配电线路的缺陷检测方法、系统、识别终端和无人机与流程

1.本发明涉及配电线路缺陷检测技术领域，具体涉及配电线路的缺陷检测方法、系统、识别终端和无人机。


背景技术：

2.随着社会的发展和科技的进步，人们对于电力的需求也是与日俱增，配电线路是用电的重要一环，尤其是配电网架空线路，配电线路的安全稳定直接影响电力系统的正常运行。然而，配电线路分布广泛，长期持续运行的过程中会由于导线、金具或绝缘子断股、腐蚀等故障而导致大规模停电，为保证配电网架空线路的安全稳定运行，需要进行定期巡检。传统的配电网巡视工作主要通过工作人员现场勘查，由于巡检线路长，工作强度大，在遇到山区或者工地等地理条件的限制，巡检的质量和效率非常低。
3.随着无人机技术的成熟，利用无人机代替人力进行巡检，可提高电力维护和检修的速度和效率，并降低工作人员的劳动强度，尤其是无人机具有巡线速度快、应急瞬速的特点可有效保障配电网线路的安全运行。现阶段，无人机通过摄像机将拍摄到的巡检图像或视频存储于sd卡，在巡检结速之后，对存储的图像进行识别分析。一方面，巡检的时效性低，如果遇到线路断裂或者着火等紧急事故，等到无人机飞行结束才能识别和定位故障时效性低，无法实时保障线路的安全；另一方面，现有的巡检图像分析方法所采用的分析模型，需要较长的训练时间。


技术实现要素：

4.针对现有技术中存在的上述技术问题，本发明提供配电线路的缺陷检测方法、系统、识别终端和无人机，通过正负样本分配的方法，提高训练的运算速度，缩短训练时间。
5.本发明公开了一种配电线路的缺陷检测方法，所述方法包括：获取配电线路的巡检图像或视频；获取基于yolo网络的缺陷检测模型；通过缺陷检测模型对所述巡检图像或视频进行检测，获得配电线路的缺陷；其中，yolo网络的正负样本分配方法包括：获得训练集的先验框；将所述先验框与真实目标框进行匹配；获取所述真实目标框所在格子和相邻格子的先验框，作为候选框；获得所述真实目标框和候选框的交并比；根据所述交并比，对候选框进行降序排序，取前p个交并比；将前p个交并比求和并取整，获得正样本数m；获得候选框的分类损失和回归框损失的加权损失；对所述加权损失进行升序排序，取前m个候选框作为正样本，其余候选框作为负样本。
6.优选的，去除一个候选框作为多个真实目标框的正样本的情况；
7.通过无人机采集配电线路的巡检图像或视频。
8.优选的，去除一个候选框作为多个真实目标框正样本的情况的方法包括：
9.判断所述候选框是否作为两个或多个真实目标框的正样本；
10.若是，获取所述候选框与真实目标框的加权损失；
11.根据所述加权损失，确定与所述候选框所匹配的真实目标框，移除所述候选框与
其余真实目标框的正样本关系。
12.优选的，交并比表示为：
[0013][0014]
其中，iou表示为交并比，a表示为候选框，d表示为真实目标框；
[0015]
加权损失表示为：
[0016]
cost＝l_coord+l_cls
[0017]
其中，cost表示为加权损失，l_coord表示为分类损失，l_cls表示为回归框损失；
[0018]
缺陷检测模型的损失函数loss表示为：
[0019]
loss＝l_coord+l_conf+l_cls
[0020]
其中，l_conf表示为置信度损失，
[0021][0022]
其中，n是样本数，s2是特征图的尺寸，b是每个格子预测的边框数，是第一指示函数，用于表示第i个样本的第j个格子的第k个边框是目标框，xi、yi为第i个样本的真实边框的中心坐标，wi、hi分别是第i个样本的真实边框的宽和高，为第i个样本的第j个格子的第k个边框的坐标预测值，是第i个样本的第j个格子的第k个边框的宽和高预测值；
[0023][0024]
其中，是第i个样本的第j个格子的第k个边框的置信度预测值，是第二指示函数，用于表示第i个样本的第j个格子的第k个边框是背景框，λ是权重；
[0025][0026]
其中，c为类别序号，c是类别数，y
i，c
