一种基于边缘计算的输变电设备红外图像目标识别方法、电子装置及存储介质制造方法及图纸

本发明专利技术提供了一种基于边缘计算的输变电设备红外图像目标识别方法、电子装置及存储介质。通过获取待识别的输变电设备红外图像，并执行预处理缩放成固定大小的第一图像；根据预定的目标识别网络模型对第一图像进行识别；其中，预定的目标识别网络模型以YOLOv7的网络框架为基础并部署到边缘计算节点当中，模型包括骨干网络Backbone、检测头Head；获取第一图像的识别结果；识别结果为预定的目标识别网络模型生成的目标预测框。相比于现有技术，通过经过改进的CA模块加入了残差结构，在提高信息保存能力的同时增加相应对象的特征表示，从而为Head部分的预测提供更有效的特征；在三个Detect检测器中加入CoT模块，学习输入特征的上下文信息，提高最终的分类精度。提高最终的分类精度。提高最终的分类精度。

【技术实现步骤摘要】
一种基于边缘计算的输变电设备红外图像目标识别方法、电子装置及存储介质


[0001]本专利技术涉及目标识别
，具体而言，涉及一种基于边缘计算的输变电设备红外图像目标识别方法、电子装置及存储介质。

技术介绍

[0002]对于输变电设备的识别来说，传统算法很难去设计一个通用的模型去提取不同设备的特征，并且由于红外图像拍摄角度的距离差异、光照的影响以及复杂背景干扰，导致对复杂物体识别的准确率收到很大的制约。除此以外，传统算法需要消耗大量的时间，不利于快速准确的完成后续的对设备的分析。
[0003]目前基于深度学习的方法主要是通过YOLO系列或者是R
‑
CNN(Region
‑
based Convolution Neural Networks,基于区域的卷积神经网络))等模型来实现对输变电设备的识别与检测，但是R
‑
CNN虽然精度较高，但是把网络分为两个阶段，步骤繁琐，同时在提取图片时，由于生成的候选区域比较多，会存在一些冗余，完成的时间会变长，也增加了在复场景下的候选框的提取难度，因此它不能很好地满足部分需要实时性场景的需要。

