][0084]
其中，l表示多任务损失，w,wd是相应子网络内的原始权重和附加权重，βm和lm分别
是相应的损失和损失权重，fi是第i个训练补丁，yi,bi是类标签和边界框的组合，sm是第m个样本。
[0085]
对于多任务损失，本发明将其定义为：
[0086][0087]
l
cls
(p(f),y)＝-logpy(f)
[0088][0089]
其中，p(f)是类概率分布，是平滑l1损失，y是真实类，因为y＝0表示背景，所以λ[y≥1]表示所关注的前景目标，λ是系数，是真实和估计的边界框，bj是相应的坐标。
[0090]
实验数据：
[0091]
实验数据集由中国某电力公司提供的2050张输电线路图像组成。这些图像是由无人机在不同角度、照明条件和检查场景下拍摄的，涵盖了从10千伏到750千伏的电压等级。它们包含四种常见的输电线路物体：绝缘体、大型配件、引脚和鸟巢。绝缘子、大型配件和引脚等处于正常状态或异常状态；例如，绝缘子的异常状态包括自爆和沾污，而引脚的异常状态则包括脱落和缺失，大型配件的异常状态还包括磨损、腐蚀和开裂。绝缘子异常图像126张，引脚异常图像305张，大型配件异常图像214张，鸟巢异常图像320张。使用vgg图像注释器软件对图像进行标注，将数据集随机分为训练集、验证集和测试集，图像数量分别为1640、205、205。
[0092]
实验结果与分析：
[0093]
输入图像的大小已调整为640
×
640。前期对反例采用随机抽样，设λ＝0.05，初始学习率为5
×
10-5
，在1k次迭代后获得初始模型。使用引导程序进行采样和设置。在此阶段再运行5k次学习率衰减的迭代以获得最终模型。对于主干网络，考虑在ms coco数据集上预训练的resnet50和vggnet模型。批量大小设置为8。采用随机缩放的数据增强来缓解多尺度目标的不平衡。
[0094]
如表1所示，进行消融研究评估受控环境中各种组件的改善情况。作为基线，采用faster rcnn，代表没有任何改进策略的模型。eff是高效特征融合的缩写。该模块被添加到基线的骨干网络中以获得更好的表示。cim是上下文信息建模的缩写。该模块被添加到分类和定位分支之前，以获得本地上下文信息。cic是类失衡校正的缩写。该模块被添加到损失函数计算中，通过自举采样缓解了类不平衡问题。
[0095]
表1消融研究中的性能比较
[0096][0097]
从表1中可以看出，添加eff的准确率提高了3.9％，这表明eff模块的使用使网络能够更多地关注具有相关语义的特征，有助于检测具有变化的实例。通过建模上下文信息(modelling context information,cim)，模型性能提高2.4％。使用本地上下文信息可以极大地有利于分类和区域建议的生成。最后，cic模块贡献了1.8％的改进。对于小目标检测，小锚的使用会导致少数正样本和大量负样本，这严重阻碍了模型的训练。这个问题是通过根据负采样的损耗值调整负采样来解决的。在图4中，p-r关系曲线下的面积就是准确率。可以看出，基线的准确性是最低的。然后，通过添加eff、cim和cic模块，面积变得越来越大。此外，曲线和水平轴之间的交点是最大召回。eff、cim和cic模块的结合也提高了最大召回率，因为更好的特征图、上下文信息和类不平衡校正都有利于定位过程。
[0098]
忽略置信度阈值设置为0.7的结果，不同类别的设备以不同颜色显示。结果显示所提出的模型正确识别了绝缘子、大尺寸配件、引脚和鸟巢。此外，通过在测试集上模拟不良检查场景，对所提出的模型进行了鲁棒性验证测试，不同模拟检测场景下的检测精度对比如表2所示，可以看出垂直翻转对检测结果的影响大于水平翻转，虽然角度变化的总体影响是不重要。低亮度和运动模糊都对检测效果产生显著影响，突出了充足的照明和稳定的无人机飞行对于准确的电力检测的重要性。不同方法证明，在各种不良检查场景下的平均精度分别下降了4.7％、2.9％、2.3％和1.9％，表明该方法具有良好的鲁棒性和泛化能力。
[0099]
表2不同检查场景下的性能比较
[0100]
[0101]
