【技術實現步驟摘要】
本專利技術屬于輸電線路，具體涉及一種輸電線路巡檢圖像去噪方法及系統。
技術介紹
1、絕緣子是電力系統中的關鍵組成部分，承擔著支持和隔離高壓電線的重任，其穩定性直接關系到電力傳輸的安全與可靠性。隨著電力需求的增加，電力系統的復雜性日益提升，絕緣子故障的及時發現和精準定位變得尤為重要。
2、傳統的絕緣子檢測方法多依賴人工巡視和定期檢查，但這些方法面臨著效率低下和人為因素干擾的問題，且難以在故障初期進行及時有效的檢測。人工檢查雖然能夠發現一些明顯的缺陷，但無法滿足實時監控和高效篩查的需求。為了解決這一問題，基于計算機視覺和深度學習的圖像處理方法逐漸成為絕緣子檢測領域的研究熱點。
3、盡管當前圖像去噪技術在絕緣子檢測中具有較大的潛力，但仍然面臨一些挑戰。首先，輸電線路環境復雜，背景干擾較多，且絕緣子的形狀和顏色變化多端，這增加了檢測的難度。此外，絕緣子在圖像中的尺度變化較大，現有的目標檢測算法在處理多尺度目標時可能會出現性能不穩定的情況。最后，絕緣子在圖像中的旋轉、姿態變化以及不同光照條件下的表現也可能影響檢測效果。
技術實現思路
1、針對現有技術的不足，本專利技術的目的在于提供一種輸電線路巡檢圖像去噪方法及系統，提出一種高效的圖像去噪解決方案，旨在提升絕緣子圖像的質量并提高后續目標檢測的精度，為電力系統的智能化巡檢提供支持。
2、為實現上述目的，本專利技術提供如下技術方案：一種輸電線路巡檢圖像去噪方法，包括以下步驟：
3、s1：獲取絕緣子原
4、s2：基于sadnet去噪網絡模型進行改進，引入mix模塊、csm模塊和ccam模塊，構建sadnet-s去噪網絡模型；
5、所述sadnet-s去噪網絡模型的處理過程為：在編碼階段，輸入圖像通過殘差卷積塊和mix模塊進行多尺度與注意力增強得到特征圖conv1，特征圖conv1通過步幅卷積塊下采樣得到特征圖pool1，特征圖pool1通過殘差卷積塊和mix模塊進行多尺度與注意力增強得到特征圖conv2，特征圖conv2通過步幅卷積塊下采樣得到特征圖pool2，特征圖pool2通過殘差卷積塊和mix模塊進行多尺度與注意力增強得到特征圖conv3，特征圖conv3通過步幅卷積塊下采樣得到特征圖pool3，特征圖pool3通過殘差卷積塊進行殘差卷積得到特征圖conv4，特征圖conv4通過上下文提取模塊捕捉多尺度信息，并經過csm模塊進一步增強，得到強化特征圖conv4'；在解碼階段，第一個偏移塊生成偏移量并應用于強化特征圖conv4'，然后經過rsablock殘差注意機制提取特征后形成特征圖dconv4，再通過多尺度卷積操作和dfsa模塊生成不同尺度的特征圖conv_y和特征圖conv_z，使用ccam模塊融合特征圖conv_y和特征圖conv_z得到強化特征圖dconv4'，對強化特征圖dconv4'上采樣并與特征圖conv3拼接得到融合特征圖up3，第二個偏移塊生成偏移量并應用于特征圖conv3，然后經過rsablock殘差注意機制提取特征后形成特征圖dconv3，對特征圖dconv3上采樣并與特征圖conv2拼接得到融合特征圖up2，第三個偏移塊生成偏移量并應用于特征圖conv2，然后經過rsablock殘差注意機制提取特征后形成特征圖dconv2，對特征圖dconv2上采樣并與特征圖conv1拼接得到融合特征圖up1，第四個偏移塊生成偏移量并應用于特征圖conv1，然后經過rsablock殘差注意機制提取特征后形成特征圖dconv1，最后用卷積層將通道數壓縮到輸出通道數，并與輸入圖像逐像素相加，得到去噪后的輸出圖像；
6、s3：利用絕緣子噪聲圖像數據集對sadnet-s去噪網絡模型進行訓練，獲得最優訓練權重；
7、s4：將最優訓練權重載入sadnet-s去噪網絡模型，將待測絕緣子噪聲圖像輸入sadnet-s去噪網絡模型得到去噪后的絕緣子圖像。
8、進一步優選，對原始圖像添加噪聲，添加噪聲后圖像的像素值inoisy(x,y)的公式為：
9、，
10、其中,i(x,y)是原始圖像在位置(x,y)的像素值，x和y分別表示原始圖像中像素的橫縱坐標，n(x,y)是與原始圖像同尺寸的高斯噪聲；
11、生成的高斯噪聲n(x,y)遵循如下的分布：
12、，
13、表示均值為0，標準差為的高斯分布。
