开云优惠体育网页版入口

专利名称：基于特征选择器的室外环境中高压开关设备智能检测方法

专利类型：发明专利

专利申请号：CN202310975284.5

专利申请（专利权）人：国网新疆电力有限公司乌鲁木齐供电公司,广州普瑞电力控制系统设备有限公司
权利人地址：新疆维吾尔自治区乌鲁木齐市新市区北京南路35号

专利发明（设计）人：发明人:张奇文,周建邦,居来提·阿不力孜,汤玉峰,陈疆,胡健民,胡可涵,缪刚,詹佩钦,于文海,徐杰,杨坤,李鑫,李凯,冯鹏飞

专利摘要：本发明公开了一种基于特征选择器的室外环境中高压开关设备智能检测方法，该方法包括：拍摄室外环境中各种高压开关设备图像，获取训练数据集；构建网络模型；利用网络模型中图像特征提取子网络对训练数据样本进行特征提。玫缴畈闾卣魍迹焕锰卣餮≡衿髯油缍陨畈闾卣魍冀刑卣魃秆。竦蒙秆√卣骱蟮哪勘晏卣魍迹蝗缓罄们蛏勺油缍阅勘晏卣魍冀写，生成目标候选框；最后利用开关分类子网络对目标候选框进行高压开关特征识别，得到预测结果。本发明能够提取不同的室外环境中高压开关精确特征，获得准确的高压开关的类型及位置，为智能变电站设备的制备工艺提供指导性意见。

主权利要求：
1.基于特征选择器的室外环境中高压开关设备智能检测方法，其特征在于，所述方法包括：S101：获取训练数据集，所述训练数据集为多种室外场景下的多种高压开关样本数据集；
S102：构建网络模型，所述网络模型包括图像特征提取子网络、特征选择器子网络、区域生成子网络和开关分类子网络；其中，利用所述图像特征提取子网络对所述开关样本训练数据集进行特征提。玫桨嘶肪程卣鞯纳畈阊咎卣鳎焕盟鎏卣餮≡衿髯油缍运錾畈阊咎卣鹘刑卣魃秆。玫缴秆√卣骱蟮哪勘晏卣魍迹焕盟銮蛏勺油缍运瞿勘晏卣魍冀写，生成开关目标候选框集合；利用所述开关分类子网络对所述目标候选框集合中的开关特征进行识别，得到所述网络模型的预测结果；
S103：根据所述预测结果和所述样本数据集中人工标注的高压开关信息，优化所述网络模型的损失函数，得到训练好的网络模型；
S104：将待测的室外拍摄图像输入所述训练好的网络模型，完成高压开关的位置检测及状态识别；
所述图像特征提取子网络为分类网络resnet101，包含五个主要模块，所述深层样本特征为resnet101网络的输出特征图，其包含了高压开关的深层语义特征与所处环境的深层语义特征；
所述特征选择器包括基本提取器、候选模块、选择开关、平滑器四个部分；所述基本提取器用于提取深层特征图的基本特征；所述候选模块包含三个结构相同但参数有别的候选提取器，用于提取三种不同的特征信息；所述选择开关为一种选择机制，用于从上述三种特征信息中筛选更适用于后续传播的特征；所述平滑器为一种拼接模块，用于将上述基本特征与筛选特征进行拼接融合；所述特征选择器的工作过程包括：将所述包含了环境特征的深层样本特征分别输入所述基本提取器、候选模块、选择开关，依次生成基本特征图、三个候选特征图以及一个三维的one?hot向量；将其中三维向量与三个候选特征图相乘，获得筛选后的特征图，最后使用平滑器将上述基本特征图与筛选后的特征图进行拼接，生成特征选择后的目标特征图。
2.根据权利要求1所述的高压开关设备智能检测方法，其特征在于，所述区域生成子网络包括预处理层、先验框二分类层以及先验框位置调整层；
所述利用所述区域生成子网络对所述目标特征图进行处理，生成高压开关目标候选框集合，包括：将所述目标特征图输入所述预处理层，预处理层根据目标特征图相应地生成不同尺寸的先验框，用于检测开关目标的大致位置；
将所述先验框输入所述先验框二分类层，生成先验框的置信度；
将所述先验框输入所述先验框位置调整层，生成先验框的偏移量；
根据所述置信度，挑选出置信度较高的先验框；根据所述偏移量对置信度较高的先验框进行位置偏差调整，输出高压开关目标候选框集合。
