广应用，避免了繁琐的多地区的绝缘子样本库数本发明公开了绝缘子高光谱数据采集系统 据，应用时能够在不同区域以及环境状态，进行及其方法，包括无人机模块、搭载在所述无人机 绝缘子状态的检测。模块上的高光谱数据采集模块、与所述高光谱数据采集模块连接的在线监测服务器、与所述在线监测服务器连接的Web服务器、以及与所述Web服务器连接的用户管理模块，高光谱数据采集模块用于获取待测绝缘子的高光谱图像，提取绝缘子区域特征数据，在线监测服务器包括量子傅里叶变换模块、神经网络数据处理模块和绝缘子检测(56)对比文件孙红;李松;李民赞;刘豪杰;乔浪;张瑶.农业信息成像感知与深度学习应用研究进展.农业机械学报.2020,(第05期),全文.解乔云.基于卷积神经网络的遥感图像变化检测算法研究《.中国优秀硕士学位论文全文数据库》.全文.Nam Kyun Kim.Polyphonic Sound EventDetection Based on Residual ConvolutionalRecurrent Neural Network With Semi-Supervised Loss Function《.IEEE access》.2021,全文.
1.绝缘子高光谱数据采集系统，其特征在于，包括无人机模块、搭载在所述无人机模块上的高光谱数据采集模块、与所述高光谱数据采集模块连接的在线监测服务器、与所述在线监测服务器连接的Web服务器、以及与所述Web服务器连接的用户管理模块；
所述高光谱数据采集模块用于获取待测绝缘子的高光谱图像，根据所述绝缘子的高光谱图像提取绝缘子区域特征数据；
所述在线监测服务器包括量子傅里叶变换模块、神经网络数据处理模块和绝缘子检测输出模块，在线监测服务器用于获取绝缘子区域特征数据，并输入绝缘子多光谱数据库，转换成量子傅里叶变换所需的格式，存入绝缘子多光谱数据库；所述神经网络数据处理模块包括处理单元和校正单元；所述校正单元用于校正绝缘子高光谱样本数据，其中根据预测框的IoU值大小，赋予预测框相应的惩罚系数，通过惩罚系数逐轮降低预测框的置信分数，并经过多轮迭代去除置信分数较低的预测框；当检测框与预测框的IoU值大于等于给定阈值T时，即根据IoU大小计算出对应的惩罚系数α，当IoU小于给定阈值T时，惩罚系数为1；比例惩罚系数通过预测框与原始置信分数最高预测框Bmax的IoU进行计算；
所述处理单元用于拟合出与绝缘子状态所对应的标定程度等级的模型，其中包括构建绝缘子状态检测损失函数，具体如下：其中，l1表示类别的交叉熵分类损失函数，l2表示目标框的均方误差回归损失函数，f表示绝缘子状态目标检测模型，xi表示第i个采样地点的训练图像，yi表示第i个采样地点绝缘子状态的目标类别，gi表示第i个采样地点的图像目标框，N表示绝缘子样品图像数量；
所述量子傅里叶变换模块用于对绝缘子多光谱数据库进行数据变换，量子傅里叶变换从绝缘子多光谱数据库输入已经处理好的多光谱图数据，并转换为量子态绝缘子多光谱图数据；
所述神经网络数据处理模块用于对预设区域内的绝缘子样本，进行单一地点光谱特征的学习和提取，其中神经网络学习对绝缘子样本的多光谱特征矩阵，进行预设区域内不同地点的多光谱交叉学习，神经网络学习的同时输入多个绝缘子样本至多光谱特征矩阵中，形成预设区域内不同地点的光谱绝缘子单一地点光谱特征矩阵，并通过多层神经网络对绝缘子多光谱图进行特征数据识别和特征提取后，拟合出与绝缘子状态所对应的标定程度等级的模型，实现对预设区域内不同地点绝缘子状态模型的神经网络自主学习，形成预设区域内的绝缘子状态模型；
所述绝缘子检测输出模块用于对绝缘子检测结果输出；绝缘子多光谱分析结果输出获取神经网络学习输出的最终结果，并提供完整的绝缘子检测分析报告数据传输至Web服务器；
所述用户管理模块用于查看并管理绝缘子检测分析报告数据以及绝缘子的高光谱图像数据。
2.如权利要求1所述的绝缘子高光谱数据采集系统，其特征在于，所述绝缘子状态所对应的标定程度等级的模型，包括：绝缘子状态评估集M，具体如下：M＝{0.3，0.5，0.9}；
