本發明屬于電力設備監測領域，具體涉及一種故障指示器受潮檢測方法及相關設備。

背景技術：

1、故障指示器在戶外懸掛時，由于晝夜溫差和雨雪天氣等環境因素的影響，容易產生內部凝露現象。凝露是空氣中的水汽在設備表面凝結成水珠的現象，其產生與環境濕度、溫度和設備表面的溫度有關。當環境濕度較大，且設備表面溫度低于環境溫度時，水汽會在設備表面凝結成水珠。這種現象在潮濕的環境中尤為常見，如配電室、地下室等。凝露的產生取決于環境濕度與溫差，當空氣濕度較大且設備溫度低于環境溫度時，空氣中的水汽就會遇冷而液化成水，附著在設備表面。凝露對電氣設備的影響非常大，首先，凝露會導致設備表面濕度增加，從而降低設備的絕緣性能，增加設備發生漏電、短路等事故的風險。其次，凝露還可能對設備的電路板、元件等造成腐蝕，影響設備的正常運行和使用壽命。此外，凝露還可能導致設備內部產生霉菌，影響設備的電氣性能和機械性能。

2、現有的故障指示器凝露檢測主要是依靠人工肉眼檢測。人工檢測法由于工作人員的視覺疲勞會產生誤檢和漏檢，檢測方法效率低下，且受天氣條件限制，無法實現實時監測，且檢測人員使用的檢測設備往往缺乏智能化處理能力，無法準確識別受潮狀態，缺乏有效的算法支持，難以從復雜的環境因素中準確提取受潮特征。隨著人工智能技術的快速發展，yolo（you?only?look?once）系列目標檢測算法因其檢測速度快、精度高而廣泛應用于工業檢測中。然而，原始yolov8算法在處理高反光、復雜背景和小目標檢測問題時仍存在局限性。

技術實現思路

1、本發明的目的在于提供一種故障指示器受潮檢測方法及相關設備，以解決現有技術對于復雜場景下的凝露區域進行檢測時精度低的問題。

2、為達到上述目的，本發明采用以下技術方案：

3、第一方面，一種故障指示器受潮檢測方法，包括以下步驟：

4、采集故障指示器圖像；

5、將所述故障指示器圖像輸入預先訓練的改進yolov8模型中，先通過csp模塊特征提取得到特征圖，再通過cbam模塊為所述特征圖的每個通道和空間位置分配權重，得到若干增強特征圖；

6、將所述若干增強特征圖進行多尺度特征融合后，通過所述改進yolov8模型進行目標檢測，得到凝露區域的邊界框和置信度評分；

7、基于所述凝露區域的邊界框和置信度評分構成的目標檢測結果，通過非極大值抑制去除重復的所述目標檢測結果，完成故障指示器受潮檢測。

8、在一些實施方式中，所述改進yolov8模型的訓練步驟，具體包括：

9、將所述故障指示器圖像的凝露區域進行精確標注后，分為訓練集和驗證集；

10、原始yolov8模型的主干網絡的csp模塊輸出端嵌入cbam模塊，并在原始yolov8模型檢測頭中增加多尺度特征融合模塊，采用wiou和focal?loss進行組合作為損失函數，得到改進yolov8模型；

11、將所述訓練集輸入所述改進yolov8模型中進行訓練，并通過所述損失函數進行反向傳播優化，多次迭代得到預先訓練的改進yolov8模型。

12、在一些實施方式中，所述將所述訓練集輸入所述改進yolov8模型中進行訓練，并通過所述損失函數進行反向傳播優化，多次迭代得到預先訓練的改進yolov8模型的步驟，具體包括：

13、將所述訓練集輸入所述改進yolov8模型中，先通過csp模塊特征提取得到特征圖，再通過cbam模塊為所述特征圖的每個通道和空間位置分配權重，得到若干增強特征圖，將所述若干增強特征圖進行多尺度特征融合后進行目標檢測，得到凝露區域的預測框、分類概率和置信度；

14、通過所述wiou計算凝露區域的預測框和真實框之間的誤差；

15、結合所述分類概率，通過所述focal?loss計算每個預測類別和真實類別之間的誤差；

16、根據所述置信度計算所述預測框的置信度誤差；

17、將所述預測框和真實框之間的誤差、每個預測類別和真實類別之間的誤差和置信度誤差，按照預設權重組合得到總損失；

18、基于所述總損失更新所述改進yolov8模型的網絡權重，重復上述步驟進行迭代，直至所述改進yolov8模型在所述數據集和驗證集上收斂，得到預先訓練的改進yolov8模型。

