【技术实现步骤摘要】
输电线路下垫面环境分类及模型训练方法、装置及设备
[0001]本专利技术涉及计算机视觉
，尤其涉及一种输电线路下垫面环境分类及模型训练方法、装置及设备。
技术介绍
[0002]在电网应用中，对输电线路下垫面环境进行分类识别，对于输电线路布局规划是至关重要的。
[0003]传统的环境分类方法一般分为光谱指数法和浅层机器学习法。光谱指数法，根据不同地物反射光谱差异，通过波段运算构建反应特定地物属性的光谱指数，进行下垫面分类。光谱指数方法原理简单，计算高效，但是没有考虑复杂环境下地物光谱多变性，导致地物识别精度通常较低，且分割阈值通常难以确定，无法满足对输电线路环境检测的需求。浅层机器学习法，通过设计手工特征，如光谱特征、纹理特征等，根据各类别训练样本特性构建判别函数，优化判别边界，利用训练好的分类器进行分类。该类方法更够有效识别各类地物，是目前应用最为广泛的方法。然而，上述方法过度依赖手工设计特征和先验知识，难以挖掘表征地物本质差异的高层语义特征，泛化能力有限，在复杂环境下的鲁棒性不足，难以实现输电线路下垫面精细化...
【技术保护点】
【技术特征摘要】
1.一种输电线路下垫面环境分类模型训练方法，其特征在于，包括：采集输电线路环境影像，并对所述输电线路环境影像进行标注，得到输电线路环境分类数据集；将所述输电线路环境分类数据集划分为输电线路下垫面环境分类模型训练集和测试集；构建耦合注意力机制的二维卷积神经网络模型2DCNN
‑
CBAM作为初始输电线路下垫面环境分类模型，并采用所述训练集对所述初始输电线路下垫面环境分类模型进行模型训练；其中，所述初始输电线路下垫面环境分类模型，包括：二维卷积层、激活层、注意力机制层、最大池化层以及全连接层；根据所述测试集对训练结果进行评价，当评价通过时得到输电线路下垫面环境分类模型。2.根据权利要求1所述的方法，其特征在于，构建耦合注意力机制的二维卷积神经网络模型2DCNN
‑
CBAM作为初始输电线路下垫面环境分类模型，包括：将二维卷积层、激活层、以及注意力机制层连接组成输电线路下垫面环境分类卷积网络层；串联两个所述输电线路下垫面环境分类卷积网络层，并连接一个最大池化层以及两个全连接层，构成2DCNN
‑
CBAM，作为初始输电线路下垫面环境分类模型。3.根据权利要求2所述的方法，其特征在于，将二维卷积层、激活层、以及注意力机制层连接组成输电线路下垫面环境分类卷积网络层，包括：将二维卷积层、激活层、以及由通道注意力层CAM和空间注意力层SAM构成的注意力机制层，连接组成输电线路下垫面环境分类卷积网络层。4.根据权利要求3所述的方法，其特征在于，将二维卷积层、激活层、以及由通道注意力层CAM和空间注意力层SAM构成的注意力机制层，连接组成输电线路下垫面环境分类卷积网络层，包括：将通过二维卷积层和激活层处理得到的输电线路环境初始特征图，分别经过基于宽度和高度的全局最大池化和全局平均池化，得到两个1
×1×
C的输电线路环境CAM中间特征图；其中，C为通道数；将所述输电线路环境CAM中间特征图输入至两层神经网络MLP，并将MLP输出的特征进行基于元素形式的加和操作以及激活函数处理，得到输电线路环境通道注意力特征图；将所述输电线路环境通道注意力特征图与所述输电线路环境初始特征图进行基于元素形式的乘法操作，得到输电线路环境SAM输入特征图；将所述输电线路环境SAM层输入特征图分别经过基于通道的全局最大池化和全局平均池化，得到两个H
×
W
×
1的输电线路环境SAM中间特征图；其中，H为高度，W为宽度；将两个输电线路环境SAM中间特征图基于通道做拼接，并进行降维处理以及激活函数处理，得到输电线路环境空间注意力特征图；将所述输电线路环境SAM输入...
【专利技术属性】
技术研发人员：吴亮，罗兵，肖微，许国伟，张豪峰，林昌松，李欣，陈梓荣，纪长城，翟晗，林来鑫，杜欢，陈鸿适，杜金亮，范晟，蔡哲淳，
申请(专利权)人：广东电网有限责任公司汕头供电局，
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。