【技术实现步骤摘要】
本专利技术属于目标检测，更具体地，涉及一种基于特征融合和注意力的电力图像目标检测方法及系统。
技术介绍
1、神经网络模型由于其强大的处理能力和适应性，在电网中有着广泛的应用前景，例如通过对历史数据的分析，神经网络模型可以学习电力系统能量传输过程中的规律和特点，进而优化能源调度指令的下发，提高电网运行效率。神经网络模型可以迅速检测、定位和分类电力系统中发生的故障，减少停电时间，提高电网的可靠性。目前，在电力场景中对采集的图片利用神经网络进行缺陷检测是一个重要的应用。
2、现有的目标检测方法有：
3、授权公告号cn116843649a的专利公开了一种基于改进yolov5网络的输电线路智能缺陷检测方法，对yolov5网络进行改进，构建目标检测网络，目标检测网络包括骨干网络、路径融合网络和输出模块，骨干网络包括foces、cbl卷积块、改进的跨阶段局部网络、cbam模块、空间金字塔池化结构模块；其中，改进的跨阶段局部网络将残差模块转换为幽灵网络，cbam模块对特征层分别进行通道注意力机制的处理和空间注意力机制的处理；路径融合网络使用特征金字塔fpn+oan的结构，fpn层通过上采样将高层和低层的特征信息进行传递融合，pan层将低层特征和高层特征进行拼接。
4、但是，受设备本身大小、无人机拍摄角度和拍摄距离等各种因素的影响，导致采集到的输电线路图片中不同缺陷类别的目标尺寸差异巨大，部分类别相同类别的目标尺寸也存在巨大差异，影响目标检测算法的检测效果。
技术实现思路p>
1、为解决现有技术中存在的不足，本专利技术提供一种基于特征融合和注意力的电力图像目标检测方法。
2、本专利技术采用如下的技术方案。
3、本专利技术第一方面提出了一种基于特征融合和注意力的电力图像目标检测方法，包括以下步骤：
4、s1，对边缘设备进行基本信息设置，所述基本信息包括电力图像所属设备、电力图像采集范围、边缘设备能够接收的图像最大输入空间尺寸；
5、s2，对待检测电力设备进行图像采集，边缘设备对采集得到的待检测图像进行预处理；
6、s3，边缘设备使用预设的基于特征融合和注意力的目标检测模型对预处理后的待检测图像进行缺陷检测，所述目标检测模型包括进行特征提取的主干网络、对所提取的特征进行处理的注意力模块和特征融合模块、以及实现目标检测的检测器模块；
7、s4，判断数据采集是否完成，若是采集完成则生成待检测电力设备的缺陷检测结果统计信息，包括：边缘设备设置的基本信息，模型能识别出的所有缺陷类别、位置和每个类别检出缺陷的数目，反之，则返回步骤s2。
8、优选地，在s2中，图像预处理的具体内容为：
9、对待检测图像的图片大小进行调整，调整到边缘设备在推理过程中能接收的最大输入空间尺寸(h,w)，将图片像素值从[0,255]区间归一化到[0,1]区间；
10、对待检测图像的图片格式进行调整，转换为(n,c,h,w)格式，其中，n表示批处理大小，设定为1；c表示一张图像中的通道数，为3分别代表r、g、b；h表示图像垂直维度的像素数；w表示图像水平维度的像素数。
11、优选地，在s3中，主干网络具体为：
12、主干网络包括6个卷积模块、5个csp瓶颈模块和1个sppf模块；预处理后的图像依次经过第一卷积模块、第二卷积模块、第一csp瓶颈模块、第三卷积模块、第二csp瓶颈模块、第四卷积模块、第三csp瓶颈模块、第五卷积模块、第四csp瓶颈模块、第一sppf模块每个卷积模块包含卷积层、批量归一化和激活函数；
13、运算过程中得到从第二csp瓶颈模块得到的特征图feat1、第四卷积模块得到的特征图feat2、第四csp瓶颈模块得到的特征图feat3、第五csp瓶颈模块得到的特征图feat4和sppf模块得到的特征图feat5，；
14、特征图feat1空间大小为特征图feat2空间大小为特征图feat3空间大小为特征图feat4空间大小为特征图feat5空间大小为
15、优选地，所述的特征图是通过使用高斯混合聚类选择出来的，使用高斯混合聚类模型对图片中要检测的缺陷的长宽进行聚类，输入是图片中要检测的缺陷相对于原图的长宽，为缺陷长度/图片长度、缺陷宽度/图片宽度，聚类后将所有缺陷根据相对于原图的长宽划分为五类，将聚类结果映射回原图，根据聚类中心点和主干网络中每个模块输出特征图的感受野进行匹配，得到主干网络中对应模块输出的特征图，聚类中心点和选择特征图所在模块层的感受野大小相匹配；
16、所述聚类模型的参数估计，包括两个步骤：
17、e步：在给定的模型参数下，计算每个数据点属于每个高斯分布的后验概率；
18、m步：根据e步计算得到的后验概率，更新每个高斯分布的参数，包括：均值、协方差和混合系数，以最大化观测数据为似然函数；
