导地线缺陷检测方法、装置、边缘计算设备和存储介质与流程

1.本技术涉及电网配电领域，特别是涉及一种导地线缺陷检测方法、装置、计算机设备和存储介质。


背景技术：

2.由于现代工业的不断发展，电力需求不断增加：为了稳定地提供大量的电力，需要高的传输电压。而输电线路中的导线承受微风振动等长期振动作用，线夹出口容易出现微动磨损，同时线夹出口也是应力集中区域，磨损、应力集中效应叠加导致该处导线径向裂纹的生成与扩展，在周期性应力的作用下裂纹逐步发展，最终导致导线疲劳断裂。输电线路导地线的断股是运维中较为常见的缺陷，断股会影响线路载流量、引发电晕、降低线路机械性能。导地线断线是目前仍时有发生的严重故障，抢修难度大、停电时间长。
3.目前，可以通过无人机技术来实现导地线的缺陷处理。无人机图像采集是远程遥控操控或者代码智能巡航来对铁塔关键位置进行现场数据采集，然后在服务器进行人工数据分析，然而这种方法在数据传输过程中，需要消耗大量资源，数据分析效率低，难以实现实时监控。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能有效进行实时电网导电线缺陷监控的导地线缺陷检测方法、装置、计算机设备和存储介质。
5.一种导地线缺陷检测方法，所述方法包括：
6.获取电网的电塔区域原始图像数据；
7.通过预设第一识别模型，确定所述电塔区域原始图像数据中的导地线位置信息，所述预设第一识别模型通过yolov4算法，基于yolov4
‑
tiny网络结构构建；
8.将所述导地线位置信息输入预设第二识别模型，确定所述电塔区域原始图像数据中的导地线缺陷信息，所述预设第二识别模型通过yolov4算法，基于yolov4
‑
tiny网络结构构建；
9.根据所述导地线缺陷信息发送风险警告。
10.在其中一个实施例中，所述通过预设第一识别模型，确定所述电塔区域原始图像数据中的导地线位置信息包括：
11.通过所述预设第一识别模型提取所述电塔区域原始图像数据对应的第一特征图以及第二特征图；
12.对所述第一特征图进行上采样处理，将上采样处理后的第一特征图与第二特征图融合，获取融合特征图；
13.基于注意力机制对所述融合特征图进行处理，获取分类特征图；
14.通过giou算法以及nms算法获取所述分类特征图的预测框；
15.基于所述预测框确定所述电塔区域原始图像数据中的导地线位置信息。
16.在其中一个实施例中，所述通过预设第一识别模型，确定所述电塔区域原始图像数据中的导地线位置信息之前，还包括：
17.获取包含导地线设备的历史图像数据以及所述历史图像数据对应的第一标注信息，所述第一标注信息用于标注所述历史图像数据中导地线本体位置以及导地线异常位置；
18.通过所述第一标注信息对所述历史图像数据进行标注，获取第一模型训练数据；
19.基于所述第一模型训练数据对初始yolov4
‑
tiny模型进行训练，获取预设第一识别模型。
20.在其中一个实施例中，所述基于所述第一模型训练数据对初始yolov4
‑
tiny模型进行训练，获取预设第一识别模型包括：
21.将第一模型训练数据划分为训练集数据、测试集数据以及验证集数据；
22.通过所述训练集数据、测试集数据以及验证集数据对初始yolov4
‑
tiny模型进行迭代训练，并在迭代训练过程中，对每次迭代完成的yolov4
‑
tiny模型进行模型压缩处理；
23.当识别到所述训练集数据以及所述测试集数据的损失均处于稳定状态，且验证集数据的准确率高于预设准确率阈值时，停止迭代，并将当前迭代训练完成的yolov4
‑
tiny模型作为第一可用模型；
24.对所述第一可用模型进行边缘化处理，获取预设第一识别模型。
25.在其中一个实施例中，所述对所述第一可用模型进行边缘化处理，获取预设第一识别模型包括：
26.将所述第一可用模型转化为onnx模型；
27.基于tensorrt对所述onnx模型进行解析，得到engine模型；
28.通过tensorrt fp16对所述engine模型进行量化加速处理，获取预设第一识别模型。
29.在其中一个实施例中，所述通过所述第一标注信息对所述历史图像数据进行标注，获取第一模型训练数据之后，还包括：
30.基于所述导地线本体位置，提取所述第一模型训练中的导地线区域图像；