3.根据权利要求1所述的高压开关设备智能检测方法，其特征在于，所述开关分类子网络包括开关特征处理模块、开关分类模块和候选框调整模块；
利用所述开关分类子网络对所述目标候选框集合中的高压开关特征进行识别，得到所述网络模型的预测结果，包括：将所述高压开关目标候选框集合中的目标候选框映射到目标特征图上并经过ROIPooling操作后，得到开关特征图；将所述开关特征图输入所述高压开关特征处理模块；
将所述高压开关特征处理模块的输出特征输入到所述开关分类模块，用于对所述高压开关目标候选框进行分类，得到高压开关的类别；
将所述开关特征处理模块的输出特征输入所述候选框调整模块，生成开关目标候选框的偏移量，用于对所述开关目标候选框的位置进行调整，得到优化后的开关位置。
4.根据权利要求1所述的高压开关设备智能检测方法，其特征在于，根据所述预测结果和所述开关样本数据集中的人工标注的高压开关信息，优化所述网络模型的损失函数，得到训练好的网络模型，包括：随机初始化上述网络，对于特征选择器的三个不同的候选提取器，分别将参数初始化为三种不同的参数分布；利用所述高压开关训练集对所述网络模型进行训练，根据所述预测结果和所述开关状态信息，优化所述网络的损失函数，从而实现网络模型的收敛，得到训练好的网络模型。
5.根据权利要求1所述的高压开关设备智能检测方法，其特征在于，所述预测结果包括高压开关的类别和位置；所述区域生成子网络的损失函数为：其中，pi为先验框i的置信度， 为先验框i的标签，其值为1或0，是通过计算先验框i与所述开关信息中的开关位置的交并比得出；若 为1，则ti为先验框i的偏移量， 为先验框i与所述开关信息中的开关位置的偏移量；Nrpn_cls为先验框中被标记为1和0的先验框的总数，Nrpn_reg为先验框中被标记为1的先验框的总数，λ为权重参量；分类损失Lrpn_cls使用交叉熵损失函数，回归损失Lrpn_reg使用SmoothL1Loss，即：所述开关分类子网络的损失函数为：
其中，pk为网络预测的开关目标候选框k的类别， 为该开关目标候选框对应的开关类别标签，tk为网络预测的开关目标候选框k的偏移量， 为该开关目标候选框与所述开关信息中的开关位置的真实偏移量；N为开关目标候选框总数；分类损失Lide_cls使用交叉熵损失函数，回归损失Lide_reg使用SmoothL1Loss。
6.根据权利要求1～5任一项所述的高压开关设备智能检测方法，其特征在于，所述获取训练数据集，包括：在任意光照、任意背景下拍摄具有多种高压开关及其不同状态的室外实时场景图；
对每一张具有高压开关特征的室外拍摄图像进行人工标注开关信息；其中，所述开关信息包括开关位置与开关类别；
将所述开关样本数据集按照9:1的比例构成训练数据集与测试数据集。 说明书 : 基于特征选择器的室外环境中高压开关设备智能检测方法技术领域[0001] 本发明涉及深度学习应用技术领域，具体涉及一种基于特征选择器的室外环境中高压开关设备智能检测方法。背景技术[0002] 为保障国民的正常用电权益，需要定期对电力系统中的高压设备进行检修和维护。传统的人工检修方式对工作人员的技术要求高，且极具危险性。随着自动化技术的发展，越来越多的工作站采用了自动化检修系统对高压设备进行维护。其中，高压开关设备作为电网回路联通与否的控制设备，它的开合状态影响着自动化系统的后续操作。因此，如何实现精确的高压开关设备的开合状态检测成为了构建变电站自动化系统的重要课题。[0003] 近年来，人工智能领域已经被提到国家重点建设的范围。这预示着人工智能与制作工业的结合是我国朝着智能化方向发展的必然趋势，对推动行业朝智能化、自动化方面发展具有重要意义。人工智能领域中最主要的是针对不同的行业任务，设计相应的深度学习网络模型。随着计算机算力的提高，网络训练的难度大大减低，网络预测精度也在不断提高。