线路巡检方法、装置和存储介质与流程

1.本发明涉及无人机线路巡检领域，尤其涉及一种线路巡检方法、装置和存储介质。


背景技术：

2.目前我国普遍的输电线路巡检方式包括人工巡检、直升机巡检、无人机巡检。
3.直升机巡线相对人工巡线而言极大地提高了效率，但巡线作业人员仍需承担大量人力工作，目前常规直升机巡线作业是“双人双检”模式，对缺陷的识别和判定完全依托巡检人员的经验，图像与视频的采集过程也是以人工采集为主，在处理过程中，缺少图像智能化识别、缺陷自动化判定的功能，图像数据处理自动化程度低，人员工作效率低、劳动强度大。一方面直升机巡检数据采集、数据处理、数据分析的链条较长、环节多，数据主要靠线下流转，效率低、安全性保密差，数据成果提交周期长，对运检系统的支撑不足；另一方面，直升机巡检每年上百tb的巡检数据未得到充分利用和挖掘，数据利用率较低。
4.无人机巡检作为一种使用巡检设备对输电线路进行巡视检查的全新巡检技术，在山区等一些受地理环境、天气状况因素影响较大的地区，可以充分发挥其灵活快捷、工作效率高的特点，实现快速获取清晰影像资料并通过分析和处理，来判断线路运行情况，是人工巡检效率的数十倍。通过无人机巡检，可近距离检测架空输电线路，实现零死角、零盲区地准确发现导线断股、绝缘子损坏等缺陷。此外，利用无人机巡检可以免除人工登塔、走线等作业，能够有效降低劳动强度，提高运维效率，控制人员伤亡风险。运用无人机进行缺陷识别，提升了巡检效率，确保了对电力设备状态的运行维护能力。
5.利用直升机或无人机巡检可以节省人工巡检的效率，但所获取的大量图像与视频数据依靠传统图像处理方法效率不高，智能化程度较低。因此，大量巡检数据处理分析周期较长，导致对于运检系统的支撑不足，其次海量的巡检数据未得到充分利用和挖掘，导致数据利用率较低造成资源的浪费。


技术实现要素：

6.本发明实施例提供一种线路巡检方法、装置和存储介质，能够提升输电线路图像的处理效率，能够更加准确快速地检测输电线路的缺陷。
7.第一方面，本发明实施例提供一种线路巡检方法，所述方法包括：
8.获取待检测输电线路的输电线路图像；
9.对所述输电线路图像进行特征提取，得到特征金字塔；
10.根据所述特征金字塔确定多尺度语义特征；
11.对所述多尺度语义特征进行语义增强，得到语义增强的增强特征图像；
12.根据所述语义增强的增强特征图像确定所述待检测输电线路的缺陷类别和缺陷位置。
13.第二方面，本发明实施例提供线路巡检装置，所述线路巡检装置包括：
14.获取模块，用于获取待检测输电线路的输电线路图像；
15.特征提取模块，用于对所述输电线路图像进行特征提取，得到特征金字塔；
16.多感受野级联模块，用于根据所述特征金字塔确定多尺度语义特征；
17.语义引导学习模块，用于对所述多尺度语义特征进行语义增强，得到语义增强的增强特征图像；
18.分类模块，用于根据所述语义增强的增强特征图像确定所述待检测输电线路的缺陷类别和缺陷位置。
19.第三方面，本发明实施例提供一种线路巡检装置，包括处理器、存储器和通信接口，所述存储器用于存储一个或多个程序，并且被配置由所述处理器执行，所述程序包括用于执行如权利要求1
‑
7任一项所述的方法中的步骤的指令。
20.第四方面，本发明实施例提供一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如上述第一方面所提供的方法。
21.第五方面，本发明实施例提供了一种计算机程序产品，其中，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如本发明实施例第一方面所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
22.可以看出，在本发明实施例中，能够通过获取待检测输电线路的输电线路图像；对所述输电线路图像进行特征提取，得到特征金字塔；根据所述特征金字塔确定多尺度语义特征；对所述多尺度语义特征进行语义增强，得到语义增强的增强特征图像；根据所述语义增强的增强特征图像确定所述待检测输电线路的缺陷类别和缺陷位置，如此能够提升输电线路图像的处理效率，能够更加准确快速地检测输电线路的缺陷。
