一种破损防尘网识别方法、系统、存储介质和计算机设备与流程

本发明属于输电通道监测，具体涉及一种破损防尘网识别方法、系统、存储介质和计算机设备。

背景技术：

1、在输电通道监测领域，随着人工智能技术的持续进步，输电可视化监测技术已经日益成熟。目前，该技术对于常见的施工机械、烟火以及悬挂异物等类别的监测已经达到了令人满意的效果，极大地减轻了巡视人员的工作量，满足了日常巡视的需求。然而，随着技术的不断进步，人们对输电通道监测的期望也在持续提升。在当今这个时效性至关重要的时代，“事先预测”、“事中管控”与“事后补救”三个环节中，“事先预测”的重要性日益凸显。

2、带电架空导线上悬挂的异物已成为影响输电线路安全运行的严重隐患。若不及时清除这些异物，可能会对导线造成严重磨损。特别是像防尘网、塑料薄膜这类轻质柔性异物，一旦悬挂在导线上，并在对地距离不足的情况下，将会对下方行人构成高压触电的威胁。在严重情况下，这些异物可能导致线路短路跳闸，进而引发大面积停电，甚至可能造成因触电而引发的人身伤亡事故。

3、cn115240057a公开了一种基于深度学习的架空输电线路监拍图像检测方法，采用目标检测模型dh-yolov5对输电线路上的悬挂异物进行图像检测。然而，该检测方法并未考虑到输电导线下方的防尘网等异物，这往往是悬挂异物的来源。特别是在大风天气，这些线下防尘网等异物很容易被风吹起并悬挂在导线上，进而形成安全隐患。因此，准确识别线下防尘网等异物可以提前发现对输电线路具有威胁性的隐患，做到防患于未然。

4、导线上悬挂的防尘网在尺寸、形状及姿态方面均展现出相对的稳定性和一致性，这使得其识别过程变得相对容易。然而，与之形成鲜明对比的是，导线下方的防尘网却常常受到风力、人为活动等多种外部环境的综合影响，因此容易被折叠、拉伸或压缩，导致其尺寸、形状及姿态呈现出显著的多样性和复杂性。这无疑增加了识别的难度，使得对导线下方防尘网的准确识别成为一项更具挑战性的任务。

5、目前的可视化监测技术在识别导线下方的防尘网时，可能因其多尺度、多姿态、重叠以及可能的破损情况而遇到困难，具体问题包括：(1)防尘网的精确识别问题：现有的监测技术难以准确识别出防尘网，尤其是当它们以不同形状、大小出现时。这要求监测系统具备更高的灵活性和适应能力，以捕捉防尘网的多样性和复杂性。(2)多防尘网重叠及视角差异问题：在实际场景中，多个防尘网可能会重叠在一起，或者由于拍摄视角的不同，防尘网在图像中的大小会有所变化。这些问题都给现有的监测技术带来了挑战，可能导致识别准确率的下降。(3)破损防尘网识别问题：相对于完整的防尘网，破损的防尘网与地面的附着力更低，因而更易被风吹走并悬挂到导线上，是巡视人员须重点关注的对象。对于识别到的防尘网，如何准确判断其是完整还是破损状态，是一个技术难题。现有技术难以从复杂的背景中准确提取防尘网的形状或边缘信息，进而无法进行准确的状态分析。

技术实现思路

1、本发明的目的在于提供一种破损防尘网识别方法，旨在解决现有可视化监测技术在识别防尘网时面临的多尺度、多姿态以及重叠等问题，提高防尘网的精确识别率，有效应对多防尘网重叠及视角差异导致的识别难题，并能够准确判断识别到的防尘网是否处于破损状态，从而实现对防尘网状态的准确分析。

2、本发明实施例提供了一种破损防尘网识别方法，包括以下步骤：

3、s1：获取输电通道下的巡视图像；

4、s2：采用训练完成的防尘网检测模型，对所述巡视图像进行预标注，并通过人工复核，得到含有防尘网目标的输电通道巡视图像；

5、s3：使用像素级别标注软件，对所述含有防尘网目标的输电通道巡视图像中的防尘网目标进行分割标注，并按照比例将标注后的图像数据集划分为训练集、验证集和测试集；

6、s4：以yolov8-seg模型作为基础模型，在特征提取骨干网络backbone中引入可变形卷积dcnv3，并在模型中引入wiou loss，从而构建出改进的yolov8-seg模型；

7、s5：利用s3中划分好的数据集，对改进的yolov8-seg模型进行训练，得到训练完成的输电防尘网分割模型；

8、s6：将待识别的输电通道图像输入到训练完成的输电防尘网分割模型中，得到防尘网的分割mask，对所述分割mask进行边缘检测，输出防尘网的识别结果。

9、借由上述技术方案，本发明至少具有下列优点：

10、(1)本发明实施例公开的破损防尘网识别方法，将输电导线下方防尘网作为识别对象，能够实现提前的预警机制以预防潜在风险，从而显著降低因线下异物缠绕而引发的安全事故发生率。

