【技術實現步驟摘要】
本專利技術涉及配電網圖像檢測，具體來說是一種基于向量注意力機制的因果感知配電網圖像缺陷檢測方法。
技術介紹
1、配電網設備的運維與檢測工作復雜且繁重，為了推動配電網設備缺陷檢測的智能化轉型，提升設備管理的智能化水平，提高配電網設備質量安全，通過針對無人機采集的圖像信息對配電網設備缺陷進行智能識別，能夠有效識別部署配電網設備的缺陷。由于配電網的運行場景分散且復雜多變，且自然采集的配電網圖像缺陷呈現長尾分布，即少數缺陷類別(頭部類別)擁有大量樣本，而多數缺陷類別(尾部類別)樣本數量極少。這種長尾分布現象導致目標檢測模型在訓練過程中對尾部類別的檢測能力不足，嚴重影響了目標檢測模型在實際應用中的檢測性能。因此，開發高性能的配電網圖像缺陷檢測模型，實現設備缺陷的自動檢測和診斷，不僅可以減少人工檢測的主觀誤差，還能夠降低現場巡檢人員的工作負擔，提高整體運維效率。
2、配電網設備缺陷檢測主要包括安全缺陷和功能缺陷兩大類。安全類缺陷包括接地線的損壞、避雷器的安裝是否規范等；功能類缺陷則包括導線老化、絕緣子破損、設備外殼腐蝕等。在復雜多變的配電網環境中，現有的目標檢測算法在檢測缺陷時表現較差，檢測的精度較低。因此，為了更為高效準確地識別配電網設備缺陷，需要針對配電網圖像缺陷特征，開發性能更加優越，檢測效果更加準確的目標檢測模型。
3、因此，高性能的目標檢測模型更加適應復雜的配電網設備分布場景，然而現有算法的檢測性能普遍較差。為了使得配電網缺陷檢測模型的性能得到提高，并且能夠以此提高配電網設備缺陷檢測過程中的整體智能研判精度
技術實現思路
1、本專利技術的目的是為了解決現有技術應對配電網圖像缺陷檢測場景精度低，效果差的問題，提供一種基于向量注意力機制的因果感知配電網圖像缺陷檢測方法來解決上述問題。
2、為了實現上述目的，本專利技術的技術方案如下：
3、一種基于向量注意力機制的因果感知配電網圖像缺陷檢測方法，包括以下步驟：
4、獲取配電網缺陷圖像：利用無人機等移動端設備采集不同場景、不同類型的配電網缺陷圖像，形成配電網缺陷圖像數據集；
5、構建配電網缺陷圖像檢測模型：基于骨干網絡、向量注意力模塊rwkv、頸部網絡、因果感知頭部網絡構建出的配電網缺陷圖像檢測模型；
6、配電網缺陷圖像檢測模型的訓練：利用配電網缺陷圖像數據集對配電網缺陷圖像檢測模型進行訓練；
7、獲取待檢測配電網缺陷圖像：利用無人機等移動端設備采集待檢測的配電網缺陷圖像；
8、獲得配電網圖像缺陷檢測結果：將待檢測的配電網缺陷圖像輸入訓練后的配電網缺陷圖像檢測模型，得到配電網圖像中的缺陷檢測結果。
9、所述獲取配電網缺陷圖像步驟為：
10、通過無人機等移動端設備采集配電網設備在各類場景中的缺陷圖像，使用labelimg標注軟件對采集的配電網缺陷圖像進行缺陷類別目標的標記，生成包含目標類別和位置的xml文件，形成配電網缺陷圖像數據集。
11、所述構建配電網缺陷圖像檢測模型包括以下步驟：
12、設定配電網缺陷圖像檢測模型包括骨干網絡、向量注意力模塊rwkv、特征融合模塊、因果感知頭部網絡；
13、設定骨干網絡為圖像的基礎特征提取網絡，基于convnext網絡構建，由疊加的多層卷積神經網絡層、池化層與激活函數層構成，特征提取網絡用于提取整張圖像中目標的特征圖，特征提取網絡的輸入為無人機等移動端設備采集的配電網缺陷圖像的增強圖像，采用隨機裁剪及色彩變換作為增強手段，增強網絡的泛化性能，輸出為該配電網缺陷圖像增強后圖像的整體特征圖；
14、設定向量注意力模塊rwkv，rwkv是一種結合循環神經網絡rnn與自注意力架構transformer模型優點的新型架構，擁有優越的并行計算能力和時間序列處理能力，并且提供了對圖像的全局感受野以更好地提取圖像特征。為了提高配電網缺陷檢測的精度，配電網缺陷圖像檢測模型引入了向量注意力模塊rwkv來加強對圖像特征的處理與增強，其包含空間混合模塊smb與通道混合模塊cmb，并在模塊間使用了殘差連接的方式來保留特征信息。空間混合模塊和通道混合模塊包含有網絡正則化層，圖像塊偏移層，向量注意力計算層，激活函數層等。
