System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种输电网异物检测方法。
技术介绍
1、目前关于异物检测的算法已得到了广泛充分的研究,检测方法众多,如两阶段的方法r-cnn、fast r-cnn和faster r-cnn以及单阶段的方法ssd和yolo系列,但针对特殊复杂场景下的目标检测,检测精度与检测速度仍需要较大的改进空间,需要具体问题具体分析,提出针对性的解决方案。文献(guo,s.,bai,q.,&zhou,x.(2020).foreign objectdetection of transmission lines based on faster r-cnn.in information scienceand applications:icisa 2019(pp.269-275).springer singapore.)利用faster r-cnn来检测传输线上的风筝和气球,该方法克服了人工特征提取的不稳定性,与传统的sift、orb特征匹配等目标检测算法相比,可以有效提高边缘模糊图像和复杂背景图像的准确率。但faster r-cnn模型复杂,参数较多,在配电网异物入侵的场景下无法突破数据孤岛的壁垒,训练得到的模型只能针对特定区域内的单一环境,难以泛化到其他区域。
2、本专利技术主要针对电网场景下异物入侵检测的过程中存在的数据孤岛问题,设计了基于联邦学习和yolov5的异物入侵检测算法,在各个用户分布式训练保证节点隐私的同时,实现了模型的轻量化,并兼顾了检测的速度和准确度。
技术实现思路
2、一种基于联邦学习和yolov5的输电网异物检测方法,包括下列步骤:
3、(1)标注数据集的构建:设用户节点为n个,n个用户节点分别收集各自的配电网异物入侵数据集,对所收集的异物入侵数据进行标注,设置多个异物种类;对标注后的n个配电网异物入侵数据集分别划分为训练集和验证集;
4、(2)目标检测网络的构建:对yolov5骨干网络进行改进,采用轻量化的fasternet作为目标检测网络,主干网络包括四个层级阶段,每个阶段之前都有一个嵌入层或一个融合层;每个阶段由多个fasternet块组成,每个块包含一个部分卷积层和一对点卷积层,每个部分卷积操作后都应用了归一化层和激活层;采用群组归一化进行归一化操作,选择relu作为激活函数,平衡效率和准确性;最后三层包括一个平均池化层,一个1×1卷积层和一个全连接层;输入图像经过一系列特征提取,最终得到多尺度的特征图;
5、(3)确定损失函数,基于联邦平均fedavg聚合策略进行模型训练;
6、进一步的,损失函数的确定方法如下:在进行输电网异物检测时,通过将模型回归得到的预测框和数据集标签中人为标注的真实框进行比较,得到预测框的置信度,评价预测框的质量;对边界框回归损失函数(bbr)进行改进,方法如下:在交并比公式中引入多维注意力机制,减少预测框和真实框之间的几何差异,特别是当二者显著重合的情况下,以增强模型的生成能力;在交并比公式中引入一个非单调聚焦系数r,通过给予极端质量的锚框减少的收益,边界框被优先考虑集中在平均质量的锚框上,以此来优化模型以达到更好的适应性。
7、进一步的,步骤(1)通过数据增强方式包括随机旋转、模糊、添加噪声方式对数据集进行扩充增强,以提高数据集的泛化能力,防止过拟合。
8、进一步的,步骤(3)方法如下:
9、对于n个用户节点,设置n个客户端,客户端服务器端之间的通讯采用grpc的通讯协议,客户端与服务器端总共机型m轮次的通讯以及学习率η;
10、服务器端:初始化模型参数ω0,每一轮通信中,从n个用户节点中随机挑选出n(n>0)个客户端参与聚合;根据这n个用户的模型参数进行参数的更新,得到更新后的n个参数接着,对更新后的n个参数进行加权平均得到聚合后的参数这里λn代表当前客户端的数据量,λ代表所有客户端总共的数据量,聚合后的模型参数由服务器端通讯传递给客户端,完成模型参数的更新;
11、客户端:在服务器端随机挑选出的n个客户端中进行模型训练,对模型参数进行更新,客户端将训练后的参数传递给服务器端,以进行模型进一步的更新。
12、进一步的,步骤(3)中,在客户端模型训练阶段,采用部分卷积和点卷积组合的操作,对于连续的内存访问,从输入图片中选择起始或末尾的的通道来代表完整的特征图,以保证通道的灵活性和均匀性。