对于多种高压开关设别的状态识别问题，其关键是如何提取高压开关的特征，以满足开关的位置检测与状态识别的需要。目前亟待针对这一问题，设计相应合理的深度学习网络框架，利用高性能的计算机处理能力对网络进行训练，实现多种高压开关设备的实时检测与分类。发明内容[0004] 为了解决上述现有技术的不足，本发明提供了一种基于特征选择器的室外环境中高压开关设备智能检测方法，用深度学习网络框架设计网络模型，进而对室外环境中多种高压开关设备特征进行提。迪侄嘀指哐箍厣璞傅氖凳奔觳庥敕掷。[0005] 本发明的目的可以通过采取如下技术方案达到：[0006] 一种基于特征选择器的室外环境中高压开关设备智能检测方法，其特征在于，所述方法包括：[0007] S101：获取训练数据集，所述训练数据集为多种室外场景下的多种高压开关样本数据集；[0008] S102：构建网络模型，所述网络模型包括图像特征提取子网络、特征选择器子网络、区域生成子网络和开关分类子网络；其中，利用所述图像特征提取子网络对所述开关样本训练数据集进行特征提。玫桨嘶肪程卣鞯纳畈阊咎卣鳎焕盟鎏卣餮≡衿髯油缍运錾畈阊咎卣鹘刑卣魃秆。玫缴秆√卣骱蟮哪勘晏卣魍迹焕盟銮蛏勺油缍运瞿勘晏卣魍冀写，生成开关目标候选框集合；利用所述开关分类子网络对所述目标候选框集合中的开关特征进行识别，得到所述网络模型的预测结果；[0009] S103：根据所述预测结果和所述样本数据集中人工标注的高压开关信息，优化所述网络模型的损失函数，得到训练好的网络模型；[0010] S104：将待测的室外拍摄图像输入所述训练好的网络模型，完成高压开关的位置检测及状态识别。[0011] 进一步的，所述图像特征提取子网络为分类网络resnet101，包含五个主要模块，所述深层样本特征为resnet101网络的输出特征图，其包含了高压开关的深层语义特征与所处环境的深层语义特征；[0012] 所述特征选择器包括基本提取器、候选模块、选择开关、平滑器四个部分；所述基本提取器用于提取深层特征图的基本特征；所述候选模块包含三个结构相同但参数有别的候选提取器，用于提取三种不同的特征信息；所述选择开关为一种选择机制，用于从上述三种特征信息中筛选更适用于后续传播的特征；所述平滑器为一种拼接模块，用于将上述基本特征与筛选特征进行拼接融合；所述特征选择器的工作过程包括：[0013] 将所述包含环境信息的深层特征图分别输入所述基本提取器、候选模块、选择开关，依次生成基本特征图、三个候选特征图以及一个三维的one?hot向量；将其中三维向量与三个候选特征图相乘，获得筛选后的特征图，最后使用平滑器将上述基本特征图与筛选后的特征图进行拼接，生成特征选择后的目标特征图。[0014] 进一步的，所述区域生成子网络包括预处理层、先验框二分类层以及先验框位置调整层；[0015] 所述利用所述区域生成子网络对所述目标特征图进行处理，生成高压开关目标候选框集合，包括：[0016] 将所述目标特征图输入所述预处理层，预处理层根据目标特征图相应地生成不同尺寸的先验框，用于检测开关目标的大致位置；[0017] 将所述先验框输入所述先验框二分类层，生成先验框的置信度；[0018] 将所述先验框输入所述先验框位置调整层，生成先验框的偏移量；[0019] 根据所述置信度，挑选出置信度较高的先验框；根据所述偏移量对置信度较高的先验框进行位置偏差调整，输出高压开关目标候选框集合。[0020] 进一步的，所述高压开关分类子网络包括开关特征处理模块、开关分类模块和候选框调整模块；[0021] 利用所述高压开关分类子网络对所述目标候选框集合中的高压开关特征进行识别，得到所述网络模型的预测结果，包括：[0022] 将所述高压开关目标候选框集合中的目标候选框映射到目标特征图上并经过ROIPooling操作后，得到开关特征图；将所述开关特征图输入所述高压开关特征处理模块；[0023] 将所述高压开关特征处理模块的输出特征输入到所述开关分类模块，用于对所述高压开关目标候选框进行分类，得到高压开关的类别；[0024] 将所述开关特征处理模块的输出特征输入所述候选框调整模块，生成开关目标候选框的偏移量，用于对所述开关目标候选框的位置进行调整，得到优化后的开关位置。