一种变电站智能识别系统中无负样小目标检测方法技术方案

本发明专利技术涉及一种变电站智能识别系统中无负样小目标检测方法，属于计算机视觉技术领域，通过变电站配电室的室内监控设备采集小型动物入侵以及漏雨积水图像，并对图像进行清洗、筛选以及使用LabelImg进行标注，构建初始训练数据集；对初始训练数据集进行预处理，使用Real

【技术实现步骤摘要】
一种变电站智能识别系统中无负样小目标检测方法


[0001]本专利技术属于计算机视觉
，具体地，涉及一种变电站智能识别系统中无负样小目标检测方法。

技术介绍

[0002]随着我国电力产业的快速发展，变电站作为电力资源输送环节中最为核心的节点，其安全性和稳定性至关重要。随着计算机硬件性能的增强，以及机器学习、深度学习、目标检测等技术的快速发展和成熟，变电站智能识别系统逐渐走向自动化和智能化。变电站由于环境较为复杂，各种设备、机柜较多，出现小型动物入侵、积水、漏雨的情况很难被发现，从而引发各种变电站安全事故，所以能否解决变电站智能识别系统中无负样本、小目标检测，对于保障变电站的稳定运行至关重要。
[0003]近些年基于深度学习的目标检测算法形成两大类别：基于候选区域和基于回归，基于候选区域的目标检测算法也称为二阶段方法，二阶段方法有R
‑
CNN、Fast
‑
RCNN、Faster
‑
RCNN等；基于回归的目标检测算法只有一个阶段，直接对预测的目标物体进行回归，这类的算法有YOLO系列以及SSD系列的目标检测算法。
[0004]在公开号为CN113111966A的现有技术中，提供了一种图像处理方法和图像处理系统，该专利申请公开的方法包括以下步骤：获取初始模板数据集以及初始比较数据集；对所述初始模板集中的原模板图像进行像素处理，得到目标模板数据集以及对应的标注文件数据集；将所述目标模板数据集中的目标模板图像、所述标注文件数据集中的标注文件以及所述初始比较数据集中的比较图像进行组合，生成模型的训练数据。上述YOLO系列传统算法中，模型对于正常物体的检测效果较好，对于小目标的检测并不友好，由于小目标尺度较小，模型漏检、误检情况较多，且工业场景中大多数据集都少负样本甚至无负样本，误检情况更为严重。综上所述，YOLO系列目标检测算法的运行速度快、检测效率高，很适合变电站识别系统，但是由于传统的YOLO系列算法对于小目标检测效果很差，而且使用无负样本数据集训练出的模型误检率很高。

