【技术实现步骤摘要】
本专利技术涉及计算机视觉及目标检测，具体涉及一种基于空洞卷积的变压器早期渗漏油小目标检测方法。
技术介绍
1、变压器是工业生产中不可或缺的核心组件，其安全稳定的运行对于确保整个工业生产流程的顺畅与高效具有至关重要的作用。作为电力传输与分配系统中的关键环节，变压器承担着将电能从一种电压等级转换为另一种电压等级的重任，从而满足各种工业设备的用电需求。一旦变压器出现故障或运行不稳定，将会直接影响到工业生产的连续性和效率。因此，确保变压器的安全稳定运行，对于维护工业生产的正常秩序、保障生产效率和产品质量具有重要意义。
2、传统的变压器早期渗漏油检测手段主要依赖于人工巡检，然而这种方式不仅效率低下，而且存在着不容忽视的安全隐患。人工巡检受限于巡检人员的经验和观察力，往往难以迅速且准确地捕捉到变压器渗漏的初期迹象。此外，巡检过程中巡检人员需要近距离接触高压设备，这无疑增加了作业过程中的安全风险。因此，传统的人工巡检方式在变压器早期渗漏检测方面存在着明显的局限性，急需寻求更为高效且安全的检测手段。
技术实现思路
1、本专利技术的目的在于提供一种基于空洞卷积的变压器早期渗漏油小目标检测方法，解决变压器早期渗漏油小目标难以准确检测的问题。
2、为实现上述目的，本专利技术采用的技术方案是：一种基于空洞卷积的变压器早期渗漏油小目标检测方法，包括如下步骤：
3、步骤1、数据收集与划分：采集变压器早期渗漏油图像，对图像数据进行标注，划分数据集；
4、步骤2、数
5、步骤3、构建检测模型：所述检测模型对原始yolov8模型的骨干网络和头部网络进行优化，利用头部网络的检测头进行检测，获得目标物体的坐标、类别和置信度；对原始yolov8模型的优化如下：在骨干网络前三阶段的c2f模块之后均加入特征增强模块，特征增强模块通过三个分支结构提取多个判别性语义信息；头部网络的特征融合模块采用改进的特征融合模块，通过引入可学习权重参数以自适应调整通道特征的权重；在头部网络添加归一化注意力机制模块，头部网络中经c2f模块特征提取后得到的特征图经过归一化注意力机制模块之后再与其他尺寸的特征图进行融合，以增强有用通道的特征；
6、步骤4、训练模型：利用预处理数据集对构建的检测模型进行训练和评估，进而得到最优网络模型；
7、步骤5、利用最优网络模型进行变压器早期渗漏油检测。
8、进一步地，所述步骤1具体方法为：
9、步骤101、采集n张变压器早期渗漏油原图像；
10、步骤102、将步骤101所述的图像标注为yolo格式得到图像数据集，标注信息包含类别信息和目标物体的坐标信息；
11、步骤103、将步骤102所述的数据集按照7∶2∶1的比例划分为训练集、验证集和测试集。
12、进一步地，所述步骤2中几何变换包括旋转、平移和缩放。
13、进一步地，所述步骤3中特征增强模块的结构如下：首先定义基本卷积块basicconv，basicconv包含卷积层、批量归一化和激活函数，特征增强模块通过三个分支结构提取多个判别性语义信息；
14、在第一个分支调用两次basicconv，将basicconv的卷积核的大小分别设置为1*1和3*3；第二个分支调用basicconv四次，第一次调用basicconv将卷积核大小设置为1*1，第二次调用basicconv将卷积核大小设置为1*3沿着宽度方向提取特征，第三次调用basicconv将卷积核大小设置为3*1沿着高度方向捕捉特征，第四次调用basicconv，使用卷积核大小为3*3的膨胀卷积来覆盖更大的感受野；第三个分支调用basicconv四次，第一次调用basicconv将卷积核大小设置为1*1，第二次调用basicconv将卷积核大小设置为3*1沿着高度方向捕捉特征，第三次调用basicconv将卷积核大小设置为为1*3沿着宽度方向提取特征，第四次调用basicconv，使用卷积核大小为3*3的膨胀卷积来覆盖更大的感受野；
15、将上述三个分支提取到的特征沿着通道维度拼接，将拼接后的特征图进行线性变换，调整通道数，再通过一次卷积层调整通道数，最后经过relu激活函数，三个分支的操作流程公式如下：
16、
17、y＝(w1,w2,w3)
18、
19、式中，f表示输入的特征，表示卷积核大小为1*1的卷积层，表示卷积核大小为3*3的卷积层，表示卷积核大小为1*3的卷积层，表示卷积核大小为3*1的卷积层，表示卷积核大小为3*3空洞率为5的卷积层，w1、w2、w3分别表示三个分支的输出，y表示w1、w2、w3拼接后的特征图，relu(·)表示relu激活函数。
20、进一步地，所述步骤3中改进的特征融合模块用于将输入该模块的两个特征图进行融合，具体实现过程为：首先设置一个在训练过程中可学习权重参数α，其初始值为全1的张量，大小为输入的两个特征图的总通道数；接着在权重参数α中提取输入的两个特征图的权重值，以确保这些权重能够覆盖两个输入特征图的通道数；之后对权重进行归一化，使得所有权重的和为1，然后对输入特征图进行加权，将每个输入重塑为四维张量与相应的权重相乘，再将其形状调整回原始的四维格式，最后将加权后的特征图沿着通道维度拼接；归一化计算公式如下：
21、
22、式中，weight表示归一化后的权重，α表示可学习权重参数，αi表示通道i上的权重值，∈为一个小常数，c1和c2分别为输入的两个特征图的通道数。
23、进一步地，所述头部网络提取骨干网络输出的特征图p3、特征图p4和特征图p5，头部网络对特征图p5进行上采样，然后将上采样后的特征图与特征图p4通过改进的特征融合模块进行融合，特征融合后经过c2f模块处理得到特征图c4，特征图c4经过上采样处理后与特征图p3通过改进的特征融合模块进行融合，特征融合后经过c2f模块处理得到特征图p'3，特征图p'3通过归一化注意力机制模块处理后与特征图c4通过改进的特征融合模块进行融合，特征融合后经过c2f模块处理得到特征图p'4，特征图p'4通过归一化注意力机制模块处理后与特征图p5通过改进的特征融合模块进行融合，特征融合后经过c2f模块处理得到特征图p'5，特征图p'3、p'4、p'5输入检测头模块。
24、进一步地，所述步骤3中的归一化注意力机制模块包括通道注意力机制模块和空间注意力机制模块，通道注意力模块的输出特征作为空间注意力机制模块的输入进一步处理。
25、进一步地，所述通道注意力机制模块实现过程为：输入的特征图经过归一化层处理，在归一化层将affine设置为true，引入可训练的权重，具体包括：
26、(1)通过如下公式获得归一化层中每个通道的归一化权重；
27、
28、式中本文档来自技高网...
