【技术实现步骤摘要】
本专利技术涉及电力巡检领域，尤其涉及一种基于多尺度融合与自适应权重的小样本电力巡检分类方法。
技术介绍
1、电力巡检是电力行业的关键任务，旨在确保电力输电线路及相关设备的稳定运行。传统人工巡检受限于效率、成本和准确性，而无人机巡检以其高效、灵活和低成本的特性成为首选。在无人机巡检中，计算机视觉技术特别是深度学习扮演了重要角色，尤其是在目标检测和缺陷识别方面。然而，面对有限的训练样本和电力设备的多样性，深度学习模型如卷积神经网络（cnn）易出现过拟合问题，影响检测精度。
技术实现思路
1、本专利技术针对有限的训练样本和电力设备的多样性，深度学习模型如卷积神经网络（cnn）易出现过拟合问题，影响检测精度的问题，提出一种基于多尺度融合与自适应权重的小样本电力巡检图像分类方法，所述方法包括：
2、s1：采集不同类别的电力巡检图像，并对所述电力巡检图像进行预处理，获取电力巡检设备缺陷图像数据集；
3、s2：构建基于多尺度融合与自适应权重的图像分类模型，将电力巡检设备缺陷图像数据集输入所述基于多尺度融合与自适应权重的图像分类模型进行训练，获取最优小样本分类模型；
4、s3：将训练集输入至最优小样本分类模型进行训练，训练后选择在训练过程中损失函数最小的参数模型；
5、s4：将测试集输入训练完成的参数模型中进行小样本分类，得到电力巡检设备缺陷图像的分类结果。
6、进一步的，还提出一种优选方式，所述步骤s1包括：
7、将不同类别
8、进一步的，还提出一种优选方式，所述步骤s2包括：
9、s21、采用resnet-12作为特征提取骨干网络，去除与分类任务相关的全连接层；
10、s22、特征提取包括第2个残差块conv2和第4个残差块conv4；
11、s23、利用金字塔策略融合浅层conv2与深层conv4特征，通过反卷积将conv4特征调整到与conv2相同的大小；
12、s24、通过全局平均池化和全局最大池化生成特征向量，并经过共享权重的多层感知机得到通道注意力；
13、s25、在通道维度上进行全局池化操作，通过卷积操作和sigmoid激活生成空间注意力向量；
14、s26、引入局部多路径自适应加权策略，在训练过程中进行权重的实时更新和优化，获取最优小样本分类模型。
15、进一步的，还提出一种优选方式，所述步骤s23包括：
16、
17、
18、
19、其中，为第a个残差块的残差操作，a=1，2，3，4；为卷积核大小为3，个数为128，步长为4，padding（填充）为1的反卷积操作；为嵌入模块的输入；为第二个残差块的输出特征，特征图大小为21×21×128；为第四个残差块的输出特征，特征图大小为6×6×512；表示经反卷积操作后的特征，特征图大小为21×21×128。
20、进一步的，还提出一种优选方式，所述步骤s24包括：
21、
22、其中， i为通道注意力模块的输入特征，为平均池化操作，为最大池化操作，为多层感知机，为sigmoid激活函数。
23、进一步的，还提出一种优选方式，所述步骤s25包括：
24、
25、
26、其中，为逐元素相乘操作，为输入特征与通道注意力相乘后得到的特征，也是空间注意力模块的输入特征，为卷积核大小为7×7的卷积操作，为空间注意力向量。
27、进一步的，还提出一种优选方式，所述步骤s26包括：
28、
29、其中，为融合第二个残差块与第四个残差块的输出特征，，为自适应特征权重，为逐元素相加操作。
30、基于同一专利技术构思，本专利技术还提出一种基于多尺度融合与自适应权重的小样本电力巡检图像分类系统，所述系统包括：
31、图像采集单元，用于采集不同类别的电力巡检图像，并对所述电力巡检图像进行预处理，获取电力巡检设备缺陷图像数据集；
32、最优小样本分类模型获取单元，用于构建基于多尺度融合与自适应权重的图像分类模型，将电力巡检设备缺陷图像数据集输入所述基于多尺度融合与自适应权重的图像分类模型进行训练，获取最优小样本分类模型；
33、训练单元，用于将训练集输入至最优小样本分类模型进行训练，训练后选择在训练过程中损失函数最小的参数模型；
34、分类单元，用于将测试集输入训练完成的参数模型中进行小样本分类，得到电力巡检设备缺陷图像的分类结果。
35、基于同一专利技术构思，本专利技术还提出一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据上述中任一项所述的一种基于多尺度融合与自适应权重的小样本电力巡检图像分类方法。