19、在一些實施方式中，所述將所述故障指示器圖像輸入預先訓練的改進yolov8模型中，先通過csp模塊特征提取得到特征圖，再通過cbam模塊為所述特征圖的每個通道和空間位置分配權重，得到若干增強特征圖的步驟，具體包括：

20、將所述故障指示器圖像輸入至改進yolov8模型，通過csp模塊特征提取得到特征圖；

21、對所述特征圖進行全局平均池化和最大池化后輸入全連接層生成通道注意力權重；

22、根據所述通道注意力權重對所述特征圖逐通道加權，得到中間特征圖；

23、對所述中間特征圖沿通道維度進行全局平均池化和最大池化后進行拼接，并通過卷積層生成空間權重；

24、根據所述空間權重對所述中間特征圖逐位置加權，得到若干增強特征圖。

25、在一些實施方式中，所述將所述若干增強特征圖進行多尺度特征融合的步驟，具體包括：

26、將所述若干增強特征圖通過上采樣或下采樣在空間維度上對齊后，加權求和得到融合后特征圖。

27、在一些實施方式中，所述通過非極大值抑制去除重復的所述目標檢測結果的步驟，具體包括：

28、根據所述置信度評分降序排列所述邊界框；

29、計算每個所述邊界框和其他邊界框之間的交并比，當所述交并比大于預設交并比閾值，則移除所述置信度評分更低的邊界框；

30、重復上述步驟直至遍歷所有邊界框，保留非冗余的邊界框。

31、第二方面，一種故障指示器受潮檢測系統，包括：

32、圖像采集模塊，用于采集故障指示器圖像；

33、特征增強模塊，用于將所述故障指示器圖像輸入預先訓練的改進yolov8模型中，先通過csp模塊特征提取得到特征圖，再通過cbam模塊為所述特征圖的每個通道和空間位置分配權重，得到若干增強特征圖；

34、多尺度特征融合檢測模塊，用于將所述若干增強特征圖進行多尺度特征融合后，通過所述改進yolov8模型進行目標檢測，得到凝露區域的邊界框和置信度評分；

35、冗余檢測結果去除模塊，用于基于所述凝露區域的邊界框和置信度評分構成的目標檢測結果，通過非極大值抑制去除重復的所述目標檢測結果，完成故障指示器受潮檢測。

36、第三方面，一種電子設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器中運行的計算機程序，所述處理器執行所述計算機程序時實現所述一種故障指示器受潮檢測方法的步驟。

37、第四方面，一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現所述一種故障指示器受潮檢測方法的步驟。

38、第五方面，一種計算機程序產品，所述計算機程序產品包括計算機程序，所述計算機程序被處理器執行時基于硬件平臺nvidia?rtx?3090?gpu和pytorch深度學習框架python?3.8，以實現所述一種故障指示器受潮檢測方法的步驟。

39、與現有技術相比，本發明具有以下有益效果：

40、本發明提供一種故障指示器受潮檢測方法，將所述故障指示器圖像輸入預先訓練的改進yolov8模型中，先通過csp模塊特征提取得到特征圖，再通過cbam模塊為所述特征圖的每個通道和空間位置分配權重，得到若干增強特征圖，能夠增強特征提取和特征增強的能力，提高目標檢測的準確性；然后將所述若干增強特征圖進行多尺度特征融合后，通過所述改進yolov8模型進行目標檢測，得到凝露區域的邊界框和置信度評分，能夠更好處理不同尺度的故障指示器的增強特征圖，提高檢測準確性。最后通過非極大值抑制去除重復目標檢測結果，確保檢測結果唯一性和準確性。因此基于上述內容本發明通過引入注意力機制的cbam模塊和多尺度特征融合模塊，能夠有效提高對復雜場景下凝露區域的檢測精度。

41、進一步地，本發明采用通過wiou計算凝露區域的預測框和真實框之間的誤差；結合所述分類概率，通過focal?loss計算每個預測類別和真實類別之間的誤差，根據所述置信度計算所述預測框的置信度誤差；最后將預測框和真實框之間的誤差、每個預測類別和真實類別之間的誤差和置信度誤差，按照預設權重組合得到總損失，基于所述總損失更新所述改進yolov8模型的網絡權重，能夠全面考慮預測框與真實框之間的誤差、預測類別誤差以及置信度誤差，能夠提高改進yolov8模型的訓練效果和最終檢測性能。