附图说明
23.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
24.图1是本发明实施例提供的一种线路巡检方法的流程示意图；
25.图2是本发明实施例提供的另一种线路巡检方法的流程示意图；
26.图3是本发明实施例提供的一种线路巡检装置的结构示意图；
27.图4是本发明实施例提供的另一种线路巡检装置的结构示意图。
具体实施方式
28.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
29.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没
有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
30.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
31.下面对本发明实施例进行详细介绍。
32.请参阅图1，图1是本发明实施例公开的一种线路巡检方法的流程示意图，该线路巡检方法可包括以下步骤：
33.101、获取待检测输电线路的输电线路图像；
34.本发明实施例中，可通过直升机或无人机拍摄输电线路图像。
35.102、对所述输电线路图像进行特征提取，得到特征金字塔；
36.其中，可将所述输电线路图像输入骨干网络，通过所述骨干网络对所述输电线路图像进行特征提取，得到所述特征金字塔。
37.其中，所述骨干网络可以为深度残差卷积网络。
38.具体地，所述骨干网络包括但不限于resnet和resnext等；
39.根据对所述输电线路图像进行特征提取，得到特征金字塔具体可包括：通过深度残差卷积网络提取输电线路图像的特征，得到四层不同阶段的特征图{c 1，c2，c3，c4}，其中，c4为特征金字塔的最高层特征，c1为特征金字塔的最低层特征。
40.可选地，上述步骤102之前，还可包括：
41.对所述待检测输电线路图像进行预处理；其中，所述预处理包括：对图片进行裁剪去除背景区域；对输入图片数据进行标准化处理。
42.具体地，可对所述待检测输电线路图像进行裁剪去除大量无用背景区域，对裁剪后的图像进行整体标准化。
43.103、根据所述特征金字塔确定多尺度语义特征；
44.具体地，可基于密集多感受野级联模块，确定具有丰富多尺度信息的多尺度语义特征。
45.可选地，所述多个空洞卷积模块的个数为n＝4。
46.其中，密集多感受野级联模块可包括级联的多个感受野的空洞卷积模块{r 1，r2，r3，r4}，其中，r1为第一空洞卷积模块，r2为第二空洞卷积模块，r3为第三空洞卷积模块，r4可为第四空洞卷积模块，{r1，r2，r3，r4}分别代表四个级联的不同感受野的空洞卷积模块。
47.本方案可充分利用密集多感受野级联模块，获取多个感受野的特征信息，确保多尺度信息的全面性，并通过密集连接的多个空洞卷积模块，保证了信息的完整性。
48.可选地，上述步骤103中，所述根据所述特征金字塔确定多尺度语义特征，包括：
49.通过多感受野级联模块确定所述特征金字塔的最高层特征中的多尺度语义特征，所述多感受野级联模块包括多个感受野的空洞卷积模块，所述多个感受野的空洞卷积模块级联；每个所述空洞卷积模块包括多个空洞卷积层、批量标准化(batch normalization，bn)层以及激活层；所述多个空洞卷积模块中的空洞卷积率不同。
50.具体地，四个空洞卷积模块中的空洞卷积率可分别为3、6、12、24，中，第一空洞卷
积模块为空洞卷积率为3的3*3卷积模块；第二空洞卷积模块为空洞卷积率为6的3*3卷积模块；第三空洞卷积模块为空洞卷积率为12的3*3卷积模块；第四空洞卷积模块为空洞卷积率为24的3*3卷积模块。
51.其中，激活层的激活函数可以包括但不限于relu函数。
52.104、对所述多尺度语义特征进行语义增强，得到语义增强的增强特征图像；
53.其中，可基于语义引导学习模块对多尺度语义特征进行语义增强，得到语义增强的特征金字塔。具体地，根据所获得的具有丰富多尺度语义信息的多尺度语义特征，在进行特征金字塔自上而下的信息交互过程中，引入语义引导学习模块，以此增强所有层级特征的语义信息。
