基于广域感知动态卷积模型的输电线路覆冰检测方法

1.基于广域感知动态卷积模型的输电线路覆冰检测方法，其特征在于，具体按照以下步骤实施：步骤1、通过无人机巡检获得处于不同环境中的输电线路覆冰图像，将得到的输电线路覆冰图像进行扩充，将扩充完成的输电线路覆冰图像作为真实绝缘子数据集；步骤2、将步骤1得到的输电线路覆冰数据集划分为训练集和验证集，训练集与验证集的比例为9：1；步骤3、利用Labellmg软件对步骤2中训练集进行输电线路覆冰类别标注，在图像标注中使用VOC格式进行标注，保存标注完成后的输电线路覆冰图像信息，得到输电线路覆冰数据库；步骤4、将骨干网络中的普通卷积更换为MDAM多维度注意力模块，MDAM分别从三个不同尺度提取特征信息得到各特征图，使用卷积和上采样操作融合特征图；融合轻型化模型的Thin-head特征提取网络引入混合卷积RS Conv，包括混洗操作和DWConv；RS Conv使用一个可学习的权重矩阵来计算节点的邻居节点特征的加权和，并将加权和与自身节点特征进行拼接，然后通过一个非线性激活函数对拼接后的特征进行处理，得到更新后的节点表示；在编码器head中，将标准化卷积替换为RS Conv；Thin-head还引入了RS-bottleneck以及VoV-RSCSPC模块，将基线模型中的RepC3模块替换为VoV-RSCSPC模块；将Shape-IoU的思想融入到归一化NWD中，得到Shape-NWD；将MDAM、融合轻型化模型的Thin-head特征提取网络和Shape-NWD 损失函数共同构成MDAL-DETR目标检测网络；步骤5、利用步骤4训练后得到的最优权重网络预测步骤2中的验证集，得到对应的输电线路覆冰检测结果；步骤6、对步骤5获得的检测结果采用精确率、召回率、mAP值进行评价，得出各模型检测输电线路覆冰的效率以及改进后算法的实用性。 2.根据权利要求1所述的基于广域感知动态卷积模型的输电线路覆冰检测方法，其特征在于，所述步骤1具体按照以下步骤实施：步骤1.1、利用无人机巡检拍摄输电线路上的覆冰图像，对获得的输电线路覆冰图像进行水平翻转、随机抠取、旋转变换、亮度增强、对比度增强操作以扩充数据集；步骤1.2、将步骤1.1中拍摄到的输电线路覆冰图像与扩充后的输电线路覆冰图像重新整合为一个新的数据集作为样本库。 3.根据权利要求1所述的基于广域感知动态卷积模型的输电线路覆冰检测方法，其特征在于，所述步骤3具体按照以下步骤实施：步骤3.1、选择需要标记的输电线路覆冰图片，精准判断并标注输电线路覆冰区域，得到输电线路覆冰所在区域的标记框，根据标记框中输电线路覆冰图像分为输电线路覆冰和绝缘子覆冰两种标签，最终得到带有类别标签的输电线路覆冰和绝缘子覆冰区域标注框；步骤3.2、利用Labellmg标注软件生成输电线路覆冰图片对应的XML标签文件，并按照Pascal VOC格式存储标注完成的样本数据，样本数据文件夹为VOC devkit，其包括Annotations、JPEG Images、Image Sets三个文件夹；Annotations中存放有标注好的所有输电线路覆冰和绝缘子覆冰XML标签文件，XML标签文件包括图像ID、图像路径、图像名称、图像的像素高度及宽度，其中图像的像素高度和宽度通过一个矩形框的四个坐标表示，包括 , , , ，其中( , )是矩形框的左上顶点的坐标，( , )是矩形框右下顶点的坐标，且标记好的每一个文件都与JPEG Images中的原始图片所对应；JPEG Images文件夹中包含所有被标注的原始图像；Image Sets有Main子文件夹，其中train文档中包含了所有训练集的图片名称，val文档中包含了所有验证集的图片名称。 4.根据权利要求1所述的基于广域感知动态卷积模型的输电线路覆冰检测方法，其特征在于，所述步骤4具体按照以下步骤实施：步骤4.1、利用MDAM多维度注意力模块将骨干网络中的普通卷积更换为MDAM多维度注意力模块，具体如下：多维度注意力机制共包含3个分支，设 为多维度注意力机制的输入特征图，首先利用带有ReLU激活函数的卷积层提取特征得到特征图 ，然后将特征图 经过池化操作后送入现有的多层感知器MLP进一步提取特征，将进一步提取到的特征经过Sigmoid激活函数与通道统计系数相乘后得到特征图 ，最后再将特征图 与多维度注意力机制的输入特征图 进行逐元素相加得到各个分支的输出 ；特征图计算如式1所示: 式1式中： 