【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系列算法。相较于两阶段检测算法的高精度，一阶段系列算法不用生成大量的候选框，直接预测目标的位置和种类，虽然识别精度不如两阶段算法高，但是检测速度大幅提升，更符合变电站设备识别与检测任务的实时性要求。
3、目前这些优秀的目标检测算法在大型通用的数据集上已经取得了非常好的成绩，但是变电站环境复杂存在遮挡，小目标设备数量多而且红外图像对比度低等因素导致电力设备红外图像识别精度
技术实现思路
1、本专利技术的目的是为了提供一种基于yolov8n-dcsw模型的电力设备红外图像识别方法、装置及介质，在原有yolov8n的基础上，添加坐标注意力机制、可变形卷积残差模块、sim-neck和wiou边框回归损失函数，提高变电站复杂场景下电力设备红外图像的识别精度，并降低模型计算量。
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种基于yolov8n-dcsw模型的电力设备红外图像识别方法，包括以下步骤：
4、s1、构建yolov8n-dcsw模型，所述yolov8n-dcsw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yolov8n中fpn与pan结合的颈部网络，所述yolov8n-dcsw模型采用wiou边框回归损失函数；
5、s2、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；
6、s3、配置深度学习环境，并设置yolov8n-dcsw模型参数；
7、s4、将电力设备红外图像数据集输入yolov8n-dcsw模型中进行训练和测试；
8、s5、利用训练完成的yolov8n-dcsw模型对电力设备红外图像进行识别。
9、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：
10、
11、其中x和y为输入和输出特征图，p0为输出特征图的中心采样点，pi表示卷积核上的坐标，w(pi)表示pi处的权值。
12、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。
13、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深度可分离卷积获得另一半特征图，将两者在通道维度上拼接之后进行shuffle操作得到目标特征图。
14、所述wiou边框回归损失函数表示为：
15、lwiou＝rrwiouliou
16、其中liou为交并比损失函数，rwiou为目标框和预测框中心点之间的归一化距离，r为梯度增益，rwiou定义如下：
17、
18、其中wg和hg为最小包围框的宽和高，(xgt,ygt)和(x,y)分别表示真实框和预测框的中心点坐标，(·)*表示从计算图中分离，在进行反向传播时不会计算与该张量相关的梯度，梯度增益r定义如下：
19、
20、其中β为离群度，α和δ为两个超参数，离群度β定义如下：
21、
22、其中l*iou表示liou从计算图中分离，liou表示动量为m的滑动平均值。
23、所述步骤s2具体为：从电力设备红外图像中筛选出绝缘子、油枕、熔断器、变压器、开关、套管、刀闸、避雷器、电抗器和限流器十种电力设备并进行数据标注，对标注好的图像进行数据增强操作，包括随机翻转、镜像、增加遮挡、高斯模糊、色域变换、仿射变换。
24、所述步骤s4中，yolov8n-dcsw模型中进行测试时采用平均精度均值和浮点数运算量作为评价指标。
25、所述平均精度均值的计算方法为：
26、
27、
28、
29、其中r为召回率，p为精度，tp为预测正确的正样本个数，fn为预测错误的负样本个数，fp为预测错误的正样本个数，ap为精度和召回率曲线面积，n为检测类别数。
30、一种基于yolov8n-dcsw模型的电力设备红外图像识别装置，包括存储器、处理器，以及存储于所述存储器中的程序，所述处理器执行所述程序时实现如上述所述的方法。
31、一种存储介质，其上存储有程序，所述程序被执行时实现如上述所述的方法。
32、与现有技术相比，本专利技术具有以下有益效果：
33、(1)本专利技术在原有yolov8n的基础上，添加了坐标注意力机制、可变形卷积残差模块、sim-neck和wiou边框回归损失函数，提高变电站复杂场景下电力设备红外图像的识别精度，同时降低了模型计算量。
34、(2)本专利技术使用可变形卷积构建残差模块dcn-c2f，代替原始yolov8n主干网络中的c2f模块，加强对不同形状设备的自适应特征提取，对小目标的检测效果更为显著，更好的适应复杂的实际环境。
35、(3)本专利技术在原始yolov8n的主干网络中添加坐标注意力机制，能够充分地捕捉位置信息，突出感兴趣区域。
36、(4)本专利技术使用sim-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
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深度可分离卷积获得另一半特征图，将两者在通道维度上拼接之后进行shuffle操作得到目标特征图。
5.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WIoU边框回归损失函数表示为：
6.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，所述步骤S2具体为：从电力设备红外图像中筛选出绝缘子、油枕、熔断器、变压器、开关、套管、刀闸、避雷器、电抗器和限流器十种电力设备并进行数据标注，对标注好的图像进行数据增强操作，包括随机翻转、镜像、增加遮挡、高斯模糊、色域变换、仿射变换。
7.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，所述步骤S4中，YOLOv8n-DCSW模型中进行测试时采用平均精度均值和浮点数运算量作为评价指标。
8.根据权利要求7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，所述平均精度均值的计算方法为：
9.一种基于YOLOv8n-DCSW模型的电力设备红外图像识别装置，包括存储器、处理器，以及存储于所述存储器中的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。
10.一种存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-8中任一所述的方法。
...【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：
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。