【技术实现步骤摘要】
本专利技术涉及电力设备检测，尤其是涉及一种电力设备红外图像检测方法。
技术介绍
1、红外成像技术因其受光照和天气影响小，以及非接触式不停电测量的优势，在电力行业得到广泛应用。然而面对海量的红外图像数据，依靠人工识别和分析存在效率低下、误检率高的不足，并且极度依赖工程人员的先验知识。因此，快速准确地检测红外图像中的电力设备对后续的热缺陷筛查和提升巡检效率具有重要作用。
2、目前深度学习在图像分割，目标检测等领域大放异彩，很多研究人员将深度学习方法应用于电力设备识别任务中。相比传统检测方法，基于深度学习的检测方法具有检测效率高、泛化能力强且不需要手工设计的特征提取器的优势，可以极大地提高设备检测和故障诊断效率。基于深度学习的检测方法可以分为两阶段检测算法和一阶段检测算法。虽然一阶段算法的识别精度略低于两阶段算法，但由于其无需生成大量候选框，能够直接预测目标的位置和类别，因此检测速度显著提升，特别适用于电力设备红外图像的实时识别与检测任务。
3、在一阶段模型识别电力设备红外图像的领域中，一些文献设计出全局信息聚合模块改进yolov4模型，引导网络更加关注目标设备所在的区域。另一些文献针对红外图像对比度低以及纹理细节模糊的特点，使用msrcr算法对电力设备红外图像增强，并送入改进的yolov4模型中进行检测。虽然提升了8类电力设备的平均识别精度，但也增加了额外的图像预处理操作。还有文献在yolov5的基础上，将主干网络中的标准卷积替换为幻影卷积降低模型的参数量，加入高效注意力和多头注意力提升目标关注度和被遮挡目标
技术实现思路
1、本专利技术的目的是克服上述现有技术存在的模型计算过于复杂，对形状相似度高的设备检测效果不佳等缺陷而提供一种基于dcls-yolov8n模型的电力设备红外图像检测方法、装置及介质。
2、本专利技术的目的可以通过以下技术方案来实现：
3、作为本专利技术的第一方面，提供一种电力设备红外图像检测方法，所述放啊步骤如下：获取电力设备红外图像，利用训练完成的dcls-yolov8n模型对电力设备红外图像进行检测
4、所述的dcls-yolov8n模型，以yolov8n模型为基础，使用可变形卷积构建的残差模块c2f-dcnv3替换yolov8n模型主干网络中的c2f模块；在主干网络中添加坐标注意力机制ca；将yolov8n的颈部网络替换成轻量级扩张式特征金字塔ldfpn。
5、作为优选技术方案，所述使用可变形卷积构建的残差模块c2f-dcnv3替换yolov8n模型主干网络中的c2f模块具体如下：
6、在c2f内的标准卷积瓶颈中，使用dcnv3替换第二个标准卷积，构建含有可变形卷积dcnv3的瓶颈结构。
7、作为优选技术方案，所述的可变形卷积dcnv3将输入特征进行分组，使用深度可分离卷积生成偏移量和调制系数，每个组具有单独的偏移量和调制系数；再通过softmax函数生成调制系数。
8、作为优选技术方案，对于输出特征y上的p0像素点，可变形卷积dcnv3计算公式表示为：
9、
10、其中，y为输出特征图，g表示分组数，k表示采样点个数，xg表示经过分组后的输入特征图，wgk表示第g组里第k个采样点的卷积核权值，mgk表示第g组里第k个采样点的调制系数，pk表示卷积核中第k个采样位置，δpgk表示第g组里第k个采样点的偏移量。
11、作为优选技术方案，所述坐标的注意力机制ca具体如下：
12、通过在水平和竖直两个方向上进行一维平均池化，获取两个方向的注意力向量；
13、将水平和竖直两个方向的注意力向量拼接后通过卷积降维；
14、依次经过标准化和非线性激活函数，编码空间信息；
15、将水平和竖直两个方向的注意力向量拆分，使用卷积升维后通过激活函数来生成两个方向的注意力权重；
16、通过将注意力权重与输入特征图相乘，得到经过注意力矫正的输出特征图。
17、作为优选技术方案，所述的轻量级扩张式特征金字塔ldfpn具体如下：
18、接收来自主干网络输出的20×20、40×40和80×80三个尺度特征图；
19、通过卷积对每个特征图的通道数进行调整，将通道数压缩统一；
20、ldfpn采用自下而上的特征聚合和自上而下的特征传递策略，其中，自下而上的过程将低分辨率特征中高级语义信息通过扩张式残差结构的融合模块逐步传递至浅层特征，自上而下的过程则将浅层特征中丰富的空间信息通过扩张式残差结构的融合模块逐步传递至低分辨率特征，实现语义信息和空间信息的融合；
21、经过ldfpn融合后的多尺度特征被传递给检测头进行最终的目标检测，其中20×20尺度特征用于检测大目标，40×40尺度特征用于检测中等目标，80×80尺度特征用于检测小目标。
22、作为优选技术方案，所述的扩张式残差结构的融合模块具体如下：
23、通过cbs模块中的卷积核将特征图的通道数压缩为c，初步融合多尺度特征；