技术实现思路

[0005]为解决上述
技术介绍
中存在传统的YOLO系列算法对于小目标检测效果很差，而且使用无负样本数据集训练出的模型误检率很高的技术问题，本专利技术提供了一种变电站智能识别系统中无负样小目标检测方法。
[0006]本专利技术的目的可以通过以下技术方案实现：
[0007]一种变电站智能识别系统中无负样小目标检测方法，包括以下步骤：
[0008]通过变电站配电室的室内监控设备采集小型动物入侵以及漏雨积水图像，并对图像进行清洗、筛选以及使用LabelImg进行标注，从而构建初始训练数据集；
[0009]对初始训练数据集进行预处理，所述预处理包括使用Real
‑
ESRGAN处理图像分辨率、使用YOLOv7处理所述图像，并识别出图像中的物体，构建最终训练数据集；
[0010]构建基于YOLOv7的改进网络，得到改进的YOLOv7模型；
[0011]基于构建好的数据集训练改进的YOLOv7模型，然后使用训练好的权重和测试集进行测试，若筛选出误检图像，将误检的图像重新输入至改进的YOLOv7模型中进行处理，否则输出图像识别结果。
[0012]进一步的，所述对初始训练数据集进行预处理，具体包括以下步骤：
[0013]使用增强的超分辨率对抗生成网络Real
‑
ESRGAN，将图像分辨率提升至原来的4倍；
[0014]对图像进行预处理，包括对图像进行Mosaic处理、饱和度、明度和色调变换的增强进行预处理；
[0015]将预处理后的图像数据集按照7:3的比例进行划分，分别划分为训练集、验证集和测试集。
[0016]进一步的，所述YOLOv7模型包括Input层、Backbone层和Head层。
[0017]进一步的，所述构建基于YOLOv7的改进网络，具体包括以下步骤：
[0018]在所述Backbone层中添加两个C3HB模块，所述C3HB模块包括三层传统卷积层和一个HorBlock结构，对图像特征进行提取；
[0019]在所述Head层中添加三个BoT3模块替代原本的C7
‑
2模块，所述BoT3模块包括三层卷积层与Bot模块；
[0020]使用IOU loss函数作为损失函数，在IOU loss函数中使用NWD度量，通过先将NWD loss函数和IOU loss函数加权求和后计算IOU loss函数，NWD度量的计算公式如下：
[0021][0022]其中，C为与数据集密切相关的常数，为距离度量。
[0023]进一步的，所述筛选出误检图像，将误检的图像重新输入至改进的YOLOv7模型中进行处理，具体包括以下步骤：
[0024]将图像进行不同程度的高斯模糊和锐化处理，并输出处理结果；
[0025]对处理后的图像使用LabelImg进行标注；
[0026]将新生成的图像和标签文件加入数据集重新进行训练。
[0027]进一步的，计算IOU loss时，所述NWD loss和IOU loss加权求和中的权重参数设置为0.5。
[0028]进一步的，所述基于构建好的数据集训练改进的YOLOv7模型中，训练过程中的学习率为0.00125、batch
‑
size为8、epoch为300、Img
‑
size为640。
[0029]进一步的，对图像进行预处理中，饱和度为0.7、明度为0.4、色调的参数为0.015。
[0030]进一步的，所述HorBlock由layernorm和g
n
Conv组成。
[0031]进一步的，g
n
Conv的三阶空间包括DWconv和Proj，g
n
Conv中的n为3，DWconv是深度可分离卷积模块，用于特征提取，Proj是高阶空间交互过程中使用的卷积模块；
[0032]其中，图像特征的提取过程为：
[0033]使用线性投影函数得到一组投影特征；
[0034]将特征进行切分；
[0035]送入门控卷积中进行递归运算，从下至上共递归进行三次特征的空间交互门控的作用是筛选有效像素。
[0036]本专利技术的有益效果：
[0037]本专利技术公开了一种变电站智能识别系统中无负样小目标检测方法提高了小目标的检测精度和准确度，降低无负样本训练造成的误检率高的问题；提升精度主要通过使用对抗生成网络先对数据集进行预处理，然后构建改进的YOLOv7目标检测算法，算法改进通过加强特征提取以及改进IOU loss使其对小目标检测更加友好，训练出最佳权重进行测试并筛选出误检图像进行后处理；高效降低误检率主要通过对误检图像进行后处理并加入数据集重新训练。
[0038]本专利技术在变电站智能识别系统中大大提升了小目标检测的准确率，降低了数据中无负本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变电站智能识别系统中无负样小目标检测方法，其特征在于，包括以下步骤：通过变电站配电室的室内监控设备采集小型动物入侵以及漏雨积水图像，并对图像进行清洗、筛选以及使用LabelImg进行标注，从而构建初始训练数据集；对初始训练数据集进行预处理，所述预处理包括使用Real
‑
ESRGAN处理图像分辨率、使用YOLOv7处理所述图像，并识别出图像中的物体，构建最终训练数据集；构建基于YOLOv7的改进网络，得到改进的YOLOv7模型；基于构建好的数据集训练改进的YOLOv7模型，然后使用训练好的权重和测试集进行测试，若筛选出误检图像，将误检的图像重新输入至改进的YOLOv7模型中进行处理，否则输出图像识别结果。2.根据权利要求1所述的一种变电站智能识别系统中无负样小目标检测方法，其特征在于，所述对初始训练数据集进行预处理，具体包括以下步骤：使用增强的超分辨率对抗生成网络Real
‑
ESRGAN，将图像分辨率提升至原来的4倍；对图像进行预处理，包括对图像进行Mosaic处理、饱和度、明度和色调变换的增强；将预处理后的图像数据集按照7:3的比例进行划分，分别划分为训练集、验证集和测试集。3.根据权利要求1所述的一种变电站智能识别系统中无负样小目标检测方法，其特征在于，所述YOLOv7模型包括Input层、Backbone层和Head层。4.根据权利要求3所述的一种变电站智能识别系统中无负样小目标检测方法，其特征在于，所述构建基于YOLOv7的改进网络，具体包括以下步骤：在所述Backbone层中添加两个C3HB模块，所述C3HB模块包括三层传统卷积层和一个HorBlock结构，对图像特征进行提取；在所述Head层中添加三个BoT3模块替代原本的C7
‑
2模块，所述BoT3模块包括三层卷积层与Bot模块；使用IOU loss函数作为损失函数，在IOU loss函数中使用NWD度量，通过先将NWD loss函数和IOU l...

【专利技术属性】
技术研发人员：严体华，贺露莹，陈在新，汪晶，张茜，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：