[0025] 进一步的，根据所述预测结果和所述开关样本数据集中的人工标注的高压开关信息，优化所述网络模型的损失函数，得到训练好的网络模型，包括：[0026] 随机初始化上述网络，对于特征选择器的三个不同的候选提取器，分别将参数初始化为三种不同的参数分布。利用所述高压开关训练集对所述网络模型进行训练，根据所述预测结果和所述开关状态信息，优化所述网络的损失函数，从而实现网络模型的收敛，得到训练好的网络模型。[0027] 进一步的，所述预测结果包括高压开关的类别和位置；所述区域生成子网络的损失函数为：[0028][0029] 其中，pi为先验框i的置信度， 为先验框i的标签，其值为1或0，是通过计算先验框i与所述开关信息中的开关位置的交并比得出；若 为1，则ti为先验框i的偏移量， 为先验框i与所述开关信息中的开关位置的偏移量；Nrpn_cls为先验框中被标记为1和0的先验框的总数，Nrpn_reg为先验框中被标记为1的先验框的总数，λ为权重参量；分类损失Lrpn_cls使用交叉熵损失函数，回归损失Lrpn_reg使用SmoothL1Loss，即：[0030][0031] 所述开关分类子网络的损失函数为：[0032][0033] 其中，pk为网络预测的开关目标候选框k的类别， 为该开关目标候选框对应的开关类别标签，tk为网络预测的开关目标候选框k的偏移量， 为该开关目标候选框与所述开关信息中的开关位置的真实偏移量；N为开关目标候选框总数；分类损失Lide_cls使用交叉熵损失函数，回归损失Lide_reg使用SmoothL1Loss。[0034] 进一步的，所述获取训练数据集，包括：[0035] 在任意光照、任意背景下拍摄具有多种高压开关及其不同状态的室外实时场景图；[0036] 对每一张具有高压开关特征的室外拍摄图像进行人工标注开关信息；其中，所述开关信息包括开关位置与开关类别；将所述开关样本数据集按照9:1的比例构成训练数据集与测试数据集。[0037] 本发明相对于现有技术具有如下的有益效果：[0038] 本发明提供的方法，通过采用Resnet特征提取网络提取输入图像中的高压开关特征；采用特征选择器网络将上述特征进行特征筛。徊捎们蛏勺油缟煽啬勘旰蜓】颍徊捎每胤掷嘧油范钥啬勘旰蜓】蚪欣嘈头掷嘤胛恢玫髡燃际跏侄，实现了高压开关特征的有效提取与识别，进而达到室外环境中高压开关定位与状态识别，为智能变电站设备的制备工艺提供指导性意见。附图说明[0039] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。[0040] 图1为本发明实施例1的基于特征选择器的高压开关设备智能检测方法的流程图。[0041] 图2为本发明实施例1的网络模型的结构示意图。[0042] 图3为本发明实施例1的网络模型对数据集中的拍摄图像进行处理的流程图。[0043] 图4为本发明实施例1的图像特征提取子网络的结构示意图。[0044] 图5为本发明实施例1的特征选择器子网络的结构示意图。[0045] 图6为本发明实施例1的区域生成子网络的结构示意图。[0046] 图7为本发明实施例1的开关分类子网络的结构示意图。具体实施方式[0047] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。应当理解，描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。