54.本方案通过语义引导学习模块，促进了底层特征语义信息的补全，使得底层特征能更好的捕捉输电线上缺陷的语义信息，使得通过密集多感受野级联模块确定的具有丰富多尺度信息的语义特征得到了充分的利用，从而加强了对输入图像中极大或极小缺陷目标的检测识别。
55.105、根据所述语义增强的增强特征图像确定所述待检测输电线路的缺陷类别和缺陷位置。
56.其中，可根据语义增强的特征金字塔，确定待检测输电线路的缺陷类别和缺陷位置，可通过候选区域网络，对所述语义增强后的增强特征图像进行初次分类和边框回归，得到候选区域；将所述候选区域映射至所述增强特征图像中，得到特征区域；利用分类器对所述特征区域进行分类，确定缺陷类别。
57.具体地，可通过用softmax分类器进行分类；利用回归器对所述特征区域进行位置回归，得到缺陷位置；例如，可通过l1 loss回归器完成回归操作，确定缺陷位置。
58.可以看出，在本发明实施例中，能够通过获取待检测输电线路的输电线路图像；对所述输电线路图像进行特征提取，得到特征金字塔；根据所述特征金字塔确定多尺度语义特征；对所述多尺度语义特征进行语义增强，得到语义增强的增强特征图像；根据所述语义增强的增强特征图像确定所述待检测输电线路的缺陷类别和缺陷位置，如此能够提升输电线路图像的处理效率，能够更加准确快速地检测输电线路的缺陷。
59.可选地，所述多个空洞卷积模块的个数为n，n为正整数，所述通过多感受野级联模块确定所述特征金字塔的最高层特征中的多尺度语义特征，可包括：
60.a1、将所述特征金字塔的最高层特征作为第一输入特征，输入第一空洞卷积模块，通过所述第一空洞卷积模块对所述第一输入特征进行计算，输出第一感受野增强特征；
61.a2、将所述特征金字塔的最高层特征和所述第一中间层特征作为第二输入特征，输入第二空洞卷积模块，通过所述第二空洞卷积模块对所述第二输入特征进行计算，输出第二感受野增强特征；
62.a3、将所述特征金字塔的最高层特征和n
‑
1个空洞卷积模块输出的n
‑
1个感受野增强特征作为第n个空洞卷积模块的输入特征，输入至第n个空洞卷积模块，通过所述第n个空洞卷积模块对所述第n个空洞卷积模块的输入特征进行计算，输出所述多尺度语义特征。
63.其中，特征金字塔的最高层特征c4经过第一空洞卷积模块r1进行计算之后，得到第一感受野增强特征c4’。具体地，可通过空洞卷积率为3的3*3第一空洞卷积模块r1，r1还包括bn层以及激活函数relu，作用于c4，得到第一感受野增强特征45’；下一步，第二空洞卷
积模块r2的输入特征为特征金字塔的最高层特征c4 第一感受野增强特征c4’，以此避免不同感受野信息在前向传播中的丢失；以此类推，r3的输入为c4 r1的输出特征 r2的输出特征，r4的输入为c4 r1的输出特征 r2的输出特征 r3的输出特征。
64.可选地，所述第n个空洞卷积模块的输入特征的数量为m，m为正整数，上述步骤a3中，所述通过所述第n个空洞卷积模块对所述第n个空洞卷积模块的输入特征进行计算，可包括：
65.a31、通过第n个空洞卷积模块将m个输入特征在通道维度上拼接为目标特征；
66.a32、依据输入特征的个数m，通过1*1卷积模块将通道维度降低至m；
67.a33、通过激活函数对所述目标特征进行通道维度上的归一化处理，得到m 个归一化系数；
68.a34、根据所述m个归一化系数和所述m个输入特征进行加权求和，得到所述多尺度语义特征。
69.具体地，将输入特征在通道维度上进行拼接为目标特征x，并依据输入特征的个数m，通过1*1卷积将通道维度降低至m；可利用激活函数softmax或s igmoid等对目标特征x进行通道维度上的归一化求得相应的归一化系数；最后，根据m个归一化系数和m个输入特征进行加权求和，得到多尺度语义特征。
70.针对于输入待检测图像经过骨干网络所生成的特征金字塔，本方案设计了一种基于密集多感受野级联模块，用以充实最高层语义特征层的多感受野信息，以增强其多尺度感知能力，使得语义信息最为丰富的特征层也具有丰富的多尺度信息；此外，设计了一种密集连接的结构用以保证不同感受野信息在前向传播中得到充分利用，保留不同感受野的特征信息。
