本发明涉及杆塔边坡监测领域，具体涉及一种杆塔边坡隐患点的智能识辨方法及存储介质。
背景技术：
1、杆塔边坡在输电线路工程中具有举足轻重的地位。它承载着塔基的稳定性和安全性，直接关系到输电线路的正常运行。由于杆塔大多建设在自然环境中，边坡的稳定性受到多种因素的影响，如地质条件、气候条件以及人为因素等。因此，确保边坡的稳定是保障输电线路安全的重要环节。
2、然而，杆塔边坡也存在一些隐患点。一方面，边坡可能因地质条件不稳定而出现滑坡、塌方等现象，导致塔基受损，进而影响输电线路的正常运行。另一方面，气候因素如降雨、风化等也可能对边坡的稳定性造成威胁。此外，人为因素如施工不当、维护不善等也可能加剧边坡的隐患。因此，需要加强对杆塔边坡的监测和维护，及时发现并处理隐患点，确保输电线路的安全稳定运行。然而，传统的杆塔边坡隐患点识别方法往往依赖于人工巡检，这种方式不仅效率低下，而且容易受到人为因素的影响，导致识别结果不准确。
技术实现思路
1、鉴于现有技术中存在的技术缺陷和技术弊端，本发明实施例提供克服上述问题或者至少部分地解决上述问题的一种杆塔边坡隐患点的智能识辨方法及存储介质，具体方案如下：
2、作为本发明的第一方面，提供一种杆塔边坡隐患点的智能识辨方法，所述方法包括：
3、步骤1，采集存在隐患的杆塔边坡图像，作为第一图像数据集；
4、步骤2，对第一图像数据集中的图像进行预处理，突出图像的缺陷特征，将预处理后的图像作为第二图像数据集；
5、步骤3，将第二图像数据集输入到隐患检测网络中，通过第二图像数据集训练隐患检测网络；
6、步骤4，获取杆塔边坡图像，将杆塔边坡图像输入到已训练的隐患检测网络，输出杆塔边坡图像的异常分数，通过所述异常分数判断杆塔边坡图像是否异常。
7、进一步地，步骤2包括：
8、步骤2.1，对第一图像数据集中的图像进行图像增广处理，扩充初始图像数据集中的图像数量；
9、步骤2.2，对图像增广处理后的图像进行增强处理，提高图像的特征细节质量；
10、步骤2.3，对增强处理后的图像进行图像数据标注，将数据标注后的图像，作为第二图像数据集。
11、进一步地，步骤2.1中，通过图像平移、图像旋转、图像反转、图像缩放四种方式一种或者多种方式对图像进行图像增广处理。
12、进一步地，
13、图像平移包括，将图像中所有特定坐标的像素点按照一定的偏移量在水平或者垂直方向进行移动，得到平移后图像；
14、图像旋转包括：将图像基于图像中心点进行旋转，得到旋转后图像，其中，在完成图像旋转操作时，保持原图像底下的画布尺寸不变，将旋转后图像超出原图像框的部分裁切掉，并将空出的部分用白色像素填充；
15、图像翻转包括：通过水平翻转方式对图像进行翻转，以图像的垂直平分线为基准，将平分线两边的图像进行镜像变换，得到翻转后的图像；
16、图像缩放包括：添加或者修改图像中像素点个数和分布，更改图像的尺寸，得到缩放后的图像。
17、进一步地，步骤2.2包括：
18、将杆塔边坡图像i(x,y)分解为反射图像a(x,y)和亮度图像r(x,y)，三者之间的关系用如下的公式一表示：
19、公式一：i(x,y)＝a(x,y)·r(x,y)·
20、构建高斯环绕函数：
21、其中σ为尺度参数，k为归一化参数，满足∫∫g(x,y,σ)dxdy＝1；
22、利用高斯环绕对对b、g、r三个通道进行滤波，得到估计的亮度图像r(x,y)：
23、r(x,y)＝i(x,y)*g(x,y)；
24、对公式一两边取对数的方法，可以得到新的公式二：
25、公式二：log[a(x,y)]＝log[i(x,y)]-log[r(x,y)]·
26、利用估计的亮度图像r(x,y)，求解出a(x,y)，即增强后的图像。
27、进一步地，步骤2.3包括：
28、在windows的环境下通过anaconda工具安装labelimg工具和相应库，并在对应的目录下的文件夹中添加目标类型，分别为倾斜、变形和脱落，通过labelimg工具对图像进行标注，通过矩形框标出图像中的目标，标注目标在图像中的位置并标注目标类型。
29、进一步地，步骤3中，所述隐患检测网络为yolov5s网络算法模型，通过第二图像数据集训练隐患检测网络包括；
30、首先将图像通过input层输入，经过1×1卷积上升通道，再在高维空间中使用3×3深度卷积，之后经过senet注意力机制提取特征图的数据，最后再使用线性激活函数，并经过1×1的卷积处理，根据步长的不同选择使用残差输入输出或者直接输出降维后的特征图。
31、进一步地，senet注意力机制提取特征图的数据包括：通过全局平均池化将特征图的通道进行压缩，将每个通道二维特征压缩到实数，输出1×1×c的向量，给每个通道生成权重值，利用两个全连接层构建通道间的相关性，输出的权重值数和特征图的通道数相同，权重值代表特征图通道的重要程度，最后将归一化权重加权到每一个特征图通道的特征上。
32、作为本发明的第二方面，提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被计算机执行时，使得计算机执行如上述任一种所述的频差估计方法。
33、本发明具有以下有益效果：
34、本发明选择了单阶段的目标检测模型yolov5s的网络结构，并提出一种网络结构轻量化改进算法，实现了模型的轻量化改进，并增加了图像增广和图像增强技术，通过图像增广技术增加了数量稀少的类别样本，减少了过拟合，提升了模型泛化能力，通过图像增强的方式，增加图像重要细节信息并提升目标辨识度，大幅提高隐患点识别的效率和准确性，提高实时监控能力，能够及时发现和预警潜在的隐患点，降低了人工巡检的成本和工作量，提高了杆塔边坡的安全性。
1.一种杆塔边坡隐患点的智能识辨方法，其特征在于，所述方法包括：
2.根据权利要求1所述的杆塔边坡隐患点的智能识辨方法，其特征在于，步骤2包括：
3.根据权利要求2所述的杆塔边坡隐患点的智能识辨方法，其特征在于，步骤2.1中，通过图像平移、图像旋转、图像反转、图像缩放四种方式一种或者多种方式对图像进行图像增广处理。
4.根据权利要求3所述的杆塔边坡隐患点的智能识辨方法，其特征在于，
5.根据权利要求2所述的杆塔边坡隐患点的智能识辨方法，其特征在于，步骤2.2包括：
6.根据权利要求2所述的杆塔边坡隐患点的智能识辨方法，其特征在于，步骤2.3包括：
7.根据权利要求1所述的杆塔边坡隐患点的智能识辨方法，其特征在于，步骤3中，所述隐患检测网络为yolov5s网络算法模型，通过第二图像数据集训练隐患检测网络包括；
8.根据权利要求7所述的杆塔边坡隐患点的智能识辨方法，其特征在于，senet注意力机制提取特征图的数据包括：通过全局平均池化将特征图的通道进行压缩，将每个通道二维特征压缩到实数，输出1×1×c的向量，给每个通道生成权重值，利用两个全连接层构建通道间的相关性，输出的权重值数和特征图的通道数相同，权重值代表特征图通道的重要程度，最后将归一化权重加权到每一个特征图通道的特征上。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被计算机执行时，使得计算机执行如权利要求1至8任一项所述的频差估计方法。
