【技術實現步驟摘要】
本專利技術涉及電力巡檢領域，尤其涉及一種基于多尺度融合與自適應權重的小樣本電力巡檢分類方法。
技術介紹
1、電力巡檢是電力行業的關鍵任務，旨在確保電力輸電線路及相關設備的穩定運行。傳統人工巡檢受限于效率、成本和準確性，而無人機巡檢以其高效、靈活和低成本的特性成為首選。在無人機巡檢中，計算機視覺技術特別是深度學習扮演了重要角色，尤其是在目標檢測和缺陷識別方面。然而，面對有限的訓練樣本和電力設備的多樣性，深度學習模型如卷積神經網絡（cnn）易出現過擬合問題，影響檢測精度。
技術實現思路
1、本專利技術針對有限的訓練樣本和電力設備的多樣性，深度學習模型如卷積神經網絡（cnn）易出現過擬合問題，影響檢測精度的問題，提出一種基于多尺度融合與自適應權重的小樣本電力巡檢圖像分類方法，所述方法包括：
2、s1：采集不同類別的電力巡檢圖像，并對所述電力巡檢圖像進行預處理，獲取電力巡檢設備缺陷圖像數據集；
3、s2：構建基于多尺度融合與自適應權重的圖像分類模型，將電力巡檢設備缺陷圖像數據集輸入所述基于多尺度融合與自適應權重的圖像分類模型進行訓練，獲取最優小樣本分類模型；
4、s3：將訓練集輸入至最優小樣本分類模型進行訓練，訓練后選擇在訓練過程中損失函數最小的參數模型；
5、s4：將測試集輸入訓練完成的參數模型中進行小樣本分類，得到電力巡檢設備缺陷圖像的分類結果。
6、進一步的，還提出一種優選方式，所述步驟s1包括：
7、將不同類別
8、進一步的，還提出一種優選方式，所述步驟s2包括：
9、s21、采用resnet-12作為特征提取骨干網絡，去除與分類任務相關的全連接層；
10、s22、特征提取包括第2個殘差塊conv2和第4個殘差塊conv4；
11、s23、利用金字塔策略融合淺層conv2與深層conv4特征，通過反卷積將conv4特征調整到與conv2相同的大小；
12、s24、通過全局平均池化和全局最大池化生成特征向量，并經過共享權重的多層感知機得到通道注意力；
13、s25、在通道維度上進行全局池化操作，通過卷積操作和sigmoid激活生成空間注意力向量；
14、s26、引入局部多路徑自適應加權策略，在訓練過程中進行權重的實時更新和優化，獲取最優小樣本分類模型。
15、進一步的，還提出一種優選方式，所述步驟s23包括：
16、
17、
18、
19、其中，為第a個殘差塊的殘差操作，a=1，2，3，4；為卷積核大小為3，個數為128，步長為4，padding（填充）為1的反卷積操作；為嵌入模塊的輸入；為第二個殘差塊的輸出特征，特征圖大小為21×21×128；為第四個殘差塊的輸出特征，特征圖大小為6×6×512；表示經反卷積操作后的特征，特征圖大小為21×21×128。
20、進一步的，還提出一種優選方式，所述步驟s24包括：
21、
22、其中， i為通道注意力模塊的輸入特征，為平均池化操作，為最大池化操作，為多層感知機，為sigmoid激活函數。
23、進一步的，還提出一種優選方式，所述步驟s25包括：
24、
25、
26、其中，為逐元素相乘操作，為輸入特征與通道注意力相乘后得到的特征，也是空間注意力模塊的輸入特征，為卷積核大小為7×7的卷積操作，為空間注意力向量。
27、進一步的，還提出一種優選方式，所述步驟s26包括：
28、
29、其中，為融合第二個殘差塊與第四個殘差塊的輸出特征，，為自適應特征權重，為逐元素相加操作。
30、基于同一專利技術構思，本專利技術還提出一種基于多尺度融合與自適應權重的小樣本電力巡檢圖像分類系統，所述系統包括：
31、圖像采集單元，用于采集不同類別的電力巡檢圖像，并對所述電力巡檢圖像進行預處理，獲取電力巡檢設備缺陷圖像數據集；
32、最優小樣本分類模型獲取單元，用于構建基于多尺度融合與自適應權重的圖像分類模型，將電力巡檢設備缺陷圖像數據集輸入所述基于多尺度融合與自適應權重的圖像分類模型進行訓練，獲取最優小樣本分類模型；
33、訓練單元，用于將訓練集輸入至最優小樣本分類模型進行訓練，訓練后選擇在訓練過程中損失函數最小的參數模型；
34、分類單元，用于將測試集輸入訓練完成的參數模型中進行小樣本分類，得到電力巡檢設備缺陷圖像的分類結果。
35、基于同一專利技術構思，本專利技術還提出一種計算機設備，包括存儲器和處理器，所述存儲器中存儲有計算機程序，當所述處理器運行所述存儲器存儲的計算機程序時，所述處理器執行根據上述中任一項所述的一種基于多尺度融合與自適應權重的小樣本電力巡檢圖像分類方法。
