一种基于目标检测的变电站周边安全隐患识别方法及系统与流程

本发明涉及目标检测，特别是涉及一种基于目标检测的变电站周边安全隐患识别方法及系统。

背景技术：

1、随着新型电力系统建设逐步推进，变电站外破施工、高空抛物以及墙外的废弃垃圾、漂浮物、易燃异物、水涝灾害等周边安全隐患对电网安全稳定运行造成严重威胁，不仅会影响设备正常运行，更可能导致人员伤亡、大片区电网停电。现有的变电站周边隐患的异物入侵检测方式分为接触式和非接触式，目前常用的是非接触式，比如视频检测法、雷达检测法、超声检测法和红外线屏障检测法等。视频检测法相比于其它方法，具有可视化强、检测效果好、便于安装和维护等优点。但视频检测法大多基于背景差分、帧间差分等传统算法，传统视觉算法易受到光线和气候变化的影响，背景差分的方法也普遍存在误报率高的缺点，且不能确定侵限异物的种类，在实际应用中存在局限性。随着人工智能技术的不断进步，目标检测技术成为当前研究的热点。

2、目标检测技术主要分为传统目标检测和基于深度学习的目标检测。传统目标检测通常需经三个步骤才能完成检测:首先，通过滑动窗口确定目标所在区域；其次，利用har、hog、lbp等方法提取特征；最后，使用支持向量机(svm)、adaboost以及决策树等分类器进行分类回归。但由于滑动窗口方法的计算复杂度和冗余度高，以及在特征提取上需要人工参与且鲁棒性差，因此并不能满足要求。而基于深度学习的目标检测可以很好解决传统目标检测面临的问题，通过使用卷积神经网络(cnn)等模型自动提取图像特征，取代了传统方法中需要人工设计和提取特征的步骤。不仅极大地减少了人力投入，而且能够提取到更为复杂和精细的特征，从而提高了检测的准确性和鲁棒性。其次，深度学习的目标检测技术通过训练大量数据来学习目标的表示和检测方式，使得模型能够自动适应不同场景和目标的变化。这解决了传统方法中需要针对特定场景或目标进行手工调整的问题，提高了算法的通用性和灵活性。

3、然而，基于深度学习的目标检测技术对于图像中的小目标或遮挡目标的检测仍然存在着一定的局限性，由于图像特征信息较少，检测模型的性能常常受到影响，造成算法的鲁棒性低，检测目标容易被忽略或误检，不可避免会对电网安全稳定运行造成威胁。因此，针对小目标和遮挡目标的检测，提高检测方法的准确率是一个急需解决的问题。

技术实现思路

1、本发明提供了一种基于目标检测的变电站周边安全隐患识别方法，以解决现有技术中检测图像特征信息较少，导致目标检测的准确率较低的技术问题。

2、根据本发明的一个方面，本发明提供了一种基于目标检测的变电站周边安全隐患识别方法，所述方法包括：

3、构建变电站周边异物样本数据集，使用clahe对所述异物样本数据集进行图像特征增强，获得异物入侵数据集；

4、将注意力机制模块、α-ciou损失函数和深度可分离卷积引入yolov5网络结构的backbone，构建改进yolov5目标检测模型；

5、将所述异物入侵数据集输入所述改进yolov5目标检测模型进行迭代训练，以优化所述改进yolov5目标检测模型；

6、使用优化的所述改进yolov5目标检测模型，对所述变电站周边的图像或视频进行目标检测，并输出安全隐患识别结果。

7、更进一步地，所述构建变电站周边异物样本数据集包括：

8、采集变电站周边异物样本的监控视频，并对所述监控视频抽取关键帧并解码，得到特征图像；

9、将所述特征图像存入images文件下，得到原始数据集；

10、基于labelimg，对所述原始数据集进行标注，得到标注数据集；

11、将所述标注数据集格式转换后存入labels文件夹下，构建所述异物样本数据集。

12、更进一步地，所述将所述异物样本数据集使用clahe进行图像特征增强，获得异物入侵数据集包括：

13、基于所述clahe，将所述异物样本数据集中的特征图像分成若干个局部块；

14、将所述局部块进行直方图均衡化，以增强所述局部块的对比度；

15、将直方图均衡化后的局部块使用插值法拼接形成整幅图像，以构建所述异物入侵数据集。

16、更进一步地，所述注意力机制模块的引入包括：

17、在所述backbone依次加入focus切片操作、两层c3模块和所述注意力机制模块，并进行加权特征融合；

18、其中，所述注意力机制模块包括通道注意力和空间注意力；

19、所述通道注意力的输出函数表达式：

20、mc(f)＝σ(mlp(avgpool(f))+mlp(maxpool(f)))

