电力防护装备检测网络训练方法、应用方法及电子设备技术

本发明专利技术涉及一种电力防护装备检测网络训练方法、应用方法、电子设备及介质，包括：获取电力防护装备检测数据集；构建初始电力防护装备检测网络；将检测图像为输入，基于特征提取模块进行特征提取得到特征图像，基于多尺度融合模块依次进行上采样特征融合和下采样特征融合得到融合特征数据，基于检测头进行解码得到预测框和置信度预测值；基于变焦损失模块计算预测框和检测框的交并比，根据交并比和检测标签确定样本损失权重并计算加权预测损失，调整网络参数直至损失不再降低，得到训练完备的电力防护装备检测网络。本发明专利技术通过变焦损失模块确定正负样本的损失权重，根据损失权重计算加权预测损失，解决样本间不平衡性问题，提高网络的检测准确性。网络的检测准确性。网络的检测准确性。

【技术实现步骤摘要】
电力防护装备检测网络训练方法、应用方法及电子设备


[0001]本专利技术涉及电力安全作业检测领域，具体涉及一种电力防护装备检测网络训练方法、应用方法、电子设备及计算机可读存储介质。

技术介绍

[0002]随着生产生活对能源需求的大幅增长，保障电力安全生产已经成为一个重要的问题，而在电力作业事故中主要原因在于作业人员缺乏安全意识，未正确佩戴电力防护装备。为了保障电力安全生产，通常采用人员监管的方案，但是人工监管的方式会耗费大量人力物力，且不能达到最优效果。使用目标检索算法对电力防护装备进行检测，可以有效保障电力生产安全和人员的生命安全，并减少人工成本。
[0003]现有的目标检测算法分为传统检测算法和深度学习检测算法。其中传统检测算法使用传统的图像处理方法和计算机视觉技术实现对目标的检测，例如边缘检测、特征提取、物体分类、非极大值抑制等，通常需要手工设计特征，较为不便且检测效果一般。基于深度学习的目标检测算法不需要手工设计特征，检测网络从大量数据中可以自主学习到目标的特征，此外深度学习目标检测方法从不同的目标和场景中自适应学习特征，泛化性远强于只能面向特定场景检测的传统检测算法。然而使用深度学习方法构建的电力防护装备检测网络在进行训练时，不同样本对训练网络的效果上有着较大差距，尤其在正负样本之间，正样本的损失对于网络模型整体损失的贡献更大，而现有技术通常忽视了在训练网络中样本间的不平衡性，导致网络检测准确性降低。

