一种基于窗口自注意力机制的变电站安全隐患检测方法技术

本发明专利技术涉及一种基于窗口自注意力机制的变电站安全隐患检测方法，属于计算机视觉目标检测技术领域，包括以下步骤：获取变电站安全隐患数据集；数据增强算子进行预处理；SwinTransformer主干网络提取特征；坐标注意力机制为特征图赋权值；特征金字塔融合不同尺度特征图信息；PPYOLOEHead进行预测并回归损失值迭代模型；将训练好的模型部署到边缘ARM机器；摄像头拍摄实际变电站工作场景回传边缘计算机；模型预测并输出监测结果。本发明专利技术通过将目标检测算法PP

【技术实现步骤摘要】
一种基于窗口自注意力机制的变电站安全隐患检测方法


[0001]本专利技术属于计算机视觉目标检测
，具体涉及一种基于窗口自注意力机制的变电站安全隐患检测方法。

技术介绍

[0002]随着我国人口的不断增长、经济的快速发展、基础设施的日益完善，对供电总量的需求也在急速增加，输电网的总量逐渐扩大。由于电力行业作业过程中的特殊性与危险性，为了保证供电的稳定与效率，传统的人工巡检方式已经不能满足庞大的电网需求，从而逐步转向机器代替人力的巡检方式。
[0003]目前变电站安全隐患检测为机器巡检的一种实现，通过变电站的监测摄像头拍摄重点监测区域，回传有无故障或者违规行为，若有则发出警报，以此达到机器代替人力检测变电站的目的。如公开号为CN114299437A的专利公开了一种基于视觉感知技术的变电站违规攀爬行为检测预警方法，该方法使用基于YOLO(You Only Look Once)深度卷积神经网络和HSV色彩空间变化的静态目标检测算法实现变电站禁止攀爬标志检测。然而该方法使用的YOLO算法采用Darknet53网络为主干，属于传统的CNN网络架构，在学习能力上次于YOLOv4所使用的CSPDarknet53，重复计算梯度信息导致计算量大，训练与推理速度慢。其次该方法所采用的HSV色彩空间变换算法可能会使违规攀爬行为识别的一些重要信息难以识别，比如有无佩戴安全带(安全带的颜色通常比较鲜艳)等。
[0004]再如公开号为CN115294476A的专利提供了一种面向无人机电力巡检的边缘计算智能检测方法及设备，该方法在YOLOv4
‑
tiny的基础上增加了CA注意力机制，能够优化网络学习有效特征的能力。然而该模型属于规模较小的模型，模型的学习能力不足，应用于变电站安全隐患识别，在处理更复杂的环境，类别更多的违规项时效果并不理想。
[0005]综上所述，在现有的变电站巡检方法中，通常采用的仍是提出年份较早的目标检测模型，如YOLOv4等，且没有采用合适的技术手段如注意力机制、数据增强等对模型进行改进，以更好的应用于复杂多变的变电站场景，因此在环境变化、目标较小时检测效果不佳。