是第i个样本的第c个类别的真实标签，是第i个样本的第c个类别的预测标签。
[0027]
优选的，获得训练集的先验框的方法包括：
[0028]
基于k-means算法对训练集中的标注框进行聚类，获得从小到大排列的多个先验框。
[0029]
优选的，缺陷检测模型的训练方法包括：
[0030]
获取电线路的巡检图像，并对所述巡检图像进行标注，获得数据集；
[0031]
对所述数据集进行数据增强，所述数据增强包括随机缩放、随机裁剪和随机排布的方式对数据集进行拼接；
[0032]
将数据集进行随机分配，获得训练集、验证集和测试集；
[0033]
基于具有注意力机制的轻量级yolov7网络，通过训练集进行训练，获得缺陷检测模型；
[0034]
通过验证集对缺陷检测模型进行验证；
[0035]
通过测试集对缺陷检测模型进行测试。
[0036]
优选的，所述yolo网络采用具有注意力机制的轻量级yolov7网络，
[0037]
所述轻量级yolov7网络包括基本特征提取模块、elans模块、注意力模块、cmc模块和mp模块，
[0038]
所述基本特征提取模块包括卷积化层、归一化层和激活函数；
[0039]
所述elans模块包括第一基本特征提取模块、第二基本特征提取模块、第三基本特征提取模块、第四基本特征提取模块和第五基本特征提取模块，elans模块的输入分别与第一基本特征提取模块和第四基本特征提取模块连接，第一基本特征提取模块、第二基本特征提取模块、第三基本特征提取模块依次串连，第一基本特征提取模块、第二基本特征提取模块、第三基本特征提取模块和第四基本特征提取模块的输出经过特征融合后与第五基本特征提取模块连接；
[0040]
cmc模块包括基本特征提取模块，基本特征提取模块的输出结果及其多种尺寸的最大池化操作结果进行特征融合后与另一基本特征提取模块连接；
[0041]
cbc模块包括基本特征提取模块和cmc模块，cbc输入分别经cmc模块和基本特征提取模块后，进行特征融合，再进经另一基本特征提取模块；
[0042]
注意力模块输入通过基本特征提取模块与上游的elans模块连接，或与上游的cbc模块连接，注意力模块输出与下游elans模块的输入特征融合后，送入所述下游elans模块；
[0043]
mp模块包括第一分支和第二分支，第一分支包括两个依次连接的基本特征提取模块，第二分支包括最大池化层和基本特征提取模块，第一分支和第二分支的输出进行特征融合；
[0044]
所述轻量级yolov7网络下游具有三个分支，所述分支的末端具有主导头，
[0045]
所述分支具有elans模块，elans模块的输出具有辅助头，所述辅助头用于利用网络中间的loss计算来辅助训练，所述辅助头的正样本数多于主导头的正样本数，并且辅助头更加关注召回率。
[0046]
本发明还提供一种用于实现上述缺陷检测方法的系统，包括监测模块、缺陷分析模块和告警模块，
[0047]
所述监测模块用于获取配电线路的巡检图像或视频；
[0048]
所述缺陷分析模块用于获取基于yolo网络的缺陷检测模型；通过缺陷检测模型对所述巡检图像或视频进行检测，获得配电线路的缺陷；
[0049]
所述告警模块用于根据所述配电线路的缺陷生成报告和告警，所述报告包括线路名称、杆塔编号、被巡检设备的id信息以及档案信息属性。
[0050]
本发明还提供一种识别终端，所述识别终端保存有用于实现所述缺陷检测方法的指令。
[0051]
本发明还提供一种无人机，所述无人机用于获取配电线路的巡检图像或视频，并将所述巡检图像或视频传输到所述的识别终端，所述识别终端用于执行所述指令，并识别所述巡检图像中目标物的位置；
[0052]
接收到识别终端下发的巡检图像中目标物位置后，无人机调整飞行方向、与目标物的距离和拍摄角度；
[0053]
所述无人机还用于挂载所述识别终端。
[0054]
与现有技术相比，本发明的有益效果为：通过交并比确定正样本的数量，并通过加权损失筛选正样本和负样本，提高正负样本的分配速度，缩短训练时间，同时避免额外需要优化的参数。
