电表接线盒的接线状态检测方法、装置、设备、可读存储介质和程序产品与流程

摘要: 本技术涉及电力设备检测,特别是涉及一种电表接线盒的接线状态检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。背景技术:1、三相四线电能表是在现代低...
电表接线盒的接线状态检测方法、装置、设备、可读存储介质和程序产品与流程

本技术涉及电力设备检测,特别是涉及一种电表接线盒的接线状态检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

背景技术:

1、三相四线电能表是在现代低压配电系统中广泛应用的电能计量装置,其可以通过电表接线盒与供电线路连接,电表接线盒的接线状态可以对电能计量的准确性和供电安全性造成影响。随着电力设备检测技术的发展,图像检测技术逐渐被应用于电表接线盒接线状态的自动化检测。然而,相关技术中通常依赖复杂的深度学习模型进行图像检测,难以满足电力作业现场对接线状态检测的高实时性和高精度要求。

技术实现思路

1、基于此,有必要针对上述技术问题,提供一种电表接线盒的接线状态检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面,本技术提供了一种电表接线盒的接线状态检测方法,包括:

3、获取电表接线盒的待检测图像;

4、利用基于yolo26构建的目标检测模型,对所述待检测图像中的目标接线盒部件进行检测,得到所述待检测图像对应的目标检测结果;其中,所述目标检测模型的主干网络使用深度可分离卷积模块进行浅层特征提取和中层特征提取,所述目标检测模型中颈部网络的下采样路径使用幻影卷积模块进行特征下采样处理;

5、根据所述目标检测结果,得到所述电表接线盒的接线状态检测结果。

6、在其中一个实施例中,所述根据所述目标检测结果,得到所述电表接线盒的接线状态检测结果,包括:根据所述目标检测结果中各目标接线盒部件的位置信息,得到所述待检测图像中各目标接线盒部件之间的空间位置关系;所述目标接线盒部件包括连接片和线路;根据所述空间位置关系,从接线判定规则库中确定与所述空间位置关系相匹配的目标接线判定规则;根据所述目标接线判定规则对应的接线状态判定信息,得到所述电表接线盒的接线状态检测结果。

7、在其中一个实施例中,所述根据所述空间位置关系,从接线判定规则库中确定与所述空间位置关系相匹配的目标接线判定规则,包括:根据所述电表接线盒的结构信息和所述空间位置关系,得到所述待检测图像中各连接片的接电状态信息;若所述接电状态信息指示电压连接片接电、上电流连接片不接电、下电流连接片不接电且中性线连接片接电,则确定所述接线判定规则库中的第一接线判定规则为目标接线判定规则;所述第一接线判定规则对应的接线状态判定信息用于指示所述电表接线盒的接线状态为正常工作模式;若所述接电状态信息指示电压连接片不接电、上电流连接片接电、下电流连接片接电且中性线连接片接电,则确定所述接线判定规则库中的第二接线判定规则为目标接线判定规则;所述第二接线判定规则对应的接线状态判定信息用于指示所述电表接线盒的接线状态为带电检修模式;若所述接电状态信息与所述第一接线判定规则和所述第二接线判定规则均不匹配,则确定所述接线判定规则库中的第三接线判定规则为目标接线判定规则;所述第三接线判定规则对应的接线状态判定信息用于指示所述电表接线盒的接线状态为待检修模式。

8、在其中一个实施例中,所述根据所述空间位置关系,从接线判定规则库中确定与所述空间位置关系相匹配的目标接线判定规则,包括:根据所述空间位置关系,得到所述待检测图像中各线路的空间排列顺序;若所述空间排列顺序与所述电表接线盒的预设线路排列顺序不一致,则确定所述接线判定规则库中的第四接线判定规则为目标接线判定规则;所述第四接线判定规则对应的接线状态判定信息用于指示所述电表接线盒的接线状态为线路错序。

9、在其中一个实施例中,所述目标检测模型通过以下步骤训练得到:获取电表接线盒图像样本集;所述电表接线盒图像样本集包括分别对应于电表接线盒的多种接线状态的图像样本;利用待训练的目标检测模型对各所述图像样本进行目标检测,得到各所述图像样本对应的目标检测结果;根据各所述图像样本对应的目标接线盒部件标注信息与所述目标检测结果的差异,得到所述待训练的目标检测模型的训练损失;根据所述训练损失,通过反向传播算法更新所述待训练的目标检测模型的模型参数;重复执行利用待训练的目标检测模型对所述图像样本进行目标检测,得到各所述图像样本对应的目标检测结果的步骤,直至满足预设的迭代终止条件,得到经训练的目标检测模型。