绝缘子阻值集MR，具体如下：MR＝{500MΩ，300MΩ，240MΩ}；
其中，所述绝缘子状态包括低风险状态、中风险状态和劣化高风险状态；所述低风险状态与绝缘子状态评估集M中子集的0.3标定、所述中风险状态与绝缘子状态评估集M中子集的0.5标定、以及劣化高风险状态与绝缘子状态评估集M中子集的0.9标定。
3.如权利要求1所述的绝缘子高光谱数据采集系统，其特征在于，所述无人机模块还包括环境检测模块，所述环境检测模块与所述在线监测服务器连接，且所述环境检测模块包括温度传感器和湿度传感器。
4.如权利要求1所述的绝缘子高光谱数据采集系统，其特征在于，所述在线监测服务器包括预处理模块，所述预处理模块连接高光谱数据采集模块，且所述预处理模块对所获取的高光谱图像进行预处理，包括图像灰度化、图像增强、图像分割；取绝缘子各位置点高光谱谱线，对谱线数据进行预处理，包括黑白校正、平滑、求导、归一化、多元散射校正后形成绝缘子高光谱样本数据。
5.如权利要求4所述的绝缘子高光谱数据采集系统，其特征在于，所述在线监测服务器还包括辐射校正模块，所述辐射校正模块用于对所述高光谱图像进行黑白校正和多元散射校正。
6.如权利要求1所述的绝缘子高光谱数据采集系统，其特征在于，所述在线监测服务器还包括更新模块，所述更新模块更新卷积网络中采样层的权值 如下：其中，down表示下采样层， 表示上一采样层的权值，af1为激活函数， 为加性偏置。
7.如权利要求6所述的绝缘子高光谱数据采集系统的方法，其特征在于，包括以下步骤：
步骤一，获取预设区域内不同地点的待测绝缘子的高光谱图像数据和环境检测数据，根据所述高光谱图像数据和环境检测数据，得到预设区域内不同运行状态的绝缘子样本数据；
步骤二，将不同运行状态的绝缘子样本数据进行预处理后的绝缘子区域特征数据，传输至在线监测服务器，对绝缘子多光谱数据库进行数据变换，量子傅里叶变换从绝缘子多光谱数据库输入已经处理好的多光谱图数据，并转换量子态绝缘子多光谱图数据；
步骤三，对预设区域内的绝缘子样本，进行所述预设区域内光谱特征的提取和不同地点的多光谱交叉学习，其中神经网络学习对绝缘子样本的多光谱特征矩阵进行预设区域内不同地点的多光谱交叉学习，神经网络学习同时输入绝缘子多光谱特征矩阵中的预设区域内不同地区光谱的绝缘子单一地点光谱特征矩阵，通过多层神经网络对绝缘子多光谱图进行特征数据识别和特征提取，并拟合出与标定程度等级所对应的绝缘子状态模型，实现对预设区域内不同地点绝缘子状态模型的神经网络自主学习，形成预设区域内的绝缘子状态模型，并通过更新模块进行绝缘子状态模型更新；
步骤四，绝缘子多光谱分析结果输出获取神经网络学习输出的最终结果，并提供完整的绝缘子检测分析报告数据传输至Web服务器，查看并管理绝缘子检测分析报告数据以及绝缘子的高光谱图像数据。
8.如权利要求7所述的绝缘子高光谱数据采集系统的方法，其特征在于，步骤三中，通过多层神经网络对绝缘子多光谱图进行特征数据识别和特征提取时，通过校正单元校正绝缘子高光谱样本数据，其中根据预测框的IoU值大小，赋予预测框相应的惩罚系数，通过惩罚系数逐轮降低预测框的置信分数，并经过多轮迭代去除置信分数较低的预测框；当检测框与预测框的IoU值大于等于给定阈值T时，即根据IoU大小计算出对应的惩罚系数α，当IoU小于给定阈值T时，惩罚系数为1；比例惩罚系数通过预测框与原始置信分数最高预测框Bmax的IoU进行计算；比例惩罚系数通过预测框与原始置信分数最高预测框Bmax的IoU进行计算，具体计算过程如下：α＝1IoU(Bmax，Bj)＜T；
α＝1‑lg[IoU(Bmax，Bj)+1]IoU(Bmax，Bj)≥T；
其中，IoU(Bmax，Bj)是检测框预置信度得分最高框的IoU值，引入惩罚系数后，当IoU(Bmax，Bj)＜T，惩罚系数为1，此时置信度与初始NMS对应检测框的置信度相同；IoU(Bmax，Bj)≥T，此时引入惩罚系数的NMS的对应检测框置信度由变为G(1‑lg[IoU(Bmax，Bj)+1])，G为对应检测框原有置信分数。
