一种电力设备红外图像识别方法、装置及介质制造方法及图纸

本发明专利技术涉及一种基于YOLOv8n‑DCSW模型的电力设备红外图像识别方法、装置及介质，其中方法包括：构建YOLOv8n‑DCSW模型，所述模型的主干网络包括可变形卷积搭建残差模块C2F‑DCN、坐标注意力机制CA和SPPF模块，并采用由GSConv构建的Sim‑neck替换原模型中FPN与PAN结合的颈部网络，采用WIoU边框回归损失函数进行训练；获取电力设备红外图像并进行标注和图像增强，构建数据集；配置深度学习环境，并设置YOLOv8n‑DCSW模型参数；将电力设备红外图像数据集输入模型中进行训练和测试，并利用训练完成的模型进行识别。与现有技术相比，本发明专利技术具有识别精度高、模型计算量小等优点。

【技术实现步骤摘要】

本专利技术涉及电力设备目标检测，尤其是涉及一种基于yolov8n-dcsw模型的电力设备红外图像识别方法、装置及介质。

技术介绍

1、红外成像技术因具有不受光照影响、穿透能力强的优势，被广泛应用于红外夜视，工业探伤，红外成像制导等领域。电力设备的识别是红外图像在工业探伤领域的重要应用，对变电站正常稳定运行具有关键作用。近年来，由于电力设备红外图像的复杂性和数据量的庞大，采用计算机视觉技术对电气设备红外图像自动识别越来越收到广泛关注，是后续电力设备热缺陷检测与预警的关键基础。

2、目前，基于图像识别电力设备的方法主要有两类：一类是采用传统的图像处理方法，大多数研究者采用机器学习的方法来提取电力设备的边缘信息，然后使用分类器进行归类。此类方法虽然具有一定的检测能力，但是不能应对变电站复杂的场景和检测的实时性要求，难以投入实际应用。第二类方法是基于深度学习的检测方法，可以分为两阶段检测算法和一阶段检测算法。两阶段检测算法主要包括rcnn、fast-rcnn和faster-rcnn，一阶段的检测算法主要有ssd算法、centernet算法和yolo系列本文档来自技高网...

【技术保护点】

1.一种基于YOLOv8n-DCSW模型的电力设备红外图像识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于YOLOv8n-DCSW模型的电力设备红外图像识别方法，其特征在于，所述可变形卷积构建残差模块C2F-DCN中，可变形卷积在标准卷积核的采样位置引入偏移向量{Δpi|n＝1,...,I}和每个采样点的权值调制参数Δmi，I为卷积核的面积，则可变形卷积的输出特征表示为：

3.根据权利要求1所述的一种基于YOLOv8n-DCSW模型的电力设备红外图像识别方法，其特征在于，所述坐标注意力机制CA分为坐标信息嵌入和坐标注意力生成两个阶段，其中，在...

【技术特征摘要】

1.一种基于yolov8n-dcsw模型的电力设备红外图像识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于yolov8n-dcsw模型的电力设备红外图像识别方法，其特征在于，所述可变形卷积构建残差模块c2f-dcn中，可变形卷积在标准卷积核的采样位置引入偏移向量{δpi|n＝1,...,i}和每个采样点的权值调制参数δmi，i为卷积核的面积，则可变形卷积的输出特征表示为：

3.根据权利要求1所述的一种基于yolov8n-dcsw模型的电力设备红外图像识别方法，其特征在于，所述坐标注意力机制ca分为坐标信息嵌入和坐标注意力生成两个阶段，其中，在坐标信息嵌入阶段，将通道注意力中对空间信息进行全局编码的二维池化操作，分别使用(h,1)和(1,w)尺寸的池化核，将其分解成沿着水平和垂直两个方向的一维全局池化，将空间坐标信息集成到注意力图中；在坐标注意力生成阶段，将两个方向坐标信息拼接之后，依次经过卷积、批标准化和非线性激活，生成在水平方向和垂直方向能够编码空间信息的中间特征图，其后，将中间特征图沿空间维度分为两个独立的张量，再依次经过卷积和非线性激活后与输入特征图相乘加权得到坐标注意力的输出。

4.根据权利要求1所述的一种基于yolov8n-dcsw模型的电力设备红外图像识别方法，其特征在于，所述sim-neck由轻量型卷积gsconv组成，gsconv通过普通卷积获得一半通道数的特征图，并将这些特征图通过...

【专利技术属性】
技术研发人员：李珅，杜科，李舟演，李宁，熊岑，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：