附图说明
[0055]
图1是本发明的配电线路的缺陷检测方法流程图；
[0056]
图2是正负样本分配的方法流程图；
[0057]
图3是轻量级yolov7网络的示意图；
[0058]
图4是elans模块的示意图；
[0059]
图5是cmc模块的示意图；
[0060]
图6是cbc模块的示意图；
[0061]
图7是mp模块的示意图；
[0062]
图8是实施例2的系统逻辑框图；
[0063]
图9是正负样本分配示意图；
[0064]
图10是注意力模块的示意图。
具体实施方式
[0065]
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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做出创造性劳动的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。
[0066]
下面结合附图对本发明做进一步的详细描述：
[0067]
yolo(you only look once)网络是一种统一、实时的目标检测(unified,real-time object detection)网络，将目标检测当作一个单一的回归任务。本技术采用yolo网络对配电线路的缺陷进行检测。
[0068]
一种配电线路的缺陷检测方法，如图1所示，所述方法包括：
[0069]
步骤101：获取配电线路的巡检图像或视频。可以通过配电线路上设置的摄像头或者无人机拍摄巡检图像或视频。
[0070]
步骤102：获取基于yolo网络的缺陷检测模型。
[0071]
步骤103：通过缺陷检测模型对所述巡检图像或视频进行检测，获得配电线路的缺陷。
[0072]
步骤104：根据所检测的缺陷，生成报告或告警。在一个具体实施例中，报告包括线路名称、杆塔编号、被巡检设备的id信息以及档案信息属性，并对在报告出现的故障信息时进行报警。
[0073]
步骤102中，如图2，yolo网络正负样本分配的方法包括：
[0074]
步骤201：获得训练集的先验框。具体的，可以基于k-means算法对训练集中的标注框进行聚类，获得从小到大排列的多个先验框。
[0075]
步骤202：将所述先验框与真实目标框进行匹配，并获得所述真实目标框所在格子
和相邻格子的先验框，作为候选框。
[0076]
步骤204：获得所述真实目标框和候选框的交并比。交并比代表的是先验框a与真实框d的重合度或相似度。
[0077]
具体的，交并比表示为：
[0078][0079]
其中，iou表示为交并比，a表示为候选框，d表示为真实目标框。在一个具体实施例中，iou大于0.7，候选框可视为目标；小于0.3则可视为背景，但不限于此。
[0080]
步骤205：根据所述交并比，对候选框进行降序排序，取前p个交并比，例如取前10个或20个交并比。也可以对候选框进行升充排序，取后p个交并比。
[0081]
步骤206：将前p个交并比求和后，取整，获得正样本数m。
[0082]
步骤207：获得候选框的分类损失和回归框损失的加权损失。
[0083]
加权损失表示为：
[0084]
cost＝l_coord+l_cls
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0085]
其中，cost表示为加权损失，l_coord表示为分类损失，l_cls表示为回归框损失。
[0086]
步骤208：对所述加权损失进行升序排序，取前m个候选框作为正样本，其余候选框为负样本。其中，p和m为正整数。
[0087]
步骤209：去除一个候选框作为多个真实目标框的正样本的情况。
[0088]
通过交并比确定正样本的数量，并通过加权损失筛选正样本和负样本，提高正负样本的分配速度，缩短训练时间，同时避免额外需要优化的参数。
[0089]