21、所述空间注意力的输出函数表达式：

22、ms(f)＝σ(f7×7([avgpool(f)；maxpool(f)]))

23、f表示输入特征图，avgpool表示全局平均池化操作，maxpool表示全局最大池化操作，mlp表示多层感知机神经网络处理，σ表示sigmoid激活函数操作，f7x7表示卷积操作。

24、更进一步地，所述α-ciou损失函数包括：

25、在ciou损失函数上加入幂化指标α进行调制，获得所述α-ciou损失函数的函数表达式为：

26、

27、其中，所述ciou损失函数的函数达式：

28、

29、b表示预测框的中心点，bgt表示真实框的中心点，ρ表示所述预测框的中心点和所述真实框的中心点间的欧式距离，iou表示所述预测框和所述真实框的交并比，c表示能够同时包含所述预测框和所述真实框的最小闭包区域的对角线距离，β表示权重函数，v表示度量长宽比的相似性。

30、更进一步地，所述深度可分离卷积包括：

31、将输入特征图的每个通道独立地进行卷积操作，分别提取各个通道的空间特征；

32、通过逐点卷积将所述空间特征进行线性组合，得到特征表示。

33、更进一步地，所述将所述异物入侵数据集输入所述改进yolov5目标检测模型进行迭代训练，以优化所述改进yolov5目标检测模型包括：

34、将所述改进yolov5目标检测模型初始化，并输入所述异物入侵数据集进行迭代训练；

35、对所述迭代训练进行监控并获取训练指标，以评估所述改进yolov5目标检测模型的性能，得到评估结果；

36、根据所述评估结果，调整所述改进yolov5目标检测模型的参数或结构，以优化所述改进yolov5目标检测模型。

37、根据本发明的另一方面，提供了一种基于目标检测的变电站周边安全隐患识别系统，包括：

38、数据处理单元，用于构建变电站周边异物样本数据集，使用clahe对所述异物样本数据集进行图像特征增强，获得异物入侵数据集；

39、模型改进单元，用于将注意力机制模块、α-ciou损失函数和深度可分离卷积引入yolov5网络结构的backbone，构建改进yolov5目标检测模型；

40、训练优化单元，用于将所述异物入侵数据集输入所述改进yolov5目标检测模型进行迭代训练，以优化所述改进yolov5目标检测模型；

41、目标检测单元，用于使用优化的所述改进yolov5目标检测模型，对所述变电站周边的图像或视频进行目标检测，并输出安全隐患识别结果。

42、根据本发明的另一方面，提供了一种电子设备，包括：至少一个处理器，以及与该至少一个处理器通信连接的存储器；

43、其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行权利要求1-7中任一项所述的方法。

44、根据本发明的另一方面，一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。

45、本发明实施例一种基于目标检测的变电站周边安全隐患识别方法与现有技术相比，其有益效果在于：

46、本发明实施例通过将注意力机制模块、α-ciou损失函数和深度可分离卷积引入yolov5网络结构的backbone，改进yolov5目标检测模型，并训练大量的异物样本数据来学习目标检测物的表示和检测方式，自动提取变电站周边目标检测物的图像特征，输出安全隐患识别结果，不仅使yolov5目标检测模型能够适应不同场景和目标检测物的变化，入侵目标得到更多的关注度，提高入侵目标的表征能力并忽略不必要特征，避免小目标和遮挡目标检测时被遗漏或误检，提高了模型判别异物的精确度；还使yolov5目标检测模型模型在训练过程中更加关注某些特定的损失项，从而降低网络损耗，提高收敛速度，并通过网络轻量化设计，降低神经网络的计算复杂度，模型更加轻便，从而加快检测速度。本发明实施例通过引入注意力机制模块、α-ciou损失函数和深度可分离卷积，改进yolov5目标检测模型，减少了不同应用场景下目标图像特征信息容易被忽略或误检的问题，提高了算法的鲁棒性和灵活性，提升了模型判别异物的精确度。

47、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。