11、(2)考虑到防尘网具有易形变和非刚性等特点，本发明选择yolov8-seg模型作为基础模型。yolov8-seg引入了anchor-free检测头，不同于传统的anchor-based方法，anchor-free检测头不需要预定义锚框，而是直接检测目标的关键点，如矩形包围框的角点或中心点，来实现目标定位，从而能够更加自适应地检测不同尺寸、不同比例的目标，提高了检测的灵活性和准确性。这使得模型能够更好地适应各种目标形状和大小，尤其对于展现多种姿态的防尘网，模型展现出了出色的泛化能力。

12、(3)dcnv3是深度可变形卷积网络的第三个版本，它能自适应地调整卷积核形状，有效捕捉目标的形变信息，让网络能更灵活地适应输入数据的几何变换，例如缩放、旋转和平移等。本发明在特征提取阶段加入dcnv3模块，不仅弥补了常规卷积在处理长距离依赖和自适应空间聚合方面的短板，还继承了卷积的归纳偏置，使模型在训练数据较少、训练时间较短的情况下也能高效运作。这种方法特别适用于适应防尘网多尺度、多姿态的特征。

13、(4)由于训练数据中不可避免地包含质量不高的样本，而几何因素如距离和纵横比会对这些样本产生更大的惩罚，从而影响模型的泛化能力。为了解决这个问题，本发明引入了wiou loss。当anchor box(锚框)与目标box(目标框)高度重合时，wiou loss能够降低几何因素的惩罚力度，从而通过减少训练过程中的干预来提升模型的泛化能力。wiou loss的引入，正是为了应对多个防尘网重叠的情况，以及因视角差异导致的防尘网大小不一致的问题，进而提高模型的识别精度和泛化性能。

14、(5)在输出处理环节，本发明对防尘网的分割mask进行边缘检测。通过这一步骤，能够精准地判断出防尘网是否处于完整或破损状态，从而提供更为准确的识别结果。

15、优选的，本发明实施例还公开了，在s1中，所获取的输电通道下的巡视图像涵盖不同地区、不同杆塔点位、不同季节和不同时间下的输电通道场景的图像。本发明从不同杆塔点位采集图像，旨在涵盖多样化的地理环境场景。此外，本发明还依据不同季节与时间节点进行图像采集，以进一步增加图像特征的多样性。通过这些手段，增强了算法模型的鲁棒性和泛化性。

16、优选的，本发明实施例还公开了，所述像素级别标注软件为labelme。labelme是一个开源的图像标注工具，用于为机器学习或计算机视觉项目准备数据集。用户可以使用labelme对图像进行多边形、矩形、圆形、线段和点等多种形式的标注，并生成与图像相对应的json文件，该文件包含了标注的详细信息。

17、优选的，本发明实施例还公开了，所述训练集、验证集和测试集的划分比例为8:1:1。

18、优选的，本发明实施例还公开了，在s4中，使用dcnv3替代yolov8-seg特征提取网络中的5层常规卷积部分。以此，结合yolov8-seg中的csplayer(跨阶段局部网络层)和sppf(空间金字塔池化快速版)，构建出dcsnet(dcnv3+csplayer+sppf)特征提取网络，这个网络的设计旨在提高目标检测和分割的准确性和效率。

19、优选的，本发明实施例还公开了，在s6中，边缘检测采用canny边缘检测器。

20、优选的，本发明实施例还公开了，在s6中，对所述分割mask进行边缘检测的步骤为：

21、s61，对输电防尘网分割模型输出的防尘网mask应用高斯滤波器进行平滑处理；

22、s62，在经过高斯滤波处理后的图像上，应用sobel算子计算图像中每个像素的梯度强度和方向；

23、s63，在得到梯度图像后，进行非极大值抑制处理；

24、s64，对经过非极大值抑制的图像应用双阈值处理。

25、基于相同的发明构思，本发明实施例还公开了一种输电通道防尘网分割系统，包括：

26、图像采集单元，用于获取输电通道下的巡视图像；

27、图像预标注单元，用于对所述巡视图像进行预标注；

28、分割标注与数据集划分单元，用于对所述含有防尘网目标的输电通道巡视图像中的防尘网目标进行分割标注，并按照比例将标注后的图像数据集划分为训练集、验证集和测试集；

29、模型构建单元，用于yolov8-seg模型作为基础模型，在特征提取骨干网络backbone中引入可变形卷积dcnv3，并在模型中引入wiou loss，从而构建出改进的yolov8-seg模型；

30、模型训练单元，用于利用数据集，对改进的yolov8-seg模型进行训练，得到训练完成的输电防尘网分割模型；

31、后处理优化单元，用于接收输电防尘网分割模型输出的防尘网分割mask，并对其进行边缘检测，最终输出精确的防尘网识别结果。

32、基于相同的发明构思，本发明实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的破损防尘网识别方法。

33、基于相同的发明构思，本发明实施例还公开了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述的破损防尘网识别方法。