31.基于所述第一标注信息中的导地线异常位置，确定所述导地线区域图像中的导地线异常位置；
32.根据所述导地线区域图像中的导地线异常位置对所述导地线区域图像进行标注，获取第二模型训练数据；
33.基于所述第二模型训练数据对初始yolov4
‑
tiny模型进行训练，获取预设第二识别模型。
34.一种导地线缺陷检测装置，应用于边缘计算设备，所述装置包括：
35.数据获取模块，用于获取电网的电塔区域原始图像数据；
36.第一识别模块，用于通过预设第一识别模型，确定所述电塔区域原始图像数据中的导地线位置信息，所述预设第一识别模型通过yolov4算法，基于yolov4
‑
tiny网络结构构建；
37.第二识别模块，用于将所述导地线位置信息输入预设第二识别模型，确定所述电塔区域原始图像数据中的导地线缺陷信息，所述预设第二识别模型通过yolov4算法，基于
yolov4
‑
tiny网络结构构建；
38.风险告警模块，用于根据所述导地线缺陷信息发送风险警告。
39.在其中一个实施例中，所述第一识别模块具体用于：通过所述预设第一识别模型提取所述电塔区域原始图像数据对应的第一特征图以及第二特征图；对所述第一特征图进行上采样处理，将上采样处理后的第一特征图与第二特征图融合，获取融合特征图；基于注意力机制对所述融合特征图进行处理，获取分类特征图；通过giou算法以及nms算法获取所述分类特征图的预测框；基于所述预测框确定所述电塔区域原始图像数据中的导地线位置信息。
40.一种边缘计算设备，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：
41.获取电网的电塔区域原始图像数据；
42.通过预设第一识别模型，确定所述电塔区域原始图像数据中的导地线位置信息，所述预设第一识别模型通过yolov4算法，基于yolov4
‑
tiny网络结构构建；
43.将所述导地线位置信息输入预设第二识别模型，确定所述电塔区域原始图像数据中的导地线缺陷信息，所述预设第二识别模型通过yolov4算法，基于yolov4
‑
tiny网络结构构建；
44.根据所述导地线缺陷信息发送风险警告。
45.一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：
46.获取电网的电塔区域原始图像数据；
47.通过预设第一识别模型，确定所述电塔区域原始图像数据中的导地线位置信息，所述预设第一识别模型通过yolov4算法，基于yolov4
‑
tiny网络结构构建；
48.将所述导地线位置信息输入预设第二识别模型，确定所述电塔区域原始图像数据中的导地线缺陷信息，所述预设第二识别模型通过yolov4算法，基于yolov4
‑
tiny网络结构构建；
49.根据所述导地线缺陷信息发送风险警告。
50.上述导地线缺陷检测方法、装置、边缘计算设备和存储介质，通过获取电网的电塔区域原始图像数据；通过预设第一识别模型，确定电塔区域原始图像数据中的导地线位置信息；将导地线位置信息输入预设第二识别模型，确定电塔区域原始图像数据中的导地线缺陷信息；根据导地线缺陷信息发送风险警告。在本技术的方案中，基于边缘检测来实现电网导电线的缺陷检测，通过在得到电塔区域原始图像数据后，直接通过边缘计算设备来进行两重识别，先确定出导地线位置，再确定导地线缺陷，基于yolov4
‑
tiny网络结构的轻量化识别模型可以有效在本地的边缘计算设备上运行，并减少识别推理的耗时，从而无需进行高清图像的传输，提高导地线缺陷的识别分析效率。
附图说明
51.图1为一个实施例中导地线缺陷检测方法的流程示意图；
52.图2为一个实施例中图1中步骤104的子流程示意；
53.图3为一个实施例中构建预设第一识别模型步骤的流程示意图；
54.图4为一个实施例中图3中步骤306的子流程示意；
55.图5为一个实施例中图4中步骤407的子流程示意；
56.图6为一个实施例中构建预设第二识别模型步骤的流程示意图；
57.图7为一个实施例中导地线缺陷检测装置的结构框图；
58.图8为一个实施例中计算机设备的内部结构图。
具体实施方式
59.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