[0048] 实施例：[0049] 本实施例基于Pytorch框架和Pycharm的开发环境实现。Pytorch框架是基于python语言的开发架构，能够方便快捷地搭建合理的深度学习网络，同时具有很好的跨平台交互能力，能够提供深度学习架构中的众多封装函数和各类图像处理函数的接口；包括OpenCV相关的图像处理函数，同时能够使用GPU对模型进行训练和验证，提高了计算的效率。[0050] 在Windows平台或者Linux平台下的Pycharm开发环境(IDE)，是目前深度学习网络设计与开发的首选之一。Pycharm为客户提供了新的模板、设计工具以及测试和调试工具，同时能够为客户提供直接调用远程服务器的接口。[0051] 如图1所示，本实施例提供了一种基于特征选择器的室外环境中高压开关设备智能检测方法，包括以下步骤：[0052] S101、获取高压开关数据集，按照9:1的比例划分为训练数据集和测试数据集。[0053] 本实施例使用高清摄像头拍摄多种室外背景条件下的10000张包含了多种高压开关设备的高清图像，作为开关样本数据集，人工标注高压开关在拍摄图像中的位置与具体的高压开关所属类别。[0054] S102、将训练数据集中的拍摄图像输入网络模型，得到预测结果。[0055] 如图2所示，构建的网络模型包括4个子网络，分别为深层特征提取子网络、特征选择器子网络、区域生成子网络和开关分类子网络。[0056] 进一步的，如图3所示，步骤S102具体包括：[0057] (1)利用图像特征提取子网络对训练样本进行特征提。玫缴畈闾卣魍。[0058] 如图4所示，图像特征提取子网络模型包括5个模块，分别为特征提取层1，特征提取层2、特征提取层3、特征提取层4和特征提取层5，采用resnet101网络结构，其中残差结构包括3个卷积核，卷积核大小依次为1、3、1，步长均默认为1。[0059] 特征提取层1包括1个卷积层和1个最大池化层，卷积核大小为7，步长为2，最后生成64通道的图像特征，最大池化层大小为3，步长为2；[0060] 特征提取层2包括级联的3个残差结构，残差结构中卷积核生成的通道数依次为64、64、256，步长均为1，其中，第一个残差模块的捷径分支需要通过大小为1，步长为1，通道数为256的卷积核，保证捷径分支与主分支的通道数相同；[0061] 特征提取层3包括级联的4个残差结构，残差结构中卷积核生成的通道数依次为128、128、512，其中，第一个残差模块的3×3卷积核的步长为2，其余卷积核的步长均为1，第一个残差模块的捷径分支需要通过大小为1，步长为1，通道数为512的卷积核，保证捷径分支与主分支的通道数相同；[0062] 特征提取层4包括级联的23个残差结构，残差结构中卷积核生成的通道数依次为256、256、1024，其中，第一个残差模块的3×3卷积核的步长为2，其余卷积核的步长均为1，第一个残差模块的捷径分支需要通过大小为1，步长为1，通道数为1024的卷积核，保证捷径分支与主分支的通道数相同；[0063] 特征提取层5包括级联的3个残差结构，残差结构中卷积核生成的通道数依次为512、512、2048，其中，第一个残差模块的3×3卷积核的步长为2，其余卷积核的步长均为1，第一个残差模块的捷径分支需要通过大小为1，步长为1，通道数为2048的卷积核，保证捷径分支与主分支的通道数相同；[0064] 特征提取层2到特征提取层5所生成的特征图大小分别为：[0065][0066] 其中，h、w表示输入图像的高度和宽度。[0067] 在训练过程中，将训练数据集中的图像依次输入此网络，将特征提取层5生成的深层特征图进行输出。[0068] (2)利用特征选择器子网络对深层特征图进行特征筛。竦蒙秆『蟮哪勘晏卣魍。[0069] 如图5所示，特征选择器子网络包括四个部分：基本提取器、候选模块、选择开关、平滑器。