为了进一步研究模型性能，分析图5(a)-图5(d)中所示的一些错误案例。错误分析在目标检测任务中很重要，因为它可以识别模型表现不佳的特定区域。这有助于提高物体检测系统的整体准确性和可靠性。一般来说，识别小目标，例如引脚，比其他的要难得多。例如，在图5(a)和图5(b)中，有几个引脚没有显示在检测结果中。造成目标丢失现象的原因有两个：1)输入图像中可用像素较少；2)图像标注比较困难。尽管针对这一难点提出了几种策略，但相应的模型性能仍然不完美。为了进一步改进模型，可以进行两阶段检测。首先，使用模型来寻找引脚的初步结果；然后从更近的距离拍照。此外，对于具有遮挡或远距离拍摄的复杂场景，该模型也可能会失败。例如，在图5(c)中，模型没有识别出与背景相似的小鸟巢。此外，图5(d)中的远距离配件也不见了。复杂场景下的检测一直是目标检测器的一项具有挑战性的任务。来自相似场景的更多训练样本可能会在一定程度上解决这个问题。
[0102]
将所提出的方法与几个基线和最近的模型进行了比较，包括faster-rcnn(faster region-based convolutionalneural network)、ion(iterative optimal network)、mrcnn(mask r-cnn)、r-fcn(region-based fully convolutional network)、ssd(single shot detector)、stairnet、ron(reverse connectionwith objectness priornetworks)，dssd(deconvolutional single shot detector)、sdp(single-shot refinementneural network)和aog(and-ormodel)。其中，单级探测器包括ssd、stairnet、dssd、sdp，两级探测器包括faster r-cnn、ion、mrcnn、r-fcn、ron、aog。更具体地说，dssd被设计为通过使用去卷积层来生成更精确的边界框预测，从而提高ssd的精度。stairnet使用具有一系列预定义纵横比和比例的锚盒，即楼梯锚盒和焦点损失，以提高模型性能。类似地，sdp使用细化网络，该网络使用来自图像的附加上下文和焦点损失来细化初始边界框预测。相比之下，ion使用迭代优化过程来生成更有可能包含目标的对目标建议。ron采用提案生成网络和分类网络之间的反向连接，允许分类网络提供反馈，以及从数据中学习的目标性先验，有助于消除背景提案。aog使用一个图形模型来表示目标的层次结构，其中可以找到目标的部分和替代配置。
[0103]
下面描述了模型的实现细节和体系结构。ion建立在faster-rcnn的基础上，具有vgg16的骨干网络。每个小批量使用四张图像，每个图像采样128个roi。stairnet建立在ssd上，其中采用了逐元素求和和额外的转换块。纵横比为{2,3}。在ron中，超参数α和β设置为1/3，骨干网络为vgg-16。学习率从10-3
开始迭代5k次，然后衰减到10-4
迭代1k次。批量大小为9，动量为0.9，权重衰减为0.0005。新层使用高斯分布进行初始化，而其他层使用标准vgg-16模型。对于dssd，它是基于resnet-50模型。conv5阶段的步幅被修改为16像素，步幅为2的第一个卷积层修改为1。conv5阶段中内核大小大于1的卷积层的扩张增加到2。特征图大小减小的额外层是使用残差块添加。对于sdp、vgg-16和resnet-50被认为是主干，还有一些数据增强使用策略。对于前3k次迭代，学习率设置为10-3
，对于另外2k次迭代它会衰减到10-4
和10-5。批量大小设置为8。对于aog，超参数n＝1,2，上下文模式和遮挡模式的数量分别为5和8。
[0104]
表3不同模型的性能比较
[0105][0106]
性能比较如表3所示。可以看出，所提出的模型在精度、召回率和准确性方面优于所有基线。根据准确率，不同模型从高到低排序如下：ecc-rcnn、sdp、r-fcn、stairnet、mrcnn、dssd、ssd、ion、ron、aog和faster-rcnn。与其他模型相比，ecc-rcnn考虑了几种策略，即有效的特征融合、上下文信息建模和类不平衡校正来解决挑战。相比之下，sdp只考虑添加上下文信息和使用focalloss。r-fcn使用卷积特征金字塔进行特征融合。stairnet、ion和ron只关注区域建议生成。dssd和aog考虑上下文信息，但缺乏特征图改进。图6给出了不同模型的pr关系曲线，其中我们使用虚线明确显示了本发明的性能。从图6可以看出，与其他模型相比，本发明方法具有最高的准确率和最大的召回率。