绝缘子高光谱数据采集系统及其方法
技术领域
[0001] 本发明涉及电力设备检测技术领域，特别是绝缘子高光谱数据采集系统及其方法。
背景技术
[0002] 绝缘子是供电线路的重要设备，我国现有的供电系统中还没有绝缘子污秽情况实时信息监测设备，当绝缘子污染严重时，会发生闪络，最终导致短路跳闸事故。随着我国的经济持续快速发展，我们国家的电网也跟着迅猛发展，但同时随着环境污染的越来越严重，使绝缘子表面沉淀的污秽种类也越来越多，而且情况也越来越复杂，同时沉淀速度也是越来越快，需要清理的次数也是越来越多。由于在干燥的环境空气中绝缘比较好，所以，在这样的环境中绝缘子仍然能保持较高的绝缘等级，但是，当遇到恶劣的环境，如雾、毛毛雨、融冰、融雪时，在这样的环境中绝缘子表面会形成水膜，污秽层中的可溶盐类会溶于水中，进一步形成导电的水膜，这个时候绝缘子表面形成一个通路，就会有电流流过了。由此引起的电力系统输变电设备外绝缘污闪跳闸和电网大面积的污闪停电事故在全国范围内频频发生，给国家造成了严重的危害和巨大的经济损失。因此研制监测绝缘子污秽状况的设备，实时提供绝缘子表面污染数据和预报警服务，对电网稳定运行意义重大。
[0003] 目前采用高光谱遥感对绝缘子检测，可以实现不停电测量，操作便捷，但传统的高光谱检测方式是通过建库，比对所检测对象和样本库数据来获得测量结果，由于现有的绝缘子样本，基于不同区域的环境状态所呈现出的状态差异化较大，不同区域的环境状态下自然污秽形成的状态极为复杂，难以分析处理，所以根据多个地区获取的高光谱数据进行自主学习后得到的结果数据精度一般，同时多个地区的建库所需要的样本量大且自主学习效果一般，推广性差，所以我们提出绝缘子高光谱数据采集系统及其方法。
发明内容
[0004] 鉴于上述现有的绝缘子高光谱检测中存在的问题，提出了本发明。
[0005] 因此，本发明目的是提供绝缘子高光谱数据采集系统及其方法，其利用神经网络交叉自主学习预设区域内的绝缘子数据，形成对应地点的光谱特征矩阵，能够准确地识别绝缘子当前状态并进行标定评估，改善了拟合的损失函数并进行校正以及更新，进一步地提高了区域性多光谱绝缘子检测的准确性。
[0006] 为解决上述技术问题，本发明提供如下技术方案：
[0007] 一方面，本发明提供绝缘子高光谱数据采集系统，包括无人机模块、搭载在所述无人机模块上的高光谱数据采集模块、与所述高光谱数据采集模块连接的在线监测服务器、与所述在线监测服务器连接的Web服务器、以及与所述Web服务器连接的用户管理模块；
[0008] 所述高光谱数据采集模块用于获取待测绝缘子的高光谱图像，根据所述绝缘子的高光谱图像提取绝缘子区域特征数据；
[0009] 所述在线监测服务器包括量子傅里叶变换模块、神经网络数据处理模块和绝缘子检测输出模块，在线监测服务器用于获取绝缘子区域特征数据，并输入绝缘子多光谱数据库，转换成量子傅里叶变换所需的格式，存入绝缘子多光谱数据库；
[0010] 所述量子傅里叶变换模块用于对绝缘子多光谱数据库进行数据变换，量子傅里叶变换从绝缘子多光谱数据库输入已经处理好的多光谱图数据，并转换为量子态绝缘子多光谱图数据；
[0011] 所述神经网络数据处理模块用于对预设区域内的绝缘子样本，进行单一地点光谱特征的学习和提取，其中神经网络学习对绝缘子样本的多光谱特征矩阵，进行预设区域内不同地点的多光谱交叉学习，神经网络学习的同时输入多个绝缘子样本至多光谱特征矩阵中，形成预设区域内不同地点的光谱绝缘子单一地点光谱特征矩阵，并通过多层神经网络对绝缘子多光谱图进行特征数据识别和特征提取后，拟合出与绝缘子状态所对应的标定程度等级的模型，实现对预设区域内不同地点绝缘子状态模型的神经网络自主学习，形成预设区域内的绝缘子状态模型；