60.在一个实施例中，如图1所示，提供了一种导地线缺陷检测方法，该方法具体应用于边缘监测设备。本实施例中，该方法包括以下步骤：
61.步骤102，获取电网的电塔区域原始图像数据。
62.其中，边缘计算是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间，或处于物理实体的顶端。而在本技术的实施例中，则是指在采集电塔区域原始图像数据的位置直接进行导地线缺陷检测。
63.具体地，在进行导地线缺陷检测时，需要实时地获取电塔区域原始图像数据，并基于所获取的数据来进行识别判断。在其中一个实施例中，可以采用无人机上的图像采集设备来获取电网的电塔区域原始图像数据。此时，可以在无人机上加装边缘计算设备，并将边缘计算设备与图像采集设备连接，从而可以直接实时获取电网的电塔区域原始图像数据，并进行检测。
64.步骤104，通过预设第一识别模型，确定电塔区域原始图像数据中的导地线位置信息，预设第一识别模型通过yolov4算法，基于yolov4
‑
tiny网络结构构建；
65.步骤106，将导地线位置信息输入预设第二识别模型，确定电塔区域原始图像数据中的导地线缺陷信息，预设第二识别模型通过yolov4算法，基于yolov4
‑
tiny网络结构构建。
66.步骤108，根据导地线缺陷信息发送风险警告。
67.其中，yolov4是一种基于卷积神经网络的端到端目标对象检测算法，它将目标检测问题转变为回归问题，这种方法显著提高了物体检测速度。具体来说，输入图像被划分为s
×
s的网格：如果物体的真实中心在其边界内，该网格负责检测对象。然后，对象由每个网格上的一个界框预测，边界框和类别概率的最终坐标通过回归算法生成。而yolov4
‑
tiny是yolov4的压缩版本。它是基于yolov4使网络结构更加简单，降低参数，使之成为在移动和嵌入式设备开发可行的建议。可以使用yolov4
‑
tiny进行更快的训练和更快的检测。它只有两个yolo头，而yolov4中只有三个，并且已经从29个预训练的卷积层中进行了训练，而yolov4已经从137个预训练的卷积层中进行了训练。而导地线缺陷具体是指导地线出现的断股或散股等缺陷问题。
68.具体地，在进行导地线缺陷检测时，可以基于轻量化的yolov4
‑
tiny网络结构的神
经网络模型来实现边缘计算设备上的检测。在检测时，也可以通过级联算法来分步进行检测，算法首先调用预设第一识别模型对电塔区域原始图像数据进行检测，判断图像中的导地线位置信息，将导地线位置信息输入预设第二识别模型，确定电塔区域原始图像数据中的导地线缺陷信息，以此确定导地线上是否存在断股、散股的类别信息和如果发生缺陷的话，导地线缺陷的位置信息。而后根据导地线缺陷信息发送风险警告。
69.上上述导地线缺陷检测方法，通过获取电网的电塔区域原始图像数据；通过预设第一识别模型，确定电塔区域原始图像数据中的导地线位置信息；将导地线位置信息输入预设第二识别模型，确定电塔区域原始图像数据中的导地线缺陷信息；根据导地线缺陷信息发送风险警告。在本技术的方案中，基于边缘检测来实现电网导电线的缺陷检测，通过在得到电塔区域原始图像数据后，直接通过边缘计算设备来进行两重识别，先确定出导地线位置，再确定导地线缺陷，基于yolov4
‑
tiny网络结构的轻量化识别模型可以有效在本地的边缘计算设备上运行，并减少识别推理的耗时，从而无需进行高清图像的传输，提高导地线缺陷的识别分析效率。
70.在其中一个实施例中，如图2所示，步骤104包括：
71.步骤201，通过预设第一识别模型提取电塔区域原始图像数据对应的第一特征图以及第二特征图。
72.步骤203，对第一特征图进行上采样处理，将上采样处理后的第一特征图与第二特征图融合，获取融合特征图。
73.步骤205，基于注意力机制对融合特征图进行处理，获取分类特征图。
74.步骤207，通过giou算法以及nms算法获取分类特征图的预测框。
75.步骤209，基于预测框确定电塔区域原始图像数据中的导地线位置信息。