71.可选地，所述特征金字塔的层数为k，k为正整数，上述步骤104中，对所述多尺度语义特征进行语义增强，得到语义增强的增强特征图像，可包括：
72.b1、通过语义引导学习模块中的上采样函数对所述多尺度语义特征进行上采样，得到第k层语义特征；根据所述第k层语义特征和所述特征金字塔中的第k
‑
1层特征确定第k
‑
1层语义特征；
73.b2、通过上采样函数对所述第k层语义特征进行上采样，得到第k层新的语义特征；根据所述第k
‑
1层语义特征进行上采样，得到第k
‑
1层新的语义特征；根据所述第k层新的语义特征、所述第k
‑
1层新的语义特征和所述特征金字塔中的第k
‑
2层特征确定第k
‑
2层语义特征；
74.b3、通过上采样函数对第2层至第k层新的语义特征第进行上采样，得到k
ꢀ‑
1个新的语义特征；根据所述k
‑
1个新的语义特征和所述特征金字塔中的第1 层特征确定所述语义增强的特征金字塔，所述特征金字塔中的第1层特征为所述特征金字塔中的最低层特征。
75.具体地，所获得的具有丰富多尺度语义信息的多尺度语义特征为p4，通过 2倍上采样函数f对其进行上采样，得到第4层语义特征f(p4)；根据第4层语义特征f(p4)和特征金字塔中的第3层特征c3确定第3层语义特征p3＝f(p5) c 3，以此弥补c3中缺少的语义信息；
76.在生成第2层语义特征p2的时候，通过语义引导学习模块，引入最高层语义特征信息，避免语义信息在向下传递过程中的稀释，得到p2＝f(f(p4)) f(p3) c2，以此类推可得p1＝f(f(f(p4))) f(f(p3)) f(p2) c1。
77.可选地，上述步骤b3中，所述根据所述k
‑
1个新的语义特征和所述特征金字塔中的第1层特征确定所述语义增强的特征金字塔，可包括：
78.b31、获取k层特征金字塔中每一层对应的加权系数，得到k个加权系数；
79.b32、根据所述k个加权系数、所述k
‑
1个新的语义特征和所述特征金字塔中的第1层特征进行加权求和，得到所述多尺度语义特征。
80.针对于所生成的具有多尺度信息以及丰富语义信息的的特征金字塔的最高层特征，本方案设计了一种语义引导学习模块，通过在自上而下金字塔的每次融合过程中，引入高于当前层特征的高层特征，充分弥补底层特征所缺失的语义信息，以增强底层特征的语义表示能力，并且基于语义引导学习的方法可以使得整个融合过程动态的学习到当前所需的语义信息，使得高层语义特征信息不会被逐渐稀释。
81.可以看出，通过所设计的密集多感受野级联模块以及语义引导学习模块，得到多感受野语义增强金字塔结构。通过密集多感受野级联模块，获取多个感受野的特征信息，确保多尺度信息的全面性，并通过密集连接操作保证了信息的完整性；通过语义引导学习模块，促进了底层特征语义信息的补全，使得底层特征能更好的捕捉输电线上缺陷的语义信息，使得通过密集多感受野级联模块确定的具有丰富多尺度信息的语义特征得到了充分的利用；通过候选区域网络、分类器及回归器，确定待测输电线路的缺陷类别及缺陷位置，提高智能检测的自动化程度以及检测的精度。
82.请参阅图2，图2是本发明实施例公开的另一种线路巡检方法的流程示意图，该线路巡检方法可包括以下步骤：
83.步骤201、获取待检测输电线路的输电线路图像。
84.步骤202、通过骨干网络对所述输电线路图像进行特征提取，得到所述特征金字塔。
85.步骤203：基于密集多感受野级联模块，根据所述特征金字塔的最高层特征确定多尺度语义特征，所述多感受野级联模块包括多个感受野的空洞卷积模块，所述多个感受野的空洞卷积模块级联。
86.步骤204、基于语义引导学习模块对所述多尺度语义特征进行语义增强，得到语义增强的增强特征图像；
87.步骤205、根据所述语义增强的增强特征图像确定所述待检测输电线路的缺陷类别和缺陷位置。
88.可以看出，通过所设计的密集多感受野级联模块以及语义引导学习模块，得到多感受野语义增强金字塔结构。通过密集多感受野级联模块，获取多个感受野的特征信息，确保多尺度信息的全面性，并通过密集连接操作保证了信息的完整性；通过语义引导学习模块，促进了底层特征语义信息的补全，使得底层特征能更好的捕捉输电线上缺陷的语义信息，使得通过密集多感受野级联模块确定的具有丰富多尺度信息的语义特征得到了充分的利用；通过候选区域网络、分类器及回归器，确定待测输电线路的缺陷类别及缺陷位置，提高智能检测的自动化程度以及检测的精度。
