(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210478368.3 (22)申请日 2022.05.05 (71)申请人 中国电力科 学研究院有限公司 地址 100192 北京市海淀区清河小营东路 15号 申请人 国网天津市电力公司 　 国家电网有限公司 (72)发明人 李孟轩　韩军科　杨知　刘彬　 李丹煜　赵斌滨　赵彬　刘毅　 王剑　汉京善　孔小昂　姬昆鹏　 刘畅　张国强　 (74)专利代理 机构 北京安博达知识产权代理有 限公司 1 1271 专利代理师 徐国文(51)Int.Cl. G06V 20/17(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) (54)发明名称 一种基于mobilenet的电力设备小目标缺陷 识别方法及系统 (57)摘要 本发明提供了一种基于mobilenet的电力设 备小目标缺陷识别方法和系统， 包括： 获取待检 测电力设备图像数据； 将所述待检测电力设备图 像数据输入至预先训练的缺陷检测网络， 获取所 述预先训练的缺陷检测网络输出的缺陷目标检 测结果 ； 其中 ， 所述缺陷检测网络是基于 mobilenet具有注意力机制的目标检测网络。 本 发明通过搭建mobilenet具有注意力机制的目标 检测网络 可以更快的得到缺陷目标特征图， 具有 实现简单、 检测精度高、 适用于广泛的特点。 权利要求书3页 说明书13页 附图4页 CN 115100546 A 2022.09.23 CN 115100546 A 1.一种基于mobi lenet的电力设备小目标缺陷识别方法， 其特 征在于， 包括： 获取待检测电力设备图像数据； 将所述待检测电力设备图像数据输入至预先训练 的缺陷检测网络， 获取所述预先训练 的缺陷检测网络 输出的缺陷目标检测结果； 其中， 所述 缺陷检测网络是基于mobi lenet具有注意力机制的目标检测网络 。 2.如权利要求1所述的方法， 其特征在于， 所述预先训练 的缺陷检测网络的训练过程包 括： 获取电力设备的样本图像和电网环境背景图像， 将所述样本图像通过图割方法提取缺 陷目标， 并将所述 缺陷目标和电网环境背景图像进行图像混合， 获取一级图像数据； 针对所述 一级图像数据进行图像预处 理， 获取二级图像数据； 针对所述二级图像数据进行数据 标注， 形成截图数据集； 其中， 所述截图数据集为待检 测电力设备图像数据； 搭建mobilenet具有注意力机制的网络结构， 并利用所述截图数据集训练所述 mobilenet具有注意力机制的网络结构， 并将训练完成的网络结构作为 缺陷检测网络 。 3.如权利要求2所述的方法， 其特征在于， 所述针对所述一级图像数据进行图像预处 理， 获取二级图像数据， 包括： 将所述一级图像数据采用拉普拉斯锐化方法进行图像增强， 获取增强图像的边缘信 息； 根据所述边缘信 息确定所述一级图像数据中缺陷目标和背景对应的像素变化值， 确定 二级图像数据。 4.如权利要求2所述的方法， 其特征在于， 所述针对所述二级图像数据进行数据标注， 形成截图数据集， 包括： 基于预设的样本标签， 获取 所述二级图像数据对应的目标中心点数据； 通过所述目标中心点数据， 对二级图像数据中预设长宽的图像进行截取， 获取截取图 像； 通过等比例缩放原 理获取所述截取图像对应的图像标签， 并根据 所述图像标签建立截 图数据集。 5.