[0012] 所述绝缘子检测输出模块用于对绝缘子检测结果输出；绝缘子多光谱分析结果输出获取神经网络学习输出的最终结果，并提供完整的绝缘子检测分析报告数据传输至Web服务器；
[0013] 所述用户管理模块用于查看并管理绝缘子检测分析报告数据以及绝缘子的高光谱图像数据。
[0014] 作为本发明的一种优选方案，其中：所述绝缘子状态所对应的标定程度等级的模型，包括：
[0015] 绝缘子状态评估集M，具体如下：M＝{0.3,0.5,0.9}；
[0016] 绝缘子阻值集MR，具体如下：MR＝{500MΩ,300MΩ,240MΩ}；
[0017] 其中，所述绝缘子状态包括低风险状态、中风险状态和劣化高风险状态；所述低风险状态与绝缘子状态评估集M中子集的0.3标定、所述中风险状态与绝缘子状态评估集M中子集的0.5标定、以及劣化高风险状态与绝缘子状态评估集M中子集的0.9标定；当绝缘子状态处于劣化高风险状态时发出警报信号。
[0018] 作为本发明的一种优选方案，其中：所述神经网络数据处理模块包括处理单元和校正单元；
[0019] 所述校正单元用校正绝缘子高光谱样本数据，其中根据预测框的IoU值大小，赋予预测框相应的惩罚系数，通过惩罚系数逐轮降低预测框的置信分数，并经过多轮迭代去除置信分数较低的预测框；当检测框与预测框的IoU值大于等于给定阈值T时，即根据IoU大小计算出对应的惩罚系数α，当IoU小于给定阈值T时，惩罚系数为1；比例惩罚系数通过预测框与原始置信分数最高预测框Bmax的IoU进行计算；
[0020] 所述处理单元用于拟合出与标定程度等级所对应的绝缘子状态模型，其中包括构建绝缘子状态检测损失函数，具体如下：
[0021]
[0022] 其中，l1表示类别的交叉熵分类损失函数，l2表示目标框的均方误差回归损失函数，f表示绝缘子状态目标检测模型，xi表示第i个采样地点的训练图像，yi表示第i个采样地点绝缘子状态的目标类别，gi表示第i个采样地点的图像目标框，N表示绝缘子样品图像数量。
[0023] 作为本发明的一种优选方案，其中：所述在线监测服务器包括预处理模块，所述预处理模块连接高光谱数据采集模块，且所述预处理模块对所获取的高光谱图像进行预处理，包括图像灰度化、图像增强、图像分割，以达到去除噪音和背景，识别出绝缘子部分有效信息的目的；取绝缘子各位置点高光谱谱线，对谱线数据进行预处理，包括黑白校正、平滑、求导、归一化、多元散射校正后形成绝缘子高光谱样本数据，消除噪声数据以及光照对反射率的影响。
[0024] 作为本发明的一种优选方案，其中：所述无人机模块还包括环境检测模块，所述环境检测模块与所述在线监测服务器连接，且所述环境检测模块包括温度传感器和湿度传感器。
[0025] 作为本发明的一种优选方案，其中：所述在线监测服务器还包括辐射校正模块，所述辐射校正模块用于对所述高光谱图像进行黑白校正和多元散射校正。
[0026] 作为本发明的一种优选方案，其中：所述在线监测服务器还包括更新模块，所述更新模块更新卷积网络中采样层的权值 如下：
[0027]
[0028] 其中，down表示下采样层， 表示上一采样层的权值，af1为激活函数， 为加性偏置。
[0029] 作为本发明的一种优选方案，其中：。
[0030] 一方面，本发明提供一种绝缘子高光谱数据采集系统的方法，包括以下步骤：
[0031] 步骤一，获取预设区域内不同地点的待测绝缘子的高光谱图像数据和环境检测数据，根据所述高光谱图像数据和环境检测数据，得到预设区域内不同运行状态的绝缘子样本数据；
[0032] 步骤二，将不同运行状态的绝缘子样本数据进行预处理后的绝缘子区域特征数据，传输至在线监测服务器，对绝缘子多光谱数据库进行数据变换，量子傅里叶变换从绝缘子多光谱数据库输入已经处理好的多光谱图数据，并转换为量子态绝缘子多光谱图数据；