89.请参阅图3，图3是本发明实施例公开的一种线路巡检装置的结构示意图，所述线路巡检装置300包括处理器310、存储器320和通信接口330，所述存储器用于存储一个或多个程序321，并且被配置由所述处理器执行，所述程序包括用于执行如下步骤：
90.获取待检测输电线路的输电线路图像；
91.对所述输电线路图像进行特征提取，得到特征金字塔；
92.根据所述特征金字塔确定多尺度语义特征；
93.对所述多尺度语义特征进行语义增强，得到语义增强的增强特征图像；
94.根据所述语义增强的增强特征图像确定所述待检测输电线路的缺陷类别和缺陷位置。
95.可选地，所述根据所述特征金字塔确定多尺度语义特征，包括：
96.通过多感受野级联模块确定所述特征金字塔的最高层特征中的多尺度语义特征，所述多感受野级联模块包括多个感受野的空洞卷积模块，所述多个感受野的空洞卷积模块级联；每个所述空洞卷积模块包括多个空洞卷积层、批标准化层以及激活层；所述多个空洞卷积模块中的空洞卷积率不同。
97.可选地，所述多个空洞卷积模块的个数为n，n为正整数，所述通过多感受野级联模块确定所述特征金字塔的最高层特征中的多尺度语义特征，包括：
98.将所述特征金字塔的最高层特征作为第一输入特征，输入第一空洞卷积模块，通过所述第一空洞卷积模块对所述第一输入特征进行计算，输出第一感受野增强特征；
99.将所述特征金字塔的最高层特征和所述第一中间层特征作为第二输入特征，输入第二空洞卷积模块，通过所述第二空洞卷积模块对所述第二输入特征进行计算，输出第二感受野增强特征；
100.将所述特征金字塔的最高层特征和n
‑
1个空洞卷积模块输出的n
‑
1个感受野增强特征作为第n个空洞卷积模块的输入特征，输入至第n个空洞卷积模块，通过所述第n个空洞卷积模块对所述第n个空洞卷积模块的输入特征进行计算，输出所述多尺度语义特征。
101.可选地，所述第n个空洞卷积模块的输入特征的数量为m，m为正整数，所述通过所述第n个空洞卷积模块对所述第n个空洞卷积模块的输入特征进行计算，包括：
102.通过第n个空洞卷积模块将m个输入特征在通道维度上拼接为目标特征；
103.依据输入特征的个数m，通过1*1卷积模块将通道维度降低至m；
104.通过激活函数对所述目标特征进行通道维度上的归一化处理，得到m个归一化系数；
105.根据所述m个归一化系数和所述m个输入特征进行加权求和，得到所述多尺度语义特征。
106.可选地，所述特征金字塔的层数为k，k为正整数，对所述多尺度语义特征进行语义增强，得到语义增强的增强特征图像，包括：
107.通过语义引导学习模块中的上采样函数对所述多尺度语义特征进行上采样，得到第k层语义特征；根据所述第k层语义特征和所述特征金字塔中的第k
ꢀ‑
1层特征确定第k
‑
1层语义特征；
108.通过上采样函数对所述第k层语义特征进行上采样，得到第k层新的语义特征；根据所述第k
‑
1层语义特征进行上采样，得到第k
‑
1层新的语义特征；根据所述第k层新的语义特征、所述第k
‑
1层新的语义特征和所述特征金字塔中的第k
‑
2层特征确定第k
‑
2层语义特征；
109.通过上采样函数对第2层至第k层新的语义特征第进行上采样，得到k
‑
1 个新的语
义特征；根据所述k
‑
1个新的语义特征和所述特征金字塔中的第1层特征确定所述语义增强的特征金字塔，所述特征金字塔中的第1层特征为所述特征金字塔中的最低层特征。
110.可选地，所述根据所述k
‑
1个新的语义特征和所述特征金字塔中的第1层特征确定所述语义增强的特征金字塔，包括：
111.获取k层特征金字塔中每一层对应的加权系数，得到k个加权系数；
112.根据所述k个加权系数、所述k
‑
1个新的语义特征和所述特征金字塔中的第 1层特征进行加权求和，得到所述多尺度语义特征。
113.可选地，在所述对所述输电线路图像进行特征提取，得到特征金字塔之前，所述方法还包括：
