(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 202111598419.8 (22)申请日 2021.12.24 (71)申请人 深圳供电局有限公司 地址 518001 广东省深圳市罗湖区深南 东 路4020号电力调度通信大楼 (72)发明人 向真　李艳　张欣　唐峰　吕启深　 (74)专利代理 机构 华进联合专利商标代理有限 公司 44224 专利代理师 黄晶晶 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/46(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) G01N 21/88(2006.01) (54)发明名称 配电设备缺陷检测方法、 装置、 计算机设备 和存储介质 (57)摘要 本申请涉及一种配电设备缺陷检测方法、 装 置、 计算机设备、 存储介质和计算机程序产品。 所 述方法包括： 获取配电设备的图像； 将配电设备 的图像输入至预设卷积神经网络模 型进行处理， 生成缺陷检测结果； 预设卷积神经网络模型包括 Ghost Bottleneck检测模 块及注意力模 块。 采用 本方法能够 节约人力资源的同时， 提高配电设备 缺陷检测的效率。 权利要求书2页 说明书13页 附图6页 CN 114445336 A 2022.05.06 CN 114445336 A 1.一种配电设备缺陷检测方法， 其特 征在于， 所述方法包括： 获取配电设备的图像； 将所述配电设备的图像输入至预设卷积神经网络模型进行处理， 生成缺陷检测结果； 所述预设卷积神经网络模型包括Ghost  Bottleneck检测模块及注意力模块。 2.根据权利要求1所述的方法， 其特征在于， 所述预设卷积神经网络模块还包括融合模 块及缺陷检测模块； 所述将所述配电设备 的图像输入至预设卷积神经网络进行处理， 生成 缺陷检测结果， 包括： 将所述配电设备的图像输入至所述Ghost  Bottleneck检测模块及所述注意力模块中 进行特征提取， 生成多个尺度的特 征图； 将所述多个尺度的特 征图输入至所述融合模块进行 特征融合， 生成融合特 征图； 将所述融合特 征图输入至所述 缺陷检测模块进行检测， 生成所述 缺陷检测结果。 3.根据权利要求2所述的方法， 其特征在于， 所述将所述配电设备的图像输入至所述 Ghost Bottleneck检测 模块及所述注意力模块中进行特征提取， 生成多个尺度的特征图， 包括： 将所述配电设备的图像输入至第一Ghost  Bottleneck检测模块中提取特征， 生成多个 第一特征图； 所述多个第一特 征图之间存在预设线性变换关系； 将所述多个第一特 征图输入至第一注意力模块中提取第一注意力特 征图。 4.根据权利要求3所述的方法， 其特征在于， 所述将所述配电设备的图像输入至所述 Ghost Bottleneck检测 模块及所述注意力模块中进行特征提取， 生成多个尺度的特征图， 还包括： 将所述第一注意力特征图输入至第二Ghost  Bottleneck检测模块 中提取特征， 生成多 个与所述第一注意力特 征图对应的第二特 征图； 将所述第二特 征图输入至第二注意力模块中提取第二注意力特 征图。 5.根据权利要求1所述的方法， 其特征在于， 所述预设卷积神经网络模型为对中间卷积 神经网络模型的参数进行 轻量化压缩处 理后所生成的网络模型。 6.一种卷积神经网络模型的训练方法， 其特 征在于， 所述方法包括： 将训练集中的各图像帧输入至初始卷积神经网络模型中进行处理， 生成缺陷检测预测 结果； 所述预设卷积神经网络模型包括初始Ghost  Bottleneck检测模块及初始注意力模 块； 根据所述缺陷检测预测结果及所述训练集中与 各图像帧对应的缺陷检测标注结果， 对 所述初始卷积神经网络模型进行训练， 生成预设卷积神经网络模型。 7.根据权利要求6所述的方法， 其特征在于， 所述对所述初始卷积神经网络模型进行训 练， 生成预设卷积神经网络模型， 还 包括： 对所述初始卷积神经网络模型进行训练， 生成中间卷积神经网络模型； 对所述中间卷积神经网络模型的参数进行轻量化压缩处理， 生成所述预设卷积神经网 络模型。 8.一种配电设备缺陷检测装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取配电设备的图像； 生成模块， 用于将所述配电设备的图像输入至预设卷积神经网络模型进行处理， 生成权　利　要　求　书 1/2 页 2 CN 114445336 A 2缺陷检测结果； 所述预设卷积神经网络模型包括Ghost  Bottleneck检测模块及注意力模 块。 9.一种计算机设备， 包括存储器和处理器， 所述存储器存储有计算机程序， 其特征在 于， 所述处 理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。权　利　要　求　书 2/2 页 3 CN 114445336 A 3