【技术实现步骤摘要】
本专利技术涉及图像识别，特别是一种注意力机制引导的电力现场地面油水渍识别方法。
技术介绍
1、传统的油水渍检测方法，如人工巡检和简单传感器，存在效率低、成本高、易受环境影响等问题。而深度学习技术通过自动化和智能化的图像识别，实现了高效、准确的检测。特别是卷积神经网络(cnn)在图像识别领域表现出色，能够实时捕捉并分析地面图像，识别油水渍的位置和面积。此外，深度学习模型能够通过持续学习现场数据不断优化，提升检测精度和适应性。近年来，相关研究和应用实例表明，深度学习在油水渍识别中具有巨大潜力，可实现实时监控和预警，帮助维护人员迅速应对，减少事故发生。
2、然而在实际应用过程中，也存在相应的问题，例如其中的u型网络方法无法有效地识别输入图像当中的关键区域，同时，编、解码器特征融合过程中对于关键通道信息的识别能力不足。因此，在实际应用过程当中，无法精准地定位目标区域。
技术实现思路
1、本专利技术的目的在于克服上述不足，提供一种注意力机制引导的电力现场地面油水渍识别方法，解决电力现场地面油水渍识别过程中，对于关键区域关注能力弱，以及融合特征关键通道信息识别能力不足的问题。
2、为解决上述技术问题，本专利技术所采用的技术方案是：一种注意力机制引导的电力现场地面油水渍识别方法，它包括如下步骤：
3、步骤一、构建空间注意力引导的特征提取残差块，用于引导模块关注关键特征区域；
4、步骤二、依据特征提取残差块构建多尺度特征提取器，用于从输入图像中获取丰
5、步骤三、构建通道注意力引导的特征融合模块，用于融合来自编、解码器的特征；
6、步骤四、依据特征融合模块构建模型解码器；
7、步骤五、对所建立的检测模型进行训练，保存模型参数并生成最终的油水渍区域检测结果。
8、进一步地，所述步骤一具体包括：
9、将输入模块的信息分别经过三个基本残差块，提取基础的语义特征；再利用空间注意力机制，引导模块关注语义特征中的关键区域；最后，将经过空间注意力增强后的特征作为特征提取残差块的输出；其过程表示为：
10、
11、其中，feain表示输入特征提取残差块的原始信息，fearaw表示经过三个基本残差块提取的基础语义特征，feaout表示特征提取残差块的输出；fi表示由两个卷积层构成的基本残差块，fspa为空间注意力机制。
12、进一步地，所述步骤二具体包括：
13、利用卷积层，bn层和relu函数作为多尺度特征提取器的第一层；再利用步骤一构建的特征提取残差块分别构建多尺度特征提取器的第2～5层；多尺度特征提取残差块之间由核大小为2×2，步长为2的最大池化层连接，用于实现下采样操作；其过程表示为：
14、
15、其中input表示输入模型的图片，表示多尺度特征提取器获取的特征；conv3×3为卷积核大小为3×3，步长为1的卷积层，bn表示bn层，relu为relu激活函数；poolmax为最大池化层，fe-i为多尺度特征提取器第2～4层运算。
16、进一步地，所述步骤三具体包括：
17、将来自编、解码器的特征沿通道维度拼接，并利用通道注意力机制引导拼接后的特征关注重要的通道维度信息；其过程表示为：
18、
19、其中fcha表示通道注意力机制，cat表示沿通道维度的特征拼接，up2表示倍率为2的双线性插值的上采样；表示多尺度特征提取器获取的特征，表示解码器2～5层特征，表示经过通道注意力机制关注后的特征。
20、进一步地，所述步骤四具体包括：
21、利用2个卷积核尺寸为3×3的卷积层构建基本残差块，通过三个基本残差块构建模型解码器各层；利用模型解码器处理经过通道注意力机制关注后的特征，用于生成解码器特征；其过程可表示为：
22、
23、其中表示解码器对应层特征，fd-i表示解码器第i层的运算操作，表示经过通道注意力机制关注后的特征。
24、进一步地，所述步骤五具体包括：
25、将图片大小统一调整为256×256，然后通过旋转90°、180°、270°和水平镜像反转实现8倍扩增；批处理大小设置为8，利用sgd优化器进行参数更新，初始学习率设置为1.5×10-2；模型利用pytorch框架部署，采用交叉熵损失函数计算损失。
26、本专利技术有益效果：
27、1、本专利技术在多尺度特征提取器中引入空间注意力机制，有助于帮助模型在特征提取过程中增强对于空间信息的关注；具体而言，多尺度特征提取器能够捕捉图像中不同尺度的特征，通过引入空间注意力机制，模型可以在不同的尺度上有选择地关注图像的区域；这种机制使得模型能够更好地识别出图像中的重要区域，从而提升特征提取的准确性和有效性；空间注意力机制通过生成空间权重图，使得重要区域的特征得到增强，而不重要区域的特征则被削弱，这样可以在后续的特征处理阶段中更有效地利用这些信息，提升模型的整体性能。
28、2、本专利技术在特征融合模块中引入通道注意力机制，有助于引导模型关注融合特征中更重要的通道维度信息；特征融合是将来自不同来源或不同层级的特征进行组合的过程，通过引入通道注意力机制，模型可以在特征融合的过程中自动识别并强调对最终任务最有贡献的通道；这种机制通过为每个通道分配不同的权重，使得重要的通道信息得到强化，而不重要的通道信息则被弱化，从而提高特征融合的效果；通道注意力机制不仅能提升模型在特征融合阶段的表现，还能进一步提高模型对图像内容的理解和解析能力。
29、3、本专利技术通过空间注意力机制和通道注意力机制的结合使用，可以显著提升模型的特征提取和特征融合能力；通过引入这两种注意力机制，模型能够更智能地分配资源和关注点，从而在电力现场地面油水渍识别中表现出更高的准确性；其解决了电力现场地面油水渍识别过程中，对于关键区域关注能力弱，以及融合特征关键通道信息识别能力不足的问题。
本文档来自技高网...【技术保护点】
1.一种注意力机制引导的电力现场地面油水渍识别方法，其特征在于：它包括如下步骤：
2.根据权利要求1所述的注意力机制引导的电力现场地面油水渍识别方法，其特征在于：所述步骤一具体包括：
3.根据权利要求1所述的注意力机制引导的电力现场地面油水渍识别方法，其特征在于：所述步骤二具体包括：
4.根据权利要求1所述的注意力机制引导的电力现场地面油水渍识别方法，其特征在于：所述步骤三具体包括：
5.根据权利要求4所述的注意力机制引导的电力现场地面油水渍识别方法，其特征在于：所述步骤四具体包括：
6.根据权利要求1所述的注意力机制引导的电力现场地面油水渍识别方法，其特征在于：所述步骤五具体包括：
【技术特征摘要】
1.一种注意力机制引导的电力现场地面油水渍识别方法，其特征在于：它包括如下步骤：
2.根据权利要求1所述的注意力机制引导的电力现场地面油水渍识别方法，其特征在于：所述步骤一具体包括：
3.根据权利要求1所述的注意力机制引导的电力现场地面油水渍识别方法，其特征在于：所述步骤二具体包括：
4....
【专利技术属性】
技术研发人员：刘书明，刘绍新，张家治，樊晓明，赵举，李长锋，吕晓勇，雷凤玲，
申请(专利权)人：中国长江电力股份有限公司，
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。