[0070] 基本提取器由一个3×3卷积核、一个BN层、一个激活函数SiLU层组成。称上述的由卷积层、BN层、SiLU层共同组成的模块为一个完整的CBS模块。其中，卷积核的步长为1，生成的通道数为1024。基本提取器生成的特征图大小为：[0071][0072] 候选模块包括三个结构相同但参数有别的候选提取器，用以提取三种不同的深层特征，供选择开关进行选择。每一个候选提取器由一个CBS模块构成，3×3卷积核的步长为1，生成通道数为1024。每一个候选提取器生成的候选特征图大小为：[0073][0074] 选择开关的作用是根据深层特征图的相关信息来从三个候选特征图中筛选出一个关键特征图，它的性质是一个单刀三掷开关，它的输出为一个三维的one?hot向量。[0075][0076] 其中,fswi表示选择开关输出的选择向量， 表示由上述候选提取器输出的三个候选特征图， 表示将fswi中对应维度作为因数与 中对应特征图相乘，并将三个乘积的结果相加。fkey表示经过选择开关筛选后的关键特征图。[0077] 所述开关由平均池化层GAP、全连接层FC′1、激活函数层Relu、全连接层FC′2、非线性层GumbelSoftmax组成。首先将深层特征图经过全局平均池化，即将深层特征图拉伸为一个2048维的向量，并依次通过FC′1、Relu、FC′2来获得单刀三掷开关的控制向量，最后将此向量输入GumbelSoftmax层进行非线性变换。此过程具体为：[0078] fswi＝GumbelSoftmax(FC′2(Relu(FC′1(GAP(ftar)))))[0079] 平滑器由一个CBS模块组成，目的是将拼接后的结果进行整理，卷积核的大小为3×3，步长为1，输出通道数为2048，此过程可简记为：[0080] ftar＝CBSsmo(cat(fbase,fkey))[0081] 其中ftar表示特征选择器输出的目标特征图，fbase表示基本提取器输出的特征图，fkey表示经选择开关筛选后的特征图，CBSsmo(·)表示平滑器模块，cat(·,·)表示将fbase与fkey按照通道方向进行拼接。特征选择器输出的目标特征图大小为：[0082][0083] (3)将目标特征图输入区域生成子网络，生成开关目标候选框集合。[0084] 如图6所示，所述区域生成子网络包括预处理层、先验框二分类层以及先验框位置调整层。其中，预处理层包含一个预处理卷积核CP，预处理卷积核CP大小为3、步长为1、输出通道数为512，用于对输入的特征图进行预处理，同时，预处理层根据输入的特征图的规模相应地生成适合当前特征图的不同尺寸的先验框，用于粗略估计开关目标的位置；先验框二分类层包含一个二分类卷积核CC，二分类卷积核CC大小为1、步长为1、输出通道数为a×2，用于对预处理层生成先验框标注置信度；先验框位置调整层包含一个回归卷积核CR，分类卷积核CR大小为1，步长为1，输出通道数为a×4，用于对先验框的位置进行调整；其中，a为不同尺寸的先验框种类数。具体合成机制为：[0085] fl＝CP(ftar)[0086] fc＝CC(fl)[0087] fR＝CR(fl)[0088] 其中fl表示目标特征图ftar通过预处理卷积核CP后的输出特征，fc为fl通过二分类卷积核CC后的输出特征，fR为fl通过回归卷积核CR后的输出特征。[0089] 网络根据fc给出对应于特征图ftar的各个先验框包含开关特征的置信度，挑选出置信度较高的先验框；根据fR对上述挑选出的高置信度先验框进行位置偏差调整，输出可能的开关目标候选框集合{ROI1,ROI2,...}。[0090] (4)利用开关分类子网络对开关目标候选框集合中的开关特征进行识别，得到网络模型的预测结果，预测结果包括高压开关及其状态的类别及位置。[0091] 如图7所示，开关分类子网络包括开关特征处理模块、开关分类模块与候选框调整模块。