本發(fā)明涉及電力系統(tǒng)巡檢，尤其涉及一種霧天絕緣子缺陷檢測方法、裝置、電子設(shè)備和存儲介質(zhì)。

背景技術(shù)：

1、絕緣子是高壓輸電系統(tǒng)中的關(guān)鍵組件，其缺陷是導致電力系統(tǒng)事故的重要因素之一。因此對于絕緣子的缺陷檢測十分重要。

2、在晴朗天氣條件下，由于有大量的標記數(shù)據(jù)以及各種精細化的技術(shù)，現(xiàn)有技術(shù)已能有效識別和定位絕緣子缺陷，但是在大霧等惡劣天氣條件下，絕緣子缺陷檢測仍然面臨巨大的挑戰(zhàn)。這主要是由于從晴天獲取的圖像數(shù)據(jù)訓練的檢測模型在多霧環(huán)境下遭受嚴重的性能衰退，原因在于晴天與霧天之間存在明顯的域偏移問題，即不同天氣條件下獲取的圖像特征分布存在顯著差異。

3、傳統(tǒng)的應(yīng)對霧天影響的方法主要是通過圖像處理技術(shù)改善圖像的視覺清晰度，如去霧算法，這雖然在一定程度上改善了圖像質(zhì)量，但通常伴隨高昂的計算成本，并且這些方法無法根本解決由于天氣變化導致的圖像特征分布的根本變化。此外，盡管直接在霧天條件下收集的圖像數(shù)據(jù)上訓練模型能在一定程度上改善性能，但這種方法的實施受限于數(shù)據(jù)收集和標注成本極高的問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了一種霧天絕緣子缺陷檢測方法、裝置、電子設(shè)備和存儲介質(zhì)，以解決因為去霧算法帶來的計算成本高的問題，減少模型訓練過程中對于大量標記數(shù)據(jù)的依賴，實現(xiàn)高效且準確的對于絕緣子缺陷的檢測。

2、根據(jù)本發(fā)明的一方面，提供了一種霧天絕緣子缺陷檢測方法，該方法包括：

3、獲取訓練集，所述訓練集包括源域和目標域，所述源域為晴天條件下的有缺陷標記的絕緣子圖像數(shù)據(jù)的集合，所述目標域為預設(shè)濃度霧天條件下無缺陷標記的絕緣子圖像數(shù)據(jù)的集合；

4、基于所述訓練集對預訓練模型進行訓練，獲得目標yolo模型；所述預訓練模型由預訓練yolo模型和域分類器構(gòu)成；所述目標yolo模型為所述預訓練模型的目標損失小于或等于預設(shè)損失值時對應(yīng)的預訓練yolo模型，所述域分類器用于對圖像特征信息進行域分類結(jié)果的預測；所述圖像特征信息為基于所述預訓練yolo模型從所述訓練集中絕緣子圖像數(shù)據(jù)中提取的從全局到局部的特征信息，所述域分類結(jié)果用于描述所述圖像特征信息屬于源域或目標域的概率值；

5、獲取預設(shè)濃度霧氣對應(yīng)的目標絕緣子圖像數(shù)據(jù)，基于所述目標yolo模型對所述目標絕緣子圖像數(shù)據(jù)進行缺陷檢測，獲得絕緣子缺陷檢測結(jié)果。

6、根據(jù)本發(fā)明的另一方面，提供了一種霧天絕緣子缺陷檢測裝置，該裝置包括：

7、訓練集獲取模塊，用于獲取訓練集，所述訓練集包括源域和目標域，所述源域為晴天條件下的有缺陷標記的絕緣子圖像數(shù)據(jù)的集合，所述目標域為預設(shè)濃度霧天條件下無缺陷標記的絕緣子圖像數(shù)據(jù)的集合；

8、訓練模塊，用于基于所述訓練集對預訓練模型進行訓練，獲得目標yolo模型；所述預訓練模型由預訓練yolo模型和域分類器構(gòu)成；所述目標yolo模型為所述預訓練模型的目標損失小于或等于預設(shè)損失值時對應(yīng)的預訓練yolo模型，所述域分類器用于對圖像特征信息進行域分類結(jié)果的預測；所述圖像特征信息為基于所述預訓練yolo模型從所述訓練集中絕緣子圖像數(shù)據(jù)中提取的從全局到局部的特征信息，所述域分類結(jié)果用于描述所述圖像特征信息屬于源域或目標域的概率值；

9、預測模塊，用于獲取預設(shè)濃度霧氣對應(yīng)的目標絕緣子圖像數(shù)據(jù)，基于所述目標yolo模型對所述目標絕緣子圖像數(shù)據(jù)進行缺陷檢測，獲得絕緣子缺陷檢測結(jié)果。

10、根據(jù)本發(fā)明的另一方面，提供了一種電子設(shè)備，所述電子設(shè)備包括：

11、至少一個處理器；以及

12、與所述至少一個處理器通信連接的存儲器；其中，

13、所述存儲器存儲有可被所述至少一個處理器執(zhí)行的計算機程序，所述計算機程序被所述至少一個處理器執(zhí)行，以使所述至少一個處理器能夠執(zhí)行本發(fā)明任一實施例所述的霧天絕緣子缺陷檢測方法。

14、根據(jù)本發(fā)明的另一方面，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)存儲有計算機指令，所述計算機指令用于使處理器執(zhí)行時實現(xiàn)本發(fā)明任一實施例所述的霧天絕緣子缺陷檢測方法。