76.其中，上采样处理的主要目的是放大原图像,从而可以显示在更高分辨率的显示设备上。在通过预设第一识别模型提取图像特征时，得到两个不同大小的特征，为了更好的学习到图像中的特征信息，可以对更小的特征图通过上采样处理，从而将其与更大特征图进行融合。注意力机制是一种资源分配的机制，可以理解为对于原本平均分配的资源根据attention对象的重要程度重新分配资源，重要的单位就多分一点，不重要或者不好的单位就少分一点。
77.具体地，本专利采用的边缘计算的方法，为了让检测算法能够在边缘设备上稳定、快速实时的运行，需要使用轻量的网络结构，减小模型推理所消耗的时间，因此本技术采用的是yolov4
‑
tiny网络结构，其在yolov4s backbone上采用了cspdarknet53
‑
tiny、mish激活函数、dropblock等方式，通过dropout掉一部分相邻的整片的区域，网络就会去注重学习别的部位的特征，来实现正确分类，从而表现出更好的泛化。它是darknet
‑
19和res
‑
net模块的组合起来的。cspdarknet53是darknet53的每个大残差块上加上csp。主干网络还使用了spp模块(空间金字塔池化)，目的是增加网络的感受视野。归一化后的数据传入神经网络进行特征提取，yolov4
‑
tiny的网络的输入为416*416*3，经过卷积层、bn层、激活层，最后获得两个不同大小的特征图，即13*13的第一特征图，以及26*26的第二特征图，为了更好的学习到图像中的特征信息，可以对13*13的第一特征图使用上采样处理，将处理后的特征图与26*26特征图进行融合，得到融合特征图，通过这种方法，识别的准确率得到提升。yolov4
‑
tiny的网络中采用了pan结构，深层的特征图携带有更强的语义特征，较弱的定位信息。而
浅层的特征图携带有较强的位置信息，和较弱的语义特征。fpn就是把深层的语义特征传到浅层，从而增强多个尺度上的语义表达。而pan则相反把浅层的定位信息传导到深层，增强多个尺度上的定位能力。同时在网络中引入了注意力机制，首先做一个基于channel全局最大池化(global max pooling)和全局平局池化(global average pooling)，然后将这2个结果基于通道做合并操作。然后经过一个卷积操作，降维为1个channel。再经过sigmoid生成spatial attention feature。最后将该feature和该模块的输入feature做乘法，得到最终生成的分类特征图。最后再利用提取的分类特征图来计算类别，yolov4的检测结果通过2个不同的尺度，分别来检测小、大目标。通过giou算法：先计算两个框的最小闭包区域面积(即同时包含了预测框和真实框的最小框的面积)，再计算出iou，再计算闭包区域中不属于两个框的区域占闭包区域的比重，最后用iou减去这个比重得到giou。最终通过nms算法得到最终预测框，预测框在电塔区域原始图像的位置即电塔区域原始图像数据中的导地线位置。具体地，预设第二识别模型的识别过程与预设第一识别模型类似，但其最终的识别结果为导地线位置部分所对应的图像数据中的导地线缺陷位置，即导地线断股或者散股所在的位置。本实施例中，通过预设第一识别模型来进行导地线位置的识别，可以有效保证模型在边缘设备上稳定、快速实时的运行，从而保证导地线缺陷的检测效率。
78.在其中一个实施例中，如图3所示，步骤104之前，还包括：
79.步骤302，获取包含导地线设备的历史图像数据以及历史图像数据对应的第一标注信息，第一标注信息用于标注历史图像数据中导地线本体位置以及导地线异常位置。
80.步骤304，通过第一标注信息对历史图像数据进行标注，获取第一模型训练数据。
81.步骤306，基于第一模型训练数据对初始yolov4
‑
tiny模型进行训练，获取预设第一识别模型。
82.具体地，在通过预设第一识别模型来进行导地线位置信息的识别之前，还需要完成预设第一识别模型的训练，此时可以获取包含导地线设备的历史图像数据以及历史图像数据对应的第一标注信息，并进行标注，从而得到带标注的历史图像数据。而后将这些带标注的历史图像数据作为模型训练数据，对初始yolov4
‑
