一种架空输电线路的缺陷检测方法和装置与流程

本发明涉及可见光缺陷检测领域，尤其涉及一种架空输电线路可见光缺陷检测方法和装置。

背景技术：

1、架空输电线路由于长期暴露于野外的极端天气环境中，其部件如导线、金具、绝缘子等，可能会出现如锈蚀、破损和断股等一系列问题。除此之外，对架空输电线路的部件的不规范安装也可能对架空输电线路的安全运行造成威胁。因此，需要关注广泛分布的架空输电线路的运行状态，并对部件产生缺陷的架空输电线路作及时维护。

2、在现有技术中，对架空输电线路的缺陷检测，通常采用深度学习方法进行检测。而现有深度学习的缺陷检测方法中，通常依赖于部署在云端的深度学习模型，即其流程为“采集数据-上传云端-云端进行推理检测-云端返回检测结果”，这种缺陷检测方法的整个预测过程均由处于云端的深度学习模型来完成，依赖云端算力，当云端算力不足时检测效率低下，且实时性较差。同时，云端所用的深度学习模型也存在无法与架空输电线路的缺陷检测这一场景不匹配的问题，导致检测效率较低。因此，架空输电线路可见光缺陷的检测效率较低的技术问题仍亟待解决。

技术实现思路

1、本发明提供了一种架空输电线路的缺陷检测方法和装置，以解决现有技术对架空输电线路的缺陷检测效率较低的技术问题。

2、根据本技术实施方式的第一方面，提供一种架空输电线路的缺陷检测方法，包括：

3、根据预设的网格化参数，获取待检测的架空输电线路的第一检测图像；

4、对所述第一检测图像进行多次深度分离卷积，得到第一三维特征张量；

5、根据所述网格化参数和预设的第一缺陷坐标确定方法，计算得到所述第一三维特征张量的多个缺陷坐标，以根据所述多个缺陷坐标对应得到所述第一检测图像的多个缺陷点。

6、这样先根据预设的网格化参数获取待检测的架空输电线路的第一检测图像，再对第一检测图像进行多次深度分离卷积得到第一三维特征张量，区别于现有技术所用的传统卷积，本技术使用的深度分离卷积的操作速度更快，且精度与传统卷积相当，能够有效提高缺陷检测的效率；再根据网格化参数和第一缺陷坐标确定方法，计算第一三维特征张量的多个缺陷坐标，进而对应得到第一检测图像的多个缺陷点，区别于现有技术直接通过深度学习模型得到缺陷点，本技术是基于深度分离卷积得到的第一三维张量，通过计算缺陷坐标而对应得到缺陷点，直接使用数学方法而非深度学习模型确定缺陷点，运算速度更快，效率更高，且检测精度不下降。从而本技术能够提高对架空输电线路的缺陷检测效率。

7、在本技术的一些实施方式中，所述根据预设的网格化参数，获取待检测的架空输电线路的第一检测图像，具体包括：

8、获取待检测的架空输电线路的实景图像；

9、将所述实景图像按照所述网格化参数进行网格化，得到第一检测图像。

10、这样先获取待检测的架空输电线路的实景图像，再对实景图像进行网格化，得到第一检测图像，能够基于缺陷的区域特性，将实景图像分割为多个网格，方便后续对第一检测图像进行深度分离卷积时根据缺陷的区域特性获得更精确的三维特征张量。

11、在本技术的一些实施方式中，所述对所述第一检测图像进行多次深度分离卷积，得到第一三维特征张量，具体包括：

12、根据预设的特征转换方法，将所述第一检测图像转换为第一特征向量；

13、将所述第一特征向量输入多个预设的卷积检测块中，通过深度分离卷积，得到第一三维特征张量；

14、其中，多个所述卷积检测块为首尾相连，前一个卷积检测块的输出作为后一个卷积检测块的输入；始端卷积检测块的输入为所述第一特征向量，末端卷积检测块的输出为所述第一三维特征张量；每个卷积检测块中，先对输入特征按照预设通道数进行分组得到多组通道特征，对多组通道特征分别进行深度分离卷积得到与多组通道特征对应的多组通道特征图，再将多组通道特征图按照预设方法进行顺序重排后聚合得到的结果作为当前卷积检测块的输出结果。

15、这样先进行特征转换，再通过多个卷积检测块进行深度分离卷积，每个卷积检测块中将输入特征分组为多组通道特征，并分组进行卷积，卷积完成后再将多组卷积完成的通道特征图进行顺序重排并聚合，这样能够在保持深度分离卷积的操作速度的同时，使各通道之间进行交互，从而保持检测的精度。

