本發(fā)明涉及計算機視覺，尤其涉及一種基于顯著性的變電站設(shè)備缺陷檢測方法、系統(tǒng)、終端設(shè)備及計算機可讀存儲介質(zhì)。

背景技術(shù)：

1、在變電站安全管理中，輸變電設(shè)備的缺陷檢測占據(jù)著核心地位?？紤]到地理位置的差異性、復(fù)雜氣候環(huán)境的挑戰(zhàn)以及設(shè)備自然老化的不可避免性，這些因素共同作用于輸變電設(shè)備的運行過程，可能引發(fā)一系列難以預(yù)測的故障，從而對變電站的穩(wěn)定性和可靠性構(gòu)成顯著威脅。傳統(tǒng)上，缺陷檢測主要依賴于人工目視檢查，這種方法高度依賴于操作人員的經(jīng)驗判斷，不僅效率低下，且存在較高的漏檢風(fēng)險，同時伴隨著高昂的人力成本。因此，學(xué)術(shù)界和工業(yè)界均致力于探索更為高效、準確的自動化檢測手段。近年來，基于計算機視覺的缺陷檢測技術(shù)因其顯著的優(yōu)勢而備受矚目。其中，顯著性目標檢測作為一種重要的算法分支，展現(xiàn)出了卓越的性能。顯著性檢測方法通過算法自動識別和強化圖像中的缺陷區(qū)域，提取出與缺陷緊密相關(guān)的特征信息，實現(xiàn)了從圖像輸入到缺陷識別輸出的端到端自動化處理流程。這種方法不僅提高了檢測效率，還顯著降低了人為因素導(dǎo)致的誤差，提升了檢測結(jié)果的準確性和可靠性，在輸變電設(shè)備缺陷檢測領(lǐng)域具有廣闊的應(yīng)用前景和研究價值，為變電站的安全管理提供了強有力的技術(shù)支持。

2、傳統(tǒng)的顯著性目標檢測方法遵循層次化的原則，提取低層、中層和高層特征。低層特征主要涉及對比度特性，如顏色、邊緣等，它們通過數(shù)值計算獲得，為顯著性目標檢測提供基本的視覺信息，但缺乏直接的實體關(guān)聯(lián)性。中層特征進一步引入了物體的形狀、位置等屬性信息，如物體輪廓和形狀特征，以及上下文或全局特征，這些特征幫助模型理解物體在場景中的布局和關(guān)系。高層特征則緊密關(guān)聯(lián)于物體的語義信息，它們基于先驗知識或深度學(xué)習(xí)模型學(xué)習(xí)到的高級抽象表示，能夠指導(dǎo)顯著性目標檢測模型自上而下地定位顯著性目標，顯著提高了檢測的準確性和魯棒性。這種從低層到高層的特征提取策略，為顯著性檢測提供了全面而深入的視覺信息，有助于實現(xiàn)更精確的顯著性目標檢測。但是傳統(tǒng)的顯著性目標檢測方法主要通過手工設(shè)計好的特征提取和融合，嚴重依賴于先驗知識和很多約束條件，往往在高度復(fù)雜的背景下失效，并且存在耗時時間長、操作步驟繁瑣、魯棒性差等缺點。幸運的是，基于深度學(xué)習(xí)的方法可以有效地解決這些問題。