tiny模型进行有监督训练，得到最终的预设第一识别模型。在一个具体的实施例中，可以从无人机采集的历史图像数据中，筛选出包含导地线设备的图像，剔除低分辨率、失真严重的图像。而后利用标注工具，对图像中的导地线本体，以及导地线上断股、散股进行标注，并以voc数据格式保存成xml文件，里面包含类别信息、以及位置信息，再将voc数据格式转换成yolov4数据格式，作为第一模型训练数据。并将其划分为80％训练集、10％测试集、10％验证集。通过这些数据即可完成模型的训练。本实施例中，通过构建训练数据，可以有效地获取预设第一识别模型，并保证模型的识别准确率。
83.在其中一个实施例中，如图4所示，步骤306包括：
84.步骤401，将第一模型训练数据划分为训练集数据、测试集数据以及验证集数据。
85.步骤403，通过训练集数据、测试集数据以及验证集数据对初始yolov4
‑
tiny模型进行迭代训练，并在迭代训练过程中，对每次迭代完成的yolov4
‑
tiny模型进行模型压缩处理。
86.步骤405，当识别到训练集数据以及测试集数据的损失均处于稳定状态，且验证集数据的准确率高于预设准确率阈值时，停止迭代，并将当前迭代训练完成的yolov4
‑
tiny模
型作为第一可用模型。
87.步骤407，对第一可用模型进行边缘化处理，获取预设第一识别模型。
88.具体地，在得到第一模型训练数据，可以将模型训练数据拆分为训练集、测试集以及验证集，其中训练集用于对初始模型的训练，验证集用于寻找模型的最佳参数，测试集用于寻找训练完成模型的泛化误差，通过训练集数据、测试集数据以及验证集数据对初始yolov4
‑
tiny模型进行迭代训练，迭代训练的过程，具体可以参照预设第一识别模型从电塔区域原始图像数据中的导地线位置信息。在每次迭代训练中，可以对迭代训练得到的模型进行剪枝、压缩量化操作，缩小模型的大小，让模型能够更高效地运行，然后再对模型进行测试，达到在精度几乎不降低的情况下，压缩模型的大小。模型剪枝是删减不重要权重，对预测几乎没有影响的神经元。模型压缩量化即以较低的推理精度损失将连续取值(或者大量可能的离散取值)的浮点型模型权重或流经模型的张量数据定点近似(通常为int 8)为有限多个(或较少的)离散值的过程，fp16量化模型大小通常可以缩减为原来一半，减少内存占用、功耗，增加推理速度。在不断的迭代训练过程，当训练集和验证集损失均下降直到保持稳定，验证集准确率提高到预设准确率阈值时，即可认为达到了设定的迭代目标，停止迭代，将最终得到的yolov4
‑
tiny模型作为第一可用模型。并对第一可用模型进行边缘化处理，获取预设第一识别模型，从而让其更适合在边缘计算设备上使用。本实施例中，通过迭代训练等处理，可以有效保证预设第一识别模型的识别准确率。
89.在其中一个实施例中，如图5所示，步骤407包括：
90.步骤502，将第一可用模型转化为onnx模型。
91.步骤504，基于tensorrt对onnx模型进行解析，得到engine模型。
92.步骤506，通过tensorrt fp16对engine模型进行量化加速处理，获取预设第一识别模型。
93.其中，oonx即open neural network exchange(开放神经网络交换)格式，是一个用于表示深度学习模型的标准，可使模型在不同框架之间进行转移。tensorrt是一种高性能的推断c 库，专门应用于边缘设备的推断，tensorrt可以将训练好的模型分解再进行融合，融合后的模型具有高度的集合度。例如卷积层和激活层进行融合后，推理速度可以就进行提升。在tensorrt engine推理前，需要将图片通道重排序，然后对图像矩阵进行reshape操作，变成一维向矩阵，因为engine模型的输入必须是一维，然后进行输入输出。本实施例中，通过tensorrt来对训练完成的模型进行边缘化处理，可以有效降低模型的量级，提高推理速度。
94.在其中一个实施例中，如图6所示，步骤304之后，还包括：
95.步骤601，基于导地线本体位置，提取第一模型训练中的导地线区域图像。
96.步骤603，基于第一标注信息中的导地线异常位置，确定导地线区域图像中的导地线异常位置。
97.步骤605，根据导地线区域图像中的导地线异常位置对导地线区域图像进行标注，获取第二模型训练数据。
98.步骤607，基于第二模型训练数据对初始yolov4
‑