表示进行第一步特征提取操作，包括两层卷积运算和一次ReLU激活操作； 代表多维度注意力机制的输入特征图； 表示第 分支初步特征提取完成后得到的特征图， ；对特征图 进一步提取特征，步骤如式2、式3、式4所示： 式2 式3 式4式中： 是多维度注意力机制的执行操作； 代表多维度统计系数； 代表第 分支多维度注意力机制初步提取的特征经过激活函数与 相乘后的结果， 取1，2，3； 代表平均池化操作； 代表最大池化操作；最终多维度注意力模块的每一支输出 表示如式5所示： 式5式中： 代表多维度注意力机制的第 分支最终的输出特征图；多维度注意力机制有三个结构相同但卷积核大小不同的分支，其中Conv1、Conv2、Conv3卷积核大小分别是 ， ， ，因此，多维度注意力机制分别从三个不同的尺度提取特征信息，得到特征图 、 、 ，并使用 的卷积和上采样操作融合特征图 、 、 ，如式6所示： 式6式中： 代表融合操作， 代表连接操作， 代表多维度注意力机制的输出特征图；步骤4.2、融合轻型化模型的Thin-head特征提取网络引入混合卷积RS Conv，包括混洗操作和DW Conv；融合轻型化模型的Thin-head特征提取网络具体如下：RS Conv使用一个可学习的权重矩阵来计算节点的邻居节点特征的加权和，并将加权和与自身节点特征进行拼接，然后通过一个非线性激活函数对拼接后的特征进行处理，得到更新后的节点表示；具体是在编码器head中，将标准化卷积替换为RS Conv；在RS Conv的基础上，Thin-head还引入了RS-bottleneck以及VoV-RSCSPC模块；将基线模型中的RepC3模块替换为VoV-RSCSPC模块；步骤4.3、利用Shape-IoU损失函数解决样本训练过程中无法迅速收敛；同时，结合归一化策略解决了基线模型GIoU忽略图像像素级别的相似性及图像的全局结构和分布情况；Shape-NWD损失函数计算公式如下:Shape-IoU公式如下所示： 式7 式8 式9 式10 式11 式12式中： 、 为边界框的宽度及高度， 、 为实际框的宽度及高度； 和 分别表示最小检测框覆盖GT框和Anchor框的宽度和高度， scale 是缩放因子，与数据集中目标的大小相关， ww 和 hh 分别表示水平方向和垂直方向上的权重系数，其值与GT框的形状有关；相应的边界框形状损失如下： 式13将Shape-IoU的思想融入到归一化NWD中，得到Shape-NWD，其公式如下： 式14 式15 式16式中：D为GT盒中心点与锚框中心点之间的欧氏距离， =2，C是与数据集相关的常数；步骤4.4、将步骤4.1中的MDAM、步骤4.2中融合轻型化模型的Thin-head特征提取网络和步骤4.3中的Shape-NWD 损失函数共同构成MDAL-DETR目标检测网络。 5.根据权利要求4所述的基于广域感知动态卷积模型的输电线路覆冰检测方法，其特征在于，所述步骤5具体按照以下步骤实施：步骤5.1、将步骤2中划分的训练集图像输入到所述步骤4.4得到的MDAL-DETR目标检测网络进行训练，最后得到优化的广域感知动态卷积模型，获得最佳的权重数据；步骤5.2、训练结果预测需要用到两个文件，分别是mdal-detr.py和predict.py，首先需要修改mdal-detr.py里面model_path以及classes_path；其中model_path指向训练好的最佳权值文件，在logs文件夹里，classes_path指向检测类别所对应的txt，完成修改后，开始进行预测。 6.根据权利要求5所述的基于广域感知动态卷积模型的输电线路覆冰检测方法，其特征在于，所述步骤5.1将步骤2中划分的训练集图像输入到所述步骤4.4得到的MDAL-DETR目标检测网络进行训练的具体方法是：在文件train.py中设置使用动量为0.9的随机梯度下降，训练250轮，设置输入图像像素尺寸640*640，冻结训练50轮batch_size32，解冻训练200轮batch_size为４，num_workers2，Adam优化器，衰减权重系数5*10- 4，初始学习率1*10- 5，训练集测试的时候设置IoU 阈值为0 .5 进行试验，在训练时，将学习率微调到0.003，以获得更好的鲁棒性，前50轮冻结训练，损失下降速度快，后200轮解冻训练，网络不断微调，在总的250轮中200轮后训练集的损失变化逐渐减小，最后得到优化的广域感知动态卷积模型，获得最佳的权重数据。