【技术实现步骤摘要】
本专利技术涉及变电站二次回路识别领域，具体涉及基于多尺度大内核注意力yolov8的变电站二次回路智能识别方法。
技术介绍
1、作为智能电网建设的核心组成部分，变电站逐步向自动化、智能化转型。在此过程中，变电站中负责电力传输的设备被称为一次设备，而监控、保护一次设备的辅助设备则为二次设备，二次设备的电气连接构成了二次回路，其可靠性直接关系到电力系统的安全运行。因此，二次回路的安全检测与维护成为保障供电安全的重要环节。
2、将数字化技术应用于电力行业的管理和运维中，以提高系统运行效率和应急响应能力，是大势所趋。变电站二次回路作为电力系统重要组成，其巡检与维护一直依赖于人工操作。然而，传统的人工巡检模式效率较低，手段单一，数据分散，不利于设备隐患的及时发现。为顺应智能电网的转型需求，利用深度学习等人工智能技术实现二次回路的智能巡检，不仅能减轻基层人员的工作负担，也有助于提升电网的整体安全水平。
技术实现思路
1、本专利技术目的是提供一种基于多尺度大内核注意力yolov8的变电站二次回路智能识别方法，不仅能够克服现有智能识别算法在小样本识别任务下性能下降的问题，而且在激活局部特征信息的同时降低模型的复杂性，确保模型在边缘设备上的适应性，有效提升计算效率。
2、本专利技术为实现上述目的，通过以下技术方案实现：
3、基于多尺度大内核注意力yolov8的变电站二次回路智能识别方法，包括步骤：
4、s1、数据集构建，对原始图纸图像进行处理和增强，生成
5、s2、采用迁移学习模型，在大规模数据集上预训练和调整yolov8模型；
6、s3、在yolov8模型中引入多尺度注意区块mab、多尺度大内核注意力mlka模块、门控空间注意力单元gsau，构建mlka-yolo模型；
7、s4、将训练集输入mlka-yolo模型进行训练，训练完成后将测试集输入进行二次回路端子排识别；
8、s5、基于paddle ocr框架，利用循环卷积神经网络crnn实现对端子排的线路名称识别。
9、进一步的，步骤s3中多尺度注意区块mab的特征处理包括步骤：
10、s301、将特征图通过层归一化；
11、s302、归一化后的特征图送入mlka模块；
12、s303、mlka模块将特征图分割成多个组，并在每个组上应用不同尺度的lka，从而捕获不同尺度的注意力图；
13、s304、mlka的输出与原始特征图x进行逐元素相加，形成残差连接后再次通过层归一化。
14、进一步的，经过mlka和两次层归—化的特征图接着被送入gsau模块，通过空间注意力和门控机制来进一步激活局部信息。
15、进一步的，lka大核注意力包括深度卷积、扩张卷积和逐点卷积。
16、进一步的，步骤s303包括：
17、将输入特征图x分割成n个组，每组具有的尺寸，c、h、w分别表示特征图的通道数、高度、宽度，对于第i个组，应用不同配置的lka，以生成不同尺度的注意力图:
18、
19、最后经过门控聚合，动态调整不同尺度的注意力图，并增强模型对局部信息的捕捉能力，第i个组的门控聚合表示为：
20、
21、其中，表示空间门控，通过深度卷积生成，表示卷积尺寸，表示对应尺度的lka。
22、进一步的，mlka模块的设计考虑计算效率，对于输入的特征，将分解为的深度卷积、的深度扩张卷积、逐点卷积，mlka的总计算复杂度表示为：
23、
24、其中，、为的分解参数。
25、进一步的，门控空间注意力单元gsau通过另一个深度卷积生成，表示为：
26、
27、其中，x为输入特征，为深度卷积表示；
28、门控信号与空间注意力的输出进行逐元素乘法，得到最终的加权特征图:
29、
30、其中是另一个变换后的特征图。
31、进一步的，所述原始图纸图像进行处理和增强包括步骤：
32、s101、对原始数字图纸进行colorjitter处理生成包括原始图像的数据集；
33、s102、通过对图像的颜色属性进行随机扰动增加训练数据的多样性；
34、s103、利用makesense对图像进行端子排和线路的标签标注，构建适合模型训练的数据集格式。
35、进一步的，还包括步骤：识别后的端子线路信息保存成json文件，作为后续查验的信息比对库。
36、本专利技术的优点在于：