3、隨著深度學(xué)習(xí)在計算機視覺領(lǐng)域帶來的性能突破，許多基于深度卷積神經(jīng)網(wǎng)絡(luò)的顯著性檢測方法相繼被提出。依靠神經(jīng)網(wǎng)絡(luò)強大的特征提取能力，基于深度學(xué)習(xí)的方法消除了對手工特征的需求，降低了對先驗偏差的依賴。顯著性檢測的應(yīng)用場景往往是在現(xiàn)實物理世界中，從相關(guān)數(shù)據(jù)集的圖像特征中可以發(fā)現(xiàn)顯著目標具有非常大的尺度變化。因此，許多方法針對多尺度特征的提取來設(shè)計網(wǎng)絡(luò)。有人通過整合普通卷積、空洞卷積和池化層三個分支得到的不同尺度的特征，使得模型能夠更準確地捕捉到圖像的細節(jié)信息和全局上下文。而后的工作不僅著眼于多尺度特征的提取，而且對多尺度特征的融合問題也進行了研究。現(xiàn)有的方法主要建立在對自然圖像的顯著性目標之上進行檢測，盡管現(xiàn)有的顯著性檢測方法能取得很好的效果，但是這些方法用于檢測變電設(shè)備缺陷時仍存在一些不足。經(jīng)常出現(xiàn)漏檢或者錯檢，體現(xiàn)為背景檢測成缺陷，或者缺陷錯檢為背景。這是由自然圖像和缺陷圖像之間的巨大差異造成的。通過分析現(xiàn)有方法的檢測結(jié)果和變電設(shè)備缺陷數(shù)據(jù)集，發(fā)現(xiàn)以下三種問題。第一，數(shù)據(jù)集背景雜亂。背景噪聲會影響顯著圖的質(zhì)量，圖像中顯著目標的尺度、形狀、類別、光照、外界干擾等都與自然圖像中的顯著目標存在一定的差異，這就導(dǎo)致訓(xùn)練的過程中很難準確地將缺陷主體從背景中分離出來。因此，直接使用可能是不合適的。第二，缺陷種類多且缺陷分布零散，之前的方法很難將所有缺陷完整地檢測出來。第三，檢測異物缺陷(如鳥巢和塑料袋)或者簡單缺陷(如井蓋破損等)時，缺陷邊界過于復(fù)雜往往導(dǎo)致預(yù)測圖邊緣模糊不清甚至預(yù)測錯誤。盡管如此，我們?nèi)匀豢梢岳米匀粓D像中顯著性目標檢測方法的思想和原理來研究設(shè)備缺陷中顯著的缺陷特征。例如，我們可以使用顯著性方法的主流架構(gòu)，如編碼器-解碼器網(wǎng)絡(luò)和側(cè)融合網(wǎng)絡(luò)來構(gòu)建模型并部署結(jié)構(gòu)。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于顯著性的變電站設(shè)備缺陷檢測方法、系統(tǒng)、終端設(shè)備及計算機可讀存儲介質(zhì)，旨在解決現(xiàn)有技術(shù)中數(shù)據(jù)集背景雜亂，缺陷種類多且缺陷分布零散，檢測異物缺陷或者簡單缺陷時，缺陷邊界過于復(fù)雜往往導(dǎo)致預(yù)測圖邊緣模糊不清甚至預(yù)測錯誤的問題。

2、本發(fā)明實施例的第一方面提供了一種基于顯著性的變電站設(shè)備缺陷檢測方法，包括步驟：

3、s1、數(shù)據(jù)集預(yù)處理：構(gòu)建包含多種缺陷的變電設(shè)備缺陷數(shù)據(jù)集，用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和優(yōu)化，并對數(shù)據(jù)集進行預(yù)處理操作；

4、s2、主干卷積網(wǎng)絡(luò)模型構(gòu)建：采用多尺度深度學(xué)習(xí)的方法來構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，將變電設(shè)備缺陷圖像輸入swin?transformer模型中，提取出不同尺度的特征圖，從粗到細逐層進行建模，用于實現(xiàn)對變電設(shè)備缺陷圖像的全方位特征提取和處理；

5、s3、缺陷主體的全局特征提?。簩χ鞲删W(wǎng)絡(luò)提取的不同層次特征圖進行處理過濾變電站內(nèi)的復(fù)雜背景，篩選并增強有用的缺陷特征，同時提取全局特征，對之后的缺陷特征處理和特征融合階段有進行有效指導(dǎo)；

6、s4、自適應(yīng)多尺度特征融合：用于篩選不同尺度的特征圖的信息，過濾干擾信息得到準確的缺陷邊緣特征，并在高級特征的引導(dǎo)下增強缺陷特征的主體信息，從邊緣和主體兩方面進行特征的有效融合；

