本发明涉及一种电力场景缺陷检测方法、装置及存储介质，属于电力场景缺陷检测。
背景技术：
1、随着经济的蓬勃发展和居民生活水平的持续提高，对电力资源的依赖也在不断增加。这导致了电网结构的快速扩充，同时也对电力系统的智能监控技术提出了更高的要求。在电力场景中，缺陷检测技术尤为重要，它是确保电网稳定和安全运行的关键。面临不断上升的电力需求和电网规模的扩大，传统的监控方法已无法满足现代电网的运维需求。尤其在复杂的电力环境中，缺陷检测需要更精准和灵活的技术。因此，先进的电力场景缺陷检测技术不仅可以提升电网的运行效率，还能为电网的安全管理提供强有力的技术支持。
2、深度学习技术在电力系统缺陷检测的应用虽已取得突破，但仍面临诸多挑战。目前，国内尚未形成适用于此领域的定制化数据集，这限制了深度学习技术的进一步研究与实际应用。此外，电网监控的重要性不仅体现在保障用电安全上，更涉及国家安全，因此监控设备的部署和数据处理必须遵循严格的标准。电力环境的复杂性，如多变的设备类型、光照条件和气候变化，也对缺陷检测模型的准确性和适应能力提出了高标准。
3、电力系统的监测要点广泛，包括设备状态、环境评估、安全检查、数据读取、缺陷测量，以及显示屏和指示标识的监控。传统检测技术如帧差分法和光流技术、hog（histogramof oriented gradients，定向梯度直方图）算法和haar算法在简单背景下有效，但在电力行业的复杂环境中则受限，特别是对于复杂环境中小目标缺陷难以检测到。
技术实现思路
1、本发明的目的在于提供一种电力场景缺陷检测方法、装置及存储介质，实现对于复杂环境下电力场景中小目标缺陷的检测。
2、为实现以上目的，本发明是采用下述技术方案实现的：
3、第一方面，本发明提供了一种电力场景缺陷检测方法，包括：
4、获取预处理后的电力场景图像；
5、将所述电力场景图像输入到训练好的电力场景缺陷检测模型中，得到所述电力场景图像中包含的电力场景缺陷，完成电力场景缺陷检测；
6、其中，所述电力场景缺陷检测模型是基于yolox网络改进得到的，所述改进包括：将csea模块替换为改进csea模块、将spp模块替换为nsppf模块和将cbs模块替换为gmp模块；
7、在所述训练的过程中采用iou-based focal loss函数作为损失函数，所述iou-based focal loss函数是在focal loss函数中引入iou值得到的。
8、进一步的，所述预处理包括：获取电力场景原始图像并将其转化为所述电力场景缺陷检测模型能够处理的格式，得到预处理后的电力场景图像。
9、进一步的，所述训练过程采用的数据集为预构建的电力场景缺陷数据集和预构建的增强电力场景缺陷数据集，开始训练时采用的数据集为增强电力场景缺陷数据集，直至到达预设的训练轮数时采用的数据集改为电力场景缺陷数据集；
10、所述电力场景缺陷数据集通过以下方法构建：
11、获取开源数据库中的电力场景相关数据和从电力场景中采集得到的电力场景原始图像，将获取的所有数据放入一个数据集中得到电力场景缺陷数据集，所述电力场景缺陷数据集中包括仪器仪表状态、运行环境、人员工作环境、仪表读数、缺陷面积计算结果、室内液晶仪表盘指示灯和标识状态；
12、所述增强电力场景缺陷数据集通过以下方法构建：
13、对电力场景缺陷数据集中的所有数据进行标注，包括：通过labelimg标注工具绘制边界框并标记数据的目标类别；
14、对电力场景缺陷数据集中标注后的数据，通过mixup技术和mosaic技术进行增强，得到增强电力场景缺陷数据集。
15、进一步的，在所述改进csea模块中对输入的特征图进行以下处理：
16、对输入的特征图分别进行x方向和y方向的平均池化，将平均池化得到的两个特征图拼接在一起得到拼接特征图；
17、通过跨阶段部分网络结构对所述拼接特征图进行统一处理，得到统一特征图；
18、将所述统一特征图在高度和宽度方向上切分成多个小块，对每个小块分别进行特征提取得到各个特征小块，对每个特征小块分别进行全局最大池化，然后根据sigmoid激活函数计算出每个特征小块的注意力权重；
19、将所有注意力权重在高度和宽度方向上进行扩张以匹配输入的特征图的尺寸，将扩张后的所有注意力权重和输入的特征图相乘然后输出。
20、进一步的，所述nsppf模块是基于spp模块改进得到的，改进之处包括：
21、将spp模块中的并行最大池化改为串行最大池化，并统一池化核尺寸，得到sppf模块；
22、在sppf模块中加入eca模块得到nsppf模块；
23、其中，将eca模块加入sppf模块中后，eca模块对输入的特征图进行全局平均池化和1d卷积计算通道权重，并通过sigmoid函数进行加权，得到eca输出特征图，在nsppf模块中将eca输出特征图和sppf模块输出的特征图融合后输出。
24、进一步的，在所述gmp模块中对输入的特征图进行以下处理：
25、输入的特征图首先经过最大池化，然后通过幽灵卷积进行处理来调整通道数，生成第一阶段特征图；
