无人机绝缘子缺陷检测方法和装置、设备及介质

摘要: 本发明实施例涉及无人机遥感检测处理,尤其涉及一种无人机绝缘子缺陷检测方法和装置、设备及介质。背景技术:1、电力设施是电力系统稳定运行的核心基础,输电线路、变电设...
无人机绝缘子缺陷检测方法和装置、设备及介质

本发明实施例涉及无人机遥感检测处理,尤其涉及一种无人机绝缘子缺陷检测方法和装置、设备及介质。

背景技术:

1、电力设施是电力系统稳定运行的核心基础,输电线路、变电设施中的绝缘子长期处于户外复杂环境,易产生裂纹、掉瓷、污秽、闪络痕迹、伞裙破损、老化等表面及结构缺陷。若未能及时检测与处置,将引发电力故障甚至大面积停电事故,因此绝缘子的常态化巡检与缺陷精准检测是电力运维工作的关键环节。随着无人机技术与遥感检测技术的发展,无人机低空遥感巡检凭借作业效率高、巡检范围广、作业安全性强等优势,逐步取代传统人工巡检,成为电力设施巡检的主流方式,极大提升了电力运维的智能化水平。

2、当前绝缘子无人机遥感巡检技术虽已得到广泛应用,但在实际作业过程中仍存在诸多亟待解决的技术问题,难以满足电力行业对缺陷检测高精度、高实时性、高可靠性的需求。其一,现有巡检多采用单无人机搭载单类传感器的作业模式,存在单传感器视场局限、多源数据融合效率低下的问题,无法实现电力设施的全向多维感知,对不规则缺陷的识别精度较低;其二,巡检采样多采用固定路径、固定密度的方式,对缺陷高发区缺乏针对性的高密度采样,导致低对比度小尺度缺陷的漏检率较高,采样效率与检测精度难以兼顾;其三,无人机巡检过程中,存在传感器数据处理延迟高、动态障碍物检测不及时的问题,数据处理与路径调整效率低下,影响巡检作业的整体安全性与效率;其四,传统深度学习缺陷检测模型参数量大、推理时间长,难以在算力有限的无人机边缘设备上部署,无法实现巡检现场的实时推理与决策;其五,巡检数据多采用单一终端处理模式,缺乏分级处理与闭环管理机制,检测结果与巡检数据的利用效率低,难以支撑电力设施后续的运维与巡检规划工作。上述问题会降低复杂环境下绝缘子缺陷检测的精准性与巡检效率。

技术实现思路

1、本发明实施例提供了一种无人机绝缘子缺陷检测方法和装置、设备及介质,能够现有绝缘子无人机遥感巡检存在的单传感器视场局限、多源数据融合低效、固定采样漏检率高、动态障检延迟高、深度学习模型难边缘部署、巡检数据无分级闭环管理的技术问题,从而提升复杂环境下绝缘子缺陷检测的精准性与巡检效率。

2、第一方面,本发明实施例提供了一种无人机绝缘子缺陷检测方法,包括:

3、通过无人机获取多源数据以及从电力运维数据库获取缺陷高发区先验数据,其中,所述多源数据包括可见光图像数据、红外图像数据、三维点云数据和无人机位姿数据;

4、对所述多源数据进行时空配准,得到目标多源数据;

5、根据所述目标多源数据和所述缺陷高发区先验数据构建特征集;

6、将所述特征集输入至高斯过程采样模型预测巡检区域内各空间位置的缺陷高发概率,并基于检测精度与采样效率的双目标优化函数,生成自适应采样密度分布;

7、根据所述自适应采样密度分布调整无人机的采样路径,对缺陷高发关键区域执行高密度采样,对基础巡检区域执行基础密度采样;

8、利用所述缺陷高发概率作为空间软权重,通过双分支异构特征提取骨干网络对所述多源数据进行分级加权特征提取与多尺度融合,得到密度调制后的融合特征图;

9、将所述融合特征图输入绝缘子专属多尺度像素级分割检测头,得到检测结果,并根据所述检测结果更新缺陷先验数据库。

10、在一些实施例中,所述对所述多源数据进行时空配准,得到目标多源数据,包括:

11、以utc毫秒级时间戳为全局基准,对所述可见光图像数据、所述红外图像数据和所述三维点云数据进行时间轴对齐,并通过线性插值补全缺失时间节点的数据;

12、基于所述无人机位姿数据提供的实时位置与姿态角,分别从对齐后的所述可见光图像中提取边缘轮廓特征和角点特征,从对齐后的所述红外图像中提取温度异常区域特征,并从对齐后的所述三维点云中提取空间几何结构特征;

