【技术实现步骤摘要】
本专利技术涉及目标检测，尤其涉及一种目标检测模型的训练方法、防外破监测预警方法及装置。
技术介绍
1、输电线路是承担电力输送任务的重要载体，着重于可靠地将大量电力进行远距离输送。由于我国的国土面积之大，有非常多的输电系统正在建设，并且大部分输电线建设在山区之中。这种现状导致了目前施工器械(塔吊、挖掘机等)、导线异物(塑料袋、风筝等)、山火等外部破坏因素成为了导致输电线路故障的主要原因，需要对外破实时预警。然而，通过人工检查复杂地区的输电线路是十分耗时耗力的，所以，通过深度学习方法进行高精度自动化监测成为了迫切需求。
2、现有的输电线路防外破方法大多数采用参数量较少的轻量化目标检测模型，虽然可以方便部署在摄像头的isp(image signal processing，图像信号处理)芯片中，但是由于外破目标具有种类多样、尺寸较小、数据量差异大的特点，上述模型识别外破目标精度较低，难以满足准确监测的要求。
3、近年来，计算机视觉基础大模型骨干网络如vit、swin transformer、internimage等发展迅猛，这些网络具有较大的参数量并经过大数据自监督预训练，具有非常好的语义理解能力，在各种通用数据集上均取得了非常好的效果。然而，如果工业外破数据集规模小，或外破数据和大模型的预训练数据存在较大分布差别时，通过简单的直接微调训练大模型可能会产生偏差和灾难性遗忘问题。并且，与大模型在预训练时使用的通用数据集相比，工业外破数据中由于监控视角广，其中较多外破源物体较小，存在小目标检测难问题。同时，由于外破物
技术实现思路
1、本专利技术所要解决的技术问题是：一种目标检测模型的训练方法、防外破监测预警方法及装置，可有效降低保护目标受外破影响的可能性。
2、第一方面，本专利技术提供了一种目标检测模型的训练方法，包括：
3、获取样本数据集，所述样本数据集包括预设数量的样本场景图像以及各样本场景图像对应的类别标签和检测标签，所述检测标签包括样本场景图像中各待测目标的标注框的坐标；
4、构建目标检测模型，所述目标检测模型包括检测网络模型和辅助头模型，所述检测网络模型包括主干网络、特征增强网络和检测头，所述主干网络包括视觉大模型和适配器模型，所述适配器模型与视觉大模型中的stem层、stage1层和stage2层并行，所述辅助头模型与所述检测网络模型中的检测头并行；
5、根据所述样本数据集和预设的目标损失函数，对所述目标检测模型中的检测网络模型进行训练，其中，所述目标损失函数根据所述检测网络模型对应的原始损失函数和所述辅助头模型对应的辅助损失函数构建。
6、第二方面，本专利技术还提供了一种防外破监测预警方法，包括：
7、获取实时监控图像，并通过检测网络模型进行目标检测，得到待测目标检测框，其中，所述检测网络模型为如第一方面提供的训练方法训练好的目标检测模型中的检测网络模型，待测目标为外破目标；
8、根据所述待测目标检测框与预设的保护目标区域，进行防外破监测预警。
9、第三方面，本专利技术还提供了一种电子设备，所述电子设备包括：
10、一个或多个处理器；
11、存储装置，用于存储一个或多个程序；
12、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面提供的目标检测模型的训练方法或如第二方面提供的防外破监测预警方法。
13、第四方面，本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面提供的目标检测模型的训练方法或如第二方面提供的防外破监测预警方法。
14、本专利技术的有益效果在于：通过采用视觉大模型internimage作为主干网络来提取特征，借助大模型的强语义理解能力，提升外破目标的检测精度；通过在主干网络中设置适配器，并与internimage模型中的stem层、stage1层和stage2层并行，使得训练过程中，不对internimage模型中的stem层、stage1层和stage2层进行参数更新，一直保持为预训练后的模型参数，从而可减少计算资源，并让大模型在训练微调的同时保留原有基础知识，防止出现灾难性遗忘问题；通过设置辅助头模型，协助检测头的训练，可提升检测头的训练有效性，从而降低训练难度，降低灾难性遗忘问题的发生概率。
本文档来自技高网...【技术保护点】
1.一种目标检测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的目标检测模型的训练方法，其特征在于，所述适配器模型包括主干适配模块、第一适配模块、下采样模块和第二适配模块；
3.根据权利要求1所述的目标检测模型的训练方法，其特征在于，所述辅助头模型包括第一辅助头模块和第二辅助头模块，所述辅助损失函数包括第一辅助头模块对应的第一辅助损失函数以及第二辅助头模块对应的第二辅助损失函数；
4.根据权利要求1所述的目标检测模型的训练方法，其特征在于，通过Mixup数据增强方法，对所述四张样本场景图像进行融合，得到融合图像，具体为：
5.根据权利要求1所述的目标检测模型的训练方法，其特征在于，通过Mosaic数据增强方法，对所述四张样本场景图像进行融合，得到融合图像，具体为：
6.根据权利要求5所述的目标检测模型的训练方法，其特征在于，所述分别根据所述四张样本场景图像中的各待测目标的标注框，确定所述四张样本场景图像对应的裁剪区域之后，进一步包括：
7.一种防外破监测预警方法，其特征在于，包括：
8
9.根据权利要求8所述的防外破监测预警方法，其特征在于，所述根据所述待测目标检测框与预设的保护目标区域，进行防外破监测预警，具体为：
10.根据权利要求9所述的防外破监测预警方法，其特征在于，所述若所述最大重叠率大于或等于预设的预警阈值，则发送预警信号，具体为：
11.根据权利要求7所述的防外破监测预警方法，其特征在于，所述根据所述待测目标检测框与预设的保护目标区域，进行防外破监测预警之后，进一步包括：
12.一种电子设备，其特征在于，所述电子设备包括：
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的目标检测模型的训练方法或如权利要求7-11任一项所述的防外破监测预警方法的步骤。
...【技术特征摘要】
1.一种目标检测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的目标检测模型的训练方法，其特征在于，所述适配器模型包括主干适配模块、第一适配模块、下采样模块和第二适配模块；
3.根据权利要求1所述的目标检测模型的训练方法，其特征在于，所述辅助头模型包括第一辅助头模块和第二辅助头模块，所述辅助损失函数包括第一辅助头模块对应的第一辅助损失函数以及第二辅助头模块对应的第二辅助损失函数；
4.根据权利要求1所述的目标检测模型的训练方法，其特征在于，通过mixup数据增强方法，对所述四张样本场景图像进行融合，得到融合图像，具体为：
5.根据权利要求1所述的目标检测模型的训练方法，其特征在于，通过mosaic数据增强方法，对所述四张样本场景图像进行融合，得到融合图像，具体为：
6.根据权利要求5所述的目标检测模型的训练方法，其特征在于，所述分别根据所述四张样本场景图像中的各待测目标的标注框，确定所述四张样本场景图像对应的裁剪区域之后，进一步包括：
<...【专利技术属性】
技术研发人员：张宇，吴庆耀，杨伟强，曹沂文，刘东剑，
申请(专利权)人：深圳金三立视频科技股份有限公司，
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。