10、在其中一个实施例中,所述根据各所述图像样本对应的接线盒部件标注信息与所述目标检测结果的差异,得到所述待训练的目标检测模型的训练损失,包括:根据各所述图像样本对应的接线盒部件标注信息,得到各所述图像样本中各目标接线盒部件的标注框位置信息和类别标签;根据各所述目标检测结果,得到各所述图像样本中各目标接线盒部件的检测框位置信息和类别预测概率;根据各所述图像样本中各目标接线盒部件的检测框位置信息和标注框位置信息之间的差异,计算所述待训练的目标检测模型的回归损失;根据所述图像样本中各目标接线盒部件的类别预测概率和类别标签,计算所述待训练的目标检测模型的分类损失;根据所述回归损失和所述分类损失,得到所述待训练的目标检测模型的训练损失。

11、第二方面,本技术还提供了一种电表接线盒的接线状态检测装置,包括:

12、图像获取模块,用于获取电表接线盒的待检测图像;

13、部件检测模块,用于利用基于yolo26构建的目标检测模型,对所述待检测图像中的目标接线盒部件进行检测,得到所述待检测图像对应的目标检测结果;其中,所述目标检测模型的主干网络使用深度可分离卷积模块进行浅层特征提取和中层特征提取,所述目标检测模型中颈部网络的下采样路径使用幻影卷积模块进行特征下采样处理;

14、状态检测模块,用于根据所述目标检测结果,得到所述电表接线盒的接线状态检测结果。

15、第三方面,本技术还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:

16、获取电表接线盒的待检测图像;

17、利用基于yolo26构建的目标检测模型,对所述待检测图像中的目标接线盒部件进行检测,得到所述待检测图像对应的目标检测结果;其中,所述目标检测模型的主干网络使用深度可分离卷积模块进行浅层特征提取和中层特征提取,所述目标检测模型中颈部网络的下采样路径使用幻影卷积模块进行特征下采样处理;

18、根据所述目标检测结果,得到所述电表接线盒的接线状态检测结果。

19、第四方面,本技术还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:

20、获取电表接线盒的待检测图像;

21、利用基于yolo26构建的目标检测模型,对所述待检测图像中的目标接线盒部件进行检测,得到所述待检测图像对应的目标检测结果;其中,所述目标检测模型的主干网络使用深度可分离卷积模块进行浅层特征提取和中层特征提取,所述目标检测模型中颈部网络的下采样路径使用幻影卷积模块进行特征下采样处理;

22、根据所述目标检测结果,得到所述电表接线盒的接线状态检测结果。

23、第五方面,本技术还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:

24、获取电表接线盒的待检测图像;

25、利用基于yolo26构建的目标检测模型,对所述待检测图像中的目标接线盒部件进行检测,得到所述待检测图像对应的目标检测结果;其中,所述目标检测模型的主干网络使用深度可分离卷积模块进行浅层特征提取和中层特征提取,所述目标检测模型中颈部网络的下采样路径使用幻影卷积模块进行特征下采样处理;

26、根据所述目标检测结果,得到所述电表接线盒的接线状态检测结果。

27、上述电表接线盒的接线状态检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品,先获取电表接线盒的待检测图像,然后利用基于yolo26构建的目标检测模型,对待检测图像中的目标接线盒部件进行检测,得到待检测图像对应的目标检测结果,其中该目标检测模型的主干网络使用深度可分离卷积模块进行浅层特征提取和中层特征提取,该目标检测模型中颈部网络的下采样路径使用幻影卷积模块进行特征下采样处理,继而根据目标检测结果,得到电表接线盒的接线状态检测结果。该方案,通过对yolo26网络进行改进,在目标检测模型的主干网络引入深度可分离卷积模块进行浅层特征提取和中层特征提取,能够降低主干网络的参数量和特征提取过程的计算复杂度,同时通过在目标检测模型中颈部网络的下采样路径引入幻影卷积模块进行特征下采样处理,能够在压缩模型参数与提升推理帧率的同时保障模型的检测精确率与召回率。从而,利用该目标检测模型,可以在电力作业现场对电表接线盒的待检测图像进行高精度实时检测,实现对图像中的物理部件的精准定位与识别;继而基于目标检测结果,可以实现对接线状态的高效准确判定,满足电力作业现场对接线状态检测的高实时性和高精度要求。