【技术实现步骤摘要】
本专利技术属于人工智能的计算机视觉、图像处理、目标检测领域，具体涉及基于多尺度全局特征强化的微小目标检测方法。
技术介绍
1、随着电力系统规模的不断扩大以及对电力供应稳定性的要求日益提高，确保高压输电线路及变电站设备的安全运行已成为电力行业面临的一项重要任务。高压电力设施的正常运行不仅关系到电力系统的稳定性和可靠性，还直接影响到公共安全和社会经济活动的正常进行。因此，及时发现并处理电力设施中存在的潜在安全隐患至关重要。
2、传统的电力设施巡检方式主要依赖于人工现场检查，这种方式不仅效率低下、成本高昂，而且难以覆盖所有潜在风险点。近年来，随着计算机视觉和人工智能技术的发展，基于图像分析的目标检测技术逐渐成为一种高效且可行的解决方案。特别是针对微小目标的检测技术，因其能够准确识别出高压电力设施中可能存在的微小缺陷或异常部件(如脱落的零部件等)，从而有效预防由这些微小缺陷引发的重大事故，在电力设施安全监控领域展现出了巨大的应用潜力。
3、微小目标检测技术通常涉及到深度学习方法的应用，包括但不限于卷积神经网络(cnns)、区域卷积神经网络(r-cnns)及其各种变体。这些算法能够从大量带有标注信息的图像数据集中自动学习特征表达，并通过端到端的训练过程实现对特定微小目标的有效识别与定位。此外，为了适应电力设施复杂多变的工作环境，该技术还需结合先进的图像增强和后处理算法，以提高检测的鲁棒性和准确性。
4、微小目标检测主要分为传统检测方法以及基于深度学习的检测方法。传统检测方法是通过主要依赖于手工设计特征和
5、基于深度学习的密集人群检测目前分为单阶段检测和两阶段检测。其中，rcnn是两阶段检测算法的代表，随后在此基础上衍生出fast-cnn、faster-rcnn等。两阶段检测的特点是，算法需要在进行分类和预测任务之前获取候选区域并对候选区域提取特征。两阶段检测算法取得了良好的检测精度但检测速度缓慢。相比之下，单阶段检测则是使用不同尺寸的候选框逐像素覆盖整张图，去除了单独搜寻候选区域的步骤，使之拥有可观检测精度的同时检测速度也能满足实时性要求。在这其中，端到端算法是一种直接将输入映射到输出的机器学习方法，中间不需要手动设计的特征提取步骤。detr系列算法是热门的用于密集人群检测的端到端算法。它无需手工设计组件，并实现了与更快速的区域卷积神经网络等优化的经典检测器相当的性能。与以往的检测器不同，detr将目标检测建模为一个集合预测任务，并通过二分图匹配来分配标签。
技术实现思路
1、针对现有技术的不足，本专利技术目的在于提供基于多尺度全局特征强化的微小目标检测方法，该方案输入需要检测的2d场景数据，将2d场景数据放入多尺度特征提取网络模型中，得到不同尺寸的图像特征。所述多尺度特征提取网络模型使用resnet50，所得特征提取稳定全面，且计算量较小，拥有较快的速度，采用resnet50的后三层作为输出的多尺度特征；该方案有效预防由这些微小缺陷引发的重大事故。
2、为了解决上述技术问题，本专利技术采用的技术方案是：
3、一种基于多尺度全局特征强化的微小目标检测方法，所述方法包含如下步骤：
4、步骤1：输入需要检测的2d场景数据；将2d场景数据放入多尺度特征提取网络模型中，得到不同尺寸的图像特征
5、步骤2将高层次的图像特征应用快速采样算法，使高关联度特征联合为聚合特征块，并学习聚合特征块与原始特征之间的联系；对聚合特征块进行自注意力操作，学习远距离特征关系；将聚合特征块根据之前学习的与原始特征之间的联系还原为带有远距离特征关系的原始特征，将展平后一维特征送入transformer编码器中进行多头自注意力操作；步骤2中，将这三层输出特征中的高层特征送入远距离特征强化模块；首先要确定聚合令牌的数量，给定令牌x∈rn×c(其中n＝h×c是令牌数)，假设每个令牌xi∈r1×c属于m个聚合令牌s∈rm×c中的一个，从而需要计算x-s关联映射q∈rn×m，首先，通过在规则网格区域内平均标记来采样初始聚合标记d0，若网格大小为h×w，则聚合令牌的数量为然后通过以下两个步骤迭代运行采样算法：
6、(1)聚合令牌采样：相较于传统的k-means聚类算法，我们采用更好的pam聚类算法进行令牌聚合，首先我们选择k个对象作为初始的令牌，相较于k-means算法选取的平均数，pam算法选取中位数作为初始值，这是的算法容易受到异常值的影响，会更将稳健；从当前的令牌中心开始，通过最小化所有令牌到其最近令牌中心的相似度之和来构建一个最优的聚合令牌。尝试替换当前的聚合令牌中心，以减少总成本函数(所有令牌到其最近令牌中心的相似度之和)，直到找不到更好的聚合令牌为止。为了得到这种原始令牌和聚合令牌之间的关联，我们应用一种更类似注意力的方式来计算关联图qt，定义为：
7、
8、其中d为通道编号c，x为原始令牌，s为聚合令牌。