[0107]
对于传输线缺陷识别的任务，不同类别的准确性也非常重要。因此，本发明给出了不同类别的性能比较。本发明只比较表3中选择的前四种模型。类别包括正常引脚、异常引脚、正常接头、异常接头、正常绝缘体、异常绝缘体和鸟巢。
[0108]
表4不同类别的性能比较
[0109][0110]
可以得出几个结论：第一，引脚状态识别是最难的，因为它的尺寸最小；其次，由于训练样本较少和类间差异，异常设备检测比正常设备检测相对困难。第三，ecc-rcnn在所有类别上都优于其他三个模型。这些结果表明本发明的策略适用于不同的类别。虽然小物体的精度相对较低，但本发明的模型仍然优于其他方法。图7给出了所提方法针对不同类别的pr关系曲线。对于引脚类别，其曲线下面积最小，而绝缘子类别最大。对于配件类别，它具有较高的召回率但相对较低的精度，而鸟巢类别则处于中间位置。在所提出的框架中，具有全局和局部转换的eff模块可以有效地重用特征金字塔表示中的层次特征，并能够对不同尺度的特征重新配置进行显式建模。与其他模型相比改进的结果证明了它在解决表4中的小物体检测挑战方面的有效性。此外，cim模块通过在传输线缺陷识别任务中前馈单个输入来合并上下文信息，在保证快速检测速度的同时提高了准确性。最后，提出了cic来解决类不平衡问题，进一步提高了模型性能。
[0111]
另一方面，本发明还提供了一种高效高精度的输电线路缺陷识别系统，用于实现上述任意一种高效高精度的输电线路缺陷式识别方法，如图8所示，该系统包括：数据集构建模块、特征信息提取模块、输电线识别模块；
[0112]
数据集构建模块包括依次连接的边界框锚点单元、评估单元、抽样单元；边界框锚点单元用于对输电线路图片进行边界框锚点；评估单元用于对输电线路图片的边界框锚点进行评估，将输电线路图片分为正样本和负样本；抽样单元用于对正样本和负样本进行抽样，构建输电线路缺陷数据集；
[0113]
特征信息提取模块包括目标检测单元、语义信息单元、结构信息单元和特征融合单元；目标检测单元用于获取检测目标；语义信息单元用于通过添加深层的特征对浅层的语义信息进行增强；结构信息单元用于对检测目标的特征层次结构中信息特征进行增强；特征融合单元用于根据增强的语义信息和增强的结构信息对目标进行局部重构，获取目标的特征信息；
[0114]
输电线识别模块包括上下文信息提取单元、识别单元；上下文信息提取单元用于提取感兴趣区域内固定维度的特征，通过fc层和输出层进行馈送，并利用反卷积层提高分辨率，采用多任务损失函数将附加层进行合并，获取目标周围的特征；识别单元用于判断检测目标是否存在缺陷。
[0115]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0116]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种高效高精度的输电线路缺陷识别方法，其特征在于，包括以下步骤：基于联合交集对输电线路图片进行抽样，建立输电线路缺陷数据集；提取所述输电线路缺陷数据集中的语义信息和结构信息，并对所述语义信息和所述结构信息进行融合，获取检测目标的特征信息；利用上下文信息模型提取目标周围的特征，利用训练好的神经网络对目标周围的特征进行缺陷识别。2.根据权利要求1所述的一种高效高精度的输电线路缺陷识别方法，其特征在于，基于联合交集对输电线路图片进行抽样，建立输电线路缺陷数据集具体包括：对输电线路图片进行边界框锚点；对所述输电线路图片的边界框锚点进行评估，将所述输电线路图片分为正样本和负样本；对所述正样本和负样本进行抽样，使得所述输电线路缺陷数据集中|s-|＝η|s
+
|，其中s-表示负集合，s
+
表示正集合，η是一个超参数。3.根据权利要求2所述的一种高效高精度的输电线路缺陷识别方法，其特征在于，对所述输电线路图片的边界框锚点进行评估，将所述输电线路图片分为正样本和负样本的方法为：其中，表示正样本，s