tiny模型进行训练，获取预设第二识别模型。
99.具体地，在得到第一模型训练数据后，可以基于对第一模型训练数据的进一步处
理，来得到第二模型训练数据，在第一模型训练数据对历史图像数据中的导地线本体位置进行标注后，可以基于导地线本体位置对历史图像数据进行裁量，得到包含导地线本体的导地线区域图像。同时，模型内的批注还包括了导地线异常位置，因此可以基于导地线异常位置更新导地线区域图像上的标注，来得到第二模型训练数据；而后基于第二模型训练数据对初始yolov4
‑
tiny模型进行训练，获取预设第二识别模型。在一个具体的实施例中，可以以yolov4数据格式保存成txt文件，作为第二模型训练数据的数据集。在具体的训练过程中，在数据喂给神经网络之前，可以打乱数据集顺序，再采用mosaic数据增强策略，从而丰富检测物体的背景和小目标，并且在计算batch normalization的时候一次会计算四张图片的数据，使得mini
‑
batch大小不需要很大,几何增强包括：随机翻转(水平翻转较多，垂直翻转较少)，随机裁剪(crop)，拉伸，以及旋转。其中，色彩增强包括：对比度增强，亮度增强，以及较为关键的hsv空间增强。然后对图像进行归一化处理，采用自适应图片缩放算法，将图片长边缩放到统一尺寸416像素，其中短边以相同的比例缩放，不足416的部分对64取余数，然后用0对图像短边填充余数个长度，并且同时对标签位置信息做相同的变换，再送进网络。这样训练时每个epoch接受的数据都不相同，可以增加模型的鲁棒性。本实施例中，通过对第一模型训练的处理来获取第二模型训练数据，可以更高效地获取预设第二识别模型的训练数据，从而提高模型的训练效率，同时保证级联模型的可靠性。
100.应该理解的是，虽然图1
‑
6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1
‑
6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
101.在一个实施例中，如图7所示，提供了一种导地线缺陷检测装置，包括：
102.数据获取模块702，用于获取电网的电塔区域原始图像数据。
103.第一识别模块704，用于通过预设第一识别模型，确定电塔区域原始图像数据中的导地线位置信息，预设第一识别模型通过yolov4算法，基于yolov4
‑
tiny网络结构构建。
104.第二识别模块706，用于将导地线位置信息输入预设第二识别模型，确定电塔区域原始图像数据中的导地线缺陷信息，预设第二识别模型通过yolov4算法，基于yolov4
‑
tiny网络结构构建。
105.风险告警模块708，用于根据导地线缺陷信息发送风险警告。
106.在其中一个实施例中，第一识别模块704具体用于：通过预设第一识别模型提取电塔区域原始图像数据对应的第一特征图以及第二特征图；对第一特征图进行上采样处理，将上采样处理后的第一特征图与第二特征图融合，获取融合特征图；基于注意力机制对融合特征图进行处理，获取分类特征图；通过giou算法以及nms算法获取分类特征图的预测框；基于预测框确定电塔区域原始图像数据中的导地线位置信息。
107.在其中一个实施例中，第一识别模块704具体用于：获取包含导地线设备的历史图像数据以及历史图像数据对应的第一标注信息，第一标注信息用于标注历史图像数据中导地线本体位置以及导地线异常位置；通过第一标注信息对历史图像数据进行标注，获取第一模型训练数据；基于第一模型训练数据对初始yolov4
‑
tiny模型进行训练，获取预设第一
识别模型。
108.在其中一个实施例中，第一识别模块704具体用于：将第一模型训练数据划分为训练集数据、测试集数据以及验证集数据；通过训练集数据、测试集数据以及验证集数据对初始yolov4
‑
tiny模型进行迭代训练，并在迭代训练过程中，对每次迭代完成的yolov4
‑
tiny模型进行模型压缩处理；当识别到训练集数据以及测试集数据的损失均处于稳定状态，且验证集数据的准确率高于预设准确率阈值时，停止迭代，并将当前迭代训练完成的yolov4
‑
tiny模型作为第一可用模型；对第一可用模型进行边缘化处理，获取预设第一识别模型。