15、本發(fā)明實施例的技術(shù)方案，獲取訓練集，訓練集包括源域和目標域，源域為晴天條件下的有缺陷標記的絕緣子圖像數(shù)據(jù)的集合，目標域為預設(shè)濃度霧天條件下無缺陷標記的絕緣子圖像數(shù)據(jù)的集合；此訓練集中的目標域的數(shù)據(jù)為未進行缺陷標記的數(shù)據(jù)，大大的減少了對大量標記數(shù)據(jù)的依賴，在實際應(yīng)用中可以顯著降低數(shù)據(jù)收集和標注的成本和工作量。進一步的基于訓練集對預訓練模型進行訓練，獲得目標yolo模型；因為，預訓練模型由預訓練yolo模型和域分類器構(gòu)成；目標yolo模型為預訓練模型的目標損失小于或等于預設(shè)損失值時對應(yīng)的預訓練yolo模型，域分類器用于對圖像特征信息進行域分類結(jié)果的預測；圖像特征信息為基于預訓練yolo模型從訓練集中絕緣子圖像數(shù)據(jù)中提取的從全局到局部的特征信息，域分類結(jié)果用于描述圖像特征信息屬于源域或目標域的概率值；訓練過程中域分類器的加入，有效對齊了源域(晴天圖像)和目標域(霧天圖像)之間的特征分布，顯著減少了由于天氣變化導致的域偏移問題；從而獲取預設(shè)濃度霧氣對應(yīng)的目標絕緣子圖像數(shù)據(jù)，基于目標yolo模型對目標絕緣子圖像數(shù)據(jù)進行缺陷檢測，獲得絕緣子缺陷檢測結(jié)果，提高了在霧天條件下絕緣子缺陷的檢測精度和效率，提升了電力系統(tǒng)的運行安全和可靠性。

16、應(yīng)當理解，本部分所描述的內(nèi)容并非旨在標識本發(fā)明的實施例的關(guān)鍵或重要特征，也不用于限制本發(fā)明的范圍。本發(fā)明的其它特征將通過以下的說明書而變得容易理解。

技術(shù)特征：

1.一種霧天絕緣子缺陷檢測方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，獲取訓練集，包括：

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述域分類器包括至少一個圖像級域分類器和至少一個實例級域分類器，所述圖像級域分類器用于處理絕緣子圖像數(shù)據(jù)在全局圖像層面上的特征分布差異，所述實例級域分類器用于處理絕緣子圖像數(shù)據(jù)在局部圖像層面上的特征分布差異，所述圖像級域分類器由梯度反轉(zhuǎn)層、卷積層、批標準化層和激活函數(shù)組成，所述實例級域分類器由梯度反轉(zhuǎn)層、全連接層、激活函數(shù)和dropout層組成；

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，基于所述訓練集對預訓練模型進行訓練，獲得目標yolo模型之前，所述方法包括：

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，基于所述訓練集對預訓練模型進行訓練，獲得目標yolo模型，包括：

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，基于所述第一域分類結(jié)果和所述第一域標簽確定所述圖像級域分類器的第一損失值，包括：

7.根據(jù)權(quán)利要求5或6所述的方法，其特征在于，基于所述訓練集對預訓練模型進行訓練，獲得目標yolo模型，包括：

8.一種霧天絕緣子缺陷檢測裝置，其特征在于，所述裝置包括：

9.一種電子設(shè)備，其特征在于，所述電子設(shè)備包括：

10.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)存儲有計算機指令，所述計算機指令用于使處理器執(zhí)行時實現(xiàn)權(quán)利要求1-7中任一項所述的霧天絕緣子缺陷檢測方法。

技術(shù)總結(jié)
本發(fā)明公開了一種霧天絕緣子缺陷檢測方法、裝置、電子設(shè)備和存儲介質(zhì)。該方法包括：基于訓練集對預訓練模型進行訓練，獲得目標YOLO模型；預訓練模型由預訓練YOLO模型和域分類器構(gòu)成；域分類器用于對圖像特征信息進行域分類結(jié)果的預測；圖像特征信息為基于預訓練YOLO模型從訓練集中絕緣子圖像數(shù)據(jù)中提取的從全局到局部的特征信息，域分類結(jié)果用于描述圖像特征信息屬于源域或目標域的概率值；獲取預設(shè)濃度霧氣對應(yīng)的目標絕緣子圖像數(shù)據(jù)，基于目標YOLO模型對目標絕緣子圖像數(shù)據(jù)進行缺陷檢測，獲得絕緣子缺陷檢測結(jié)果。本發(fā)明解決因為去霧算法帶來的計算成本高的問題，減少模型訓練過程中對于大量標記數(shù)據(jù)的依賴，實現(xiàn)高效且準確的對于絕緣子缺陷的檢測。

技術(shù)研發(fā)人員：張素麗,熊鑫欣,肖建華,徐敏,祝水根,黃祖?zhèn)?鄭細燁,林心昊,陳耿,李飛,黃柏熊,喻磊,黃勇東,黃爍,陳佳鵬,段舒尹,劉超,謝庭軍,陳銳忠,原呂澤芮,毛文瑞,吳永峰,羅宗文,劉胤良,張曉彬,李戎,彭漢明,曾威,林曉波,黃鴻杰,池小佳
受保護的技術(shù)使用者：廣東電網(wǎng)有限責任公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/5