本發明屬于目標檢測，尤其涉及一種輸電線路異物檢測方法、系統、設備及存儲介質。
背景技術：
1、輸電線路安全穩定運行對電力系統供電可靠性至關重要，但其常處復雜野外環境，易受風箏、鳥巢等異物侵擾，背景復雜且物理尺寸窄小的異物檢測難度大，存在安全隱患，因此關注小目標異物檢測意義重大。
2、傳統檢測依賴人工巡檢，效率低且易遺漏；雖無人機搭載高清攝像頭航拍巡檢成為輔助手段，但人工判讀航拍圖像效率仍低且易受人為因素干擾。故而，利用深度學習技術實現航拍輸電線路異物自動準確檢測成研究熱點。目前，深度學習在電力巡檢領域應用廣泛，基于cnn及yolo的目標檢測算法在輸電線路異物檢測中有初步成效，但航拍圖像存在的復雜背景干擾、目標尺度多變及光照不穩定等問題，致使傳統算法漏檢率偏高、誤檢率上升。訓練樣本類別數據樣本不平衡也會造成深度學習模型最終訓練效果極差。由于航拍數據一般在輸電線路巡檢過程中獲得，正常運行且無異物的輸電線路占航拍數據的絕大部分，因此在常規的輸電線路航拍數據集中，負面樣本少，且對于不同的異物類型來說，樣本數量很難做到均衡，若使用人工篩選數據集效率低下，并且可能讓樣本失去代表性，即產生的數據集不符合各類負樣本圖像的分布規律，若是采用大量數據進行模型的訓練又會空耗許多計算資源且效果提升不明顯。
技術實現思路
1、本發明的目的在于克服現有技術中的不足，提供一種輸電線路異物檢測方法、系統、設備及存儲介質，提高輸電線路異物檢測精度。
2、為解決上述技術問題，本發明是采用下述方案實現的：
3、本發明提供一種輸電線路異物檢測方法，包括：
4、將待檢測輸電線路圖像輸入訓練好的改進yolov8x模型，輸出輸電線路異物檢測結果；
5、其中，改進yolov8x模型基于yolov8x模型，將骨干網絡擴展為四尺度檢測，在骨干網絡結構末端增加1/64尺度的p6階段，將骨干網絡首個conv模塊替換為focus模塊，在骨干網絡p4、p5、p6階段將c2f模塊替換為融合swin?transformer的c3str模塊，在頸部網絡淺層上采樣后拼接骨干網絡特征，在頸部網絡深層采用dw?conv進行特征對齊后再融合；改進yolov8x模型訓練時采用自適應閾值焦點損失函數計算模型的損失。
6、進一步地，focus模塊將每個2x2的像素塊切片成4個部分并將它們堆疊在通道維度上，將空間維度縮小1倍同時通道數量增加4倍。
7、進一步地，c3str模塊包括依次連接的第一模塊、concat和cbs模塊，第一模塊包括并聯的第二模塊和cbs模塊，第二模塊包括依次連接的cbs模塊和swin?transformer模塊，cbs模塊包括依次連接的conv、batchnorm模塊和silu激活函數。
8、進一步地，swin?transformer模塊包括依次連接的patch?partition模塊、第一階段模塊、第二階段模塊、第三階段模塊和第四階段模塊，第一階段模塊包括若干組依次連接的linear?embedding層和swin?transformer?block層，第二階段模塊、第三階段模塊和第四階段模塊均包括若干組依次連接的patch?merging層和swin?transformer?block層，和swin?transformer?block層包括依次連接的mlp層、ln層、w-msa/sw-msa層和ln層。
9、進一步地，dw?conv將標準卷積操作分解為深度卷積和逐點卷積兩步，并將輸入特征各通道獨立進行卷積操作。
10、進一步地，改進yolov8x模型訓練過程包括：
11、對訓練圖像進行預處理；
12、將預處理后的訓練圖像輸入改進yolov8x模型中骨干網絡，提取特征圖；
13、將提取出的特征圖輸入改進yolov8x模型中頸部網絡，對不同層級的特征進行有效融合和增強，整理成p1到p6層具有豐富語義信息和空間細節信息的特征表示融合；
14、將p3到p6層特征送入解耦頭，采用自適應閾值焦點損失函數計算改進yolov8x模型的損失以更新優化改進yolov8x模型，得到訓練好的改進yolov8x模型。
15、進一步地，自適應閾值焦點損失函數的計算方法為：
16、