36、基于同一專利技術構思，本專利技術還提出一種計算機可讀存儲介質，該計算機可讀存儲介質上存儲有計算機程序，該計算機程序被處理器運行時執行如上述任一項所述的一種基于多尺度融合與自適應權重的小樣本電力巡檢圖像分類方法的步驟。
37、本專利技術的有益之處在于：
38、在電力設備巡檢中，獲取足夠多樣本圖像較為困難。有限的訓練樣本容易導致深度學習模型過擬合，即模型在訓練數據上表現很好，但在未見過的數據上表現較差。本專利技術所提出的一種基于多尺度融合與自適應權重的小樣本電力巡檢圖像分類方法中，引入多尺度特征融合和自適應權重策略，能夠有效利用有限樣本的特征信息，通過綜合多尺度的特征提升模型的泛化能力。具體來說，多尺度特征融合可以從不同層次提取信息，而自適應權重策略則可以動態調整不同特征的重要性，以減輕過擬合問題。
39、電力設備種類繁多，缺陷類型和表現形式也各不相同。這種多樣性使得單一尺度的特征無法全面捕捉設備的各種缺陷特征。本專利技術所提出的方法中，通過多尺度融合技術允許模型從不同層次和尺度提取特征，從而更全面地捕捉電力設備的各種缺陷。這樣，模型能夠更好地處理電力設備的多樣性問題，提高分類準確率。
40、在特征融合過程中，不同層次的特征對分類任務的重要性可能不同。如果特征融合時權重分配不合理，可能會導致模型性能下降。本專利技術所提出的方法中采用自適應權重策略，使得模型能夠在訓練過程中實時調整每個特征分支的權重，從而更好地關注對當前任務最重要的特征。這種方法可以動態優化特征融合的權重分配，提升模型性能。
41、本專利技術所提出的所述的一種基于多尺度融合與自適應權重的小樣本電力巡檢圖像分類方法，通過多尺度特征融合，模型可以從多個層次提取豐富的特征信息，增強對設備缺陷的識別能力。在小樣本場景下，這本文檔來自技高網...
【技術保護點】
1.一種基于多尺度融合與自適應權重的小樣本電力巡檢圖像分類方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種基于多尺度融合與自適應權重的小樣本電力巡檢圖像分類方法，其特征在于，所述步驟S1包括：
3.根據權利要求1所述的一種基于多尺度融合與自適應權重的小樣本電力巡檢圖像分類方法，其特征在于，所述步驟S2包括：
4.根據權利要求3所述的一種基于多尺度融合與自適應權重的小樣本電力巡檢圖像分類方法，其特征在于，所述步驟S23包括：
5.根據權利要求3所述的一種基于多尺度融合與自適應權重的小樣本電力巡檢圖像分類方法，其特征在于，所述步驟S24包括：
6.根據權利要求5所述的一種基于多尺度融合與自適應權重的小樣本電力巡檢圖像分類方法，其特征在于，所述步驟S25包括：
7.根據權利要求5所述的一種基于多尺度融合與自適應權重的小樣本電力巡檢圖像分類方法，其特征在于，所述步驟S26包括：
8.一種基于多尺度融合與自適應權重的小樣本電力巡檢圖像分類系統，其特征在于，所述系統包括：
9.一種計
10.一種計算機可讀存儲介質，其特征在于，該計算機可讀存儲介質上存儲有計算機程序，該計算機程序被處理器運行時執行如權利要求1-7任一項所述的一種基于多尺度融合與自適應權重的小樣本電力巡檢圖像分類方法的步驟。
...【技術特征摘要】
1.一種基于多尺度融合與自適應權重的小樣本電力巡檢圖像分類方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種基于多尺度融合與自適應權重的小樣本電力巡檢圖像分類方法，其特征在于，所述步驟s1包括：
3.根據權利要求1所述的一種基于多尺度融合與自適應權重的小樣本電力巡檢圖像分類方法，其特征在于，所述步驟s2包括：
4.根據權利要求3所述的一種基于多尺度融合與自適應權重的小樣本電力巡檢圖像分類方法，其特征在于，所述步驟s23包括：
5.根據權利要求3所述的一種基于多尺度融合與自適應權重的小樣本電力巡檢圖像分類方法，其特征在于，所述步驟s24包括：
6.根據權利要求5所述的一種基于多尺度融合與自適應權重的小樣本電力巡檢圖像分類方法，其特征在于，所述...
【專利技術屬性】
技術研發人員：趙萌，王學偉，王躍，宋磊，董蔚，胡嘉銘，郭明超，
申請(專利權)人：大唐東北電力試驗研究院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。