架空输电线路覆冰形态分割方法与流程

本发明属于输电线路覆冰检测，具体涉及架空输电线路覆冰形态分割方法。

背景技术：

1、架空输电线路是电力系统的重要组成部分，在气象、地理等条件作用下，架空输电导线可能会在表面形成雨凇、雾凇等覆冰。当线路表面覆冰时，会显著增加导线的故障风险，引起绝缘子闪络、线路跳闸、断线、倒塔、导线舞动和通信中断等事故，造成巨大的经济损失和严重的社会影响。为增强架空输电线路的安全可靠性，有必要对线路的覆冰情况进行实时监测，及时了解覆冰信息。架空线路的覆冰形态可以提供关于冰的厚度、类型以及线路负荷、受力、抗风能力和运行安全性等方面的重要信息，对于线路的运行管理和维护具有重要意义。

2、传统的覆冰检测方法主要依赖于人工巡视或利用传感器数据进行监测，然而这些方法存在着检测精度低、工作效率低、成本高等问题，无法满足大规模覆冰检测的需求。近年来，随着深度学习技术的快速发展，基于图像处理的覆冰检测方法逐渐受到关注。深度学习技术能够从大量数据中学习特征，并在未标记数据上进行有效的泛化，为解决覆冰检测问题提供了新的思路和方法。但是，常规基于深度学习的图像处理检测方法如yolact应用在架空线路覆冰检测时存在以下不足：1、面对多类型覆冰与复杂背景的覆冰图像表现不佳，检测准确度不高，存在漏检现象；2、模型体积较大；3、检测速度较低，难以及时实现对覆冰线路的检测。

3、因此，提供一种不同于现有的基于深度学习技术的架空输电线路覆冰形态分割方法，提高覆冰检测的准确性、效率和智能化水平，对于电力系统的安全稳定运行具有重要意义。

技术实现思路

1、本发明针对现有架空输电线覆冰检测方法检测效果有待提升的不足，提供架空输电线路覆冰形态分割方法，以快速准确地检测图像中多根线路的覆冰状况。进一步地，减小模型。

2、为实现上述目的，本发明采用如下技术方案：架空输电线路覆冰形态分割方法，所述架空输电线路覆冰形态分割方法包括：

3、步骤s1、采集架空输电线路的原始图像并预处理，构建架空输电线路覆冰图像数据集，数据集包括不同环境条件下的架空输电线路覆冰轮廓图像以及相应的标注信息；

4、步骤s2、创建覆冰线路检测分割模型，所述覆冰线路检测分割模型基于yolov5改进，所述覆冰线路检测分割模型包括主干网络、特征融合网络、检测网络、原型掩码预测网络、注意力模块，注意力模块位于主干网络与特征融合网络间，原型掩码预测网络位于特征融合网络后，主干网络包括多个卷积层和残差块，主干网络包括5个不同尺度的输出特征层，主干网络的与最后的输出特征层对应的卷积层为可变性卷积，可变性卷积动态调整卷积核的形状和位置；

5、步骤s3、将架空输电线路覆冰图像数据集输入覆冰线路检测分割模型进行训练，在训练过程中，对模型进行评估，根据评估结果对模型进行优化，得到覆冰线路检测分割模型；

6、步骤s4、将训练好的模型部署到实际监测系统中，将监测系统采集的图像输入训练好的覆冰线路检测分割模型，实现对架空输电线路覆冰形态的实时监测分割。

7、本发明的架空输电线路覆冰形态分割方法，通过构建覆冰线路检测分割模型，覆冰线路检测分割模型基于yolov5改进，覆冰线路检测分割模型包括主干网络、特征融合网络、检测网络、原型掩码预测网络、注意力模块，注意力模块位于主干网络与特征融合网络间，原型掩码预测网络位于特征融合网络后；在yolov5主干网络和特征融合网络（特征融合网络）之间增加eca注意力模块，eca注意力模块通过对特征图的通道信息进行自适应加权，提高了模型对覆冰轮廓关键特征的提取和强化能力，增强了模型的表征能力和泛化能力；在特征融合网络后添加了原型掩码预测网络并采用解耦结构的检测头，使网络能够精确地对覆冰区域进行像素级别的预测，为后续的冰覆盖区域分割和形态提取提供了更准确的定位和标记；最后，将原型掩码与得到的掩码系数进行线性组合得到最终的掩码，将其与预测边界框结合，获得最终的实例分割结果；将主干网络的最后一组c3模块中的标准卷积改变为可变性卷积，可变性卷积c3- dcnv2通过动态调整卷积核的形状和位置，适应不同形态的冰覆盖，提高了模型对覆冰轮廓的感知能力和适应性。

8、作为改进，步骤s1中，通过固定在输电杆塔的摄像头采集原始图像，原始图像预处理包括：数据筛选、标注工具选择、类别定义、图像标注、标注质量控制、数据集拆分中的至少一种；数据集包括不同环境条件下的架空输电线路覆冰轮廓图像以及相应的标注信息。