15、設定頸部網絡，為了能夠檢測不同尺度的缺陷類別目標，并且進行特征的融合，配電網缺陷圖像檢測模型的頸部網絡采用fpn多尺度結構，頸部網絡的輸入為向量注意力模塊的c2、c3、c4、c5層特征圖，輸出為融合多尺度信息的p2、p3、p4、p5層；
16、設定因果感知頭部網絡，為了緩解配電網缺陷圖像分布所呈現的長尾現象，配電網缺陷圖像檢測模型引入了一種基于因果感知的頭部網絡作為缺陷檢測的roi特征提取層，根據目標框的尺寸映射到p2、p3、p4、p5層任意一層上，提取目標對應位置的區域特征，使用因果推理相關運算去除配電網缺陷目標檢測當中由于優化器動量干擾所產生的混淆效應，有效地緩解了配電網圖像缺陷中復雜的長尾現象，并對該區域特征進行roialign操作獲取統一7×7大小的roi特征圖。
17、所述配電網缺陷圖像檢測模型的訓練包括以下步驟：
18、對配電網原始的缺陷圖像數據集進行數據增強，對圖像進行隨機裁剪后縮放成原圖大小，對圖像進行色彩變換，訓練過程中進行隨機組合增強；
19、將增強后的圖像作為骨干網絡的輸入，進行圖像特征的提取，利用特征提取網絡提取配電網圖像的整體特征圖，采用convnext網絡的c2、c3、c4、c5層表示整體特征圖中每個尺度的特征；
20、將骨干網絡輸出的整體特征圖作為向量注意力模塊rwkv的輸入，輸入的特征圖首先進入空間混合模塊smb。設定輸入特征圖為f，smb模塊首先將其展平為一個序列向量x，向量x維度為t×c，其中t＝h×w，t代表圖像塊數量，h代表特征高度，w代表特征寬度，c代表通道數。序列向量x會先經過正則化層，然后輸入圖像塊偏移層進行處理：
21、xs＝shift(ln(x))
22、shift(x)＝αc5(x)+βx
23、其中，ln代表正則化操作，shift代表圖像塊偏移操作，xs表示經過正則化和偏移處理后的特征向量，c5表示5×5的卷積層，α和β分別為訓練過程中可學習的兩個超參數。之后xs送入三個并行的線性映射層進行向量映射，生成三組特征向量：rs，receptance向量，用于表示過去的信息，減少對過去信息的遺忘；ks，key向量，與vs，value向量一起進行注意力機制的計算：
24、rs＝xswr，ks＝xswk，vs＝xswv
25、其中，wr，wk，wv分別代表對應的線性映射層。ks和vs將作為輸入，傳輸到wkv注意力計算模塊中，即bi-wkv層。為了保證能夠對圖像特征具有全局的感受野，更好地對特征進行提取，bi-wkv迭代運算q次，相應的計算公式如下：
26、wkvt＝b本文檔來自技高網...
【技術保護點】
1.一種基于向量注意力機制的因果感知配電網圖像缺陷檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于向量注意力機制的因果感知配電網圖像缺陷檢測方法，其特征在于，所述獲取配電網缺陷圖像的步驟為：
3.根據權利要求1所述的基于向量注意力機制的因果感知配電網圖像缺陷檢測方法，其特征在于，所述構建配電網缺陷圖像檢測模型包括以下步驟：
4.根據權利要求3所述的基于向量注意力機制的因果感知配電網圖像缺陷檢測方法，其特征在于，所述配電網缺陷圖像檢測模型的訓練包括以下步驟：
【技術特征摘要】
1.一種基于向量注意力機制的因果感知配電網圖像缺陷檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于向量注意力機制的因果感知配電網圖像缺陷檢測方法，其特征在于，所述獲取配電網缺陷圖像的步驟為：
3.根據權利要求1所述的...
【專利技術屬性】
技術研發人員：劉曼佳，戴金，劉鳴柳，蔡超，易忱，王溪，朱駿騁，陳文，金晨，凌在汛，宋楊，阮倫，張潔，李瑞，
申請(專利權)人：國網湖北省電力有限公司電力科學研究院，
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。