16、在本技术的一些实施方式中，所述根据所述网格化参数和预设的第一缺陷坐标确定方法，计算得到所述第一三维特征张量的多个缺陷坐标，以根据所述多个缺陷坐标对应得到所述第一检测图像的多个缺陷点，具体包括：

17、将所述第一三维特征张量按照预设的第一维度划分方法进行划分，得到多个二维特征张量；

18、根据所述网格化参数和所述第一缺陷坐标确定方法，分别计算所述多个二维特征张量对应的多个缺陷坐标，以根据所述多个缺陷坐标对应得到所述第一检测图像的多个缺陷点。

19、这样先将第一三维特征张量划分为多个二维特征张量，能够将三维空间的缺陷坐标确定问题转换为多个二维空间的缺陷坐标确定问题，降低了维度，进而降低了缺陷坐标确定的难度，再基于网格化参数分别计算多个二维特征张量对应的多个缺陷坐标，进而对应得到多个缺陷点，直接使用数学方法进行计算，相比于使用深度学习模型，速度更快，且能够保持检测的精度。

20、在本技术的一些实施方式中，所述根据所述网格化参数和所述第一缺陷坐标确定方法，分别计算所述多个二维特征张量对应的多个缺陷坐标，以根据所述多个缺陷坐标对应得到所述第一检测图像的多个缺陷点，具体包括：

21、任意选取一个二维特征张量作为当前二维特征张量，根据所述网格化参数和所述第一缺陷坐标确定方法，计算当前二维特征张量对应的单个缺陷坐标，直到所述多个二维特征张量被选取完毕；

22、输出所述多个二维特征张量对应的多个缺陷坐标，以根据所述多个缺陷坐标对应得到所述第一检测图像的多个缺陷点。

23、在本技术的一些实施方式中，所述根据所述网格化参数和所述第一缺陷坐标确定方法，计算当前二维特征张量对应的单个缺陷坐标，具体包括：

24、基于所述网格化参数，根据所述当前二维特征张量得到第一特征列向量；

25、根据所述第一缺陷坐标确定方法，计算所述第一特征列向量中各元素的第一缺陷特征，将所述第一特征列向量中第一缺陷特征大于预设阈值的元素剔除，得到第二特征列向量；

26、将所述第二特征列向量中所有元素的横坐标的均值与纵坐标的均值作为第一缺陷坐标的横坐标和纵坐标，并输出第一缺陷坐标。

27、这样先基于网格化参数，对当前二维特征张量操作得到第一特征列向量，再计算第一特征列向量中各元素的第一缺陷特征，并根据第一缺陷特征对第一特征列向量的元素进行筛选得到第二特征列向量，能够筛除异常点，提高检测精度，进而将第二特征列向量中所有元素的横坐标的均值和纵坐标的均值作为第一缺陷坐标的横坐标和纵坐标，能够通过均值，降低第一缺陷坐标的误差，提高检测精度。

28、在本技术的一些实施方式中，所述基于所述网格化参数，根据所述当前二维特征张量得到第一特征列向量，具体包括：

29、根据所述网格化参数，将所述当前二维特征张量划分为多个第一特征行向量；

30、分别对所述多个第一特征行向量进行归一化，并对归一化后的所述多个第一特征行向量分别应用预设的特征坐标确定方法，得到与所述多个第一特征行向量对应的多个特征坐标；

31、其中，所述特征坐标确定方法，具体为：计算当前的第一特征行向量中所有元素对应的多个第一期望特征；将第一期望特征最大的元素的坐标作为当前的第一特征行向量的特征坐标；

32、将所述多个特征坐标组合得到当前二维特征张量的第一列向量。

33、这样先基于网格化参数，将当前二维特征张量划分为多个第一特征行向量，能够将问题更细致划分到每个第一特征行向量中，再分别进行归一化，并根据归一化后的多个第一特征行向量的各元素的第一期望特征，计算多个第一特征行向量对应的多个特征坐标，这样基于第一期望特征确定特征坐标，能够降低误差，提高检测精度。

34、根据本技术实施方式的第二方面，提供一种架空输电线路的缺陷检测装置，包括图像获取模块、图像卷积模块和缺陷确定模块；

35、所述图像获取模块，用于根据预设的网格化参数，获取待检测的架空输电线路的第一检测图像；

36、所述图像卷积模块，用于对所述第一检测图像进行多次深度分离卷积，得到第一三维特征张量；

37、所述缺陷确定模块，用于根据所述网格化参数和预设的第一缺陷坐标确定方法，计算得到所述第一三维特征张量的多个缺陷坐标，以根据所述多个缺陷坐标对应得到所述第一检测图像的多个缺陷点。

