本发明专利技术公开一种覆冰检测方法及系统，其中方法包括基于样本数据集对覆冰检测网络进行迭代训练，获得覆冰检测模型；所述样本数据集包括覆冰样本图像以及相应的标注信息，所述标注信息包括位置信息、几何形状信息和类型信息；所述覆冰检测网络为改进YOLOv8n‑seg网络，包括：主干网络，输入为所述覆冰样本图像，输出为相应的主干特征数据；注意力模块，输入为所述主干特征数据，基于Triplet注意力机制输出相应的加权特征数据；特征融合网络，输入为所述加权特征数据，输出为融合特征数据；预测网络，输入为所述融合特征数据，输出为相应的区域预测信息和类型预测信息。本发明专利技术通过对覆冰检测网络的设计，能够有效提高覆冰类型的识别精度以及线路覆冰区域的分割精度。
【技术实现步骤摘要】
本专利技术涉及图像处理领域，尤其涉及一种于架空输电线路进行覆冰类型识别与线路覆冰区域分割的覆冰检测方法及系统。
技术介绍
1、架空输电线路的运行安全受到季节性恶劣天气条件的影响，特别是在冬季寒冷条件下，容易出现雨凇、雾凇等覆冰现象。这些覆冰不仅会增加线路的负荷和风险，还会影响电力系统的稳定运行。因此，准确识别和分割覆冰类型对于电网运维至关重要。
2、传统的覆冰识别方法主要基于人工规则或特征工程，其准确性和鲁棒性受限于手工设计的特征的局限性。而随着深度学习技术在图像处理领域的发展，为解决图像中覆冰类型多样、形态复杂的问题提供了新的思路和可能性。
3、然而，现有的深度学习实例分割算法在应用于架空输电线路覆冰识别与分割时，仍然面临一些挑战。例如，雨凇、雾凇等覆冰类型的形态特征复杂，且容易受到光照和天气条件变化的影响，这会影响算法的性能和准确度。
技术实现思路
1、本专利技术针对现有技术中针对雨凇、雾凇等复杂覆冰类型的识别精度不高，难以准确分割的缺点，提供了一种基于改进的yolov8n-seg网络所实现的覆冰检测方法及系统。
2、为了解决上述技术问题，本专利技术通过下述技术方案得以解决：
3、一种覆冰检测方法，基于样本数据集对覆冰检测网络进行迭代训练，获得覆冰检测模型；所述样本数据集包括覆冰样本图像以及相应的标注信息，所述标注信息包括位置信息、几何形状信息和类型信息；
4、所述覆冰检测网络为改进yolov8n-seg网络，包括：</p>5、主干网络，输入为所述覆冰样本图像，输出为相应的主干特征数据；
6、注意力模块，输入为所述主干特征数据，基于triplet注意力机制输出相应的加权特征数据；
7、特征融合网络，输入为所述加权特征数据，输出为融合特征数据；
8、预测网络，输入为所述融合特征数据，输出为相应的区域预测信息和类型预测信息。
9、本专利技术通过在现有已公开的yolov8n-seg网络的主干网络和特征融合网络间引入triplet注意力机制，能够增加空间维度和通道维度得交互注意力，提高传递特征图的有效性。
10、作为一种可实施方式：
11、所述注意力模块包括顶部分支、中部分支和底部分支；
12、将输入所述注意力模块的特征图作为目标主干特征图，所述目标主干特征图的维度包括维度h、维度c和维度w；
13、目标主干特征图通过所述注意力模块生成相应的目标加权特征图的步骤包括：
14、所述顶部分支基于所述目标主干特征图计算维度c和维度w的注意力权重，并生成相应的第一加权特征图；
15、所述中部分支基于所述目标主干特征图计算维度c和维度h的注意力权重，并生成相应的第二加权特征图；
16、所述顶部分支基于所述目标主干特征图计算维度h和维度w的注意力权重，并生成相应的第三加权特征图；
17、对所述第一加权特征图、所述第二加权特征图和所述第三加权特征图求平均获得所述目标加权特征图。
18、作为一种可实施方式，将目标分支进行注意力计算的维度作为目标维度，剩余维度作为旋转维度，计算目标分支所对应的加权特征图的具体步骤为：
19、令目标主干特征图基于所述旋转维度进行旋转，获得相应的旋转特征图；
20、对所述旋转特征图进行池化处理，并将池化处理后的结果经卷积和sigmiod函数处理后得到目标维度所对应的注意力权重；
21、将所述注意力权重与所述旋转特征图相乘后，基于所述旋转维度旋转复位后获得相应的加权特征图；
22、所述池化处理的公式如下：
23、zpool(x)＝[maxpoold(x),avgpoold(x)]；
24、其中，maxpoold(x)为最大池化处理，avgpoold(x)为平均池化处理。
25、作为一种可实施方式，使用可变性卷积dcnv2(deformable convolution v2)对主干网络的最后一组c2f模块进行改进，形成c2f_dcnv2模块；
26、可变形卷积的公式为：
27、
28、其中：
29、y(p)表示相对应的输出特征图中采样位置p的特征；
