一种基于深度学习的变电站设备识别方法、系统、终端设备及存储介质技术方案

本发明专利技术公开了一种基于深度学习的变电站设备识别方法、系统、终端设备及存储介质，属于图像识别领域，该方法利用设备图像识别模型中骨干网络层的Bneck模块能够提取不同尺度和方向的特征的特点，并对骨干网络层引入CBAM注意力机制，对关键特征信息进行增强，提高特征提取的准确度，为后续特征融合和图像识别提供准确的数据支持，提高对图像识别精度，并通过颈部网络层和头部网络层分别进行特征图融合和图像识别，得到不同维度的图像识别结果，最后根据不同维度的图像识别结果综合分析确定最终的变电站设备类别，解决现有的图像识别技术会因设备尺度太小或背景环境复杂导致无法准确识别出变电站设备的情况，容易出现误判或漏判的问题。

【技术实现步骤摘要】

本专利技术涉及图像识别领域，尤其涉及一种基于深度学习的变电站设备识别方法、系统、终端设备及存储介质。

技术介绍

1、随着电力系统的快速发展，变电站作为电力输配系统的重要环节，其设备的运行状态直接关系到电力系统的安全性和可靠性。变电站设备故障不仅可能导致局部停电，严重时还可能引发大范围的电力中断，对社会经济活动和人民生活带来重大影响。因此，确保变电站设备的正常运行和及时发现潜在故障，是保障电力系统稳定运行的关键。随着科技的发展，图像识别技术也应用到变电站设备检测当中，实现对变电站设备进行实时监测。

2、由于变电站设备包含许多小部件以及变电站设备所处的背景环境比较复杂，现有的图像识别技术会因设备尺度太小或背景环境复杂导致无法准确识别出变电站设备的情况，容易出现误判或者漏判的问题。

技术实现思路

1、本专利技术提供了一种基于深度学习的变电站设备识别方法、系统、终端设备及存储介质，以解决现有的图像识别技术会因设备尺度太小或背景环境复杂导致无法准确识别出变电站设备的情况，容易出现误判或者漏判的问题。

本文档来自技高网...

【技术保护点】

1.一种基于深度学习的变电站设备识别方法，其特征在于，包括：

2.根据权利要求1所述的一种基于深度学习的变电站设备识别方法，其特征在于，所述第一维度特征提取模块包括依次连接的第一Bneck模块、第二Bneck模块、第三Bneck模块和第四Bneck模块；所述第二维度特征提取模块包括依次连接的第五Bneck模块、第六Bneck模块、第七Bneck模块、第八Bneck模块、第九Bneck模块和第十Bneck模块；所述第三维度特征提取模块包括依次连接的第十一Bneck模块、CBAM模块和SPPF模块；所述第四Bneck模块、第十Bneck模块和SPPF模块与颈部网络层连接。

...

【技术特征摘要】

1.一种基于深度学习的变电站设备识别方法，其特征在于，包括：

2.根据权利要求1所述的一种基于深度学习的变电站设备识别方法，其特征在于，所述第一维度特征提取模块包括依次连接的第一bneck模块、第二bneck模块、第三bneck模块和第四bneck模块；所述第二维度特征提取模块包括依次连接的第五bneck模块、第六bneck模块、第七bneck模块、第八bneck模块、第九bneck模块和第十bneck模块；所述第三维度特征提取模块包括依次连接的第十一bneck模块、cbam模块和sppf模块；所述第四bneck模块、第十bneck模块和sppf模块与颈部网络层连接。

3.根据权利要求2所述的一种基于深度学习的变电站设备识别方法，其特征在于，所述通过骨干网络层对变电站设备图像数据进行特征提取，得到不同维度的特征信息图，包括：

4.根据权利要求3所述的一种基于深度学习的变电站设备识别方法，其特征在于，所述颈部网络层由第一wtconv模块、第一up模块、第一conc模块、第一c3模块、第二c3模块、第二up模块、第二conc模块、第三c3模块、第二wtconv模块、第三conc模块、第四c3模块、第三wtconv模块、第四conc模块、第五c3模块按顺序依次连接组成；所述第一wtconv模块还与sppf模块连接；所述第一conc模块还与第十bneck模块连接；所述第二conc模块还与第四bneck模块连接；所述第三conc模...

【专利技术属性】
技术研发人员：陈赟，李端姣，孙文星，陈宇慧，张英，洪焕森，罗恩晟，黄道弟，黄榆耀，黄鑫，郑长明，
申请(专利权)人：广东电网有限责任公司，
类型：发明
国别省市：