本發(fā)明涉及電力視覺，尤其涉及一種面向電力場景高分辨率圖像的缺陷小目標檢測方法及系統(tǒng)。

背景技術：

1、在電力場景中，通常采用無人機采集的電力場景高分辨率圖像進行缺陷小目標檢測，如塔頂損壞、銷釘缺失等，電力場景高分辨率圖像的分辨率一般為8000x6000像素，其中小目標一般為50x50像素，小目標相對于整個圖片的占比極小。

2、目標檢測是計算機視覺領域的核心問題之一，其任務是找出圖像中所有目標（物體），確定它們的類別和位置。近年來，隨著互聯(lián)網(wǎng)技術、人工智能技術的發(fā)展，硬件設備的升級更新，以及自動駕駛、人臉檢測、視頻監(jiān)控等需求不斷多樣化和豐富化，目標檢測算法已經(jīng)十分成熟，目前主流的目標檢測算法可分為以yolo系列為代表的單階段算法、以faster?rcnn為代表的二階段算法和以detr為代表的端到端檢測算法。不同目標檢測算法在應對不用的場景時表現(xiàn)不同，因此在應用時往往會根據(jù)實際需求選擇不同的算法。對于實時性要求高的應用場景，輕量化的單階段算法能更好勝任，此類算法模型參數(shù)量少，結構簡單，在單張圖片上的推理時間較短。而對于準確率要求高的場景，則二階段算法或端到端算法更合適，此類算法參數(shù)量多，模型結構復雜，雖然推理時間更長但通常具有較高的檢測精度。

3、目前的檢測算法在生活場景圖像數(shù)據(jù)集，如coco、voc上的表現(xiàn)均很好，但由無人機采集的電力場景圖像具有分辨率高、待識別目標尺寸極小、背景復雜等特點，經(jīng)實驗驗證得，若使用電力場景缺陷數(shù)據(jù)集直接訓練已有的目標檢測算法，其檢測精度很低。

4、小目標檢測是經(jīng)典目標檢測任務中的一個難題，通常將像素占比小于3%的目標定義小目標，而ms?coco數(shù)據(jù)集將分辨率小于32像素×32像素的目標定義為小目標，小目標相比于大/中目標分辨率低，信息量少，難以提取到具有鑒別力的特征，因此識別難度很大?，F(xiàn)有技術中，針對于電力場景下小目標檢測中存在小目標檢測識別效率低的技術問題。

5、鑒于此，有必要提出一種面向電力場景高分辨率圖像的缺陷小目標檢測方法及系統(tǒng)，以對無人機采集的電力場景高分辨率圖像進行小目標識別，以解決或至少部分解決上述技術問題。

技術實現(xiàn)思路

1、本發(fā)明的主要目的在于提供一種面向電力場景高分辨率圖像的缺陷小目標檢測方法及系統(tǒng)，旨在解決現(xiàn)有目標檢測算法對電力圖像中小目標的檢測精度低的技術問題。

2、為實現(xiàn)上述目的，本發(fā)明提供了一種面向電力場景高分辨率圖像的缺陷小目標檢測方法，包括步驟：s100，建立目標分辨率下的小缺陷檢測模型；

3、s200，采用目標分辨率對當前電力設備圖像進行裁剪獲取目標分辨率下的多幀當前電力圖像切片；

4、s300，基于小缺陷檢測模型對當前電力圖像切片進行檢測，獲取缺陷檢測結果；

5、s400，對缺陷檢測結果的框坐標進行坐標映射處理，將缺陷檢測結果的框坐標映射至當前電力設備圖像；

6、其中，步驟s100具體包括：

7、s101，以不同的分辨率裁剪高分辨率缺陷訓練圖像，獲取多種分辨率下的訓練圖像數(shù)據(jù)集；

8、s102，將最小分辨率下的訓練圖像數(shù)據(jù)集確定為當前模型訓練數(shù)據(jù)集；

9、s103，將當前模型訓練數(shù)據(jù)集加載到電網(wǎng)缺陷檢測預訓練模型中，由骨干網(wǎng)絡輸出多層原始特征圖；

10、s104，基于空洞卷積的特征上下文增強模塊獲取局部上下文特征對骨干網(wǎng)絡輸出的原始特征圖做增強處理得到增強后的特征圖（多層級特征圖）；

11、s105，將多層增強后的特征（多層級特征圖）融合至分辨率較高的低層特征圖，形成融合后的特征圖；

12、s106，根據(jù)當前模型訓練數(shù)據(jù)集生成真值監(jiān)督掩碼，基于真值監(jiān)督掩碼對融合后的特征圖進行監(jiān)督得到特征加強圖，并基于真值監(jiān)督掩碼和預測掩碼獲取掩碼監(jiān)督損失；

13、s107，將特征加強圖輸入特征篩選模塊，采用評分網(wǎng)絡對各個空間位置的特征信息進行評價，獲取得分較高的前m%以及無關向量中的n%作為篩選出的關鍵特征向量，其中，，其中；

14、s108，將關鍵特征向量輸入transformer模型的多層編碼器結構進行特征整合，基于編碼器的輸出和交叉注意力技術利用多層解碼器輸出預測結果；

15、s109，將預測結果與標簽真值比較計算分類損失和框回歸損失，將分類損失、框回歸損失以及掩碼監(jiān)督損失一同構成總損失，反向傳播后更新電網(wǎng)缺陷檢測預訓練模型的模型參數(shù)；