14、進一步優選，所述mix模塊的處理過程為：輸入特征通過批量歸一化進行歸一化處理，然后通過點卷積和卷積操作提取特征，然后根據預先設定的分組數量，將特征在通道維度上分割為多個子塊，每個子塊都經過獨立的卷積和批量歸一化處理，將多個子塊的輸出在通道維度上重新拼接得到拼接特征，拼接特征通過點卷積-relu-點卷積操作，結合sigmoid函數來提取特征后與拼接特征進行殘差連接，使用softmax在分塊之間進行歸一化，得到不同分塊的權重分布，并與對應子塊特征逐點相乘然后拼接得到融合特征，該融合特征通過三種不同尺寸的擴張卷積并行處理得到三個并行特征，將三個并行特征進行拼接后通過多層感知器mlp進行處理，多層感知器mlp包含兩個點卷積和一個gelu激活函數，多層感知器mlp的輸出與輸入特征進行殘差連接后輸出至并行注意力模塊epa；
15、并行注意力模塊epa包括簡單像素注意力模塊、通道注意力模塊和像素注意力模塊，并行注意力模塊epa的處理過程為：并行注意力模塊epa的輸入特征通過批量歸一化進行歸一化處理，歸一化處理后的特征通過簡單像素注意力模塊、通道注意力模塊和像素注意力模塊進行并行處理；其中簡單像素注意力模塊包含兩個分支：一個是特征提取分支pfs，另一個是像素門控分支pas，pfs分支通過點卷積和卷積操作提取特征，而pas分支則使用點卷積和sigmoid激活函數來計算每個像素的重要性，最后pfs分支和pas分支的輸出進行元素級相乘得到最終的特征fs；通道注意力模塊通過全局平均池化、點卷積-gelu-點卷積操作，結合sigmoid函數來提取全局通道門控特征，全局通道門控特征與通道注意力模塊的輸入特征進行元素級相乘得到最終的特征gs；像素注意力模塊通過點卷積-gelu-點卷積操作，結合sigmoid函數來提取全局像素門控特征，全局像素門控特征與像素注意力模塊的輸入特征進行元素級相乘得到最終的特征hs；將簡單像素注意力模塊、像素注意力模塊和通道注意力模塊得到的特征進行合并，然后通過多層感知器進行mlp處理，最后與并行注意力模塊epa的輸入特征進行殘差連接得到輸出。
16、進一步優選，所述csm模塊包括依次連接的cabse模塊、sabse模塊以及mmsdc模塊；所述cabse模塊包括兩條并行分支，兩條并行分支均分別接入平均池化與最大池化，隨后輸入se注意力模塊，并在gelu激活函數與1×1卷積處理后輸出通道注意力權重，最后將兩條并行分支的結果相加并用sigmoid函數獲本文檔來自技高網...
【技術保護點】
1.一種輸電線路巡檢圖像去噪方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的輸電線路巡檢圖像去噪方法，其特征在于，對原始圖像添加噪聲，添加噪聲后圖像的像素值Inoisy(x,y)的公式為：
3.根據權利要求1所述的輸電線路巡檢圖像去噪方法，其特征在于，所述Mix模塊的處理過程為：輸入特征通過批量歸一化進行歸一化處理，然后通過點卷積和卷積操作提取特征，然后根據預先設定的分組數量，將特征在通道維度上分割為多個子塊，每個子塊都經過獨立的卷積和批量歸一化處理，將多個子塊的輸出在通道維度上重新拼接得到拼接特征，拼接特征通過點卷積-RELU-點卷積操作，結合Sigmoid函數來提取特征后與拼接特征進行殘差連接，使用Softmax在分塊之間進行歸一化，得到不同分塊的權重分布，并與對應子塊特征逐點相乘然后拼接得到融合特征，該融合特征通過三種不同尺寸的擴張卷積并行處理得到三個并行特征，將三個并行特征進行拼接后通過多層感知器MLP進行處理，多層感知器MLP包含兩個點卷積和一個GELU激活函數，多層感知器MLP的輸出與輸入特征進行殘差連接后輸出至并行注意力模塊EPA；
4.根據權利要求1所述的輸電線路巡檢圖像去噪方法，其特征在于，所述CSM模塊包括依次連接的CABSE模塊、SABSE模塊以及MMSDC模塊；所述CABSE模塊包括兩條并行分支，兩條并行分支均分別接入平均池化與最大池化，隨后輸入SE注意力模塊，并在GELU激活函數與1×1卷積處理后輸出通道注意力權重，最后將兩條并行分支的結果相加并用Sigmoid函數獲得最終權重圖，最終權重圖與CABSE模塊的輸入做逐元素相乘后得到輸出；SABSE模塊包括兩條并行分支，兩條并行分支均經過通道最大池化與SE注意力模塊處理，然后經過多種不同的卷積組合處理，兩條并行分支的輸出通過Sigmoid函數生成空間注意力圖后同SABSE模塊的輸入逐元素相乘后得到輸出；MMSDC模塊的輸入拆成若干路徑，每條路徑經過SE注意力模塊、批量歸一化處理，然后拆分成兩條分支，一條分支經過ReLU6激活函數處理，另一條分支經過深度卷積與GELU激活函數處理，所有分支的輸出在通道或特征層面做合并后，通過通道洗牌進一步融合并打散不同分支的信息后得到輸出。
