一种用于电力场景下无人巡检的输变电设备检测分割方法与流程
本发明涉及输变电设备巡检，尤其是涉及一种用于电力场景下无人巡检的输变电设备检测分割方法。
背景技术：
1、输变电设备是电力系统中至关重要的组成部分，主要用于输送和转换电能。输电设备包括输电线路和变电站设备。输电线路用于将发电厂产生的电能从输电塔或电缆中传输到变电站，而变电站设备用于将输送来的电能进行变压、配电和保护控制，以适应不同电压等级和用途。
2、输变电设备故障会对电力系统的安全运行构成严重威胁，因此电力变电所和输电线路的巡检是有效保证输电线路及其设备安全的一项基础工作。随着技术的不断发展，无人巡检方式由于其安全性、高效性、数据准确性和可追溯性的优点逐渐取代人工巡检方式，而针对输变电设备的准确的检测和分割方法是无人巡检方式中必不可少的部分。传统的检测分割方法主要基于图像处理和机器学习技术，对于复杂场景或细节部分的识别可能精度不高，容易出现漏检、误检等问题。更加先进的深度学习技术的引入带来了更高的识别精度，但是这些方法通常需要大量的人工标注数据来训练模型，标注工作繁琐耗时，而且标注质量对模型性能有较大影响。
3、近年来，大模型正逐渐被应用于自然语言处理、计算机视觉等领域。大模型是指具有大规模参数和复杂计算结构的机器学习模型，通常由深度神经网络构成。大模型通过训练海量数据来学习复杂的模式和特征，能够从原始训练数据中自动学习并发现新的、更高层次的特征和模式，具有更强大的泛化能力，可以对未见过的数据做出准确的预测。可以借助大模型在特定的数据集上进行微调，利用大模型泛化能力强的特点适应不同环境和场景下的输变电设备检测和分割任务，更好地抵抗噪声干扰和数据变化带来的挑战，在复杂环境中稳定地运行。
技术实现思路
1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种用于电力场景下无人巡检的输变电设备检测分割方法。
2、本发明的目的可以通过以下技术方案来实现：
3、本发明提供一种用于电力场景下无人巡检的输变电设备检测分割方法，包括以下步骤：
4、步骤1、构建原始巡检图片的数据集，将原始巡检图片的检测框标注编码为coco格式，并训练目标检测网络模型；
5、步骤2、使用目标检测网络模型对输入的原始图片进行目标检测，输出得到目标检测框、语义类别和置信度；
6、步骤3、将原始巡检图片的分割掩码编码为coco rle格式，训练分割网络大模型；
7、步骤4、使用分割网络大模型接受所述目标检测框作为提示，分割目标检测框内区域的目标。
8、所述目标检测网络模型为yolox。
9、进一步地，所述步骤1包括以下步骤：
10、步骤11、收集数据集并进行标签标注，将数据格式转化为coco格式，并初始化yolox的参数；
11、步骤12、将训练集按批处理分批输入yolox中，得到输出结果；
12、步骤13、将输出结果与真值组合计算损失函数的值，以判断yolox输出结果与真值的差距；
13、步骤14、计算损失函数的梯度，对yolox的参数进行更新；
14、步骤15、当损失函数的损失值满足设定条件时，完成训练。
15、进一步地，将数据集按照设定的比例划分为训练集和测试集，所述训练集用于对目标检测网络模型进行训练，所述测试集用于对目标检测网络模型进行测试。
16、进一步地，所述批处理设置为128。
17、进一步地，采用正太分布随机初始化目标检测网络模型的参数。
18、所述分割网络大模型为slimsam。
19、进一步地，所述步骤3包括以下步骤：
20、步骤31、收集数据集并进行标签标注，将数据格式转化为coco rle格式，将数据集按照设定的比例划分为训练集和测试集，所述训练集用于对目标检测网络模型进行训练，所述测试集用于对目标检测网络模型进行测试；
21、步骤32、将训练集按批处理分批输入slimsam中，得到输出结果；
22、步骤33、将输出结果与真值组合计算损失函数的值，以判断slimsam输出结果与真值的差距；
23、步骤34、计算损失函数的梯度，对slimsam的参数进行更新；
24、步骤35、当损失函数的损失值满足设定条件时，完成训练。
25、所述批处理设置为128。
26、第二方面，本发明提供一种存储介质，其上存储有程序，所述程序被执行时实现上述中任一所述的方法。
27、与现有技术相比，本发明具有以下有益效果：
28、1、本发明通过检测模型获得所关注的输变电设备的设备类型的检测框及其类别和置信度，作为分割大模型的输入，使得大模型分割的类别标签可以被确定，并且能够聚焦于检测框内部区域进行分割任务，实现各种复杂任务场景中对输变电设备更加精准地检测和分割，而不需要大量数据集的标注和训练。
29、2、本发明通过无人巡检技术提供自动化高精度的目标检测和分割，通过分别训练检测和分割模型，避免了大规模的重新训练，同时提供准确有效的分割结果。
技术特征：
1.一种用于电力场景下无人巡检的输变电设备检测分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种用于电力场景下无人巡检的输变电设备检测分割方法，其特征在于，所述目标检测网络模型为yolox。
3.根据权利要求2所述的一种用于电力场景下无人巡检的输变电设备检测分割方法，其特征在于，所述步骤1包括以下步骤：
4.根据权利要求3所述的一种用于电力场景下无人巡检的输变电设备检测分割方法，其特征在于，将数据集按照设定的比例划分为训练集和测试集，所述训练集用于对目标检测网络模型进行训练，所述测试集用于对目标检测网络模型进行测试。
5.根据权利要求3所述的一种用于电力场景下无人巡检的输变电设备检测分割方法，其特征在于，所述批处理设置为128。
6.根据权利要求3所述的一种用于电力场景下无人巡检的输变电设备检测分割方法，其特征在于，采用正太分布随机初始化目标检测网络模型的参数。
7.根据权利要求1所述的一种用于电力场景下无人巡检的输变电设备检测分割方法，其特征在于，所述分割网络大模型为slimsam。
8.根据权利要求7所述的一种用于电力场景下无人巡检的输变电设备检测分割方法，其特征在于，所述步骤3包括以下步骤：
9.根据权利要求8所述的一种用于电力场景下无人巡检的输变电设备检测分割方法，其特征在于，所述批处理设置为128。
10.一种存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-9中任一所述的方法。
技术总结
本发明涉及输变电设备巡检技术领域，尤其是涉及一种用于电力场景下无人巡检的输变电设备检测分割方法，包括：采用预训练的检测网络模型对获取的图片进行目标检测，获得目标对象的语义类型、检测框和分类置信度；采用检测网络模型输出的结果，为微调过的分割大模型提供检测框区域和对应的语义标签，分割大模型接受检测框作为提示，在框内区域对该类语义目标进行精准分割；对原始数据进行预处理，将人工标注的检测框和分割掩码编码为检测模型和分割模型可以接受的输入。与现有技术相比，本发明为无人巡检技术提供自动化高精度的目标检测和分割，通过分别训练检测和分割模型，避免了大规模的重新训练，同时提供准确有效的分割结果。
技术研发人员：毛颖科,颜楠楠,戴缘生,李锋锋,朱正一,闫全全,李域浩,吴易之
受保护的技术使用者：国网上海市电力公司
技术研发日：
技术公布日：2024/9/23