[發(fā)明專利]一種基于深度學(xué)習(xí)模型的電力巡檢方法及裝置

有效

• 申請?zhí)枺?/td>: 202110752672.8
• 申請日: 2021-07-02
• 公開（公告）號: CN113486781B
• 公開（公告）日: 2023-10-24
• 發(fā)明（設(shè)計(jì)）人: 巢玉堅(jiān);李洋;劉鴻斌;張影;王彥波;袁逸凡;周子純;戴鐵潮;畢善鈺;于佳;宋樂樂;湯輝;黃永明;張鋮
• 申請（專利權(quán)）人: 國網(wǎng)電力科學(xué)研究院有限公司;南京南瑞信息通信科技有限公司;國網(wǎng)浙江省電力有限公司;國網(wǎng)浙江省電力有限公司信息通信分公司;東南大學(xué);國家電網(wǎng)有限公司
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/44;G06V10/80;G06V10/774;G06N20/00
• 代理公司: 南京縱橫知識產(chǎn)權(quán)代理有限公司 32224
• 代理人: 張歡歡

1.一種基于深度學(xué)習(xí)模型的電力巡檢方法，其特征是，包括以下過程：

利用目標(biāo)檢測模型的特征提取模塊backbone對待測的電力巡檢場景圖像進(jìn)行特征提取，得到特征圖；

利用目標(biāo)檢測模型的跨階段融合模塊neck對特征圖進(jìn)行融合；

利用目標(biāo)檢測模型的多尺度檢測頭模塊head對融合后的特征圖進(jìn)行檢測，得到待測的電力巡檢場景圖像的巡檢結(jié)果；

其中，所述特征提取模塊backbone中使用內(nèi)外級聯(lián)方案；和/或，所述跨階段融合模塊neck使用分組融合方案，且特征圖分組數(shù)與特征圖輸入通道數(shù)相同。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)模型的電力巡檢方法，其特征是，所述特征提取模塊backbone包括切片模塊Focus和級聯(lián)的4個(gè)特征處理模塊F-Module；

所述切片模塊Focus對待測的電力巡檢場景圖像進(jìn)行下采樣處理；所述特征處理模塊F-Module對下采樣后的圖像進(jìn)行特征提取得到特征圖；

每個(gè)特征處理模塊F-Module包括卷積核和至少一個(gè)級聯(lián)的ShuffleCSP模塊，最后一個(gè)特征處理模塊F-Module的卷積核與ShuffleCSP模塊之間內(nèi)嵌有SPP模塊；

所述ShuffleCSP模塊包含殘差分支和主要分支，其中殘差分支將原始輸入信息與主要分支提取的深層語義信息合并；

所述ShuffleCSP模塊的主要分支中內(nèi)部級聯(lián)了多個(gè)ShuffleBlock模塊。

3.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)模型的電力巡檢方法，其特征是，所述4個(gè)特征處理模塊F-Module外部級聯(lián)的ShuffleCSP模塊數(shù)量分別是1,2,2,1且內(nèi)部級聯(lián)的ShuffleBlock模塊數(shù)量是2。

4.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)模型的電力巡檢方法，其特征是，所述每個(gè)特征處理模塊F-Module中的卷積核為步長為2的3×3卷積核。

5.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)模型的電力巡檢方法，其特征是，最后兩個(gè)特征處理模塊F-Module使用了深度可分離卷積。

6.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)模型的電力巡檢方法，其特征是，所述跨階段融合模塊包括自上而下分支與自下而上分支：

在自下而上分支中，將特征提取模塊backbone輸出的特征圖作為輸入，經(jīng)過卷積和上采樣操作得到與第3個(gè)特征處理模塊F-Module的輸出保持相同尺度與通道數(shù)的特征圖，將此特征圖與第3個(gè)特征處理模塊F-Module輸出的特征圖進(jìn)行拼接后輸入一個(gè)ShuffleCSP5模塊進(jìn)行特征提取得到特征圖；將提取的特征圖再使用卷積和上采樣操作得到與第2個(gè)特征處理模塊F-Module的輸出保持相同尺度與通道數(shù)的特征圖，將此特征圖與第3個(gè)特征處理模塊F-Module輸出的特征圖進(jìn)行拼接，得到的輸出作為自上而下分支的輸入；

在自上而下分支中，輸入經(jīng)過一個(gè)ShuffleCSP6模塊進(jìn)行特征提取得到通道數(shù)為輸入1/2的特征圖，再經(jīng)過深度可分離卷積進(jìn)行下采樣得到尺度減小一倍的特征圖，再將輸出的特征圖與第3個(gè)特征處理模塊F-Module和ShuffleCSP5模塊輸出的特征圖通過GroupFuse進(jìn)行融合，將融合后的特征圖輸入一個(gè)ShuffleCSP7模塊進(jìn)行特征提取得到通道數(shù)為融合后特征圖1/2的特征圖，再經(jīng)過深度可分離卷積進(jìn)行下采樣得到尺度減小一倍的輸出特征圖，將輸出的特征圖與ShuffleCSP4模塊和自下而上分支中第一次上采樣得到的特征圖送入GroupFuse進(jìn)行融合，將融合后的特征圖輸入ShuffleCSP8模塊進(jìn)行特征提取得到最終輸出的特征圖；

GroupFuse的結(jié)構(gòu)包括輸入、分組融合和輸出三部分；其中：

輸入，用于從特征提取模塊backbone、跨階段融合模塊neck中抽取出同尺度的特征圖；

分組融合，用于對每張?zhí)卣鲌D進(jìn)行特征圖通道數(shù)分組，將每組中的通道特征都乘上對應(yīng)的權(quán)值，將加權(quán)后的分組特征拼接起來完成融合；

輸出，用于使用1×1卷積將拼接的多通道特征維度轉(zhuǎn)換成指定的輸出維度；

GroupFuse中特征圖分組數(shù)與特征圖輸入通道數(shù)相同。