16、s110，重復步驟s103至s109進行多輪次訓練，直至滿足預設中止條件；

17、s111，判斷是否完成所有的訓練圖像數(shù)據(jù)集的訓練，若沒有完成所有的訓練圖像數(shù)據(jù)集的訓練，則獲取分辨率更好的訓練圖像數(shù)據(jù)集，并進入步驟s103，直至完成目標分辨率對應的訓練圖像數(shù)據(jù)集的訓練；若完成所有的訓練圖像數(shù)據(jù)集的訓練則確定更新模型參數(shù)的預訓練模型為小缺陷檢測模型。

18、進一步地，步驟s100中，

19、采用600×600的像素窗口在訓練用的高分辨率缺陷訓練圖像滑動切片進行裁剪，獲取600×600的訓練圖像數(shù)據(jù)集，使用600×600的訓練圖像數(shù)據(jù)集以及第一預設負樣本數(shù)據(jù)集進行訓練并更新模型參數(shù)后得到的訓練模型一；

20、采用1000×1000的像素窗口在訓練用的高分辨率缺陷訓練圖像滑動切片進行裁剪，獲取1000×1000的訓練圖像數(shù)據(jù)集，使用1000×1000的像素數(shù)據(jù)集以及第二預設負樣本數(shù)據(jù)集以訓練模型一為預訓練模型進行訓練并更新模型參數(shù)后得到訓練模型二；

21、采用1500×1500的像素窗口在訓練用的高分辨率缺陷訓練圖像滑動切片進行裁剪，獲取1500×1500的訓練圖像數(shù)據(jù)集，使用1500×1500的像素數(shù)據(jù)集以及第三預設負樣本數(shù)據(jù)集以訓練模型二為預訓練模型進行訓練并更新模型參數(shù)后得到小缺陷檢測模型；

22、其中，目標分辨率為1500×1500的像素分辨率；若訓練圖像數(shù)據(jù)集中當前位置存在缺陷目標則以當前圖像的當前圖像坐標系進行位置標注。

23、進一步地，步驟s104中，基于空洞卷積的特征上下文增強模塊對骨干網(wǎng)絡輸出的特征圖的前三層的淺層特征進行上下文增強處理。

24、進一步地，步驟s105中，特征融合的過程表示為，

25、其中，表示輸出的融合后的特征圖，為上下文增強后的特征圖，表示標準3×3卷積，為批次歸一化操作，表示relu激活函數(shù)，為可學習的權重參數(shù)。

26、進一步地，步驟s106中，根據(jù)當前模型訓練數(shù)據(jù)集生成真值監(jiān)督掩碼，作為融合后的特征圖的監(jiān)督；

27、將融合后的特征圖經(jīng)過一個卷積和激活函數(shù)組成的模塊，輸出預測掩碼；

28、將多層級特征圖中的原特征圖與預測掩碼相乘得到輸出特征圖；

29、其中，采用真值監(jiān)督掩碼對預測掩碼進行監(jiān)督，計算二者的mse損失。

30、進一步地，將多層級特征圖中的原特征圖與預測掩碼相乘得到輸出特征圖的過程表示為，

31、其中，表示融合后的特征圖，f為輸出特征圖，表示3×3卷積與relu模塊，表示sigmoid函數(shù)，表示hadamard積。

32、進一步地，采用公式計算總損失，其中，分別為分類損失、框回歸損失和掩碼監(jiān)督損失，分別為分類損失、框回歸損失和掩碼監(jiān)督損失的權重。

33、進一步地，若輪次訓練的次數(shù)達到預設次數(shù)則確定滿足預設中止條件。

34、本發(fā)明還提供一種面向電力場景高分辨率圖像的缺陷小目標檢系統(tǒng)，包括相互連接的微處理器和存儲器，微處理器被編程或配置以執(zhí)行上述的面向電力場景高分辨率圖像的缺陷小目標檢測方法的步驟。

35、與現(xiàn)有技術相比，本發(fā)明所提供的一種面向電力場景高分辨率圖像的缺陷小目標檢測方法具有如下的有益效果：

36、本發(fā)明所提供的一種面向電力場景高分辨率圖像的缺陷小目標檢測方法，在訓練小缺陷檢測模型時，采用遞進式訓練方式，首先采用較低像素的訓練圖像數(shù)據(jù)集進行訓練，然后依次采用較高像素的訓練圖像數(shù)據(jù)集進行訓練，直至通過目標分辨率對應的訓練圖像數(shù)據(jù)集進行訓練得到小缺陷檢測模型，多尺度的訓練圖像數(shù)據(jù)集的遞進式訓練保證了模型訓練的連續(xù)性，特征融合的設計充分保留了信息傳遞過程中小目標的特征信息，因此對于常見電力場景下小目標的檢測效果更好，通過評分網(wǎng)絡進行抽樣，保證模型精度的同時避免了繁雜冗余的計算，從而保證了整個模型的時效性和準確率，可實現(xiàn)電力場景目標的端到端檢測；本發(fā)明的方案中，采用目標分辨率對當前電力設備圖像進行裁剪獲取目標分辨率下的多幀當前電力圖像切片，基于訓練后形成的小缺陷檢測模型對當前電力圖像切片進行檢測，并在獲取缺陷檢查結果后將缺陷檢測結果的框坐標映射至當前電力設備圖像，對電力圖像中小目標的檢測精度高，能滿足電網(wǎng)智能化巡檢任務需求。