17、其中，為超參數，為當前的平均預測概率值，是通過指數平滑擬合法預測的真實目標的預測概率值：
18、
19、其中，表示每個訓練周期的平均預測概率值。
20、本發明還提供一種輸電線路異物檢測系統，包括：
21、輸電線路異物檢測模塊，用于將待檢測輸電線路圖像輸入訓練好的改進yolov8x模型，輸出輸電線路異物檢測結果；
22、其中，改進yolov8x模型基于yolov8x模型，將骨干網絡擴展為四尺度檢測，在骨干網絡結構末端增加1/64尺度的p6階段，將骨干網絡首個conv模塊替換為focus模塊，在骨干網絡p4、p5、p6階段將c2f模塊替換為融合swin?transformer的c3str模塊，在頸部網絡淺層上采樣后拼接骨干網絡特征，在頸部網絡深層采用dw?conv進行特征對齊后再融合；改進yolov8x模型訓練時采用自適應閾值焦點損失函數計算模型的損失。
23、本發明還提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現上述輸電線路異物檢測方法的步驟。
24、本發明還提供一種計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現上述輸電線路異物檢測方法的步驟。
25、有益效果
26、本發明引入包含swin?transformer架構的c3str模塊，實現了多尺度特征融合，增強了模型的特征融合與提取能力，緩解了航拍輸電線路圖像中常見的背景噪聲問題，提高了對復雜背景和小目標的特征判別力，提高小目標檢測精度；采用dw?conv以及focus輕量化技術，在提升模型整體檢測效果的同時顯著降低了模型參數量并小幅降低了模型的計算復雜度，能夠在大幅提升檢測精度的同時達到實時目標檢測的效果，提高檢測速度；引入自適應閾值焦點損失函數計算模型的損失，該類機制優化了模型在各個類別map不均衡的問題，提升了模型的目標檢測效果，保證模型對復雜特征的學習更充分。
1.一種輸電線路異物檢測方法，其特征在于，包括：
2.根據權利要求1所述輸電線路異物檢測方法，其特征在于，focus模塊將每個2x2的像素塊切片成4個部分并堆疊在通道維度上，將空間維度縮小1倍同時通道數量增加4倍。
3.根據權利要求1所述輸電線路異物檢測方法，其特征在于，c3str模塊包括依次連接的第一模塊、concat和cbs模塊，第一模塊包括并聯的第二模塊和cbs模塊，第二模塊包括依次連接的cbs模塊和swin?transformer模塊，cbs模塊包括依次連接的conv、batchnorm模塊和silu激活函數。
4.根據權利要求3所述輸電線路異物檢測方法，其特征在于，swin?transformer模塊包括依次連接的patch?partition模塊、第一階段模塊、第二階段模塊、第三階段模塊和第四階段模塊，第一階段模塊包括若干組依次連接的linear?embedding層和swin?transformerblock層，第二階段模塊、第三階段模塊和第四階段模塊均包括若干組依次連接的patchmerging層和swin?transformer?block層，和swin?transformer?block層包括依次連接的mlp層、ln層、w-msa/sw-msa層和ln層。
5.根據權利要求1所述輸電線路異物檢測方法，其特征在于，dw?conv將標準卷積操作分解為深度卷積和逐點卷積兩步，并將輸入特征各通道獨立進行卷積操作。
6.根據權利要求1所述輸電線路異物檢測方法，其特征在于，改進yolov8x模型訓練過程包括：
7.根據權利要求1所述輸電線路異物檢測方法，其特征在于，自適應閾值焦點損失函數的計算方法為：
8.一種輸電線路異物檢測系統，其特征在于，包括：
9.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現權利要求1至7中任一項所述輸電線路異物檢測方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現權利要求1至7中任一項所述輸電線路異物檢測方法的步驟。