109.在其中一个实施例中，第一识别模块704具体用于：将第一可用模型转化为onnx模型；基于tensorrt对onnx模型进行解析，得到engine模型；通过tensorrt fp16对engine模型进行量化加速处理，获取预设第一识别模型。
110.在其中一个实施例中，还包括图像分割处理模块，用于：基于导地线本体位置，提取第一模型训练中的导地线区域图像；基于第一标注信息中的导地线异常位置，确定导地线区域图像中的导地线异常位置；根据导地线区域图像中的导地线异常位置对导地线区域图像进行标注，获取第二模型训练数据；基于第二模型训练数据对初始yolov4
‑
tiny模型进行训练，获取预设第二识别模型。
111.关于导地线缺陷检测装置的具体限定可以参见上文中对于导地线缺陷检测方法的限定，在此不再赘述。上述导地线缺陷检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
112.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种导地线缺陷检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
113.本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
114.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
115.获取电网的电塔区域原始图像数据；
116.通过预设第一识别模型，确定电塔区域原始图像数据中的导地线位置信息，预设第一识别模型通过yolov4算法，基于yolov4
‑
tiny网络结构构建；
117.将导地线位置信息输入预设第二识别模型，确定电塔区域原始图像数据中的导地
线缺陷信息，预设第二识别模型通过yolov4算法，基于yolov4
‑
tiny网络结构构建；
118.根据导地线缺陷信息发送风险警告。
119.在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过预设第一识别模型提取电塔区域原始图像数据对应的第一特征图以及第二特征图；对第一特征图进行上采样处理，将上采样处理后的第一特征图与第二特征图融合，获取融合特征图；基于注意力机制对融合特征图进行处理，获取分类特征图；通过giou算法以及nms算法获取分类特征图的预测框；基于预测框确定电塔区域原始图像数据中的导地线位置信息。
120.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取包含导地线设备的历史图像数据以及历史图像数据对应的第一标注信息，第一标注信息用于标注历史图像数据中导地线本体位置以及导地线异常位置；通过第一标注信息对历史图像数据进行标注，获取第一模型训练数据；基于第一模型训练数据对初始yolov4
‑
tiny模型进行训练，获取预设第一识别模型。
121.在一个实施例中，处理器执行计算机程序时还实现以下步骤：将第一模型训练数据划分为训练集数据、测试集数据以及验证集数据；通过训练集数据、测试集数据以及验证集数据对初始yolov4
‑
tiny模型进行迭代训练，并在迭代训练过程中，对每次迭代完成的yolov4
‑
tiny模型进行模型压缩处理；当识别到训练集数据以及测试集数据的损失均处于稳定状态，且验证集数据的准确率高于预设准确率阈值时，停止迭代，并将当前迭代训练完成的yolov4
‑
tiny模型作为第一可用模型；对第一可用模型进行边缘化处理，获取预设第一识别模型。
122.在一个实施例中，处理器执行计算机程序时还实现以下步骤：将第一可用模型转化为onnx模型；基于tensorrt对onnx模型进行解析，得到engine模型；通过tensorrt fp16对engine模型进行量化加速处理，获取预设第一识别模型。
123.在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于导地线本体位置，提取第一模型训练中的导地线区域图像；基于第一标注信息中的导地线异常位置，确定导地线区域图像中的导地线异常位置；根据导地线区域图像中的导地线异常位置对导地线区域图像进行标注，获取第二模型训练数据；基于第二模型训练数据对初始yolov4