26、通过幽灵卷积对第一阶段特征图处理来调整通道数，再通过步长为2的幽灵卷积对第一阶段特征图进行处理以减小尺寸，生成第二阶段特征图；
27、将第一阶段特征图和第二阶段特征图拼接后输出；
28、其中，所述幽灵卷积对特征图的处理包括普通卷积和分组卷积。
29、进一步的，所述iou-based focal loss函数的表达式为：
30、；
31、其中，ifl是iou-based focal loss函数的值，q是生成的目标预测边界与真实边界的iou值，p是预测边界与真实边界的iou值，α是focal loss损失函数中的第一调节因子，γ是focal loss损失函数中的第二调节因子，为总调节因子，-[qlogp+(1-q)log(1-p)]为交叉熵损失。
32、进一步的，所述电力场景缺陷检测模型在训练好之后还进行了检测精度的验证，所述验证以ap和fps作为评估指标，通过ap评估电力场景缺陷检测模型的检测准确性，通过fps评估电力场景缺陷检测模型的处理速度；
33、当所述电力场景缺陷检测模型的ap和fps均满足预设要求时，结束训练，否则继续进行训练直至ap和fps均满足预设要求。
34、第二方面，本发明提供了一种电力场景缺陷检测装置，包括：
35、电力场景图像获取模块，被配置为：获取预处理后的电力场景图像；
36、电力场景缺陷检测模块，被配置为：将所述电力场景图像输入到训练好的电力场景缺陷检测模型中，得到所述电力场景图像中包含的电力场景缺陷，完成电力场景缺陷检测；
37、其中，所述电力场景缺陷检测模型是基于yolox网络改进得到的，所述改进包括：将csea模块替换为改进csea模块、将spp模块替换为nsppf模块和将cbs模块替换为gmp模块；
38、在所述训练的过程中采用iou-based focal loss函数作为损失函数，所述iou-based focal loss函数是在focal loss函数中引入iou值得到的。
39、第三方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时，实现第一方面中任一项所述的电力场景缺陷检测方法的步骤。
40、与现有技术相比，本发明所达到的有益效果是：
41、本发明提供的一种电力场景缺陷检测方法、装置及存储介质，通过引入改进csea模块和对yolox网络的改进，本发明有效减少了复杂背景对目标检测的干扰，同时通过gmp模块和nsppf模块增强了对小目标特征的捕捉能力，从而显著提升了在复杂电力场景中对于小目标缺陷检测的精度；
42、构建的增强电力场景缺陷数据集为电力场景缺陷检测提供了丰富的样本，涵盖了多样的缺陷类型、尺度和色彩，使得yolosm模型（本发明构建的电力场景缺陷检测模型）在训练过程中能够学习到更为全面的特征表示，进而增强了模型在实际应用中的泛化能力，实现对于复杂环境下多样化缺陷的精确检测；
43、针对yolox框架进行的轻量化优化和提出的iou-based focal loss损失函数，不仅提高了模型的训练效率，还解决了类别分数与位置定位分数不匹配的问题，使得yolosm模型在保持高准确率的同时，也具备了更快的推理速度，满足了实时检测的需求。
1.一种电力场景缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的电力场景缺陷检测方法，其特征在于，所述预处理包括：获取电力场景原始图像并将其转化为所述电力场景缺陷检测模型能够处理的格式，得到预处理后的电力场景图像。
3.根据权利要求1所述的电力场景缺陷检测方法，其特征在于，所述训练过程采用的数据集为预构建的电力场景缺陷数据集和预构建的增强电力场景缺陷数据集，开始训练时采用的数据集为增强电力场景缺陷数据集，直至到达预设的训练轮数时采用的数据集改为电力场景缺陷数据集；
4.根据权利要求1所述的电力场景缺陷检测方法，其特征在于，在所述改进csea模块中对输入的特征图进行以下处理：
5.根据权利要求1所述的电力场景缺陷检测方法，其特征在于，所述nsppf模块是基于spp模块改进得到的，改进之处包括：
6.根据权利要求1所述的电力场景缺陷检测方法，其特征在于，在所述gmp模块中对输入的特征图进行以下处理：
7. 根据权利要求1所述的电力场景缺陷检测方法，其特征在于，所述iou-based focalloss函数的表达式为：
8.根据权利要求1所述的电力场景缺陷检测方法，其特征在于，所述电力场景缺陷检测模型在训练好之后还进行了检测精度的验证，所述验证以ap和fps作为评估指标，通过ap评估电力场景缺陷检测模型的检测准确性，通过fps评估电力场景缺陷检测模型的处理速度；
9.一种电力场景缺陷检测装置，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时，实现权利要求1-8中任一项所述的电力场景缺陷检测方法的步骤。