gt
是训练样本的基本事实；对于i
*
相关的相关的被添加到正集合s
+
；对于带有的样本被设置为负集合s-。4.根据权利要求1所述的一种高效高精度的输电线路缺陷识别方法，其特征在于，提取所述输电线路缺陷数据集中的语义信息和结构信息，并对所述语义信息和所述结构信息进行融合，获取目标的特征信息，具体包括：将所述输电线路缺陷数据集输入目标检测模型，获取检测目标；通过所述检测目标的深层特征对所述检测目标的浅层语义信息进行增强；对所述检测目标的特征层次结构信息进行增强；基于增强的语义信息和增强的特征层次结构信息对所述检测目标进行局部重构；获取所述检测目标的特征信息。5.根据权利要求4所述的一种高效高精度的输电线路缺陷识别方法，其特征在于，对特征层次结构中信息特征进行增强包括挤压阶段和激励阶段；所述挤压阶段为对所述特征层次结构的每个通道进行全局池化操作，表达式为：其中，表示通道c第n层(i,j)位置处的像素值；w、h分别表示特征图的宽和高；所述激励阶段的表达式为：所述激励阶段的表达式为：
其中，g
σ
表示sigmoid函数，g
δ
表示relu函数，和是相应的权重，表示按通道相乘，表示新的输入。6.根据权利要求1所述的一种高效高精度的输电线路缺陷识别方法，其特征在于，上下文信息模型提取检测目标周围的特征，具体包括：提取所述检测目标内固定维度的特征，通过所述上下文信息模型中的fc层和输出层进行馈送，并利用所述上下文信息模型中的反卷积层提高检测目标的分辨率；采用多任务损失函数将附加层进行合并，获取目标周围的特征。7.根据权利要求6所述的一种高效高精度的输电线路缺陷识别方法，其特征在于，所述多任务损失函数的表达式为：l
cls
(p(f),y)＝-logp
y
(f)其中，p(f)是类概率分布，是平滑l1损失，y是真实类，因为y＝0表示背景，所以λ[y≥1]表示所关注的前景目标，λ是系数，b和分别表示真实和估计的边界框，b
j
是相应的坐标。8.一种高效高精度的输电线路缺陷识别系统，其特征在于，用于实现如权利要求1-7所述的任意一种高效高精度的输电线路缺陷式识别方法，所述系统包括：数据集构建模块、特征信息提取模块、输电线识别模块；所述数据集构建模块包括依次连接的边界框锚点单元、评估单元、抽样单元；所述边界框锚点单元用于对输电线路图片进行边界框锚点；所述评估单元用于对所述输电线路图片的边界框锚点进行评估，将所述输电线路图片分为正样本和负样本；所述抽样单元用于对所述正样本和负样本进行抽样，构建所述输电线路缺陷数据集；所述特征信息提取模块包括目标检测单元、语义信息单元、结构信息单元和特征融合单元；所述目标检测单元用于获取检测目标；所述语义信息单元用于通过添加深层的特征对浅层的语义信息进行增强；所述结构信息单元用于对所述检测目标的特征层次结构中信息特征进行增强；所述特征融合单元用于根据增强的语义信息和增强的结构信息对所述目标进行局部重构，获取所述目标的特征信息；所述输电线识别模块包括上下文信息提取单元、识别单元；所述上下文信息提取单元用于提取感兴趣区域内固定维度的特征，通过fc层和输出层进行馈送，并利用反卷积层提高分辨率，采用多任务损失函数将附加层进行合并，获取目标周围的特征；所述识别单元用于判断所述检测目标是否存在缺陷。

技术总结
本发明公开了一种高效高精度的输电线路缺陷识别方法及系统，属于输电线路缺陷识别技术领域，包括基于联合交集对输电线路图片进行抽样，建立输电线路缺陷数据集；提取输电线路缺陷数据集中的语义信息和结构信息，并对语义信息和结构信息进行融合，获取检测目标的特征信息；利用上下文信息模型提取目标周围的特征，进行输电线路缺陷识别。可以有效地重用特征金字塔表示中的层次特征，并能够对不同尺度的特征重新配置进行显式建模，通过在传输线缺陷识别任务中前馈单个输入来合并上下文信息，在保证快速检测速度的同时提高了准确性。在保证快速检测速度的同时提高了准确性。在保证快速检测速度的同时提高了准确性。


技术研发人员：李曜丞 许永鹏 钱庆林 孙炜昊 臧奕茗 严英杰 李喆 刘亚东 盛戈皞 江秀臣
受保护的技术使用者：上海交通大学
技术研发日：2023.08.24
技术公布日：2023/10/15