将区域生成子网络提出的候选框ROIi分别对应到金字塔特征提取子网络得到的特征图ftar上，提取出对应于候选框经过ROIPooling操作后的开关区域特征图 开关特征处理模块包含两个全连接层：全连接层1和2，用于预处理特征 开关分类模块包含一个全连接层3，用于将候选框ROIi中的开关进行分类；候选框调整模块包含一个全连接层4，用于对候选框ROIi的位置进行进一步调整。具体合成机制为：[0092][0093][0094] Ocls＝FCcls(Opre)[0095] Oreg＝FCreg(Opre)[0096] 其中，ROIi表示区域生成子网络提出的第i个候选框，Fsep()表示根据ROIi分离出ftar中局部特征图并进行ROIPooling的操作，DROIi表示经ROIPooling操作后得到的与ROIi相对应的局部特征图i；flat()为将高维张量拉伸为向量的操作，FC1、FC2表示开关特征处理模块的两个全连接层；FCcls表示开关分类模块的全连接层；FCreg表示候选框调整模块的全连接层；Ocls、Oreg分别表示开关分类结果、候选框回归结果。[0097] 全连接层1和2用于处理开关特征，长度均为1024；全连接层3的长度为x，x为高压开关的类别数；全连接层4的长度为4，用于进一步调整候选框的位置。S103、根据预测结果和人工标注的高压开关信息，优化网络模型的损失函数，实现网络模型的收敛，得到训练好的网络模型。[0098] 此过程的具体训练参数设计如下：[0099] 使用Adam优化器，其参数设置为0.9/0.999；网络模型训练所需的epoch设置为100，学习率初始值设置为0.0001。为了使到模型在训练过程中尽可能达到最优值，避免达到次优值，利用余弦退火策略将学习率随着epoch增加而不断减。籦atch设置依据训练数据集以及GPU内存大小而定，当训练数据集样本大并且GPU内存大时，batch可以设置比较大，反之亦然。[0100] 设置区域生成子网络的损失函数，如下所示：[0101][0102] 其中，pi为第i个先验框的置信度， 为先验框i的标签，其值为1或0，是通过计算先验框i与所述标注信息中的开关具体位置的交并比得出；若 为1，则ti为先验框i的偏移量， 为先验框i与所述开关位置的偏移量；Nrpn_cls为先验框中被标记为1和0的先验框的总数，Nrpn_reg为先验框中被标记为1的先验框的总数，λ为权重参量；分类损失Lrpn_cls使用交叉熵损失函数，回归损失Lrpn_reg使用SmoothL1Loss，即：[0103][0104] 设置开关分类子网络的损失函数，如下所示：[0105][0106] 其中，pk为网络预测的开关目标候选框k的类别， 为该目标候选框对应的开关类别标签，tk为网络预测的目标候选框k的偏移量， 为该目标候选框与所述标注信息中的开关位置的真实偏移量；N为目标候选框总数；分类损失Lide_cls使用交叉熵损失函数，回归损失Lide_reg使用SmoothL1Loss。[0107] 通过优化上述损失函数，从而实现网络模型的收敛。[0108] S104、将待测的室外拍摄图像输入训练好的网络模型，完成高压开关的实时检测与分类。[0109] 将实时拍摄的图像输入训练好的网络模型；根据网络模型的预测结果实现实施拍摄图像中高压开关的位置检测与状态识别。[0110] 应当注意，尽管在附图中以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。[0111] 以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。

专利地区：新疆

专利申请日期：2023-08-04

专利公开日期：2024-10-22

专利公告号：CN117290766B