如权利要求2所述的方法， 其特征在于， 所述mobilenet具有注意力机制的目标检测 网络包括： 主干网络、 第一特征融合模块、 第二特征融合模块、 第一缺陷检测模块、 第二缺陷 检测模块、 第三 缺陷检测模块和第四缺陷检测模块； 其中， 所述主干网络由1层卷积层、 6层Bottlenet层和1层Trans层组成， 所述主干网络 用于提取图像特征， 所述Trans层用于捕获全局信息和上下文信息； 其中， 6层Bottlenet层 包括： 第一Bottlenet层、 第二Bottlenet层、 第三Bottlenet层、 第四Bottlenet层、 第五 Bottlenet层和第六Bottlenet层； 所述卷积层、 第一Bottlenet层、 第 二Bottlenet层、 第三 Bottlenet层、 第四Bottlenet层、 第五Bottlenet层、 第六Bottlenet层和Trans层进行依次 连接； 所述第一特征融合模块包括依次连接 的卷积层、 上采样层、 Contact层和CBAM； 所述主 干网络中第五Bottlenet层的输出端和所述第一特征融合模块中Contact层的输入端进行 连接；权　利　要　求　书 1/3 页 2 CN 115100546 A 2所述第二特征融合模块包括依次连接 的卷积层、 上采样层、 Contact层和CBAM； 所述主 干网络中第六Bottlenet层的输出端和所述第二特征融合模块中Contact层的输入端进行 连接； 所述主干网络中的Trans层的输出端和所述第二特征融合模块中卷积层的输入端进 行连接； 所述第二特征融合模块中CBAM的输出端和所述第一特征融合模块中卷积层的输入 端进行连接； 所述第一缺陷检测模块包括依次连接的卷积层、 上采样层、 Contact层、 Trans层和 CBAM， 所述第一特征融合模块中CBAM的输出端和所述第一缺陷检测模块中卷积层的输入端 进行连接； 所述主干网络中第三Bottlenet层的输出端和所述第一缺陷检测模块中Contact 层的输入端进行连接； 所述第一缺陷检测模块中的Trans层输出第一NMS预测目标检测结 果； 所述第二缺陷检测模块包括依次连接的卷积层、 Contact层、 Trans层和CBAM， 所述第一 缺陷检测模块中CBAM的输出端和所述第二缺陷检测模块中卷积层的输入端进 行连接； 所述 第一缺陷检测模块中卷积层的输出端和所述第二缺陷检测模块中Contact层的输入端进 行 连接； 所述第二 缺陷检测模块中的Trans层输出第二 NMS预测目标检测结果； 所述第三缺陷检测模块包括依次连接的卷积层、 Contact层、 Trans层和CBAM， 所述第二 缺陷检测模块中CBAM的输出端和所述第三缺陷检测模块中卷积层的输入端进 行连接； 所述 第一特征融合模块中卷积层的输出端和所述第三缺陷检测模块中Contact层的输入端进 行 连接； 所述第三 缺陷检测模块中的Trans层输出第三 NMS预测目标检测结果； 所述第四缺陷检测模块包括依次连接的卷积层、 Contact层、 Trans层和CBAM， 所述第三 缺陷检测模块中CBAM的输出端和所述第四缺陷检测模块中卷积层的输入端进 行连接； 所述 第二特征融合模块中卷积层的输出端和所述第四缺陷检测模块中Contact层的输入端和进 行连接； 所述第四缺陷检测模块中的Trans层输出第四NMS预测目标检测结果。 6.如权利 要求5所述的方法， 其特征在于， 所述Bottlenet层包括依次连接的第一1x1卷 积层、 深度可分离卷积层、 第二1x1卷积层和加法层， 所述第一1x1卷积层是Bottlenet层的 输入端， 所述加法层是Bottlenet层的输出端； 所述第一1x1卷积层的输出端和所述加法层 的输入端进行连接； 所述mobilenet具有注意力机制的目标检测网络中的Bottlenet层均采 用残差网络结构。 7.如权利要求1所述的方法， 其特征在于， 所述mobilenet具有注意力机制的目标检测 网络的损失函数为： loss＝lbox+lobj+lcls 其中， loss表示损失函数， AC表示包含预测框和真实框的最 小框面积， 其中， i表示网格的序列号， j表示anchor  box的序列号， 表示在第i个网格， 第j个权　利　要　求　书 2/3 页 3 CN 115100546 A 3