技术实现思路

[0004]有鉴于此，有必要提供一种电力防护装备检测网络训练方法、应用方法、电子设备及计算机可读存储介质，用于解决现有技术中，忽视了样本间的不平衡性，导致网络准确性降低的技术问题。
[0005]为了解决上述问题，本专利技术提供了一种电力防护装备检测网络训练方法，所述方法包括：
[0006]获取电力防护装备检测数据集，所述装备检测数据集包括检测图像、检测框和检测标签；
[0007]构建初始电力防护装备检测网络，所述初始电力防护装备检测网络包括：特征提取模块、多尺度融合模块、检测头和变焦损失模块；
[0008]将所述检测图像作为初始电力防护装备检测网络的输入，基于特征提取模块对所述检测图像进行特征提取得到特征图像，基于多尺度融合模块对所述特征图像依次进行上采样特征融合和下采样特征融合得到融合特征数据，基于检测头将融合特征数据进行解码得到预测框和置信度预测值；
[0009]基于所述变焦损失模块计算所述预测框和所述检测框的交并比，根据所述交并比和所述检测标签确定样本的损失权重，根据所述检测标签、置信度预测值和损失权重计算
加权预测损失，调整初始电力防护装备检测网络参数直至损失不再降低，得到训练完备的电力防护装备检测网络。
[0010]进一步的，获取电力防护装备检测数据集，包括：
[0011]获取电力作业场景拍摄图像并进行尺寸压缩为同一像素尺寸得到检测图像；
[0012]标注所述检测图像对应的检测框和检测标签。
[0013]进一步的，构建初始电力防护装备检测网络，包括：
[0014]基于纯卷积网络结构构建特征提取模块，基于特征金字塔网络结构和路径聚合网络结构构建多尺度融合模块，基于变焦损失函数构建变焦损失模块。
[0015]进一步的，特征图像包括第一特征图像、第二特征图像和第三特征图像；所述基于特征提取模块提取所述检测图像的图像特征得到特征图像，包括：
[0016]将所述检测图像经过卷积层、归一化层和纯卷积基本模块得到初始特征图像；
[0017]将所述初始特征图像通过第一特征提取层得到第一特征图像，将所述第一特征图像通过第二特征提取层得到第二特征图像，将所述第二特征图像通过第三特征提取层得到第三特征图像。
[0018]进一步的，第一特征提取层、第二特征提取层和第三特征提取层均由一个下采样模块和一个纯卷积基本模块组成；
[0019]所述下采样模块由归一化层和一个2
×
2大小，步距为2的卷积构成；
[0020]所述纯卷积基本模块由深度可分离卷积层、归一化层、升维卷积层、降维卷积层、锚点缩放模块和路径删除模块组成。
[0021]进一步的，融合特征数据包括第一融合特征数据、第二融合特征数据和第三融合特征数据；所述基于多尺度融合模块对所述特征图像依次进行上采样特征融合和下采样特征融合得到融合特征数据，包括：
[0022]将所述第三特征图像卷积操作后得到第一合并数据，将所述第一合并数据上采样操作并与所述第二特征图像进行特征合并后卷积操作得到第二合并数据，将所述第二合并数据上采样操作后与第一特征图像进行特征合并得到第三合并数据；
[0023]将所述第三合并数据卷积操作后得到第一融合特征数据，将所述第一融合特征数据下采样操作并与所述第二合并数据进行特征合并后卷积操作得到第二融合特征数据，将所述第二融合特征数据下采样操作后与第一合并数据进行特征合并得到第三融合特征数据。
[0024]进一步的，基于所述变焦损失模块计算所述预测框和所述检测框的交并比，根据所述交并比和所述检测标签确定样本的损失权重，根据所述检测标签、置信度预测值和损失权重计算加权预测损失，调整初始电力防护装备检测网络参数直至损失不再降低，得到训练完备的电力防护装备检测网络，包括：
[0025]根据所述检测标签将所述检测图像分为正样本和负样本；
[0026]计算正样本的预测框和检测框的交并比，基于所述交并比调整所述正样本的损失权重；
[0027]设置调节因子，基于所述调节因子降低所述负样本的损失权重；
[0028]根据所述检测标签和所述置信度预测值计算初始电力防护装备检测网络的预测损失；
[0029]根据所述正负样本的损失权重对所述预测损失加权计算得到加权预测损失，调整初始电力防护装备检测网络参数直至损失不再降低，得到训练完备的电力防护装备检测网络。
[0030]本专利技术还提供了一种电力防护装备检测网络应用方法，所述方法包括：
[0031]获取待测电力作业图像；
[0032]将所述待测电力作业图像输入到训练完备的电力防护装备检测网络，检测电力防护装备，其中，所述训练完备的电力防护装备检测网络根据上述任一项所述的电力防护装备检测网络训练方法确定；
[0033]电力防护装备检测网络输出得到电力防护装备检测框和检测结果。
[0034]本专利技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如上述任一项所述的电力防护装备检测网络训练方法，和/或如上述所述的电力防护装备检测网络应用方法。
[0035]本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现根据上述任一项所述的电力防护装备检测网络训练方法，和/或根据上述所述的电力防护装备检测网络应用方法。
[0036]与现有技术相比，采用上述实施例的有益效果是：在本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力防护装备检测网络训练方法，其特征在于，所述方法包括：获取电力防护装备检测数据集，所述装备检测数据集包括检测图像、检测框和检测标签；构建初始电力防护装备检测网络，所述初始电力防护装备检测网络包括：特征提取模块、多尺度融合模块、检测头和变焦损失模块；将所述检测图像作为初始电力防护装备检测网络的输入，基于特征提取模块对所述检测图像进行特征提取得到特征图像，基于多尺度融合模块对所述特征图像依次进行上采样特征融合和下采样特征融合得到融合特征数据，基于检测头将融合特征数据进行解码得到预测框和置信度预测值；基于所述变焦损失模块计算所述预测框和所述检测框的交并比，根据所述交并比和所述检测标签确定样本的损失权重，根据所述检测标签、置信度预测值和损失权重计算加权预测损失，调整初始电力防护装备检测网络参数直至损失不再降低，得到训练完备的电力防护装备检测网络。2.根据权利要求1所述的电力防护装备检测网络训练方法，其特征在于，所述获取电力防护装备检测数据集，包括：获取电力作业场景拍摄图像并进行尺寸压缩为同一像素尺寸得到检测图像；标注所述检测图像对应的检测框和检测标签。3.根据权利要求1所述的电力防护装备检测网络训练方法，其特征在于，所述构建初始电力防护装备检测网络，包括：基于纯卷积网络结构构建特征提取模块，基于特征金字塔网络结构和路径聚合网络结构构建多尺度融合模块，基于变焦损失函数构建变焦损失模块。4.根据权利要求1所述的电力防护装备检测网络训练方法，其特征在于，所述特征图像包括第一特征图像、第二特征图像和第三特征图像；所述基于特征提取模块提取所述检测图像的图像特征得到特征图像，包括：将所述检测图像经过卷积层、归一化层和纯卷积基本模块得到初始特征图像；将所述初始特征图像通过第一特征提取层得到第一特征图像，将所述第一特征图像通过第二特征提取层得到第二特征图像，将所述第二特征图像通过第三特征提取层得到第三特征图像。5.根据权利要求4所述的电力防护装备检测网络训练方法，其特征在于，所述第一特征提取层、第二特征提取层和第三特征提取层均由一个下采样模块和一个纯卷积基本模块组成；所述下采样模块由归一化层和一个2
×
2大小，步距为2的卷积构成；所述纯卷积基本模块由深度可分离卷积层、归一化层、升维卷积层、降维卷积层、锚点缩放模块和路径删除模块组成。6.根据权利要求4所述的电力防护装备检测网络训练方法，其特征在于，所述融合特征数据包括第一融合特征数据、第二融合...

【专利技术属性】
技术研发人员：曾亮，张琛宁，胡谦，陈嘉，王珊珊，冯峥，向思颖，简俊杰，常昕宇，王嘉诚，陈壮，简玲，刘登，李维刚，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：