本发明涉及输电线路，尤其涉及一种输电线路防振锤缺陷检测方法。
背景技术：
1、防振锤作为输电线路中一种重要的金具，用来吸收或削弱风传递到架空输电导线的动能，以切断导线振动能量的补给线，从而降低架空输电导线的振动损坏。然而，由于防振锤长时间暴露在自然环境下，极易产生金属裂纹、螺栓松动等问题，进而引发防振锤缺损、锈蚀、相撞的形态结构缺陷，导致防振锤无法切实有效地发挥防振作用。若不能及时发现并消除防振锤缺陷，极有可能导致输电导线微风振动与舞动，进而严重威胁电力系统的安全稳定运行。
2、在电网巡检中会产生海量的图像数据，在后续图像处理上需要人工对海量图像进行观察与查缺，且长时间的工作容易引起工作人员的疲劳，使查缺准确度降低。深度学习技术凭借其强大的特征表达能力，以及端到端的网络结构，完美契合了对海量图像缺陷检测的需求，既能节约人力成本，也减少了误检漏检的情况。现有的针对输电线路防振锤的研究大都只针对防振锤的识别或防振锤的故障分类只有缺损一种情况，而不同的缺陷对输电线路安全的影响程度也不同，需要巡检部门有不同的应对策略，所以需要对防振锤的缺陷细化。随着深度模型的轻量化与小型计算机算力的增强，机器视觉在电力设备的缺陷检测及分类识别领域取得了突飞猛进的发展。利用机器视觉与防振锤缺陷图像相结合，不仅可以避免人为因素的干扰，也可对防振锤的缺陷进行快速准确的判断，进而辅助线路巡检人员进行精确识别防振锤缺陷，对于区域化线路维修保养具有重要意义。
技术实现思路
1、本发明的目的在于提供一种输电线路防振锤缺陷检测方法，以改善现有技术中存在的问题。
2、一种输电线路防振锤缺陷检测方法，包括如下步骤：构建输电线路防振锤缺陷图像数据集；构建防振锤缺陷检测模型；基于缺陷图像数据集训练防振锤缺陷检测模型，并得到防振锤缺陷检测模型的最优权重；用训练后的防振锤缺陷检测模型对待检测图像进行检测，得到检测结果。
3、更为优选地，获取输电线路防振锤图像数据，具体包括：通过无人机采集输电线路防振锤图像数据，构建含有“缺损”、“锈蚀”、“相撞”、“正常”四类的防振锤缺陷图像数据集；并对防振锤缺陷图像数据集进行样本扩充，并按8：1：1将防振锤缺陷图像数据集划分为训练集、验证集和测试集。
4、更为优选地，输电线路防振锤图像数据包括天空、森林、田野、沙地、住宅在内的背景下的图像；图像样本扩充方法包括加噪声、调整亮度、旋转、裁剪图像、平移、镜像，对训练集图像进行扩充，扩充倍数为五倍，每张图片均使用至少两种方法进行样本扩充，对扩充完成的图像进行筛选，剔除质量较差的图像。
5、更为优选地，防振锤缺陷检测模型由主干特征提取网络、特征融合网络以及分类预测网络构建；主干特征提取网络由cbs模块、c2f-mlcai模块以及聚焦调制模块构成，其中i＝1、2、3、4；从c2f-mlca2模块、c2f-mlca3模块和聚焦调制模块分别引出3个不同尺度大小的初步特征层p1、初步特征层p2、初步特征层p3，输入特征融合网络进行特征融合；将特征融合后的强化特征s2、加强特征s3、加强特征s5输入到分类预测网络中进行分类预测，实现对输电线路防振锤图像缺陷的检测。
6、更为优选地，主干特征提取网络的构建具体包括：用普通卷积conv、批标准化bn和silu激活函数构建cbs模块；将cbs模块通过split层操作并进行n个残差层bottleneck-mlca的跳层连接构成c2f-mlcai模块，其中，在残差层bottleneck中引入轻量级的混合局部通道注意力机制mlca；聚焦调制模块的处理过程为对输入图片进行焦点调制，根据焦点窗口大小和焦点级别对输入特征进行切片，切片后的特征进行仿射变换后进行归一化处理作为输出。
7、更为优选地，从c2f-mlca2模块、c2f-mlca3模块和聚焦调制模块分别引出3个不同尺度大小的初步特征层p1、初步特征层p2、初步特征层p3，输入特征融合网络进行特征融合，具体包括：对特征p3进行上采样后与特征p2融合，得到融合特征f1；同时，利用c2f模块对f1进行特征提取得到强化特征s1；将s1进一步上采样处理后与特征p1进行融合，得到融合特征f2；此时，继续利用c2f模块对f2进行特征提取，得到强化特征s2，强化特征s2经过cbs模块加强特征提取操作后与强化特征s 1融合得到融合特征f3，融合特征f3经过c2f模块特征提取后得到加强特征s3，加强特征s3经过cbs模块特征提取操作后与特征p3融合后得到融合特征s4，融合特征s4经过c2f模块特征提取后得到加强特征s5，最终将强化特征s2、加强特征s3与加强特征s5作为特征融合网络的输出。