114.对所述待检测输电线路图像进行预处理；其中，所述预处理包括：对图片进行裁剪去除背景区域；对输入图片数据进行标准化处理。
115.可选地，根据所述语义增强的增强特征图像确定所述待检测输电线路的缺陷类别和缺陷位置，包括：
116.通过候选区域网络，对所述语义增强后的增强特征图像进行初次分类和边框回归，得到候选区域；将所述候选区域映射至所述增强特征图像中，得到特征区域；利用分类器对所述特征区域进行分类，确定缺陷类别。
117.可以看出，在本发明实施例中，能够通过获取待检测输电线路的输电线路图像；对所述输电线路图像进行特征提取，得到特征金字塔；根据所述特征金字塔确定多尺度语义特征；对所述多尺度语义特征进行语义增强，得到语义增强的增强特征图像；根据所述语义增强的增强特征图像确定所述待检测输电线路的缺陷类别和缺陷位置，如此能够提升输电线路图像的处理效率，能够更加准确快速地检测输电线路的缺陷。
118.请参阅图4，图4是本发明实施例公开的一种线路巡检装置的结构示意图，所述线路巡检装置400包括：
119.获取模块401，用于获取待检测输电线路的输电线路图像；
120.特征提取模块402，用于对所述输电线路图像进行特征提取，得到特征金字塔；
121.多感受野级联模块403，用于根据所述特征金字塔确定多尺度语义特征；
122.语义引导学习模块404，用于对所述多尺度语义特征进行语义增强，得到语义增强的增强特征图像；
123.分类模块405，用于根据所述语义增强的增强特征图像确定所述待检测输电线路的缺陷类别和缺陷位置。
124.可选地，在所述根据所述特征金字塔确定多尺度语义特征方面，多感受野级联模块403具体用于：
125.通过多感受野级联模块确定所述特征金字塔的最高层特征中的多尺度语义特征，所述多感受野级联模块包括多个感受野的空洞卷积模块，所述多个感受野的空洞卷积模块级联；每个所述空洞卷积模块包括多个空洞卷积层、批标准化层以及激活层；所述多个空洞卷积模块中的空洞卷积率不同。
126.可选地，所述多个空洞卷积模块的个数为n，n为正整数，在所述通过多感受野级联模块确定所述特征金字塔的最高层特征中的多尺度语义特征方面，多感受野级联模块403具体用于：
127.将所述特征金字塔的最高层特征作为第一输入特征，输入第一空洞卷积模块，通过所述第一空洞卷积模块对所述第一输入特征进行计算，输出第一感受野增强特征；
128.将所述特征金字塔的最高层特征和所述第一中间层特征作为第二输入特征，输入第二空洞卷积模块，通过所述第二空洞卷积模块对所述第二输入特征进行计算，输出第二感受野增强特征；
129.将所述特征金字塔的最高层特征和n
‑
1个空洞卷积模块输出的n
‑
1个感受野增强特征作为第n个空洞卷积模块的输入特征，输入至第n个空洞卷积模块，通过所述第n个空洞卷积模块对所述第n个空洞卷积模块的输入特征进行计算，输出所述多尺度语义特征。
130.可选地，所述第n个空洞卷积模块的输入特征的数量为m，m为正整数，在所述通过所述第n个空洞卷积模块对所述第n个空洞卷积模块的输入特征进行计算方面，多感受野级联模块403具体用于：
131.通过第n个空洞卷积模块将m个输入特征在通道维度上拼接为目标特征；
132.依据输入特征的个数m，通过1*1卷积模块将通道维度降低至m；
133.通过激活函数对所述目标特征进行通道维度上的归一化处理，得到m个归一化系数；
134.根据所述m个归一化系数和所述m个输入特征进行加权求和，得到所述多尺度语义特征。
135.可选地，所述特征金字塔的层数为k，k为正整数，在对所述多尺度语义特征进行语义增强，得到语义增强的增强特征图像方面，语义引导学习模块404：
136.通过语义引导学习模块中的上采样函数对所述多尺度语义特征进行上采样，得到第k层语义特征；根据所述第k层语义特征和所述特征金字塔中的第k
ꢀ‑
1层特征确定第k
‑
1层语义特征；
137.通过上采样函数对所述第k层语义特征进行上采样，得到第k层新的语义特征；根据所述第k
‑
1层语义特征进行上采样，得到第k
‑
1层新的语义特征；根据所述第k层新的语义特征、所述第k
‑
1层新的语义特征和所述特征金字塔中的第k
‑
2层特征确定第k
‑
2层语义特征；
