基于SA-GAN的输电线路巡检图像超分辨重建方法及系统与流程

本发明属于计算机视觉与电力设备智能巡检，尤其涉及一种基于sa-gan的输电线路巡检图像超分辨重建方法及系统。

背景技术：

1、绝缘子是电力输电线路中的关键组件，其完好性直接关系到电网的安全稳定运行。传统的人工巡检方式效率低下、风险高且存在漏检可能。随着无人机技术的发展，搭载可见光或红外成像设备的无人机巡检已成为主流方式。然而，在巡检过程中，由于无人机飞行振动、光照条件变化、拍摄距离远等因素，采集到的绝缘子等设备图像常存在模糊、分辨率低、细节丢失等问题。低质量的图像严重影响了后续基于深度学习的目标检测或缺陷识别算法的精度与可靠性。

2、为了提升图像质量，超分辨率重建技术被引入该领域。现有技术通常采用基于卷积神经网络的超分模型，但此类方法在面对复杂电力场景（如背景杂乱、目标尺寸小、纹理微弱）时，重建图像常出现细节过于平滑、纹理失真或引入伪影等问题，难以满足高精度缺陷检测的需求。生成对抗网络（gan）虽能生成更真实的纹理，但标准的gan模型在重建高频细节和保持全局结构一致性方面仍存在不足，且训练不稳定，容易导致模型崩溃。

3、因此，现有技术缺乏一种能够针对输电线路巡检图像特点，在提升分辨率的同时，能精准恢复绝缘子等设备细微纹理与结构细节，并保持高感知质量的专用超分辨率重建方法。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于sa-gan的输电线路巡检图像超分辨重建方法及系统，旨在显著提升低分辨率巡检图像的视觉质量和细节清晰度，为后续缺陷智能检测提供高质量的图像基础。

2、第一方面，本发明提供一种基于sa-gan的输电线路巡检图像超分辨重建方法，包括：

3、获取无人机采集的输电线路巡检原始图像，进行双三次插值降低分辨率处理，得到低分辨率图像，并构建包含低分辨率图像与原始高分辨率图像的数据集，划分为训练集和验证集；

4、构建sa-gan超分辨率重建网络，利用所述训练集和验证集对网络进行迭代训练和验证，得到超分辨率重建模型，所述sa-gan网络包含生成器，所述生成器依次包括输入层、残差层、空间自适应多尺度特征调制模块、上采样层、全局感知注意力机制模块、通道注意力机制模块和输出层；

5、所述空间自适应多尺度特征调制模块通过通道分组、多尺度卷积处理、空间自适应的尺度权重计算与加权融合，对输入特征进行增强；

6、所述全局感知注意力机制模块通过全局通道注意力与深度卷积空间注意力机制，增强对图像整体结构的感知；

7、所述通道注意力机制模块融合局部卷积细节与全局通道注意力加权的特征，优化特征表示；

8、将待重建的低分辨率输电线路巡检图像输入至训练好的所述超分辨率重建模型，输出对应的超分辨率图像。

9、第二方面，本发明提供一种基于sa-gan的输电线路巡检图像超分辨重建系统，包括：

10、获取模块，配置为获取无人机采集的输电线路巡检原始图像，进行双三次插值降低分辨率处理，得到低分辨率图像，并构建包含低分辨率图像与原始高分辨率图像的数据集，划分为训练集和验证集；

11、构建模块，配置为构建sa-gan超分辨率重建网络，利用所述训练集和验证集对网络进行迭代训练和验证，得到超分辨率重建模型，所述sa-gan网络包含生成器，所述生成器依次包括输入层、残差层、空间自适应多尺度特征调制模块、上采样层、全局感知注意力机制模块、通道注意力机制模块和输出层；

12、所述空间自适应多尺度特征调制模块通过通道分组、多尺度卷积处理、空间自适应的尺度权重计算与加权融合，对输入特征进行增强；

13、所述全局感知注意力机制模块通过全局通道注意力与深度卷积空间注意力机制，增强对图像整体结构的感知；

14、所述通道注意力机制模块融合局部卷积细节与全局通道注意力加权的特征，优化特征表示；

15、输出模块，配置为将待重建的低分辨率输电线路巡检图像输入至训练好的所述超分辨率重建模型，输出对应的超分辨率图像。

16、第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的基于sa-gan的输电线路巡检图像超分辨重建方法的步骤。

17、第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的基于sa-gan的输电线路巡检图像超分辨重建方法的步骤。

18、本申请的方法，通过引入空间自适应多尺度特征调制模块，实现了像素级、内容感知的多尺度特征融合机制，使网络能够依据图像局部区域的复杂程度（如边缘、纹理或平坦背景）动态调整不同尺度特征的融合权重，从而针对性地增强对绝缘子细微裂纹、污秽纹理等关键高频细节的恢复能力；其次，全局感知注意力机制模块与通道注意力机制模块的协同设计，分别从通道与空间维度、局部细节与全局语义层面强化特征表达，有效提升了重建图像的整体结构一致性和局部真实性，抑制了背景噪声与伪影；再者，专为网络训练设计的多尺度注意力特征匹配损失函数，通过强制生成器在模仿特征内容的同时学习真实图像的特征重要性分布，显著提升了生成图像的感知质量，使重建结果在视觉上更自然、细节更可信；最终，本方法形成的完整技术方案，能够将无人机巡检中因运动模糊、光照不足或拍摄距离远导致的低分辨率图像，高质量地重建为清晰、细节丰富的高分辨率图像，从而为后续的绝缘子缺陷自动检测、部件识别等高级视觉任务提供了可靠的高质量输入，在保持较高处理效率的同时，全面提升了电力智能巡检的精度与可靠性

1.一种基于sa-gan的输电线路巡检图像超分辨重建方法，其特征在于，包括：

2.根据权利要求1所述的一种基于sa-gan的输电线路巡检图像超分辨重建方法，其特征在于，所述空间自适应多尺度特征调制模块处理输入特征图的步骤具体包括：

3.根据权利要求1所述的一种基于sa-gan的输电线路巡检图像超分辨重建方法，其特征在于，所述全局感知注意力机制模块的处理包括：

4.根据权利要求1所述的一种基于sa-gan的输电线路巡检图像超分辨重建方法，其特征在于，所述通道注意力机制模块的处理包括：

5.根据权利要求1所述的一种基于sa-gan的输电线路巡检图像超分辨重建方法，其特征在于，所述sa-gan网络的生成器损失函数为多尺度注意力特征匹配损失，表达式为：

6.一种基于sa-gan的输电线路巡检图像超分辨重建系统，其特征在于，包括：

7.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5任一项所述的方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至5任一项所述的方法。