13、利用所述边缘轮廓特征、所述角点特征、所述温度异常区域特征和所述空间几何结构特征,建立图像坐标、红外坐标与点云坐标之间的多维度匹配关系,并通过几何变换参数估计完成视觉、红外图像与三维点云的空间坐标映射;

14、采用扩展卡尔曼滤波融合所述无人机位姿数据,对所述空间坐标映射的结果进行动态修正,并基于预设的配准精度阈值对误差超标的区域触发重新匹配流程,输出所述目标多源数据。

15、在一些实施例中,所述根据所述目标多源数据和所述缺陷高发区先验数据构建特征集,包括:

16、建立以wgs-84坐标系为全局基准、局部东北天直角坐标系为空间基准的统一时空基准,并将所述缺陷高发区先验数据映射至所述统一时空基准下;

17、基于所述统一时空基准,将所述目标多源数据和所述缺陷高发区先验数据,通过特征维度拼接操作组合为四维关联数据;

18、通过特征归一化映射函数将所述四维关联数据映射至[0,1]区间以实现量纲统一,并利用皮尔逊相关系数计算特征间的冗余度,剔除冗余度大于等于预设阈值的重复特征;

19、将去冗余后的特征按空间特征、传感特征、先验特征和无人机状态特征的固定维度排序,构建所述高斯过程采样模型的输入特征集。

20、在一些实施例中,所述将所述特征集输入至高斯过程采样模型预测巡检区域内各空间位置的缺陷高发概率,并基于检测精度与采样效率的双目标优化函数,生成自适应采样密度分布,包括:

21、在探索阶段,基于所述特征集按基础采样密度执行全域初步采样,并采用在线贝叶斯推断更新高斯过程模型的后验概率;

22、在利用阶段,将所述后验概率作为实时缺陷概率,并与所述缺陷高发区先验数据中的历史缺陷先验概率进行加权融合,得到融合缺陷高发概率;

23、对所述融合缺陷高发概率进行空间高斯平滑处理,并采用欧氏距离聚类算法对概率超过预设阈值的候选点进行空间聚类,生成具有明确地理边界的连续缺陷高发关键区域;

24、构建双目标优化函数j=wrnorm+(1w)enorm,其中,rnorm为基于所述特征集推算的归一化检测召回率,enorm为归一化采样效率,w为检测精度权重;

25、通过约束优化求解所述双目标优化函数,得到最优采样密度,并将所述最优采样密度映射为所述自适应采样密度分布。

26、在一些实施例中,所述根据所述自适应采样密度分布调整无人机的采样路径,对缺陷高发关键区域执行高密度采样,对基础巡检区域执行基础密度采样,包括:

27、基于缺陷高发关键区域及自适应采样密度分布,对缺陷高发关键区域配置最大高密度采样密度,最大高密度采样密度为基础采样密度的正数倍,且采样点根据缺陷高发概率梯度进行局部加密布设;

28、构建多维度注意力机制的任务调度代价模型,根据所述缺陷高发关键区域的优先级、无人机实时位姿及剩余电量,计算语义注意力权重、空间注意力权重及状态注意力权重,并融合得到综合注意力匹配权重;

29、基于所述综合注意力匹配权重构建任务调度代价函数,通过全局优化求解确定无人机的巡检区域分配与执行顺序;

30、基于所述巡检区域分配与执行顺序,采用视觉惯性里程计与激光惯性里程计紧耦合的融合定位方法获取无人机实时位姿,并结合全局路径规划算法与动态窗口法局部避障算法,生成所述采样路径。

31、在一些实施例中,所述利用所述缺陷高发概率作为空间软权重,通过双分支异构特征提取骨干网络对所述多源数据进行分级加权特征提取与多尺度融合,得到密度调制后的融合特征图,包括:

32、基于缺陷高发概率生成空间软权重掩码,对输入的标准化可见光-红外融合图像数据及点云数据进行逐元素相乘,以增强高风险区域信号;

33、生成与深浅层特征图尺度一致的概率权重图,对双分支异构特征提取骨干网络提取的视觉纹理、温度异常及空间几何特征进行逐元素相乘,以实现特征层面的定向强化;

34、基于自适应采样密度分布生成密度权重矩阵,对多模态基础融合特征图进行逐元素相乘,经l2归一化输出最终融合特征图。

35、在一些实施例中,所述将所述融合特征图输入绝缘子专属多尺度像素级分割检测头,得到检测结果,并根据所述检测结果更新缺陷先验数据库,包括:

36、将所述密度调制后的融合特征图输入分层渐进式解码架构的检测头,通过嵌入不同膨胀率的空洞卷积适配绝缘子部件及缺陷的感受野,并通过绝缘子特征优先传递的跳跃连接路径屏蔽背景冗余;