138.通过上采样函数对第2层至第k层新的语义特征第进行上采样，得到k
‑
1 个新的语义特征；根据所述k
‑
1个新的语义特征和所述特征金字塔中的第1层特征确定所述语义增强的特征金字塔，所述特征金字塔中的第1层特征为所述特征金字塔中的最低层特征。
139.可选地，在所述根据所述k
‑
1个新的语义特征和所述特征金字塔中的第1 层特征确定所述语义增强的特征金字塔方面，语义引导学习模块404：
140.获取k层特征金字塔中每一层对应的加权系数，得到k个加权系数；
141.根据所述k个加权系数、所述k
‑
1个新的语义特征和所述特征金字塔中的第 1层特征进行加权求和，得到所述多尺度语义特征。
142.可选地，在所述对所述输电线路图像进行特征提取，得到特征金字塔之前，所述获取模块还用于：
143.对所述待检测输电线路图像进行预处理；其中，所述预处理包括：对图片进行裁剪去除背景区域；对输入图片数据进行标准化处理。
144.可选地，在根据所述语义增强的增强特征图像确定所述待检测输电线路的缺陷类
别和缺陷位置方面，分类模块具体用于：
145.通过候选区域网络，对所述语义增强后的增强特征图像进行初次分类和边框回归，得到候选区域；将所述候选区域映射至所述增强特征图像中，得到特征区域；利用分类器对所述特征区域进行分类，确定缺陷类别。
146.可以看出，在本发明实施例中，能够通过获取待检测输电线路的输电线路图像；对所述输电线路图像进行特征提取，得到特征金字塔；根据所述特征金字塔确定多尺度语义特征；对所述多尺度语义特征进行语义增强，得到语义增强的增强特征图像；根据所述语义增强的增强特征图像确定所述待检测输电线路的缺陷类别和缺陷位置，如此能够提升输电线路图像的处理效率，能够更加准确快速地检测输电线路的缺陷。
147.需要说明的是，本实施例的具体实现过程可参见上述方法实施例所述的具体实现过程，在此不再详述。
148.本发明实施例可以根据所述方法示例对电子设备进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。所述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本发明实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
149.本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤，上述计算机包括电子设备。
150.本发明实施例还提供一种计算机程序产品，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包，上述计算机包括电子设备。
151.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
152.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
153.在本发明所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
154.上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目
的。
155.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
156.上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram， random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
157.本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：内部闪存盘、只读存储器(英文：read
‑
only memory，简称：rom)、随机存取器(英文：random access memory，简称：ram)、磁盘或光盘等。
158.以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。