19、不断迭代e步-m步，直到模型参数的变化小于设定的阈值或达到设定的迭代次数，算法收敛。
20、优选地，在s3中，对所提取的特征进行处理的特征融合模块包括第一特征融合模块-第八特征融合模块；
21、特征图feat5输入至注意力模块后，注意力模块坐标注意力和通道注意力处理后输出信号特征feat51，分别作为第一特征融合模块1的第一输入特征、第八特征融合模块8的第二输入特征；
22、特征图feat4作为第一特征融合模块的第二输入特征，第一特征融合模块1进行融合输出信号特征feat41，信号特征feat41作为第二特征融合模块2的第一输入特征、第七特征融合模块7的第二输入特征；
23、特征图feat3作为第二特征融合模块2的第二输入特征，第二特征融合模块2进行特征融合输出信号特征feat31作为第三特征融合模块3的第一输入特征，以及第六特征融合模块6的第二输入特征；
24、特征图feat2作为第三特征融合模块3的第二输入特征，第三特征融合模块3进行特征融合输出信号特征feat21作为第四特征融合模块4的第一输入特征，以及第五特征融合模块5的第二输入特征；
25、特征图feat1作为第四特征融合模块4的第二输入特征，进行特征融合得到信号特征feat11作为第五特征融合模块5的第一输入特征；
26、第五特征融合模块5进行特征融合后输出的信号特征feat22作为第六特征融合模块6的第一输入特征，第六特征融合模块6进行特征融合输出信号特征feat32作为第七特征融合模块7的第一输入特征，第七特征融合模块7进行特征融合输出信号特征feat42作为第八特征融合模块8的第一输入特征；第八特征融合模块8进行特征融合输出信号特征feat52；
27、将信号特征feat11、feat22、feat32、feat42、feat52作为检测器模块的输入。
28、优选地，注意力模块首先通过一个卷积核大小为1x1，步长为1的卷积模块将通道转化成2倍本文档来自技高网...
【技术保护点】
1.一种基于特征融合和注意力的电力图像目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于特征融合和注意力的电力图像目标检测方法，其特征在于：
3.根据权利要求2所述的一种基于特征融合和注意力的电力图像目标检测方法，其特征在于：
4.根据权利要求3所述的一种基于特征融合和注意力的电力图像目标检测方法，其特征在于：
5.根据权利要求3所述的一种基于特征融合和注意力的电力图像目标检测方法，其特征在于：
6.根据权利要求5所述的一种基于特征融合和注意力的电力图像目标检测方法，其特征在于：
7.根据权利要求6所述的一种基于特征融合和注意力的电力图像目标检测方法，其特征在于：
8.根据权利要求5或6所述的一种基于特征融合和注意力的电力图像目标检测方法，其特征在于：
9.根据权利要求8所述的一种基于特征融合和注意力的电力图像目标检测方法，其特征在于：
10.根据权利要求9所述的一种基于特征融合和注意力的电力图像目标检测方法，其特征在于：
11.一种基于
12.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行权利要求1至10任一项所述的基于特征融合和注意力的电力图像目标检测方法。
13.一种可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使用权利要求1至10任一项所述的基于特征融合和注意力的电力图像目标检测方法。
...【技术特征摘要】
1.一种基于特征融合和注意力的电力图像目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于特征融合和注意力的电力图像目标检测方法，其特征在于：
3.根据权利要求2所述的一种基于特征融合和注意力的电力图像目标检测方法，其特征在于：
4.根据权利要求3所述的一种基于特征融合和注意力的电力图像目标检测方法，其特征在于：
5.根据权利要求3所述的一种基于特征融合和注意力的电力图像目标检测方法，其特征在于：
6.根据权利要求5所述的一种基于特征融合和注意力的电力图像目标检测方法，其特征在于：
7.根据权利要求6所述的一种基于特征融合和注意力的电力图像目标检测方法，其特征在于：
8.根据权利要求5或6所述的一种基于特征融合和注意力的电力图像目标检测方法，其特征在于...
【专利技术属性】
技术研发人员：史存存，陈帅，林龙，吴春鹏，贾晨，李响，韩月，范维，
申请(专利权)人：中国电力科学研究院有限公司，
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。