步骤209中，可以人为去除一个候选框作为多个真实目标框的正样本的情况；也可以通过以下方法去除：
[0090]
步骤211：判断所述候选框是否作为两个或多个真实目标框的正样本。
[0091]
若是，执行步骤212：获取所述候选框与真实目标框的加权损失。
[0092]
步骤213：根据所述加权损失，确定与所述候选框所匹配的真实目标框。例如，加权损失最小的真实目标框与所述候选框最匹配，删除/移除该候选框与其余真实目标框的关联。
[0093]
若否，则不进行额外处理。
[0094]
yolo网络或缺陷检测模型的损失函数loss表示为：
[0095]
loss＝l_coord+l_conf+l_cls
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0096]
其中，l_conf表示为置信度损失，l_coord表示为分类损失，l_cls表示为回归框损失。
[0097][0098]
其中，n是样本数，s2是特征图的尺寸，b是每个格子预测的边框数，是第一指示函数，用于表示第i个样本的第j个格子的第k个边框是目标框，例如为目标值为1、为背景值为0；xi、yi为第i个样本的真实边框的中心坐标，wi、hi分别是第i个样本的真实边框的宽和高，为第i个样本的第j个格子的第k个边框的坐标预测值，是第i个样本的第
j个格子的第k个边框的宽和高预测值；
[0099][0100]
其中，是第i个样本的第j个格子的第k个边框的置信度预测值，是第二指示函数，用于表示第i个样本的第j个格子的第k个边框是背景框，λ是权重系数，可以根据经验设定；
[0101][0102]
其中，c为类别序号，c是类别数，y
i，c
是第i个样本的第c个类别的真实标签，是第i个样本的第c个类别的预测标签。
[0103]
缺陷模型的训练方法包括：
[0104]
步骤301：获取电线路的巡检图像，并对所述巡检图像进行标注，获得数据集。可以通过labelme软件进行标注。
[0105]
步骤302：对所述数据集进行数据增强，所述数据增强包括随机缩放、随机裁剪和随机排布的方式对数据集进行拼接。
[0106]
步骤303：将数据集进行随机分配，获得训练集、验证集和测试集。
[0107]
步骤304：基于yolo网络，通过训练集进行训练，获得缺陷检测模型。在一个具体实施例中，采用具有注意力机制的轻量级yolov7网络。
[0108]
步骤305：通过验证集对缺陷检测模型进行验证。
[0109]
步骤306：通过测试集对缺陷检测模型进行测试。
[0110]
实施例1
[0111]
图3示出了轻量级yolov7网络，所述轻量级yolov7网络包括基本特征提取模块、elans模块、注意力模块、cmc模块和mp模块。
[0112]
所述基本特征提取(cbl)模块包括卷积化层(conv)、归一化层(bn)和激活函数(leaky_relu)。其中，具有灰度的cbl模块采用了不同的卷积核和步长。
[0113]
如图4，所述elans模块包括第一基本特征提取模块cbl1、第二基本特征提取模块cbl2、第三基本特征提取模块cbl3、第四基本特征提取模块cbl4和第五基本特征提取模块cbl5，elans模块的输入分别与第一基本特征提取模块cbl1和第四基本特征提取模块cbl4连接，第一基本特征提取模块cbl1、第二基本特征提取模块cbl2、第三基本特征提取模块cbl3依次串连，第一基本特征提取模块cbl1、第二基本特征提取模块cbl2、第三基本特征提取模块cbl3和第四基本特征提取模块cbl4的输出经过特征融合concat后与第五基本特征提取模块cbl5连接。elans模块是基于elan模块改进和精减，通过4个cbl模块将提取到的特征叠加到一起，通过控制最短和最长的梯度路径，使网络能够学习到更多的特征，并且具有更强的鲁棒性，并且在保证有效特征提取的同时减少网络参数、提升速度；利用更少的卷积块来控制梯度的最短最长路径，让更深的网络可以更加高效地学习和收敛。
[0114]