[0033] 步骤三，对预设区域内的绝缘子样本，进行所述预设区域内光谱特征的提取和多地点的多光谱交叉学习，其中神经网络学习对绝缘子样本的多光谱特征矩阵进行预设区域内不同地点的多光谱交叉学习，神经网络学习同时输入绝缘子多光谱特征矩阵中的预设区域内不同地区光谱的绝缘子单一地点光谱特征矩阵，通过多层神经网络对绝缘子多光谱图进行特征数据识别和特征提取，并拟合出与标定程度等级所对应的绝缘子状态模型，实现对预设区域内不同地点绝缘子状态模型的神经网络自主学习，形成预设区域内的绝缘子状态模型，并通过更新模块进行绝缘子状态模型更新；
[0034] 通过校正单元校正绝缘子高光谱样本数据，其中根据预测框的IoU值大小，赋予预测框相应的惩罚系数，通过惩罚系数逐轮降低预测框的置信分数，并经过多轮迭代去除置信分数偏低的预测框；当检测框与预测框的IoU值大于等于给定阈值T时，即根据IoU大小计算出对应的惩罚系数α，当IoU小于给定阈值时，惩罚系数为1；比例惩罚系数通过预测框与原始置信分数最高预测框Bmax的IoU进行计算；比例惩罚系数通过预测框与原始置信分数最高预测框Bmax的IoU进行计算，具体计算过程如下：
[0035] α＝1IoU(Bmax，Bj)
[0036] α＝1‑lg[IoU(Bmax，Bj)+1]IoU(Bmax，Bj)≥T；
[0037] 其中，IoU(Bmax，Bj)是检测框预置信度得分最高框的IoU值，引入惩罚系数后，当IoU(Bmax，Bj)
[0038] 步骤四，绝缘子多光谱分析结果输出获取神经网络学习输出的最终结果，并提供完整的绝缘子检测分析报告数据传输至Web服务器，查看并管理绝缘子检测分析报告数据以及绝缘子的高光谱图像数据。
[0039] 本发明的有益效果：本发明利用神经网络交叉自主学习，可智能对预设区域内的绝缘子数据进行处理分析，形成对应地点的光谱特征矩阵，实现对预设区域内不同地点绝缘子状态模型的高精度针对性的神经网络自主学习，形成预设区域内的绝缘子状态模型，进而能够准确地识别绝缘子当前状态并进行标定评估，有利于后续管理人员的操作与管理；同时本申请改善了拟合的损失函数并进行校正以及更新，并且在绝缘子高光谱样本数据标定时添加了惩罚系数的处理与卷积网络采样层的更新，能够进一步地提高标定绝缘子状态目标检测模型的准确性。
[0040] 综上所述，本发明具有区域性的自主学习功能，提高了对多光谱绝缘子的检测的准确性，便于推广应用，避免了繁琐的多地区的绝缘子样本库数据，应用时能够在不同区域以及环境状态，进行绝缘子状态的监测。
附图说明
[0041] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0042] 图1为本发明绝缘子高光谱数据采集系统的模块化结构示意图；
[0043] 图2为本发明绝缘子高光谱数据采集系统方法的流程图。
具体实施方式
[0044] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
[0045] 参照图1，为本发明的一个实施例，该实施例提供了绝缘子高光谱数据采集系统，包括无人机模块、搭载在无人机模块上的高光谱数据采集模块、与高光谱数据采集模块连接的在线监测服务器、与在线监测服务器连接的Web服务器、以及与Web服务器连接的用户管理模块；
[0046] 本实施例的高光谱数据采集模块用于获取待测绝缘子的高光谱图像，根据绝缘子的高光谱图像提取绝缘子区域特征数据；
[0047] 本实施例的在线监测服务器包括量子傅里叶变换模块、神经网络数据处理模块和绝缘子检测输出模块，在线监测服务器用于获取绝缘子区域特征数据，并输入绝缘子多光谱数据库，转换成量子傅里叶变换所需的格式，存入绝缘子多光谱数据库；
[0048] 本实施例的量子傅里叶变换模块用于对绝缘子多光谱数据库进行数据变换，量子傅里叶变换从绝缘子多光谱数据库输入已经处理好的多光谱图数据，并转换为量子态绝缘子多光谱图数据；