【技术保护点】
1.一种基于空洞卷积的变压器早期渗漏油小目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于空洞卷积的变压器早期渗漏油小目标检测方法，其特征在于，所述步骤1具体方法为：
3.根据权利要求1所述的一种基于空洞卷积的变压器早期渗漏油小目标检测方法，其特征在于：所述步骤2中几何变换包括旋转、平移和缩放。
4.根据权利要求1所述的一种基于空洞卷积的变压器早期渗漏油小目标检测方法，其特征在于，所述步骤3中特征增强模块的结构如下：首先定义基本卷积块BasicConv，BasicConv包含卷积层、批量归一化和激活函数，特征增强模块通过三个分支结构提取多个判别性语义信息；
5.根据权利要求1所述的一种基于空洞卷积的变压器早期渗漏油小目标检测方法，其特征在于，所述步骤3中改进的特征融合模块用于将输入该模块的两个特征图进行融合，具体实现过程为：首先设置一个在训练过程中可学习权重参数α，其初始值为全1的张量，大小为输入的两个特征图的总通道数；接着在权重参数α中提取输入的两个特征图的权重值，以确保这些权重能够覆盖两个输入特征图的通道
6.根据权利要求1所述一种基于空洞卷积的变压器早期渗漏油小目标检测方法，其特征在于：所述头部网络提取骨干网络输出的特征图P3、特征图P4和特征图P5，
7.根据权利要求1所述一种基于空洞卷积的变压器早期渗漏油小目标检测方法，其特征在于，所述步骤3中的归一化注意力机制模块包括通道注意力机制模块和空间注意力机制模块，通道注意力模块的输出特征作为空间注意力机制模块的输入进一步处理。
8.根据权利要求7所述一种基于空洞卷积的变压器早期渗漏油小目标检测方法，其特征在于，所述通道注意力机制模块实现过程为：输入的特征图经过归一化层处理，在归一化层将affine设置为True，引入可训练的权重，具体包括：(1)通过如下公式获得归一化层中每个通道的归一化权重；
9.根据权利要求7所述一种基于空洞卷积的变压器早期渗漏油小目标检测方法，其特征在于，空间注意力机制模块实现过程为：首先，对输入的特征图沿着通道维度计算均值，生成一个均值特征图，接着沿着通道维度计算输入的特征图的最大值，生成一个最大值特征图，再将均值特征图和最大值特征图在通道维度上拼接，对拼接后的特征图应用一个卷积操作，最后使用Sigmoid激活函数得到空间注意力权重图，将生成的空间注意力权重图与原始输入的特征图相乘，从而为输入的特征图的每个空间位置进行加权。
10.根据权利要求1所述一种基于空洞卷积的变压器早期渗漏油小目标检测方法，其特征在于，所述步骤4训练模型方法为：
...【技术特征摘要】
1.一种基于空洞卷积的变压器早期渗漏油小目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于空洞卷积的变压器早期渗漏油小目标检测方法，其特征在于，所述步骤1具体方法为：
3.根据权利要求1所述的一种基于空洞卷积的变压器早期渗漏油小目标检测方法，其特征在于：所述步骤2中几何变换包括旋转、平移和缩放。
4.根据权利要求1所述的一种基于空洞卷积的变压器早期渗漏油小目标检测方法，其特征在于，所述步骤3中特征增强模块的结构如下：首先定义基本卷积块basicconv，basicconv包含卷积层、批量归一化和激活函数，特征增强模块通过三个分支结构提取多个判别性语义信息；
5.根据权利要求1所述的一种基于空洞卷积的变压器早期渗漏油小目标检测方法，其特征在于，所述步骤3中改进的特征融合模块用于将输入该模块的两个特征图进行融合，具体实现过程为：首先设置一个在训练过程中可学习权重参数α，其初始值为全1的张量，大小为输入的两个特征图的总通道数；接着在权重参数α中提取输入的两个特征图的权重值，以确保这些权重能够覆盖两个输入特征图的通道数；之后对权重进行归一化，使得所有权重的和为1，然后对输入特征图进行加权，将每个输入重塑为四维张量与相应的权重相乘，再将其形状调整回原始的四维格式，最后将加权后的特征图沿着通道维度拼接；归一化计算公式如下：
6.根据权利要求1所述一种基于空...
【专利技术属性】
技术研发人员：郑学锋，于雅洁，张志勇，赵长伟，
申请(专利权)人：河南科技大学，
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。