30、采样位置p∈{(-1,-1),(-1,0),(-1,1),…,(1,1)}；
31、x表示相对应的输入特征图；
32、k表示k个采样位置的卷积核；
33、wk表示第k个采样位置的权值；
34、pk表示第k个采样位置的预设偏移量；
35、δpk表示学习获得的偏移量；
36、δmk表示学习获得的调制标量。
37、本专利技术通过使用可变性卷积dcnv2对现有已公开的yolov8n-seg网络的主干网络中最后一组c2f模块，能够提高模型描述物体的几何位置和特征提取能力，使卷积神经网络更好地适应不同覆冰线路的特征表达需求，从而提高模型的辨识能力，
38、作为一种可实施方式，特征融合网络中包括若干个上采样模块，采用carafe模块替换所述上采样模块。
39、本专利技术通过引入carafe上采样模块，有效提升特征在上采样特征图的目标细节的捕捉能力。
40、作为一种可实施方式，carafe模块包括上采样核预测模块和特征重组模块；
41、所述上采样核预测模块用于基于所输入的输入特征图，生成相应的第一上采样核，并对所得第一上采样核进行归一化处理，获得第二上采样核；
42、所述特征重组模块：
43、用于对所述输入特征图进行最邻近上采样，获得相应的上采样特征图；
44、还用于对所述第二上采样核进行重组，获得第三上采样核；
45、还用于基于所述第三上采样核，于所述上采样特征图中以对应位置为中心进行点积，相同位置的所有通道共享同一个上采样核，计算获得carafe模块的上采样输出特征图。
46、作为一种可实施方式，损失函数采用slide_loss加权函数，计算公式为：
47、
48、其中：
49、μ为阈值参数；
50、v为相应的预测值。
51、本专利技术对损失函数进行改进，所使用的slide-loss加权函数通过自适应地学习得到的阈值参数μ将样本分为正样本和负样本，并在μ附近设置较高的权重会增加困难的样本的相对损失，从而将更多注意力集中在难分类的错误示例上，从而解决样本不平衡的带来的模型性能由大样本主导的问题。
52、作为一种可实施方式：
53、模型训练的实验平台环境与配置参数如下：基于windows 10的操作系统，基于torch-1.10.0+cu113的深度学习框架，编程语言为python 3.8.15，cpu为intel(r)core(tm)i9-
54、998本文档来自技高网
...
【技术保护点】
1.一种覆冰检测方法，其特征在于，基于样本数据集对覆冰检测网络进行迭代训练，获得覆冰检测模型；所述样本数据集包括覆冰样本图像以及相应的标注信息，所述标注信息包括位置信息、几何形状信息和类型信息；
2.根据权利要求1所述的覆冰检测方法，其特征在于：
3.根据权利要求2所述的覆冰检测方法，其特征在于，将目标分支进行注意力计算的维度作为目标维度，剩余维度作为旋转维度，计算目标分支所对应的加权特征图的具体步骤为：
4.根据权利要求1至3任一所述的覆冰检测方法，其特征在于，使用可变性卷积DCNv2对主干网络的最后一组C2f模块进行改进，形成C2f_DCNv2模块；
5.根据权利要求1至3任一所述的覆冰检测方法，其特征在于，特征融合网络中包括若干个上采样模块，采用CARAFE模块替换所述上采样模块。
6.根据权利要求5所述的覆冰检测方法，其特征在于，CARAFE模块包括上采样核预测模块和特征重组模块；
7.根据权利要求1至3任一所述的覆冰检测方法，其特征在于，损失函数采用Slide_loss加权函数，计算公式为：
8.一种覆冰检测方法，其特征在于，包括以下步骤：
9.一种覆冰检测系统，其特征在于，包括模型构建系统，所述模型构建系统用于执行权利要求1至7任意一项所述的覆冰检测方法。
10.一种覆冰检测系统，其特征在于，包括识别分割系统，所述识别分割系统用于执行权利要求8所述的覆冰检测方法。
...
【技术特征摘要】
1.一种覆冰检测方法，其特征在于，基于样本数据集对覆冰检测网络进行迭代训练，获得覆冰检测模型；所述样本数据集包括覆冰样本图像以及相应的标注信息，所述标注信息包括位置信息、几何形状信息和类型信息；
2.根据权利要求1所述的覆冰检测方法，其特征在于：
3.根据权利要求2所述的覆冰检测方法，其特征在于，将目标分支进行注意力计算的维度作为目标维度，剩余维度作为旋转维度，计算目标分支所对应的加权特征图的具体步骤为：
4.根据权利要求1至3任一所述的覆冰检测方法，其特征在于，使用可变性卷积dcnv2对主干网络的最后一组c2f模块进行改进，形成c2f_dcnv2模块；
5.根据权利要求1至3任一所述的覆冰检测方...
【专利技术属性】
技术研发人员：焦建格，刘方林，黄森军，徐希龙，谢子恒，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。