24、将通道数为c的多尺度特征多尺度特征，生成三组具有不同感受野的特征图，并在通道维度上将其堆叠在一起。
25、作为优选技术方案，所述dcls-yolov8n模型采用边框回归损失函数siou替换yolov8n模型中的ciou损失，所述边框回归损失函数siou包括角度损失λ，距离损失δ，形状损失ω和交并比损失iou。
26、作为本专利技术的第二方面，提供一种电力设备红外图像检测装置，包括存储器、处理器，以及存储于所述存储器中的程序，所述处理器执行所述程序时实现如上所述电力设备红外图像检测方法。
27、作为本专利技术的第三方面，提供一种存储介质，其上存储有程序，所述程序被执行时实现如上所述电力设备红外图像检测方法。
28、与现有技术相比，本专利技术具有以下有益效果：
29、1)本专利技术在原有yolov8n的基础上，添加了坐标注意力机制、可变形卷积残差模块、轻量级扩张式特征金字塔ldfpn和siou边框回归损失函数，提高红外图像中电力设备的检测精度，同时降低了模型的参数量和计算量。
30、2)本专利技术使用可变形卷积构建残差模块c2f-dcnv3，替换yolov8n主干网络中80×80、40×40和20×20三个尺度下的c2f模块，增强模型对形态各异的电力设备的特征提取能力，同时在一定程度上可以降低模型的计算复杂度。
31、3)本专利技术在yolov8n主干网络中80×80和4本文档来自技高网...
【技术保护点】
1.一种电力设备红外图像检测方法，其特征在于，所述方法步骤如下：获取电力设备红外图像，利用训练完成的DCLS-YOLOv8n模型对电力设备红外图像进行检测；
2.根据权利要求1所述的一种电力设备红外图像检测方法，其特征在于，所述的可变形卷积DCNv3将输入特征进行分组，使用深度可分离卷积生成偏移量和调制系数，每个组具有单独的偏移量和调制系数；再通过Softmax函数生成调制系数。
3.根据权利要求2所述的一种电力设备红外图像检测方法，其特征在于，所述使用可变形卷积构建的残差模块C2F-DCNv3具体为：在C2F内的标准卷积瓶颈中，使用DCNv3替换第二个标准卷积，构建含有可变形卷积DCNv3的瓶颈结构。
4.根据权利要求3所述的一种电力设备红外图像检测方法，其特征在于，对于输出特征y上的p0像素点，可变形卷积DCNv3计算公式表示为：
5.根据权利要求1所述的一种电力设备红外图像检测方法，其特征在于，所述坐标的注意力机制CA具体如下：
6.根据权利要求1所述的一种电力设备红外图像检测方法，其特征在于，所述的轻量级扩张式特
7.根据权利要求6所述的一种电力设备红外图像检测方法，其特征在于，所述的扩张式残差结构的融合模块具体如下：
8.根据权利要求1所述的一种电力设备红外图像检测方法，其特征在于，所述DCLS-YOLOv8n模型采用边框回归损失函数SIoU替换YOLOv8n模型中的CIoU损失，所述边框回归损失函数SIoU包括角度损失Λ，距离损失Δ，形状损失Ω和交并比损失IoU。
9.一种电力设备红外图像检测装置，包括存储器、处理器，以及存储于所述存储器中的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述电力设备红外图像检测方法。
10.一种存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-8中任一所述电力设备红外图像检测方法。
...【技术特征摘要】
1.一种电力设备红外图像检测方法，其特征在于，所述方法步骤如下：获取电力设备红外图像，利用训练完成的dcls-yolov8n模型对电力设备红外图像进行检测；
2.根据权利要求1所述的一种电力设备红外图像检测方法，其特征在于，所述的可变形卷积dcnv3将输入特征进行分组，使用深度可分离卷积生成偏移量和调制系数，每个组具有单独的偏移量和调制系数；再通过softmax函数生成调制系数。
3.根据权利要求2所述的一种电力设备红外图像检测方法，其特征在于，所述使用可变形卷积构建的残差模块c2f-dcnv3具体为：在c2f内的标准卷积瓶颈中，使用dcnv3替换第二个标准卷积，构建含有可变形卷积dcnv3的瓶颈结构。
4.根据权利要求3所述的一种电力设备红外图像检测方法，其特征在于，对于输出特征y上的p0像素点，可变形卷积dcnv3计算公式表示为：
5.根据权利要求1所述的一种电力设备红外图像检测方法，其特征在于，所述坐...
【专利技术属性】
技术研发人员：秦伦明，柳明慧，顾雅娟，潘勇，边后琴，崔昊杨，薛亮，杨强强，
申请(专利权)人：上海电力大学，
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。