本发明涉及电路缺陷智能检测，特别是涉及一种基于无人机平台的电路缺陷智能检测方法及系统。
背景技术：
1、近年来，随着经济的快速发展，电路输送网络愈渐发达，这也给电路巡检带来了更多更复杂的工作，仅凭人力无法完成日渐增加的电路巡检工作，电路缺陷智能检测的目标是发现每一帧巡检图片中可能存在的电路缺陷问题，相比较于人工检测，具有更高的效率，因此，电路缺陷智能检测成为了提高电路巡检效率，保障民用、企业用电的可靠供电的最佳解决方法。而无人机平台具有其它载体无可比拟的灵活性，基于无人机平台的电路缺陷智能检测能在对多种复杂环境(高空、大风、高电压)下的电路进行缺陷检测的同时保障巡检人员的安全。所以，研究基于无人机平台的电路缺陷智能检测技术有着极高的应用价值和研究意义。
3、基于此，亟需一种检测效率高和检测精度高的基于无人机平台的电路缺陷智能检测技术。
技术实现思路
1、本发明的目的是提供一种基于无人机平台的电路缺陷智能检测方法及系统，相较于现有的电路缺陷智能检测，能够同时提高检测效率和检测精度。
2、为实现上述目的，本发明提供了如下方案：
3、一种基于无人机平台的电路缺陷智能检测方法，所述电路缺陷智能检测方法包括：
4、获取利用无人机平台对电路进行巡检所得到的巡检图片；
5、以所述巡检图片为输入，利用电路缺陷智能检测器确定所述巡检图片中每一缺陷的类别和位置；所述电路缺陷智能检测器由轻量级深度卷积神经网络和transformer模型构成。
6、在一些实施例中，所述电路缺陷智能检测器包括依次连接的特征提取模块和目标检测器；所述特征提取模块为轻量级深度卷积神经网络；所述目标检测器为transformer模型。
7、在一些实施例中，所述轻量级深度卷积神经网络包括依次连接的多个卷积层。
8、在一些实施例中，在以所述巡检图片为输入，利用电路缺陷智能检测器确定所述巡检图片中每一缺陷的类别和位置之前，所述电路缺陷智能检测方法还包括：利用数据集对初始模型进行训练，得到电路缺陷智能检测器；所述数据集包括多张样本图片和每一所述样本图片的标签，所述标签包括所述样本图片中每一缺陷的真实类别和真实位置；所述初始模型和所述电路缺陷智能检测器的模型结构相同。
9、在一些实施例中，在利用数据集对初始模型进行训练时所用的损失函数为：
10、l＝lc媨s+l媨oc；
11、其中，l为总损失；lc媨s为分类损失；l媨oc为定位损失。
12、在一些实施例中，所述分类损失的计算公式为：
13、
14、其中，n为基于锚预测的预测边界框的个数；pos为正预测边界框集合；为第p个正预测边界框中的缺陷属于第a类的分类分数，a为与第p个正预测边界框相匹配的真实边界框的真实类别；neg为负预测边界框集合；为第n个负预测边界框中的缺陷属于第0类的分类分数。
15、在一些实施例中，所述定位损失的计算公式为：
16、
17、其中，n为基于锚预测的预测边界框的个数；m为真实边界框的个数；dij为表示是否需要计算第i个预测边界框的预测坐标与第j个真实边界框的真实坐标的损失的二进制变量；smoothl1为损失函数；li为第i个预测边界框的预测坐标；gtj为第j个真实边界框的真实坐标。
18、在一些实施例中，在以所述巡检图片为输入，利用电路缺陷智能检测器确定所述巡检图片中每一缺陷的类别和位置之后，所述电路缺陷智能检测方法还包括：去除所述类别的分类分数低于预设阈值的缺陷。
19、在一些实施例中，所述特征提取模块为经过预训练的轻量级深度卷积神经网络。
20、一种基于无人机平台的电路缺陷智能检测系统，所述电路缺陷智能检测系统包括：
21、图片获取模块，用于获取利用无人机平台对电路进行巡检所得到的巡检图片；
22、检测模块，用于以所述巡检图片为输入，利用电路缺陷智能检测器确定所述巡检图片中每一缺陷的类别和位置；所述电路缺陷智能检测器由轻量级深度卷积神经网络和transformer模型构成。
23、根据本发明提供的具体实施例，本发明公开了以下技术效果：
24、本发明用于提供一种基于无人机平台的电路缺陷智能检测方法及系统，设计一种由轻量级深度卷积神经网络和transformer模型构成的电路缺陷智能检测器，通过采用轻量级深度卷积神经网络，能够提高模型检测效率，同时，由于transformer模型相比较于深度卷积神经网络有着全局感受域的特性，很好地解决了因深度卷积神经网络的局部感受域对检测精度的限制，能够提高模型检测精度，则基于上述电路缺陷智能检测器对利用无人机平台对电路进行巡检所得到的巡检图片进行检测，能够快速且精确的确定巡检图片中每一缺陷的类别和位置，相较于现有的电路缺陷智能检测，能够同时提高检测效率和检测精度。
1.一种基于无人机平台的电路缺陷智能检测方法，其特征在于，所述电路缺陷智能检测方法包括：
2.根据权利要求1所述的电路缺陷智能检测方法，其特征在于，所述电路缺陷智能检测器包括依次连接的特征提取模块和目标检测器；所述特征提取模块为轻量级深度卷积神经网络；所述目标检测器为transformer模型。
3.根据权利要求2所述的电路缺陷智能检测方法，其特征在于，所述轻量级深度卷积神经网络包括依次连接的多个卷积层。
4.根据权利要求1所述的电路缺陷智能检测方法，其特征在于，在以所述巡检图片为输入，利用电路缺陷智能检测器确定所述巡检图片中每一缺陷的类别和位置之前，所述电路缺陷智能检测方法还包括：利用数据集对初始模型进行训练，得到电路缺陷智能检测器；所述数据集包括多张样本图片和每一所述样本图片的标签，所述标签包括所述样本图片中每一缺陷的真实类别和真实位置；所述初始模型和所述电路缺陷智能检测器的模型结构相同。
5.根据权利要求4所述的电路缺陷智能检测方法，其特征在于，在利用数据集对初始模型进行训练时所用的损失函数为：
6.根据权利要求5所述的电路缺陷智能检测方法，其特征在于，所述分类损失的计算公式为：
7.根据权利要求5所述的电路缺陷智能检测方法，其特征在于，所述定位损失的计算公式为：
8.根据权利要求1所述的电路缺陷智能检测方法，其特征在于，在以所述巡检图片为输入，利用电路缺陷智能检测器确定所述巡检图片中每一缺陷的类别和位置之后，所述电路缺陷智能检测方法还包括：去除所述类别的分类分数低于预设阈值的缺陷。
9.根据权利要求2所述的电路缺陷智能检测方法，其特征在于，所述特征提取模块为经过预训练的轻量级深度卷积神经网络。
10.一种基于无人机平台的电路缺陷智能检测系统，其特征在于，所述电路缺陷智能检测系统包括：