[0049] 本实施例的神经网络数据处理模块用于对预设区域内的绝缘子样品，进行单一地点光谱特征的学习和提取，其中神经网络学习对绝缘子样品的多光谱特征矩阵进行预设区域内不同地点的多光谱交叉学习，神经网络学习同时输入绝缘子多光谱特征矩阵中的预设区域内不同地区光谱的绝缘子单一地点光谱特征矩阵，通过多层神经网络对绝缘子多光谱图进行特征数据识别和特征提取，并拟合出与标定程度等级所对应的绝缘子状态模型，实现对预设区域内不同地点绝缘子状态模型的神经网络自主学习，形成预设区域内的绝缘子状态模型；
[0050] 本实施例的绝缘子检测输出模块用于对绝缘子检测结果输出；绝缘子多光谱分析结果输出获取神经网络学习输出的最终结果，并提供完整的绝缘子检测分析报告数据传输至Web服务器；
[0051] 本实施例的用户管理模块用于查看并管理绝缘子检测分析报告数据以及绝缘子的高光谱图像数据。
[0052] 本实施例优选的在线监测服务器包括预处理模块，预处理模块连接高光谱数据采集模块，且预处理模块对所获取的高光谱图像进行预处理，包括图像灰度化、图像增强、图像分割，以达到去除噪音和背景，识别出绝缘子部分有效信息的目的；取绝缘子各位置点高光谱谱线，对谱线数据进行预处理，包括黑白校正、平滑、求导、归一化、多元散射校正后形成绝缘子高光谱样本数据，消除噪声数据以及光照对反射率的影响。
[0053] 本实施例的在线监测服务器还包括更新模块，更新模块更新卷积网络中采样层的权值 如下：
[0054]
[0055] 其中，down表示下采样层， 表示上一采样层的权值，af1为激活函数， 为加性偏置。
[0056] 需要强调的是，神经网络数据处理模块包括处理单元和校正单元；校正单元用校正绝缘子高光谱样本数据，其中根据预测框的IoU值大小，赋予预测框相应的惩罚系数，通过惩罚系数逐轮降低预测框的置信分数，并经过多轮迭代去除置信分数较低的预测框；当检测框与预测框的IoU值大于等于给定阈值T时，即根据IoU大小计算出对应的惩罚系数α，当IoU小于给定阈值T时，惩罚系数为1；比例惩罚系数通过预测框与原始置信分数最高预测框Bmax的IoU进行计算；具体计算过程如下：
[0057] α＝1IoU(Bmax，Bj)
[0058] α＝1‑lg[IoU(Bmax，Bj)+1]IoU(Bmax，Bj)≥T；
[0059] 其中，IoU(Bmax，Bj)是检测框预置信度得分最高框的IoU值，引入惩罚系数后，当IoU(Bmax，Bj)
[0060] 本实施例的处理单元用于拟合出与绝缘子状态所对应的标定程度等级的模型，其中包括构建绝缘子状态检测损失函数，具体如下：
[0061]
[0062] 其中，l1表示类别的交叉熵分类损失函数，l2表示目标框的均方误差回归损失函数，f表示绝缘子状态目标检测模型，xi表示第i个采样地点的训练图像，yi表示第i个采样地点绝缘子状态的目标类别，gi表示第i个采样地点的图像目标框，N表示绝缘子样品图像数量。
[0063] 本实施例中无人机模块还包括环境检测模块，环境检测模块与在线监测服务器连接，且环境检测模块包括温度传感器和湿度传感器。
[0064] 进一步说明的，绝缘子状态所对应的标定程度等级的模型，具体如下：
[0065] 绝缘子状态评估集M具体如下：M＝{0.3,0.5,0.9}；
[0066] 绝缘子阻值集MR具体如下：MR＝{500MΩ,300MΩ,240MΩ}；
[0067] 绝缘子状态对应的包括低风险状态、中风险状态和劣化高风险状态，低风险状态与绝缘子状态评估集M中子集的0.3标定、中风险状态与绝缘子状态评估集M中子集的0.5标定、以及劣化高风险状态与绝缘子状态评估集M中子集的0.9标定；当绝缘子状态处于劣化高风险状态时发出警报信号。
[0068] 进一步地，在线监测服务器还包括辐射校正模块，辐射校正模块用于对高光谱图像进行黑白校正和多元散射校正，进一步地提高绝缘子样品的数据精准度。
[0069] 参照图2，基于上述实施例，本发明还提供一种绝缘子高光谱数据采集系统的方法，包括以下步骤：
[0070] 步骤一，获取预设区域内不同地点的待测绝缘子的高光谱图像数据和环境检测数据，根据高光谱图像数据和环境检测数据，得到预设区域内不同运行状态的绝缘子样本数据；