9、作为改进，步骤s2中，可变性卷积c3- dcnv2的工作过程包括：

10、对给定k个采样位置的卷积核，设和分别表示卷积核第k个位置的权值和预先指定的偏移量，采样位置{(-1,-1),(-1,0),(-1,1),…,(1,1)}，设和分别表示输入特征图和输出特征图中位置的特征，则调制的可变形卷积表示为：

11、

12、式中，和为另一个与当前卷积层同等大小的卷积层学习得到的偏移量和调制标量。

13、作为改进，注意力模块的工作过程是：

14、首先，通过全局平均池化将输入特征图的大小从（c，h，w)转换为（c，1，1)，实现全局上下文信息的融合；

15、然后，根据特征图的通道数计算得到自适应的一维卷积核大小 n，公式如下：

16、

17、其中， c为输入的通道数， b=1， γ=2；

18、接着，采用一维卷积计算通道的权重，采用sigmoid激活函数将权重映射在[0-1]之间；

19、最后，将权重值与原有的特征图做乘法运算，得到不同权重下的特征图。

20、作为改进，步骤s2中，特征融合网络用于将多尺度的特征图融合在一起，特征融合网络包括panet和panet-sppf模块，融合后的特征记为[p3，p4，p5]，p3相较于p4，p5特征图分辨率更高，保留更多的空间细节信息的同时融合了一定的语义信息。

21、作为改进，原型掩码预测网络负责预测原型掩码，原型掩码预测网络从[p3，p4，p5]中选择最大的特征层p3作为protonet的输入，当protonet输出后的原型掩码与掩码预测系数线性组合得到最终掩码后，使用预测的边界框裁剪最终掩码得到分割结果；

22、原型掩码预测网络采用全卷积网络实现，包括三层3×3卷积和一层转置卷积，原型掩码预测网络的工作过程包括：

23、首先，p3经过一层3×3的卷积和一个转置卷积，特征图的高和宽被上采样到原来的两倍，通道数也扩增至2倍；

24、然后，再通过一个3×3的卷积，通道数保持不变；

25、最后，通过一个1×1的卷积将特征图通道压缩至32，特征层每个通道都为一张原型掩码，最终得到的原型掩码大小为原图的1/4。

26、作为改进，检测网络包括三个解耦结构检测头，三个解耦结构检测头均包含三条分支，分别完成对目标边框坐标[x，y，w，h]、目标类别ci、原型掩码的掩码系数的预测；检测网络将原型掩码prototype masks与掩码系数mask coefficients线性组合起来得到最终掩码后，使用预测的边界框裁剪最终掩码得到分割结果，线性组合公式如下：

27、

28、其中， m表示目标的掩码mask， p表示prototype masks， c表示mask coefficients。σ为sigmoid函数，保证输出的最终mask为正值。

29、作为改进，训练所用损失函数由三部分组成：分类损失cls_loss、边框回归损失box_loss和分割损失mask_loss；分类损失cls_loss和分割损失mask_loss采用二元交叉熵bce损失函数计算，边框回归损失box_loss采用ciou损失函数计算；

30、ciou_loss的计算公式如下：

31、

32、

33、

34、其中，为真实框与预测框的中心距离，c为包含真实框与预测框最小矩形的对角线距离，iou为真实框与预测框的交并比，和分别为真实框的宽和高，和分别为预测框的宽和高；

35、bce_loss的计算公式如下：

36、

37、其中，是标签0或1，是输出属于标签的概率，为模型预测对象的组数；

38、总损失loss的计算公式如下：

39、；

40、其中，0.7、7.5和0.94分别为分类损失权重系数、分割损失权重系数和边框回归损失权重系数。

41、作为改进，步骤s3中，采用平均精度ap（average precision）和平均精度均值map（mean average precision，map）作为模型检测精度的评价指标；ap为对p-r曲线的积分，即p-r曲线与坐标轴围成的面积；map为ap的均值；准确率p和召回率r的计算公式如下：

42、

43、

44、式中， tp为正确预测正例的样本数。 fp错误预测正例的样本数，即误检样本数。 fn为错误预测负样本的数量，即漏检样本数；

45、采用平均交并比miou(mean intersection over union)评价模型的分割性能。它通过测量预测的分割掩码与实际掩码之间的重叠程度来评估分割模型的准确性。miou的计算公式如下：

46、

47、式中， tp为模型正确预测的像素数， fn为错误预测的像素数， fp是错误预测的像素数。

48、作为改进，步骤s4中，待检图像首先通过主干网络得到特征图[c1，c2，c3，c4，c5]；然后将[c3，c4，c5]输入到注意力模块中；接下来，经过特征融合网络将不同尺度的特征融合，得到[p3，p4，p5]；融合后的特征[p3，p4，p5]被送入头部的预测模块，用于预测目标的位置和类别信息；p3还被送入原型掩码预测网络得到原型掩码；最后，通过对原型掩码进行后处理，得到最终的目标掩码。