如图5，cmc模块包括基本特征提取模块cbl，基本特征提取模块cbl的输出结果及其多种尺寸的最大池化操作结果进行特征融合后与另一基本特征提取模块连接。具体的，最大池化操作的尺寸分别为5、9和13。
[0115]
如图6，cbc模块包括基本特征提取模块cbl和cmc模块，cbc输入分别经cmc模块和基本特征提取模块后，进行特征融合，再进经另一基本特征提取模块。cbc模块减少的计算的复杂度，进行了轻量化结构设计。
[0116]
图3中，注意力模块cbam输入通过基本特征提取模块cbl与上游的elans模块连接，或与上游的cbc模块连接，注意力模块cbam输出与下游elans模块的输入特征融合后，送入所述下游elans模块。
[0117]
如图10，cbam模块由两个模块构成，分别为通道注意力模块和空间注意力模块，通道注意力模块可以使网络关注图像的前景，使网络更加关注有意义的真实目标区域，而空间注意力模块可以让网络关注到整张图片中富含上下文信息的位置。通道注意力机制是将特征图在空间维度上进行压缩，得到一个一维矢量后再进行操作。具体步骤：将输入的特征，分别经过基于宽度和高度的全局的最大池化maxpool和平均池化avgpool来聚合特征映射的空间信息；然后送到一个共享网络(共享全连接层)，压缩输入特征图的空间维数；接着将输出的特征经过逐元素求和操作，以及激活函数，生成通道注意力机制的特征图。
[0118]
空间注意力机制是对通道进行压缩，将通道注意力机制模块的输出特征图作为输入特征在通道维度分别进行了平均值池化maxpool和最大值池化avgpool；然后将结果基于通道做拼接操作；再然后经过卷积降维和激活函数得到空间注意力机制的特征图。
[0119]
如图7，mp模块包括第一分支和第二分支，第一分支包括两个依次连接的基本特征提取模块cbl，第二分支包括最大池化层和基本特征提取模块，将第一分支和第二分支的特征进行特征融合concat。其中，灰色的cbl模块步长为2。
[0120]
yolo网络还包括上采样模块upsample和rep模块，upsample模块采用最近邻插值的方式进行上采样。图3还示出了所述轻量级yolov7网络下游具有三个分支，所述分支的末端具有主导头，所述分支具有elans模块，elans模块的输出具有辅助头。所述辅助头用于利用网络中间的loss计算来辅助训练。在正样本分配时，所述辅助头的正样本数多于主导头的正样本数，如主导头10个，辅助头20个正样本数，并且辅助头更加关注召回率，图9示出了辅助头和主导头的正样本分配情况：主导头的正样本为真实目标框中心点所在先验框及中心点相邻两个先验框；辅助头的正样本则增加四个先验框，为主辅助头的两倍。
[0121]
在训练和推理是有一定的区别，训练时有三个分支的相加输出，推理/巡检图像检测时会将分支的参数重参数化到主分支上。
[0122]
训练的参数设置为：每个输入图像的大小为640
×
640，初始的学习率是0.001，使用余弦退火衰减策略来更新梯度下降法的学习率，每个批次训练50张图像。
[0123]
基于本实施例的轻量级yolov7网络，对训练集进行训练，得到缺陷检测模型。经测试缺陷检测模型可以在在包含各种复杂背景的配电线路图像中精准实时识别到配电线路缺陷，例如精确的识别绝缘子破损和污闪等缺陷。
[0124]
实施例2
[0125]
本实施例提供一种用于实现上述缺陷检测方法的系统，如图8，包括监测模块1、缺陷分析模块2和告警模块3，
[0126]
监测模块1用于获取配电线路的巡检图像或视频；
[0127]
缺陷分析模块2用于获取基于yolo网络的缺陷检测模型；通过缺陷检测模型对所述巡检图像或视频进行检测，获得配电线路的缺陷；
[0128]
告警模块3用于根据所述配电线路的缺陷生成报告和告警，所述报告包括线路名称、杆塔编号、被巡检设备的id信息以及档案信息属性。
[0129]
实施例3
[0130]
本实施例提供一种识别终端和无人机，所述识别终端保存有用于实现上述缺陷检测方法的指令或程序，并且能够执行所述指令或程序。