38、在本技术的一些实施方式中，所述图像获取模块包括实景获取子模块和图像网格化子模块；

39、所述实景获取子模块，用于获取待检测的架空输电线路的实景图像；

40、所述图像网格化子模块，用于将所述实景图像按照所述网格化参数进行网格化，得到第一检测图像。

41、在本技术的一些实施方式中，所述图像卷积模块包括特征转换子模块和深度卷积子模块；

42、所述特征转换子模块，用于根据预设的特征转换方法，将所述第一检测图像转换为第一特征向量；

43、所述深度卷积子模块，用于将所述第一特征向量输入多个预设的卷积检测块中，通过深度分离卷积，得到第一三维特征张量；

44、其中，多个所述卷积检测块为首尾相连，前一个卷积检测块的输出作为后一个卷积检测块的输入；始端卷积检测块的输入为所述第一特征向量，末端卷积检测块的输出为所述第一三维特征张量；每个卷积检测块中，先对输入特征按照预设通道数进行分组得到多组通道特征，对多组通道特征分别进行深度分离卷积得到与多组通道特征对应的多组通道特征图，再将多组通道特征图按照预设方法进行顺序重排后聚合得到的结果作为当前卷积检测块的输出结果。

45、在本技术的一些实施方式中，所述缺陷确定模块包括三维划分子模块和缺陷确定子模块；

46、所述三维划分子模块，用于将所述第一三维特征张量按照预设的第一维度划分方法进行划分，得到多个二维特征张量；

47、所述缺陷确定子模块，用于根据所述网格化参数和所述第一缺陷坐标确定方法，分别计算所述多个二维特征张量对应的多个缺陷坐标，以根据所述多个缺陷坐标对应得到所述第一检测图像的多个缺陷点。

48、在本技术的一些实施方式中，所述缺陷确定子模块包括缺陷计算单元和坐标输出单元；

49、所述缺陷计算单元，用于任意选取一个二维特征张量作为当前二维特征张量，根据所述网格化参数和所述第一缺陷坐标确定方法，计算当前二维特征张量对应的单个缺陷坐标，直到所述多个二维特征张量被选取完毕；

50、所述坐标输出单元，用于输出所述多个二维特征张量对应的多个缺陷坐标，以根据所述多个缺陷坐标对应得到所述第一检测图像的多个缺陷点。

51、在本技术的一些实施方式中，所述缺陷计算单元包括第一列向量获取子单元、第二列向量获取子单元和坐标计算输出子单元；

52、所述第一列向量获取子单元，用于基于所述网格化参数，根据所述当前二维特征张量得到第一特征列向量；

53、所述第二列向量获取子单元，用于根据所述第一缺陷坐标确定方法，计算所述第一特征列向量中各元素的第一缺陷特征，将所述第一特征列向量中第一缺陷特征大于预设阈值的元素剔除，得到第二特征列向量；

54、所述坐标计算输出子单元，用于将所述第二特征列向量中所有元素的横坐标的均值与纵坐标的均值作为第一缺陷坐标的横坐标和纵坐标，并输出第一缺陷坐标。

55、在本技术的一些实施方式中，所述第一列向量获取子单元包括二维张量划分组件、特征坐标计算组件和特征坐标组合组件；

56、所述二维张量划分组件，用于根据所述网格化参数，将所述当前二维特征张量划分为多个第一特征行向量；

57、所述特征坐标计算组件，用于分别对所述多个第一特征行向量进行归一化，并对归一化后的所述多个第一特征行向量分别应用预设的特征坐标确定方法，得到与所述多个第一特征行向量对应的多个特征坐标；

58、其中，所述特征坐标确定方法，具体为：计算当前的第一特征行向量中所有元素对应的多个第一期望特征；将第一期望特征最大的元素的坐标作为当前的第一特征行向量的特征坐标；

59、所述特征坐标组合组件，用于将所述多个特征坐标组合得到当前二维特征张量的第一列向量。

60、这样先根据预设的网格化参数获取待检测的架空输电线路的第一检测图像，再对第一检测图像进行多次深度分离卷积得到第一三维特征张量，区别于现有技术所用的传统卷积，本技术使用的深度分离卷积的操作速度更快，且精度与传统卷积相当，能够有效提高缺陷检测的效率；再根据网格化参数和第一缺陷坐标确定方法，计算第一三维特征张量的多个缺陷坐标，进而对应得到第一检测图像的多个缺陷点，区别于现有技术直接通过深度学习模型得到缺陷点，本技术是基于深度分离卷积得到的第一三维张量，通过计算缺陷坐标而对应得到缺陷点，直接使用数学方法而非深度学习模型确定缺陷点，运算速度更快，效率更高，且检测精度不下降。从而本技术能够提高对架空输电线路的缺陷检测效率。