8、更为优选地，分类预测网络网络由两条卷积支路组成，一条卷积支路依次为3个卷积conv与添加slideloss样本加权函数的预测框损失模块组成，另一条卷积支路依次为3个卷积conv与分类损失模块，将强化特征s2、加强特征s3与加强特征s5分别对应输入到80×80×256、40×40×512、20×20×512三种不同尺寸的shead中进行分类预测，实现对输电线路防振锤图像里小、中、大缺陷的检测。
9、更为优选地，slideloss样本加权函数的预测框损失模块具体由slideloss样本加权函数、ciou损失函数和分布焦点损失dfl组成。
10、更为优选地，基于缺陷图像数据集训练防振锤缺陷检测模型，具体包括：将划分完成的输电线路防振锤图像训练集输入到防振锤缺陷检测模型进行预训练，一共训练200轮，训练分为冻结与解冻两个阶段，第一阶段冻结mfs-yolo网络模型主干并使用mosaic与mixup数据增强方法的交叉使用迭代训练50次；第二阶段对mfs-yolo网络模型主干进行解冻，再迭代训练1 50轮次；训练完成后取损失值最小的训练权重，即为防振锤缺陷检测模型的最优训练权重。
11、更为优选地，用训练后的防振锤缺陷检测模型对待检测图像进行检测，得到检测结果，具体包括：将最优训练权重输入防振锤缺陷检测模型中进行缺陷检测，在对输电线路防振锤图像缺陷进行检测时预测框的交并比iou阈值设为0.5，判别是否为缺陷目标的置信度阈值设为0.01；利用一次非极大值抑制nms剔除冗余预测框，获得输电线路防振锤缺陷检测结果。
12、与现有技术相比，本发明具有如下优点：
13、本发明提供的一种输电线路防振锤缺陷检测方法，只需将巡检得到的输电线路防振锤图像输入便可精准快速地识别并定位缺陷，可为电力设备智能巡检在电力行业的其他应用领域提供参考。
1.一种输电线路防振锤缺陷检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种输电线路防振锤缺陷检测方法，其特征在于，获取输电线路防振锤图像数据，具体包括：
3.根据权利要求2所述的一种输电线路防振锤缺陷检测方法，其特征在于，输电线路防振锤图像数据包括天空、森林、田野、沙地、住宅在内的背景下的图像；图像样本扩充方法包括加噪声、调整亮度、旋转、裁剪图像、平移、镜像，对训练集图像进行扩充，扩充倍数为五倍，每张图片均使用至少两种方法进行样本扩充，对扩充完成的图像进行筛选，剔除质量较差的图像。
4.根据权利要求2所述的一种输电线路防振锤缺陷检测方法，其特征在于，防振锤缺陷检测模型由主干特征提取网络、特征融合网络以及分类预测网络构建；主干特征提取网络由cbs模块、c2f-mlcai模块以及聚焦调制模块构成，其中i＝1、2、3、4；从c2f-mlca2模块、c2f-mlca3模块和聚焦调制模块分别引出3个不同尺度大小的初步特征层p1、初步特征层p2、初步特征层p3，输入特征融合网络进行特征融合；将特征融合后的强化特征s2、加强特征s3、加强特征s5输入到分类预测网络中进行分类预测，实现对输电线路防振锤图像缺陷的检测。
5.根据权利要求4所述的一种输电线路防振锤缺陷检测方法，其特征在于，主干特征提取网络的构建具体包括：
6.根据权利要求5所述的一种输电线路防振锤缺陷检测方法，其特征在于，从c2f-mlca2模块、c2f-mlca3模块和聚焦调制模块分别引出3个不同尺度大小的初步特征层p1、初步特征层p2、初步特征层p3，输入特征融合网络进行特征融合，具体包括：
7.根据权利要求6所述的一种输电线路防振锤缺陷检测方法，其特征在于，分类预测网络网络由两条卷积支路组成，一条卷积支路依次为3个卷积conv与添加slideloss样本加权函数的预测框损失模块组成，另一条卷积支路依次为3个卷积conv与分类损失模块，将强化特征s2、加强特征s3与加强特征s5分别对应输入到80×80×256、40×40×512、20×20×512三种不同尺寸的shead中进行分类预测，实现对输电线路防振锤图像里小、中、大缺陷的检测。
8.根据权利要求7所述的一种输电线路防振锤缺陷检测方法，其特征在于，slideloss样本加权函数的预测框损失模块具体由slideloss样本加权函数、ciou损失函数和分布焦点损失dfl组成。
9.根据权利要求8所述的一种输电线路防振锤缺陷检测方法，其特征在于，基于缺陷图像数据集训练防振锤缺陷检测模型，具体包括：
10.根据权利要求9所述的一种输电线路防振锤缺陷检测方法，其特征在于，用训练后的防振锤缺陷检测模型对待检测图像进行检测，得到检测结果，具体包括：