[0131]
所述无人机用于获取配电线路的巡检图像或视频，并将所述巡检图像或视频传输到所述识别终端，所述识别终端用于执行所述指令，并识别所述巡检图像中目标物的位置；
[0132]
接收到识别终端下发的巡检图像中目标物位置后，无人机调整飞行方向、与目标物的距离和拍摄角度。
[0133]
其中，所述识别终端可以挂载在所述无人机上，利于对配电线路进行实时分析故障、并生成告警，无人机/识别终端通过无线网络将分析结果上传到云端/服务器，云端/服务器对分析结果进行可视化展示。无人机应当能够自动飞行控制，例如速度控制、方向变化控制、距离控制等，并且应当搭载高精度的rtk或者北斗定位装置，可以精准定位和规划巡检飞行的航线，以收集不同视角和不同线路的巡检图像和视频信息。
[0134]
在一个具体实施例中，无人机航拍的数据通过onboard sdk传输到识别终端，识别终端通过4g/5g的通讯方式将检测到缺陷和故障的图像和视频流数据传出到云端平台。有效保证无人机巡检过程中对缺陷检测的可靠通讯。
[0135]
本发明的轻量级yolov7网络可提取丰富特征，显著提升配电线路图像检测识别效率及准确率，同时以轻量化结构降低前端识别终端的功耗，延长无人机的可巡检时长。
[0136]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种配电线路的缺陷检测方法，其特征在于，所述方法包括：获取配电线路的巡检图像或视频；获取基于yolo网络的缺陷检测模型；通过缺陷检测模型对所述巡检图像或视频进行检测，获得配电线路的缺陷；yolo网络的正负样本分配方法包括：获得训练集的先验框；将所述先验框与真实目标框进行匹配；获取所述真实目标框所在格子和相邻格子的先验框，作为候选框；获得所述真实目标框和候选框的交并比；根据所述交并比，对候选框进行降序排序，取前p个交并比；将前p个交并比进行求和并取整，获得正样本数m；获得候选框的分类损失和回归框损失的加权损失；对所述加权损失进行升序排序，取前m个候选框作为正样本，其余候选框作为负样本，其中，p和m为正整数。2.根据权利要求1所述的缺陷检测方法，其特征在于，去除一个候选框作为多个真实目标框的正样本的情况；通过无人机采集配电线路的巡检图像或视频。3.根据权利要求2所述的缺陷检测方法，其特征在于，去除一个候选框作为多个真实目标框正样本的情况的方法包括：判断所述候选框是否作为两个或多个真实目标框的正样本；若是，获取所述候选框与真实目标框的加权损失；根据所述加权损失，确定与所述候选框所匹配的真实目标框，移除所述候选框与其余真实目标框的正样本关系。4.根据权利要求1所述的缺陷检测方法，其特征在于，交并比表示为：其中，iou表示为交并比，a表示为候选框，d表示为真实目标框；加权损失表示为：cost＝l_coord+l_cls其中，cost表示为加权损失，l_coord表示为分类损失，l_cls表示为回归框损失；缺陷检测模型的损失函数loss表示为：loss＝l_coord+l_conf+l_cls其中，l_conf表示为置信度损失，其中，n是样本数，s2是特征图的尺寸，b是每个格子预测的边框数，是第一指示函数，用于表示第i个样本的第j个格子的第k个边框是目标框，x
i
、y
i
为第i个样本的真实边框的中
心坐标，w
i
、h
i
分别是第i个样本的真实边框的宽和高，为第i个样本的第j个格子的第k个边框的坐标预测值，是第i个样本的第j个格子的第k个边框的宽和高预测值；其中，是第i个样本的第j个格子的第k个边框的置信度预测值，是第二指示函数，用于表示第i个样本的第j个格子的第k个边框是背景框，λ是权重；其中，c为类别序号，c是类别数，y
i，c
