(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210274284.8 (22)申请日 2022.03.18 (65)同一申请的已公布的文献号 申请公布号 CN 114359285 A (43)申请公布日 2022.04.15 (73)专利权人 南方电网数字电网研究院有限公 司 地址 510700 广东省广州市黄埔区中新广 州知识城 亿创街1号 406房之86 (72)发明人 黄文琦　吴洋　李鹏　曾群生　 陈佳捷　习伟　 (74)专利代理 机构 华进联合专利商标代理有限 公司 44224 专利代理师 陈金普 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 111784685 A,2020.10.16 CN 111008961 A,2020.04.14 CN 113658121 A,2021.1 1.16 CN 113298789 A,2021.08.24 CN 110689531 A,2020.01.14 US 2006204127 A1,20 06.09.14 周仿荣等.基于YOLO v3的输电线路缺陷快 速检测方法. 《云南电力技 术》 .2020,(第04期), 汤踊等.深度学习在输电线路中部件识别与 缺陷检测的研究. 《电子测量 技术》 .2018,(第0 6 期), 审查员 周苏玲 (54)发明名称 基于视觉上下文约束学习的电网缺陷检测 方法和装置 (57)摘要 本申请涉及一种基于视觉上下文约束学习 的电网缺陷检测方法、 装置、 计算机设备和存储 介质。 所述电网缺陷检测方法包括： 获取待测电 网图片； 对所述待测电网图片进行场景识别， 得 到电网场景； 其中， 所述电网场景表征所述待测 电网图片中输电线路所处的位置； 根据所述电网 场景对所述待测电网图片 进行缺陷识别， 得到缺 陷检测结果。 本发明利用缺陷与场景之间的依存 关系， 为缺陷检测提供有效的约束信息， 在避免 不合理的检测的同时， 使不同场景的缺陷的区分 度更大， 从而提高电网缺陷识别的准确率。 权利要求书3页 说明书9页 附图2页 CN 114359285 B 2022.07.29 CN 114359285 B 1.一种基于 视觉上下文约束学习的电网缺陷检测方法， 其特 征在于， 包括： 获取待测电网图片； 对所述待测电网图片进行场景识别， 得到电网场景； 其中， 所述电网场景表征所述待测 电网图片中输电线路所处的位置； 根据所述电网场景提取 所述待测电网图片的目标区域； 对所述目标区域进行缺陷识别， 得到缺陷检测结果； 所述根据所述电网场景提取 所述待测电网图片的目标区域包括： 通过所述电网场景对应的区域提取模型对所述待测电网图片进行处理， 得到所述待测 电网图片对应的目标区域； 所述电网场景对应的区域提取模型为第一改进的YOLOv4模型； 所述第一改进的YOLOv4 模型包括： 第一主干网络层、 第一Bneck模块层、 第一FPN层、 第二Bneck模块层、 第一PAN层以 及第一预测网络层； 所述通过所述电网场景对应的区域提取模型， 对所述待测电网图片进行处理， 得到所 述待测电网图片对应的目标区域包括： 通过所述第 一主干网络层对所述待测电网图片进行处理， 得到多个不同尺度的第 一电 网特征图； 通过所述第一Bneck模块层中与各尺度对应的第一Bneck模块对所述多个不同尺度的 第一电网特 征图分别进行处 理， 得到多个不同尺度的第二电网特 征图； 通过所述第一FPN层对所述多个不同尺度的第二电网特征图进行处理， 得到多个不同 尺度的第三电网特 征图； 通过所述第二Bneck模块层中与各尺度对应的第二Bneck模块对所述多个不同尺度的 第三电网特 征图分别进行处 理； 得到多个不同尺度的第四电网特 征图； 通过所述第一PAN层对所述多个不同尺度的第四电网特征图进行处理， 得到多个不同 尺度的第五电网特 征图； 通过所述第 一预测网络层对所述多个不同尺度的第五电网特征图进行处理， 得到所述 待测电网图片对应的目标区域。 2.