[0071] 步骤二，将不同运行状态的绝缘子样本数据进行预处理后的绝缘子区域特征数据，传输至在线监测服务器，对绝缘子多光谱数据库进行数据变换，量子傅里叶变换从绝缘子多光谱数据库输入已经处理好的多光谱图数据，并转换为量子态绝缘子多光谱图数据；
[0072] 步骤三，对预设区域内的绝缘子样品，进行所述预设区域内光谱特征的提取和多地点的多光谱交叉学习，其中神经网络学习对绝缘子样品的多光谱特征矩阵进行预设区域内不同地点的多光谱交叉学习，神经网络学习同时输入绝缘子多光谱特征矩阵中的预设区域内不同地区光谱的绝缘子单一地点光谱特征矩阵，通过多层神经网络对绝缘子多光谱图进行特征数据识别和特征提取，并拟合出与标定程度等级所对应的绝缘子状态模型，实现对预设区域内不同地点绝缘子状态模型的神经网络自主学习，形成预设区域内的绝缘子状态模型，并通过更新模块进行绝缘子状态模型更新；
[0073] 通过校正单元校正绝缘子高光谱样本数据，其中根据预测框的IoU值大小，赋予预测框相应的惩罚系数，通过惩罚系数逐轮降低预测框的置信分数，并经过多轮迭代去除置信分数偏低的预测框；当检测框与预测框的IoU值大于等于给定阈值T时，即根据IoU大小计算出对应的惩罚系数α，当IoU小于给定阈值时，惩罚系数为1；比例惩罚系数通过预测框与原始置信分数最高预测框Bmax的IoU进行计算；比例惩罚系数通过预测框与原始置信分数最高预测框Bmax的IoU进行计算，具体计算过程如下：
[0074] α＝1IoU(Bmax，Bj)
[0075] α＝1‑lg[IoU(Bmax，Bj)+1]IoU(Bmax，Bj)≥T；
[0076] 其中，IoU(Bmax，Bj)是检测框预置信度得分最高框的IoU值，引入惩罚系数后，当IoU(Bmax，Bj)
[0077] 步骤四，绝缘子多光谱分析结果输出获取神经网络学习输出的最终结果，并提供完整的绝缘子检测分析报告数据传输至Web服务器，查看并管理绝缘子检测分析报告数据以及绝缘子的高光谱图像数据。
[0078] 本发明利用神经网络交叉自主学习，可智能对预设区域内的绝缘子数据进行处理分析，形成对应地点的光谱特征矩阵，实现对预设区域内不同地点绝缘子状态模型的高精度针对性的神经网络自主学习，形成预设区域内的绝缘子状态模型，进而能够准确地识别绝缘子当前状态并进行标定评估，有利于后续管理人员的操作与管理；同时本申请改善了拟合的损失函数和校正，并且在绝缘子高光谱样本数据标定时添加了惩罚系数的处理与卷积网络采样层的更新，能够进一步地提高标定绝缘子状态目标检测模型的准确性。
[0079] 综上所述，本发明具有区域性的自主学习功能，提高了对多光谱绝缘子的检测的准确性，便于推广应用，避免了繁琐的多地区的绝缘子样本库数据，应用时能够在不同区域以及环境状态，进行绝缘子状态的检测。
[0080] 在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。
[0081] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0082] 此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0083] 流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能。
[0084] 在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。
[0085] 应理解的是，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0086] 此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器，磁盘或光盘等。
[0087] 以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