是第i个样本的第c个类别的真实标签，是第i个样本的第c个类别的预测标签。5.根据权利要求1所述的缺陷检测方法，其特征在于，获得训练集的先验框的方法包括：基于k-means算法对训练集中的标注框进行聚类，获得从小到大排列的多个先验框。6.根据权利要求1所述的缺陷检测方法，其特征在于，缺陷检测模型的训练方法包括：获取电线路的巡检图像，并对所述巡检图像进行标注，获得数据集；对所述数据集进行数据增强，所述数据增强包括随机缩放、随机裁剪和随机排布的方式对数据集进行拼接；将数据集进行随机分配，获得训练集、验证集和测试集；基于具有注意力机制的轻量级yolov7网络，通过训练集进行训练，获得缺陷检测模型；通过验证集对缺陷检测模型进行验证；通过测试集对缺陷检测模型进行测试。7.根据权利要求1所述的缺陷检测方法，其特征在于，所述yolo网络采用具有注意力机制的轻量级yolov7网络，所述轻量级yolov7网络包括基本特征提取模块、elans模块、注意力模块、cmc模块和mp模块，所述基本特征提取模块包括卷积化层、归一化层和激活函数；所述elans模块包括第一基本特征提取模块、第二基本特征提取模块、第三基本特征提取模块、第四基本特征提取模块和第五基本特征提取模块，elans模块的输入分别与第一基本特征提取模块和第四基本特征提取模块连接，第一基本特征提取模块、第二基本特征提取模块、第三基本特征提取模块依次串连，第一基本特征提取模块、第二基本特征提取模块、第三基本特征提取模块和第四基本特征提取模块的输出经过特征融合后与第五基本特征提取模块连接；cmc模块包括基本特征提取模块，基本特征提取模块的输出结果及其多种尺寸的最大池化操作结果进行特征融合后与另一基本特征提取模块连接；cbc模块包括基本特征提取模块和cmc模块，cbc输入分别经cmc模块和基本特征提取模块后，进行特征融合，再进经另一基本特征提取模块；注意力模块输入通过基本特征提取模块与上游的elans模块连接，或与上游的cbc模块
连接，注意力模块输出与下游elans模块的输入特征融合后，送入所述下游elans模块；mp模块包括第一分支和第二分支，第一分支包括两个依次连接的基本特征提取模块，第二分支包括最大池化层和基本特征提取模块，第一分支和第二分支的输出进行特征融合；所述轻量级yolov7网络下游具有三个分支，所述分支的末端具有主导头，所述分支具有elans模块，elans模块的输出具有辅助头，所述辅助头用于利用网络中间的loss计算来辅助训练，所述辅助头的正样本数多于主导头的正样本数，并且辅助头更加关注召回率。8.一种系统，其特征在于，用于实现如权利要求1-7任一项所述的缺陷检测方法，所述系统包括监测模块、缺陷分析模块和告警模块，所述监测模块用于获取配电线路的巡检图像或视频；所述缺陷分析模块用于获取基于yolo网络的缺陷检测模型；通过缺陷检测模型对所述巡检图像或视频进行检测，获得配电线路的缺陷；所述告警模块用于根据所述配电线路的缺陷生成报告和告警，所述报告包括线路名称、杆塔编号、被巡检设备的id信息以及档案信息属性。9.一种识别终端，其特征在于，所述识别终端保存有用于实现如权利要求1-7任一项所述缺陷检测方法的指令。10.一种无人机，其特征在于，所述无人机用于获取配电线路的巡检图像或视频，并将所述巡检图像或视频传输到如权利要求9所述的识别终端，所述识别终端用于执行所述指令，并识别所述巡检图像中目标物的位置；接收到识别终端下发的巡检图像中目标物位置后，无人机调整飞行方向、与目标物的距离和拍摄角度；所述无人机还用于挂载所述识别终端。

技术总结
本发明公开了配电线路的缺陷检测方法、系统、识别终端和无人机，属于配电线路缺陷检测技术领域，通过基于YOLO网络的缺陷检测模型对配电线路的巡检图像进行检测；YOLO网络通过交并比确定正样本的数量，并通过加权损失筛选正样本和负样本，提高正负样本的分配速度，缩短训练时间，同时避免额外需要优化的参数。同时避免额外需要优化的参数。同时避免额外需要优化的参数。


技术研发人员：张韩旦 章伟林 徐硕 杨增祥 李晨曦 陈琳 张镇宇 杨涵博
受保护的技术使用者：国网浙江省电力有限公司温岭市供电公司
技术研发日：2023.04.06
技术公布日：2023/7/28