36、基于同一专利技术构思，本专利技术还提出一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述任一项所述的一种基于多尺度融合与自适应权重的小样本电力巡检图像分类方法的步骤。
37、本专利技术的有益之处在于：
38、在电力设备巡检中，获取足够多样本图像较为困难。有限的训练样本容易导致深度学习模型过拟合，即模型在训练数据上表现很好，但在未见过的数据上表现较差。本专利技术所提出的一种基于多尺度融合与自适应权重的小样本电力巡检图像分类方法中，引入多尺度特征融合和自适应权重策略，能够有效利用有限样本的特征信息，通过综合多尺度的特征提升模型的泛化能力。具体来说，多尺度特征融合可以从不同层次提取信息，而自适应权重策略则可以动态调整不同特征的重要性，以减轻过拟合问题。
39、电力设备种类繁多，缺陷类型和表现形式也各不相同。这种多样性使得单一尺度的特征无法全面捕捉设备的各种缺陷特征。本专利技术所提出的方法中，通过多尺度融合技术允许模型从不同层次和尺度提取特征，从而更全面地捕捉电力设备的各种缺陷。这样，模型能够更好地处理电力设备的多样性问题，提高分类准确率。
40、在特征融合过程中，不同层次的特征对分类任务的重要性可能不同。如果特征融合时权重分配不合理，可能会导致模型性能下降。本专利技术所提出的方法中采用自适应权重策略，使得模型能够在训练过程中实时调整每个特征分支的权重，从而更好地关注对当前任务最重要的特征。这种方法可以动态优化特征融合的权重分配，提升模型性能。
41、本专利技术所提出的所述的一种基于多尺度融合与自适应权重的小样本电力巡检图像分类方法，通过多尺度特征融合，模型可以从多个层次提取丰富的特征信息，增强对设备缺陷的识别能力。在小样本场景下，这本文档来自技高网...
【技术保护点】
1.一种基于多尺度融合与自适应权重的小样本电力巡检图像分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于多尺度融合与自适应权重的小样本电力巡检图像分类方法，其特征在于，所述步骤S1包括：
3.根据权利要求1所述的一种基于多尺度融合与自适应权重的小样本电力巡检图像分类方法，其特征在于，所述步骤S2包括：
4.根据权利要求3所述的一种基于多尺度融合与自适应权重的小样本电力巡检图像分类方法，其特征在于，所述步骤S23包括：
5.根据权利要求3所述的一种基于多尺度融合与自适应权重的小样本电力巡检图像分类方法，其特征在于，所述步骤S24包括：
6.根据权利要求5所述的一种基于多尺度融合与自适应权重的小样本电力巡检图像分类方法，其特征在于，所述步骤S25包括：
7.根据权利要求5所述的一种基于多尺度融合与自适应权重的小样本电力巡检图像分类方法，其特征在于，所述步骤S26包括：
8.一种基于多尺度融合与自适应权重的小样本电力巡检图像分类系统，其特征在于，所述系统包括：
9.一种计
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1-7任一项所述的一种基于多尺度融合与自适应权重的小样本电力巡检图像分类方法的步骤。
...【技术特征摘要】
1.一种基于多尺度融合与自适应权重的小样本电力巡检图像分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于多尺度融合与自适应权重的小样本电力巡检图像分类方法，其特征在于，所述步骤s1包括：
3.根据权利要求1所述的一种基于多尺度融合与自适应权重的小样本电力巡检图像分类方法，其特征在于，所述步骤s2包括：
4.根据权利要求3所述的一种基于多尺度融合与自适应权重的小样本电力巡检图像分类方法，其特征在于，所述步骤s23包括：
5.根据权利要求3所述的一种基于多尺度融合与自适应权重的小样本电力巡检图像分类方法，其特征在于，所述步骤s24包括：
6.根据权利要求5所述的一种基于多尺度融合与自适应权重的小样本电力巡检图像分类方法，其特征在于，所述...
【专利技术属性】
技术研发人员：赵萌，王学伟，王跃，宋磊，董蔚，胡嘉铭，郭明超，
申请(专利权)人：大唐东北电力试验研究院有限公司，
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。