5.根據權利要求1所述的輸電線路巡檢圖像去噪方法，其特征在于，所述CCAM模塊采用CasDyF-Net的編碼器和解碼器的U型結構，包括DFSA模塊、LLFB模塊和RMB模塊，所述CCAM模塊的處理過程為：首先由DLK模塊對輸入特征進行通道對齊與初步處理，獲得統一的特征表示；然后，特征依次通過多個DFSA模塊，每個DFSA模塊根據預先設定的比例將通道拆分為若干子塊，并分別對每個子塊執行卷積、批量歸一化和注意力操作，得到各子塊對應的權重分布，并將各子塊對應的權重逐點乘到子塊特征上，接著將所有子塊在通道維度上重新拼接，得到融合多尺度上下文信息的融合特征，然后該融合特征進入LLFB模塊，先進行全局平均池化提取每個通道的全局統計信息，再通過卷積和注意力機制在各子塊間進行局部交互和融合，完成局部融合后，通過全局感受野操作整合全局信息，并利用通道注意力機制聚焦關鍵通道，通過空間注意力機制捕捉顯著區域的特征表達，再結合1×1卷積塊對全局特征進行優化和重構，最后，通過RMB模塊將原始輸入特征與注意力增強后的特征進行加和；RMB模塊的處理過程為：RMB模塊的輸入特征首先通過三個并行分支進行處理，第一個并行分支使用3x3空洞卷積和PReLU激活函數，并與RMB模塊的輸入特征進行殘差連接；第二個并行分支使用3x3標準卷積和PReLU激活函數，并與第一個并行分支的輸出進行殘差連接；第三個并行分支使用3x3空洞卷積和PReLU激活函數，并與第二個并行分支的輸出進行殘差連接；然后將RMB模塊的輸入特征和三個并行分支的輸出在通道維度上進行拼接，拼接后的特征通過兩層點卷積和GELU激活函數進行特征融合，最后與RMB模塊的輸入特征進行殘差連接得到輸出。
6.根據權利要求1所述的輸電線路巡檢圖像去噪方法，其特征在于，所述SADNet-S去噪網絡模型的損失函數的表達式為：
7.一種輸電線路巡檢圖像去噪系統，用于實現權利要求1-6任一項所述的去噪方法，其特征在于，包括數據集構建模塊、模型構建模塊、模型訓練模塊、輸出模塊；
...【技術特征摘要】
1.一種輸電線路巡檢圖像去噪方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的輸電線路巡檢圖像去噪方法，其特征在于，對原始圖像添加噪聲，添加噪聲后圖像的像素值inoisy(x,y)的公式為：
3.根據權利要求1所述的輸電線路巡檢圖像去噪方法，其特征在于，所述mix模塊的處理過程為：輸入特征通過批量歸一化進行歸一化處理，然后通過點卷積和卷積操作提取特征，然后根據預先設定的分組數量，將特征在通道維度上分割為多個子塊，每個子塊都經過獨立的卷積和批量歸一化處理，將多個子塊的輸出在通道維度上重新拼接得到拼接特征，拼接特征通過點卷積-relu-點卷積操作，結合sigmoid函數來提取特征后與拼接特征進行殘差連接，使用softmax在分塊之間進行歸一化，得到不同分塊的權重分布，并與對應子塊特征逐點相乘然后拼接得到融合特征，該融合特征通過三種不同尺寸的擴張卷積并行處理得到三個并行特征，將三個并行特征進行拼接后通過多層感知器mlp進行處理，多層感知器mlp包含兩個點卷積和一個gelu激活函數，多層感知器mlp的輸出與輸入特征進行殘差連接后輸出至并行注意力模塊epa；
4.根據權利要求1所述的輸電線路巡檢圖像去噪方法，其特征在于，所述csm模塊包括依次連接的cabse模塊、sabse模塊以及mmsdc模塊；所述cabse模塊包括兩條并行分支，兩條并行分支均分別接入平均池化與最大池化，隨后輸入se注意力模塊，并在gelu激活函數與1×1卷積處理后輸出通道注意力權重，最后將兩條并行分支的結果相加并用sigmoid函數獲得最終權重圖，最終權重圖與cabse模塊的輸入做逐元素相乘后得到輸出；sabse模塊包括兩條并行分支，兩條并行分支均經過通道最大池化與se注意力模塊處理，然后經過多種不同的卷積組合處理，兩條并行分支的輸出通過sigmoid函數生成空間注意力圖后同sabse模塊的輸入逐元素相乘后得到輸出；mmsdc模塊的輸入拆成若干路徑，每條路徑經過se注意力模塊、批量歸一化處理，然后拆分成兩條分支，一條分支經過relu6激活函數處理，另一條分支經過深度卷積與gelu激活函數處理，所有分...
【專利技術屬性】
技術研發人員：曾兵，曾赟，謝云敏，華威，劉邦，廖展鵬，巫平強，陳宇聰，李得志，萬好，饒繁星，陳顯彪，張文華，楊小品，彭聰，易可欣，周娛璐，金子涵，陳昱璋，
申請(專利權)人：南昌工程學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。