根据权利要求1所述的方法， 其特征在于， 所述对所述目标区域进行缺陷识别， 得到 缺陷检测结果包括： 通过所述电网场景对应的缺陷识别模型对所述待测电网图片对应的目标区域进行处 理， 得到缺陷检测结果。 3.根据权利要求2所述的方法， 其特征在于， 所述电网场景对应的缺陷识别模型为第 二 改进的YOLOv4模 型； 所述第二改进的YOLOv4模型包括： 第二主干网络层、 第三Bneck模块层、 第二FPN层、 第四Bneck模块层、 第二PAN层以及第二预测网络层； 所述通过所述电网场景对应的缺陷识别模型对所述待测电网图片对应的目标区域进 行处理， 得到缺陷检测结果包括： 通过第二主干网络层对所述目标区域进行处理， 得到多个不同尺度的第一区域特征 图； 通过所述第三Bneck模块层中与各尺度对应的第三Bneck模块对所述多个不同尺度的 第一区域特 征图进行处 理， 得到多个不同尺度的第二区域特 征图；权　利　要　求　书 1/3 页 2 CN 114359285 B 2通过所述第二FPN层对所述多个不同尺度的第二区域特征图进行处理， 得到多个不同 尺度的第三区域特 征图； 通过所述第四Bneck模块层中与各尺度对应的第四Bneck模块对所述多个不同尺度的 第三区域特 征图分别进行处 理， 得到多个不同尺度的第四区域特 征图； 通过所述第二PAN层对所述多个不同尺度的第四区域特征图进行处理， 得到多个不同 尺度的第五区域特 征图； 通过所述第 二预测网络层对所述多个不同尺度的第五区域特征图进行处理， 得到缺陷 检测结果。 4.根据权利要求1所述的方法， 其特 征在于， 所述第一主干网络层为Mobi leNetv3算法。 5.根据权利要求1至4任意一项所述的方法， 其特征在于， 在所述获取待测电网图片之 后， 所述对所述待测电网图片进行场景识别之前， 还 包括： 对所述待测电网图片进行 预处理。 6.一种基于 视觉上下文约束学习的电网缺陷检测装置， 其特 征在于， 包括： 获取模块， 用于获取待测电网图片； 场景识别模块， 用于对所述待测电网图片进行场景识别， 得到电网场景； 其中， 所述电 网场景表征 所述待测电网图片中输电线路所处的位置； 缺陷检测模块， 用于根据所述电网场景对所述待测电网图片进行缺陷识别， 得到缺陷 检测结果； 所述缺陷检测模块包括目标区域提取单元以及检测单元； 所述目标区域提取单元用于 根据所述电网场景提取所述待测电网图片的目标区域； 所述检测单元用于对所述目标区域 进行缺陷识别， 得到缺陷检测结果； 所述目标区域提取单元具体用于通过所述电网场景对应的区域提取模型对所述待测 电网图片进行处 理， 得到所述待测电网图片对应的目标区域； 所述电网场景对应的区域提取模型为第一改进的YOLOv4模型； 所述第一改进的YOLOv4 模型包括： 第一主干网络层、 第一Bneck模块层、 第一FPN层、 第二Bneck模块层、 第一PAN层以 及第一预测网络层； 所述目标区域提取单元具体用于通过所述第一主干网络层对所述待测电网图片进行 处理， 得到多个不同尺度的第一电网特征图； 通过所述第一Bneck模块层中与各尺度对应的 第一Bneck模块对所述多个不同尺度的第一电网特征图分别进行处理， 得到多个不同尺度 的第二电网特征图； 通过所述第一FPN层 对所述多个不同尺度的第二电网特征图进 行处理， 得到多个不同尺度的第三电网特征图； 通过所述第二Bneck模块层中与各尺度对应的第二 Bneck模块对所述多个不同尺度的第三电网特征图分别进行处理； 得到多个不同尺度的第 四电网特征图； 通过所述第一PA N层对所述多个不同尺度的第四电网特征图进 行处理， 得到 多个不同尺度的第五电网特征图； 通过所述第一预测网络层对所述多个不同尺度的第五电 网特征图进行处 理， 得到所述待测电网图片对应的目标区域。 7.根据权利要求6所述的装置， 其特征在于， 所述检测单元具体用于通过所述电网场景 对应的缺陷识别模型对所述待测电网图片对应的目标区域进行处 理， 得到缺陷检测结果。 8.根据权利要求7所述的装置， 其特征在于， 所述电网场景对应的缺陷识别模型为第 二 改进的YOLOv4模 型； 所述第二改进的YOLOv4模型包括： 第二主干网络层、 第三Bneck模块层、权　利　要　求　书 2/3 页 3 CN 114359285 B 3