37、（1）现有智能识别算法在复杂场景的关键特征提取上存在明显不足，难以充分利用多尺度信息，导致识别精度在变电站二次回路的复杂背景中明显下降。本专利技术引入的多尺度注意力块（mab）在metaformer框架下融合多尺度信息，通过有效的特征聚合大幅提升了识别精度；并在大规模数据集上预训练并微调yolov8模型，提高模型在小样本数据上的泛化能力，增强在变电站二次回路的复杂背景中较好的特征提取能力；
38、（2）目前的智能识别算法在处理小样本和复杂背景任务时，通常会面临全局与局部信息融合不足的问题，导致模型在识别过程中出现精度下降，且难以有效消除伪影。通过大内核结构和多尺度门控机制，本专利技术提出的mlka在多粒度尺度下捕捉特征，弥补了传统算法无法捕捉全局与局部特征间相互关系的不足，有助于准确定位二次回路端子排和线路，避免了常见的块状伪影等误判问题；
39、（3）当前的智能识别算法在面对高复杂度任务时，往往因模型的高计算复杂性而难以适应资源受限的环境，导致实时检测和边缘端部署存在困难。本专利技术将门控机制与空间注意力相结合，提出了门控空间注意力单元（gsau），在激活局部特征信息的同时降低了模型的复杂性，确保了模型在边缘设备上的适应性，不仅有效提升了计算效率，还能实现对二次回路的实时识别，适用于资源受限的变电站现场环境。
本文档来自技高网...【技术保护点】
1.基于多尺度大内核注意力YOLOV8的变电站二次回路智能识别方法，其特征在于，包括步骤：
2.根据权利要求1所述基于多尺度大内核注意力YOLOV8的变电站二次回路智能识别方法，其特征在于，所述步骤S3中多尺度注意区块MAB的特征处理包括步骤：
3.根据权利要求2所述基于多尺度大内核注意力YOLOV8的变电站二次回路智能识别方法，其特征在于，经过MLKA和两次层归—化的特征图接着被送入GSAU模块，通过空间注意力和门控机制来进一步激活局部信息。
4.根据权利要求2所述基于多尺度大内核注意力YOLOV8的变电站二次回路智能识别方法，其特征在于，所述LKA大核注意力包括深度卷积、扩张卷积和逐点卷积。
5.根据权利要求2所述基于多尺度大内核注意力YOLOV8的变电站二次回路智能识别方法，其特征在于，所述步骤S303包括：
6.根据权利要求5所述基于多尺度大内核注意力YOLOV8的变电站二次回路智能识别方法，其特征在于，MLKA模块的设计考虑计算效率，对于输入的特征 ，将分解为的深度卷积、的深度扩张卷积、逐点卷积，MLKA的总
7.根据权利要求1所述基于多尺度大内核注意力YOLOV8的变电站二次回路智能识别方法，其特征在于，所述门控空间注意力单元GSAU通过另一个深度卷积生成，表示为：
8.根据权利要求1所述基于多尺度大内核注意力YOLOV8的变电站二次回路智能识别方法，其特征在于，所述原始图纸图像进行处理和增强包括步骤：
9.根据权利要求1所述基于多尺度大内核注意力YOLOV8的变电站二次回路智能识别方法，其特征在于，还包括步骤：识别后的端子线路信息保存成json文件，作为后续查验的信息比对库。
...【技术特征摘要】
1.基于多尺度大内核注意力yolov8的变电站二次回路智能识别方法，其特征在于，包括步骤：
2.根据权利要求1所述基于多尺度大内核注意力yolov8的变电站二次回路智能识别方法，其特征在于，所述步骤s3中多尺度注意区块mab的特征处理包括步骤：
3.根据权利要求2所述基于多尺度大内核注意力yolov8的变电站二次回路智能识别方法，其特征在于，经过mlka和两次层归—化的特征图接着被送入gsau模块，通过空间注意力和门控机制来进一步激活局部信息。
4.根据权利要求2所述基于多尺度大内核注意力yolov8的变电站二次回路智能识别方法，其特征在于，所述lka大核注意力包括深度卷积、扩张卷积和逐点卷积。
5.根据权利要求2所述基于多尺度大内核注意力yolov8的变电站二次回路智能识别方法，其特征在于，所述步骤s30...
【专利技术属性】
技术研发人员：王永波，李玉敦，李宽，刘萌，梁正堂，黄强，张婉婕，孙孔明，张磊，
申请(专利权)人：国网山东省电力公司电力科学研究院，
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。