9、(2)聚合令牌更新：聚合令牌更新为令牌的加权和，定义为：
10、s＝(qt)tx
11、其中qt为原始令牌和聚合令牌的关联图，x为原始令牌，s为聚合令牌。
12、其中加入多尺度线性注意力优化策略，在聚合特征多头注意力网络当中，使用relu线性激活函数，进行特征融合，将多尺度的特征的高层特征语义中添加了远距离的特征关系。传统的自注意力机制通常涉及计算查询、键和值向量，使用点积计算注意力权重，根据这些权重加权求和值向量以得到最终的注意力输出。这在微小目标检测环境中，会缩小被检测目标特征的比重，同时也会带来巨大的计算成本。采用线性注意力机制使用relu函数替换传统的softmax函数，这样可以在保留注意力特征的同时简化计算权重，并降低了计算成本，使得模型可以有效的处理高信息量图像。
13、步骤3：在解码器部分添加可学习坐标和宽高的锚定候选框，将可学习候选框的坐标与位置编码相结合，与候选框的宽高一起放入宽高控制的多头注意力模块中，使得query在进行注意力机制处理时选取置更加精确，尺寸更加具体的特征。步骤3中，带有可学习锚定候选框的解码器，记aq＝(xq,yq,wq,hq)为第q个锚点，xq,yq,wq,hq∈r，cq∈rd和pq∈rd为其对应的内容查询和位置查询，其中d为解码器嵌入和位置查询的维数，给定一个锚点aq，其位置查询pq由：
14、pq＝mlp(pe(aq))
15、其中，pe表示位置编码，由浮点数生成正弦嵌入，mlp的参数在所有层共享,
16、在自注意力模块中，三个查询、键和值都有相同的内容项，查询和键包含额外的位置项：本文档来自技高网...
【技术保护点】
1.基于多尺度全局特征强化的输电线路微小目标检测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于多尺度全局特征强化的输电线路微小目标检测方法，其特征在于，步骤1中，将2D场景数据放入多尺度特征提取网络模型中，所述多尺度特征提取网络模型使用ResNet50，采用ResNet50的后三层作为输出的多尺度特征。
3.根据权利要求1所述的基于多尺度全局特征强化的输电线路微小目标检测方法，其特征在于，步骤2中，将这三层输出特征中的高层特征送入远距离特征强化模块；首先要确定聚合令牌的数量，给定令牌X∈RN×C(其中N＝H×C是令牌数)，假设每个令牌Xi∈R1×C属于m个聚合令牌S∈Rm×C中的一个，从而需要计算X-S关联映射Q∈RN×m，首先，通过在规则网格区域内平均标记来采样初始聚合标记S0，若网格大小为h×w，则聚合令牌的数量为然后通过以下两个步骤迭代运行采样算法：
4.根据权利要求1所述的基于多尺度全局特征强化的输电线路微小目标检测方法，其特征在于，步骤3中，带有可学习锚定候选框的解码器，记Aq＝(xq,yq,wq,hq)为第q
5.根据权利要求1所述的基于多尺度全局特征强化的输电线路微小目标检测方法，其特征在于，步骤4中，经过解码器交叉注意力机制选出的特征要进行二分匹配，在这个过程中同步进行一个去噪任务加速匹配,通过两种方式给盒子添加噪声：中心偏移和盒子缩放,定义λ1和λ2为这两种噪声的噪声尺度,对于中心偏移，在盒子中心加上一个随机噪声Δx，Δy，并确保和其中λ1∈(0,1)，这样噪声盒子的中心仍然位于内部原始包围盒,对于盒子缩放，设定一个超参数λ2∈(0,1),箱体的宽度和高度分别在[(1-λ2)w,(1+λ2)w]和[(1-λ2)h,(1+λ2)h]中进行随机抽样。
...【技术特征摘要】
1.基于多尺度全局特征强化的输电线路微小目标检测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于多尺度全局特征强化的输电线路微小目标检测方法，其特征在于，步骤1中，将2d场景数据放入多尺度特征提取网络模型中，所述多尺度特征提取网络模型使用resnet50，采用resnet50的后三层作为输出的多尺度特征。
3.根据权利要求1所述的基于多尺度全局特征强化的输电线路微小目标检测方法，其特征在于，步骤2中，将这三层输出特征中的高层特征送入远距离特征强化模块；首先要确定聚合令牌的数量，给定令牌x∈rn×c(其中n＝h×c是令牌数)，假设每个令牌xi∈r1×c属于m个聚合令牌s∈rm×c中的一个，从而需要计算x-s关联映射q∈rn×m，首先，通过在规则网格区域内平均标记来采样初始聚合标记s0，若网格大小为h×w，则聚合令牌的数量为然后通过以下两个步骤迭代运行采样算法：
4.根据权利要求1所述的基于多尺...
【专利技术属性】
技术研发人员：胡峰，徐晓明，高浩，李智勇，王创业，姜晓涛，马曙光，曹宗山，王博文，易飞，
申请(专利权)人：国网安徽省电力有限公司蚌埠供电公司，
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。