‑
tiny模型进行训练，获取预设第二识别模型。
124.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
125.获取电网的电塔区域原始图像数据；
126.通过预设第一识别模型，确定电塔区域原始图像数据中的导地线位置信息，预设第一识别模型通过yolov4算法，基于yolov4
‑
tiny网络结构构建；
127.将导地线位置信息输入预设第二识别模型，确定电塔区域原始图像数据中的导地线缺陷信息，预设第二识别模型通过yolov4算法，基于yolov4
‑
tiny网络结构构建；
128.根据导地线缺陷信息发送风险警告。
129.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过预设第一识别模型提取电塔区域原始图像数据对应的第一特征图以及第二特征图；对第一特征图进行上采样处理，将上采样处理后的第一特征图与第二特征图融合，获取融合特征图；基于注意力机制对融合特征图进行处理，获取分类特征图；通过giou算法以及nms算法获取分类特征
图的预测框；基于预测框确定电塔区域原始图像数据中的导地线位置信息。
130.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取包含导地线设备的历史图像数据以及历史图像数据对应的第一标注信息，第一标注信息用于标注历史图像数据中导地线本体位置以及导地线异常位置；通过第一标注信息对历史图像数据进行标注，获取第一模型训练数据；基于第一模型训练数据对初始yolov4
‑
tiny模型进行训练，获取预设第一识别模型。
131.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将第一模型训练数据划分为训练集数据、测试集数据以及验证集数据；通过训练集数据、测试集数据以及验证集数据对初始yolov4
‑
tiny模型进行迭代训练，并在迭代训练过程中，对每次迭代完成的yolov4
‑
tiny模型进行模型压缩处理；当识别到训练集数据以及测试集数据的损失均处于稳定状态，且验证集数据的准确率高于预设准确率阈值时，停止迭代，并将当前迭代训练完成的yolov4
‑
tiny模型作为第一可用模型；对第一可用模型进行边缘化处理，获取预设第一识别模型。
132.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将第一可用模型转化为onnx模型；基于tensorrt对onnx模型进行解析，得到engine模型；通过tensorrt fp16对engine模型进行量化加速处理，获取预设第一识别模型。
133.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于导地线本体位置，提取第一模型训练中的导地线区域图像；基于第一标注信息中的导地线异常位置，确定导地线区域图像中的导地线异常位置；根据导地线区域图像中的导地线异常位置对导地线区域图像进行标注，获取第二模型训练数据；基于第二模型训练数据对初始yolov4
‑
tiny模型进行训练，获取预设第二识别模型。
134.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read
‑
onlymemory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(randomaccessmemory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(staticrandomaccessmemory，sram)或动态随机存取存储器(dynamicrandomaccessmemory，dram)等。
135.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
136.以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。