技术实现思路

[0006]为解决现有技术中存在的上述问题，本专利技术提供了一种基于窗口自注意力机制的变电站安全隐患检测方法，通过将目标检测算法PP
‑
YOLOE的主干替换等改进措施，提高了对变电站安全隐患检测的总体精度与小目标识别精度，同时优化了收敛速度，提高了检测的效率。
[0007]本专利技术的目的可以通过以下技术方案实现：
[0008]一种基于窗口自注意力机制的变电站安全隐患检测方法，包括以下步骤：
[0009]S01、获取变电站安全隐患数据集；
[0010]S02、数据增强算子进行预处理；
[0011]S03、SwinTransformer主干网络提取特征；
[0012]S04、坐标注意力机制为特征图赋权值；
[0013]S05、特征金字塔融合不同尺度特征图信息；
[0014]S06、PPYOLOEHead进行预测并回归损失值迭代模型；
[0015]S07、将训练好的模型部署到边缘ARM机器；
[0016]S08、摄像头拍摄实际变电站工作场景回传边缘计算机；
[0017]S09、模型预测并输出监测结果。
[0018]进一步地，所述步骤S02中，数据增强算子进行预处理具体为：在输入端对数据进行PP
‑
YOLOE原始结构中的RandomCrop、RandomFlip和ContrastEnhancement数据增强；其中：
[0019]RandomCrop为随机剪裁函数，通过对原始图片进行大小、位置随机的裁剪产生新的图片用于训练；
[0020]RandomFlip为随机翻转函数，通过对原图进行水平或垂直翻转扩充训练集；
[0021]ContrastEnhancement为对比度增强技术，通过对图片在RGB空间下通过ImageEnhance类对图片的对比度参数contrast进行设置从而提高对比度。
[0022]进一步地，所述步骤S03中，SwinTransformer主干网络提取特征的过程具体为：
[0023]S31、将图片输入到块拆分模块中进行分块，然后在通道方向展平；
[0024]S32、通过线性嵌入层对每个像素的通道数据做线性变换；
[0025]S33、将经过尺度变换后的图像向量通过SwinTransformer模块进行特征提取；
[0026]S34、经过SwinTransformer模块输出的特征图会再次经过三个相同的SwinTransformer模块得到最终的输出，并且在三个SwinTransformer模块前均设置有块融合层进行下采样。
[0027]进一步地，所述步骤S33中，通过SwinTransformer模块进行特征提取的过程具体为：
[0028]输入z
l
‑1图像经过一个归一化层后进入规则窗口多头自注意力模块，输出的特征图与初始的输入z
l
‑1进行残差连接进行线性叠加获得输出
[0029]经过一个归一化层后进入一个MLP模块，输出的特征图与再次进行残差连接得到z
l
；
[0030]z
l
经过一个归一化层后进入移位窗口多头自注意力模块，输出的特征图与z
l
进行残差连接得到
[0031]经过归一化层与MLP模块后再与其自身进行残差连接得到最终的输出z
l+1
。
[0032]进一步地，所述步骤S04中，坐标注意力机制为特征图赋权值过程具体为：
[0033]取三个有效的输出的特征图作为三个坐标注意力机制模块的输入，包括坐标信息嵌入和坐标注意力生成两个步骤：
[0034]所述坐标信息嵌入通过以下公式分解全局池化：
[0035][0036]其中z
c
为第c通道的输出，H为特征图的高，W为特征图的宽，x
c
(i，j)为第c通道高为
i、宽为j位置的信息；
[0037]所述坐标注意力生成首先对坐标信息嵌入中产生的两个方向的聚合特征进行连接操作，然后使用卷积变换函数对其进行变换操作，最终坐标注意力模块的输出为:
[0038][0039]其中y
c
(i，j)为第c通道(i，j)位置经过注意力加权后的输出，x
c
(i，j)为第c通道(i，j)位置原始的输入，和分别为竖直和水平方向的注意力得分。
[0040]进一步地，所述步骤S05中，特征金字塔融合不同尺度特征图信息具体为：
[0041]经过多次上下采样与特征图拼接操作，完成特征图金字塔网络与金字塔注意力网络的结合，自顶向下与自底向上融合深层与浅层网络的语义特征与位置特征。
[0042]进一步地，所述步骤S06本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于窗口自注意力机制的变电站安全隐患检测方法，其特征在于：包括以下步骤：S01、获取变电站安全隐患数据集；S02、数据增强算子进行预处理；S03、SwinTransformer主干网络提取特征；S04、坐标注意力机制为特征图赋权值；S05、特征金字塔融合不同尺度特征图信息；S06、PPYOLOEHead进行预测并回归损失值迭代模型；S07、将训练好的模型部署到边缘ARM机器；S08、摄像头拍摄实际变电站工作场景回传边缘计算机；S09、模型预测并输出监测结果。2.根据权利要求1所述的一种基于窗口自注意力机制的变电站安全隐患检测方法，其特征在于：所述步骤S02中，数据增强算子进行预处理具体为：在输入端对数据进行PP
‑
YOLOE原始结构中的RandomCrop、RandomFlip和ContrastEnhancement数据增强；其中：RandomCrop通过对原始图片进行大小、位置随机的裁剪产生新的图片用于训练；RandomFlip通过对原图进行水平或垂直翻转扩充训练集；ContrastEnhancement通过对图片在RGB空间下通过ImageEnhance类对图片的对比度参数contrast进行设置从而提高对比度。3.根据权利要求1所述的一种基于窗口自注意力机制的变电站安全隐患检测方法，其特征在于：所述步骤S03中，SwinTransformer主干网络提取特征的过程具体为：S31、将图片输入到块拆分模块中进行分块，然后在通道方向展平；S32、通过线性嵌入层对每个像素的通道数据做线性变换；S33、将经过尺度变换后的图像向量通过SwinTransformer模块进行特征提取；S34、经过SwinTransformer模块输出的特征图会再次经过三个相同的SwinTransformer模块得到最终的输出，并且在三个SwinTransformer模块前均设置有块融合层进行下采样。4.根据权利要求3所述的一种基于窗口自注意力机制的变电站安全隐患检测方法，其特征在于：所述步骤S33中，通过SwinTransformer模块进行特征提取的过程具体为：输入图像经过一个归一化层后进入规则窗口多头自注意力模块，输出的特征图与初始的输入进行残差连接进行线性叠加获得输出进行残差连接进行线性叠加获得输出经过一个归一化层后进入一个MLP模块，输出的特征图与再次进行残差连接得到再次进行残差连接得到经过一个归一化层后进入移位窗口多头自注意力模块，输出的特征图与进行残差连接得到连接得到经过归一化层与MLP模块后再与其自身进行残差连接得到最终的输出5.根据权利要求1所述的一种基于窗口自注意力机制的变电站安全隐患检测方法，其特征在于：所述步骤S04中，...

【专利技术属性】
技术研发人员：严体华，陈在新，张茜，汪晶，贺露莹，杨粟，
申请(专利权)人：西安电子科技大学广州研究院，
类型：发明
国别省市：