13、进一步的,步骤(4)中,设预测框为b=[x,y,w,h],其中x,y是预测框的中心坐标,w,h是预测框的宽和高,真实框为bgt=[xgt,ygt,wgt,hgt],其中xgt,ygt是真实框的中心坐标,wgt,hgt是真实框的宽和高;公式如下:
14、
15、
16、
17、l′iou=rliour
18、其中,liou是边界框损失,iou是预测框和真实框的交并比,wi和hi是两个边框交叉部分的长和宽;*表示计算图分离的操作,不参与神经网络的反向传播;r是一个非单调的聚焦系数,α作为一个正的平衡因子,v用于评估长宽比的均匀性,约束纵横比,β用于衡量锚框的极端性;项是带有动量m和δ的指数运行平均值;对双层注意力增益、边界框损失以及非单调聚焦系数做乘积,改进后的损失函数记为l′iou。
19、本专利技术在配电网异物检测的任务中引入了联邦学习策略,在各个用户节点不共享数据的同时,完成了模型的联合训练,既没有违反电网隐私保护的政策,又实现了模型参数的传递;然后对目标检测算法yolov5进行了改进,为了轻量化检测模型并提高检测速度,采用了轻量化的fasternet骨干网络,并引入了部分卷积,通过有选择性地对输入通道的特定部分执行标准的空间特征提取来减少flops,对其余通道应用点卷积以充分利用所有通道的信息。为了提高模型的检测速度,对损失函数进行改进,在度量交并比(iou)的基础上,引入参数r来描述两个边界框中心点之间的标准化距离,引入非单调聚焦系数r来评估锚框的质量,正向平衡因子α,β来衡量锚框的极端性以及v来评估宽高比的均匀性。
本文档来自技高网...【技术保护点】
1.一种基于联邦学习和YOLOv5的输电网异物检测方法,包括下列步骤:
2.根据权利要求1所述的输电网异物检测方法,其特征在于,损失函数的确定方法如下:在进行输电网异物检测时,通过将模型回归得到的预测框和数据集标签中人为标注的真实框进行比较,得到预测框的置信度,评价预测框的质量;对边界框回归损失函数(BBR)进行改进,方法如下:在交并比公式中引入多维注意力机制,减少预测框和真实框之间的几何差异;在交并比公式中引入一个非单调聚焦系数r,通过给予极端质量的锚框减少的收益,边界框被优先考虑集中在平均质量的锚框上,以此来优化模型以达到更好的适应性。
3.根据权利要求1所述的输电网异物检测方法,其特征在于,步骤(1)通过数据增强方式包括随机旋转、模糊、添加噪声方式对数据集进行扩充增强,以提高数据集的泛化能力,防止过拟合。
4.根据权利要求1所述的输电网异物检测方法,其特征在于,步骤(3)方法如下:
5.根据权利要求1所述的输电网异物检测方法,其特征在于,步骤(3)中,在客户端模型训练阶段,采用部分卷积和点卷积组合的操作,对于连续的内存访问,从
6.根据权利要求1所述的输电网异物检测方法,其特征在于,步骤(4)中,设预测框为B=[x,y,w,h],其中x,y是预测框的中心坐标,w,h是预测框的宽和高,真实框为Bgt=[xgt,ygt,wgt,hgt],其中xgt,ygt是真实框的中心坐标,wgt,hgt是真实框的宽和高;公式如下:
...【技术特征摘要】
1.一种基于联邦学习和yolov5的输电网异物检测方法,包括下列步骤:
2.根据权利要求1所述的输电网异物检测方法,其特征在于,损失函数的确定方法如下:在进行输电网异物检测时,通过将模型回归得到的预测框和数据集标签中人为标注的真实框进行比较,得到预测框的置信度,评价预测框的质量;对边界框回归损失函数(bbr)进行改进,方法如下:在交并比公式中引入多维注意力机制,减少预测框和真实框之间的几何差异;在交并比公式中引入一个非单调聚焦系数r,通过给予极端质量的锚框减少的收益,边界框被优先考虑集中在平均质量的锚框上,以此来优化模型以达到更好的适应性。
3.根据权利要求1所述的输电网异物检测方法,其特征在于,步骤(1)通过数据增强方式包括随机旋转、模糊、添加噪声方式对数...
【专利技术属性】
技术研发人员:周翊民,张凯泓,
申请(专利权)人:中国科学院深圳先进技术研究院,
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。