7、s5、多尺度特征融合：用于將不同尺度的缺陷特征圖融合起來，實現(xiàn)有效的多尺度特征聚合并生成最終的特征輸出圖。

8、優(yōu)選的，所述主干卷積網(wǎng)絡(luò)模型構(gòu)建步驟中，所述主干網(wǎng)絡(luò)首先對變電設(shè)備缺陷圖像進行分層級的處理，依次提取出五層特征，特定層特征級聯(lián)并經(jīng)特定操作得到四個特定通道特征，最終得到四個通道都是32的特征，分別標記為f1、f2、f3和f4。

9、優(yōu)選的，在所述缺陷主體的全局特征提取步驟中，將特征f2、f3、f4三個特征送入跨層次特征融合模塊，提取出的全局特征隨后被用于對四個多尺度特征進行進一步的特征優(yōu)化處理。

10、優(yōu)選的，在所述自適應(yīng)多尺度特征融合步驟中，篩選不同尺度特征圖信息，過濾干擾得缺陷邊緣特征，在高級特征引導(dǎo)下增強缺陷主體信息并融合。

11、本發(fā)明實施例的第二方面提供了一種基于顯著性的變電站設(shè)備缺陷檢測系統(tǒng)，包括：構(gòu)建包含多種缺陷的變電設(shè)備缺陷數(shù)據(jù)集，并對數(shù)據(jù)集進行預(yù)處理操作，缺陷特征處理模塊，用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和優(yōu)化；

12、主干卷積網(wǎng)絡(luò)模型構(gòu)建模塊，采用多尺度深度學(xué)習(xí)的方法來構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，將變電設(shè)備缺陷圖像輸入主干網(wǎng)絡(luò)模型中，提取出不同尺度的特征圖，從粗到細逐層進行建模，用于實現(xiàn)對變電設(shè)備缺陷圖像的全方位特征提取和處理；

13、缺陷主體的全局特征提取模塊，對主干網(wǎng)絡(luò)提取的不同層次特征圖進行處理過濾變電站內(nèi)的復(fù)雜背景，篩選并增強有用的缺陷特征，同時提取全局特征，對之后的缺陷特征處理和特征融合階段有進行有效指導(dǎo)；

14、自適應(yīng)多尺度特征融合模塊，用于篩選不同尺度的特征圖的信息，過濾干擾信息得到準確的缺陷邊緣特征，并在高級特征的引導(dǎo)下增強缺陷特征的主體信息，從邊緣和主體兩方面進行特征的有效融合；

15、多尺度特征融合模塊，用于將不同尺度的缺陷特征圖融合起來，實現(xiàn)有效的多尺度特征聚合并生成最終的特征輸出圖。

16、優(yōu)選的，數(shù)據(jù)集構(gòu)建模塊，構(gòu)建含缺陷的數(shù)據(jù)集用于訓(xùn)練優(yōu)化，網(wǎng)絡(luò)框架構(gòu)建模塊以多尺度深度學(xué)習(xí)構(gòu)建神經(jīng)網(wǎng)絡(luò)并提取特征圖，特征融合模塊融合不同尺度特征圖。

17、優(yōu)選的，特征生成模塊，生成設(shè)備缺陷信息，訓(xùn)練模塊訓(xùn)練模型，測試模塊測試模型。

18、優(yōu)選的，數(shù)據(jù)管理模塊，管理數(shù)據(jù)集模型優(yōu)化模塊優(yōu)化神經(jīng)網(wǎng)絡(luò)模型，結(jié)果展示模塊展示檢測結(jié)果。

19、本發(fā)明實施例的第三方面提供了一種終端設(shè)備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)上述所述方法的步驟。

20、本發(fā)明實施例的第四方面提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上述所述方法的步驟。

21、基于上述技術(shù)方案，與現(xiàn)有技術(shù)相比，本發(fā)明主要采用多尺度深度學(xué)習(xí)的方法來構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，深層特征指導(dǎo)淺層特征的方式來提取有效特征，從粗到細逐層進行建模，以實現(xiàn)對圖像的全方位特征提取。采用多尺度融合，提高變電站設(shè)備缺陷檢測的魯棒性。將深層特征與淺層特征交叉相互融合起來，有選擇性地集成多層次的上下文信息，得到更為豐富且穩(wěn)定有效的特征表示，從而提高了變電站設(shè)備缺陷檢測的效果。