37、经由双分支输出层分别输出绝缘子构件分类结果和缺陷类型分割结果,并利用加权交叉熵损失函数训练模型,对小尺度缺陷区域的像素赋予第一加权系数,对其余背景区域赋予第二加权系数,且第一加权系数为第二加权系数的两倍;

38、根据所述双分支输出层的结果确定所述检测结果,并将复采确认后的缺陷类别、空间位置、等级及置信度写入缺陷先验数据库;

39、当同一区域多次出现高置信度缺陷时,提升对应区域在所述缺陷高发区先验数据中的先验风险权重;当复采结果确认为误报时,降低对应区域及对应缺陷类型的先验权重,并将更新后的先验数据反馈至缺陷先验数据库。

40、第二方面,本发明实施例还提供了一种无人机绝缘子缺陷检测装置,所述装置包括:

41、获取模块,用于通过无人机获取多源数据以及从电力运维数据库获取缺陷高发区先验数据,其中,所述多源数据包括可见光图像数据、红外图像数据、三维点云数据和无人机位姿数据;

42、配准模块,用于对所述多源数据进行时空配准,得到目标多源数据;

43、构建模块,用于根据所述目标多源数据和所述缺陷高发区先验数据构建特征集;

44、预测模块,用于将所述特征集输入至高斯过程采样模型预测巡检区域内各空间位置的缺陷高发概率,并基于检测精度与采样效率的双目标优化函数,生成自适应采样密度分布;

45、调整模块,用于根据所述自适应采样密度分布调整无人机的采样路径,对缺陷高发关键区域执行高密度采样,对基础巡检区域执行基础密度采样;

46、融合模块,用于利用所述缺陷高发概率作为空间软权重,通过双分支异构特征提取骨干网络对所述多源数据进行分级加权特征提取与多尺度融合,得到密度调制后的融合特征图;

47、检测模块,用于将所述融合特征图输入绝缘子专属多尺度像素级分割检测头,得到检测结果,并根据所述检测结果更新缺陷先验数据库。

48、第三方面,本发明实施例还提供了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如第一方面所述的无人机绝缘子缺陷检测方法。

49、第四方面,本发明实施例还提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行如第一方面所述的无人机绝缘子缺陷检测方法。

50、根据本发明实施例提供的无人机绝缘子缺陷检测方法和装置、设备及介质,其中,无人机绝缘子缺陷检测方法包括:通过无人机获取多源数据以及从电力运维数据库获取缺陷高发区先验数据,其中,多源数据包括可见光图像数据、红外图像数据、三维点云数据和无人机位姿数据;对多源数据进行时空配准,得到目标多源数据;根据目标多源数据和缺陷高发区先验数据构建特征集;将特征集输入至高斯过程采样模型预测巡检区域内各空间位置的缺陷高发概率,并基于检测精度与采样效率的双目标优化函数,生成自适应采样密度分布;根据自适应采样密度分布调整无人机的采样路径,对缺陷高发关键区域执行高密度采样,对基础巡检区域执行基础密度采样;利用缺陷高发概率作为空间软权重,通过双分支异构特征提取骨干网络对多源数据进行分级加权特征提取与多尺度融合,得到密度调制后的融合特征图;将融合特征图输入绝缘子专属多尺度像素级分割检测头,得到检测结果,并根据检测结果更新缺陷先验数据库。本发明通过无人机同步采集三维点云、多光谱图像与位姿数据,结合电力运维数据库的地理信息与缺陷高发区先验数据,通过结构特征提取、多维度匹配、动态优化校准的三阶策略完成多源数据时空配准。系统基于历史缺陷先验数据和实时多模态观测特征,利用高斯过程模型预测巡检区域内各空间位置的缺陷高发概率,并根据缺陷高发概率、采样耗时和无人机状态生成自适应采样密度分布。采样密度分布不仅用于无人机路径调整和高风险区域加密采样,还作为多模态缺陷检测网络的空间权重和密度调制因子,用于增强高风险区域的图像、红外和点云融合特征。检测结果进一步反馈至缺陷先验数据库,用于更新后续巡检任务中的采样概率和路径规划策略,从而形成采样、检测、复核和策略更新的闭环优化机制。本发明能够现有绝缘子无人机遥感巡检存在的单传感器视场局限、多源数据融合低效、固定采样漏检率高、动态障检延迟高、深度学习模型难边缘部署、巡检数据无分级闭环管理的技术问题,从而提升复杂环境下绝缘子缺陷检测的精准性与巡检效率。