技术实现思路

[0004]有鉴于此，本专利技术实施例的目的在于提供通过向YOLOv7的网络中添加改进的CA模块以及CoT模块生成识别模型，提高了网络的表征能力以及对输变电设备的分类精度；利用该网络训练的模型可以很好地完成输变电设备红外图像目标识别任务，从而实时地对变电设备状态进行监测，有利于提高输变电设备的运行可靠性和资源的利用率。
[0005]本专利技术的第一方面提供了一种基于边缘计算的输变电设备红外图像目标识别方法，所述方法包括：
[0006]获取待识别的输变电设备红外图像，并执行预处理缩放成固定大小的第一图像；
[0007]根据部署在边缘计算节点当中的目标识别网络模型对所述第一图像进行识别；其中，所述预定的目标识别网络模型以YOLOv7的网络框架为基础，包括骨干网络Backbone、检测头Head；所述骨干网络Backbone包括两个CA模块，所述两个CA模块位于两个卷积模块Conv之后；所述检测头Head部分中的三个Detect模块中都加入了一个CoT模块，CoT模块将静态和动态上下文表示的特征图融合作为输出；
[0008]获取所述第一图像的识别结果；所述识别结果为预定的目标识别网络模型生成的目标预测框。
[0009]优选地，所述CA模块，用于对输入的特征信息执行一维水平全局池化和一维垂直全局池化，而后基于通道数相加、二维卷积、归一化以及激活操作，将输入映射到(0，1)之间以便于Re
‑
weight模块对Residual残差连接信息的权重分配。
[0010]优选地，所述CoT模块，用于将输入数据X的静态上下文表示映射为K1，并根据上下文化的注意矩阵A，生成新的特征图K2；将静态上下文K1和动态上下文K2通过注意力机制融
合产生所述CoT模块的输出。
[0011]优选地，所述预定的目标识别网络模型还包括YOLOv7自带模块；所述YOLOv7自带模块包括ELAN，ELAN
‑
H，MPConv，SPPCSPC，RepConv；ELAN由多个卷积层构成，输入输出特征大小保持不变，通道数在通过两个卷积后会有变化，经过最后一个卷积输出为需要的通道；ELAN
‑
H也由多个卷积层构成，其操作是在ELAN最后Concat的时候多考虑到了之前两次卷积的结果；
[0012]MPConv模块的输入输出的通道数相等，但是输出size大小为输入size的一半，上半部分通过MaxPool使size减半，再通过卷积使通道数减半，下半部分则先通过卷积使通道数减半，再通过一个步长为2的卷积使size减半，而后上下部分通过cat合并得到输出；
[0013]SPPCSPC的网络结构主要由卷积层和MaxPool组成。整个SPPCSPC层的输出层通道为out_c，训练时中会计算出一个隐藏层通道hidden_c＝int(2*e*out_c)，用于信息量的拓展，一般取e＝0.5，则hidden_c＝out_c。
[0014]优选地，所述RepConv在训练和推理的时候使用不同的结构，并且使用了模型重参数化技术；在训练的时候，RepConv由一个3*3卷积的分支和一个1*1卷积的分支构成，同时如果输入和输出的通道数以及size的大小一致时，会到添加一个仅有BN层的分支，三个分支相加输出；在推理时，为了提高效率，会将分支的参数重参数化到主分支上，取3*3的主分支卷积输出。
[0015]优选地，所述方法还包括预定的目标识别网络模型的训练过程；所述训练过程包括：使用若干输变电设备红外图像生成训练集、测试集；设置准确率、召回率、IOU的性能指标，基于预设的识别精度以及预测框与真正框IOU的比值，训练优化模型，使得预测框与实际设备的标记框的重合度较高。
[0016]此外，本专利技术的第二方面提供了一种电子装置，所述电子装置包括：一个或多个处理器，存储器，所述存储器用于存储一个或多个计算机程序；其特征在于，所述计算机程序被配置成由所述一个或多个处理器执行，所述程序包括用于执行如第一方面所述的基于边缘计算的输变电设备红外图像目标识别方法步骤。
[0017]此外，本专利技术的第三方面提供了一种存储介质，所述存储介质存储有计算机程序；所述程序由处理器加载并执行以实现如第一方面所述的基于边缘计算的输变电设备红外图像目标识别方法步骤。
[0018]本专利技术的方案中，通过获取待识别的输变电设备红外图像，并执行预处理缩放成固定大小的第一图像；根据预定的目标识别网络模型对所述第一图像进行识别；其中，所述预定的目标识别网络模型以YOLOv7的网络框架为基础，包括骨干网络Backbone、检测头Head；所述骨干网络Backbone包括两个CA模块，所述两个CA模块位于两个卷积模块Conv之后；所述检测头Head部分中的三个Detect中都加入了一个CoT模块，CoT模块将静态和动态上下文表示的特征图融合作为输出；获取所述第一图像的识别结果；所述识别结果为预定的目标识别网络模型生成的目标预测框。相比于现有技术，通过提出改进YOLOv7的输变电设备红外图像目标识别算法CACoT
‑
YOLOv7，该算法以YOLOv7为基础，在YOLOv7的Backbone中加入了经过改进的CA模块，和原来的CA模块相比加入了残差结构，在提高信息保存能力的同时增加相应对象的特征表示，从而为Head部分的预测提供更有效的特征；除以以外，在三个Detect检测器中加入CoT模块，学习输入特征的上下文信息，提高最终的分类精度，实
现对绝缘子类、导电线类、金具类、变压器套管等输变电设备的高精度目标识别，达到提高资源的利用效率和变电站的自动化、智能化水平的目的。
附图说明
[0019]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘计算的基于边缘计算的输变电设备红外图像目标识别方法，其特征在于，所述方法包括：获取待识别的输变电设备红外图像，并执行预处理缩放成固定大小的第一图像；根据部署在边缘计算节点当中的目标识别网络模型对所述第一图像进行识别；其中，所述预定的目标识别网络模型以YOLOv7的网络框架为基础，包括骨干网络Backbone、检测头Head；所述骨干网络Backbone包括两个CA模块，所述两个CA模块位于两个卷积模块Conv之后；所述检测头Head部分中的三个Detect模块中都加入了一个CoT模块，CoT模块将静态和动态上下文表示的特征图融合作为输出；获取所述第一图像的识别结果；所述识别结果为预定的目标识别网络模型生成的目标预测框。2.根据权利要求1所述的基于边缘计算的输变电设备红外图像目标识别方法，其特征在于，所述CA模块，用于对输入的特征信息执行一维水平全局池化和一维垂直全局池化，而后基于通道数相加、二维卷积、归一化以及激活操作，将输入映射到(0，1)之间以便于Re
‑
weight模块对Residual残差连接信息的权重分配。3.根据权利要求2所述的基于边缘计算的输变电设备红外图像目标识别方法，其特征在于，所述CoT模块，用于将输入数据X的静态上下文表示映射为K1，并根据上下文化的注意矩阵A，生成新的特征图K2；将静态上下文K1和动态上下文K2通过注意力机制融合产生所述CoT模块的输出。4.根据权利要求3所述的基于边缘计算的输变电设备红外图像目标识别方法，其特征在于，所述预定的目标识别网络模型还包括YOLOv7自带模块；所述YOLOv7自带模块包括ELAN，ELAN
‑
H，MPConv，SPPCSPC，RepConv；ELAN由多个卷积层构成，输入输出特征大小保持不变，通道数在通过两个卷积后会有变化，经过最后一个卷积输出为需要的通道；ELAN
‑
H也由多个卷积层构成，其操作是在ELAN最后concat的时候多考虑到了之前两次卷积的结果；MPCon...

【专利技术属性】
技术研发人员：陆剑峰，张可，金炜，王剑，黄文礼，侯仕杰，姜文东，刘爽，
申请(专利权)人：国网电力科学研究院有限公司国网浙江省电力有限公司国网浙江省电力有限公司电力科学研究院，
类型：发明
国别省市：