本技术提出一种输电线路缺陷检测方法及系统，属于目标检测领域，包括:S1：建立初始数据集；对初始数据集进行分组处理，构建目标检测训练集；对初始数据集中的识别困难的缺陷目标进行裁剪，构建分类训练集；步骤S2：构建基于十字交叉注意力与集成学习的目标检测网络，使用目标检测训练集对其进行训练；步骤S3：将分类训练集输入分类网络进行训练；S4：将待检测的图像输入训练好的基于十字交叉注意力与集成学习的目标检测网络，得到每条分支网络的检测结果；筛选需要二次分类的检测结果输入训练好的分类网络，进行进一步分类，得到最终的检测结果。本发明方法提升了目标检测的精度和鲁棒性。
背景技术
随着智能化技术的迅速发展，无人机巡检已逐渐替代传统低效的人工巡检，成为输电线路缺陷检测中的一种先进方法。无人机巡检通过高分辨率图像记录电线杆、铁塔等设备的状态，能够对电力设备的健康状况进行全面而精细的监测和分析。相比人工巡检，无人机可以轻松覆盖广泛区域，显著提升巡检效率，减少人力投入。然而，目前对无人机拍摄的大量高分辨率图像的处理和分析主要依赖于人工识别，这种方式存在处理速度慢、准确性不高的问题。一方面，人工识别的过程耗时长，在数据量庞大的情况下很难达到实时分析的要求；另一方面，由于人为因素的干扰，人工识别的准确性难以保障，容易出现漏检和误检的情况，进而影响检测结果的可靠性。因此，为了适应无人机巡检的应用需求，迫切需要一种能够高效、准确地处理和分析数据的方法，以便快速、精准地识别和定位输电线路上的缺陷隐患，从而提升输电线路巡检的智能化和数字化水平。
目前，已有的缺陷检测任务通常依赖目标检测方法来实现，这类方法在识别效率和准确性方面具有一定优势，但在无人机巡检高分辨率图像的处理上依然存在不少局限性。为降低网络计算量，现有的目标检测网络通常会将输入图片的尺寸设置得相对较小，以节约资源并提高处理速度。然而，无人机拍摄的高分辨率图像往往是检测网络输入尺寸的数十倍甚至数百倍，直接缩放至适配尺寸后输入网络，图像中的大量细节信息将会丢失。这种信息丢失对小目标的影响尤为显著，尤其是对那些在图像中占比极小、特征相对不明显的缺陷目标，缩放处理会极大降低检测的准确性，使得网络在小目标检测方面面临更大的挑战。因此，如何在保留图像细节的同时高效地输入和处理高分辨率图像，成为提升无人机巡检精度的一项重要课题。
此外，配电线路缺陷数据在实际场景中呈现出长尾分布特征，即少数几类缺陷的数据量较大，而大多数类别的数据量较少。例如，常见的20%主流缺陷类别占据了80%的数据量，而尾部类别的数据量则非常稀少。这种分布不均会导致网络在训练和推理时倾向于数据量多的头部类别，容易忽视尾部缺陷数据，造成对尾部类别检测效果不佳。虽然传统的re-sampling和re-weighting等方法可以在一定程度上改善这一问题，通过增加尾部类别数据权重使模型关注这些类别，但这也可能导致网络在尾部数据上过拟合，反而降低了模型的泛化能力，影响检测的整体效果。因而，长尾分布问题依旧是无人机巡检缺陷检测中的一个重要挑战。
最后，配电线路缺陷检测任务中还面临着缺陷特征不够明显、不同缺陷之间相似度较高等问题。例如，某些细小裂纹或轻微锈蚀的特征在不同光线和角度下表现得并不显著，而部分缺陷可能表现出高度相似的外观特征，甚至在背景复杂的场景中难以与周围环境区分开来。这种情况下，传统的单一目标检测网络在识别和区分这些复杂缺陷时往往表现欠佳，难以确保检测的全面性和准确性。
综上所述，现有技术具有如下缺陷：
1、当前无人机巡检任务中，大量高分辨率图像的处理与分析主要依赖人工识别，这不仅导致了较低的处理速度，还因人为识别的局限性带来准确性不足的问题，常出现漏检和误检情况。
2、现有的目标检测算法通常使用较小的输入尺寸，以降低计算负担。然而，这一策略在处理无人机拍摄的高分辨率图像时会导致大量细节信息的丢失，特别是对小目标识别的准确性影响尤为严重。
3、缺陷数据分布呈现显著的长尾特征，不同类别的缺陷数据量差异悬殊。在此背景下，数据量较少的尾部类别识别效果不佳，难以满足对不同缺陷类型的检测需求。
4、单一目标检测算法在识别各类缺陷时存在一定局限性，尤其是在应对特征不明显或不同缺陷间特征相似度高的情况下，难以实现高准确度的识别。
因此，在配电线路缺陷检测中，仅依赖单一目标检测网络难以满足需求，迫切需要更为复杂的检测策略来应对不同缺陷特征的复杂性，并进一步提升检测的精度和鲁棒性。
实现思路