【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及目標(biāo)檢測領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)的電力作業(yè)風(fēng)險評估方法和系統(tǒng)。
技術(shù)介紹
1、作為最受歡迎的單階段目標(biāo)檢測網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)吸引了眾多研究者的關(guān)注，并在其基礎(chǔ)上進(jìn)行了諸多改進(jìn)，旨在提高電力作業(yè)識別的準(zhǔn)確度。。
2、電力系統(tǒng)是一個高度復(fù)雜的系統(tǒng)，涉及到多種設(shè)備、多個層次的控制和監(jiān)測。傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)往往難以應(yīng)對環(huán)境的復(fù)雜性和多變性帶來的挑戰(zhàn)。深度學(xué)習(xí)技術(shù)能夠通過端到端的學(xué)習(xí)，從原始數(shù)據(jù)中學(xué)習(xí)系統(tǒng)的復(fù)雜規(guī)律和模式，為電力作業(yè)風(fēng)險評估提供更準(zhǔn)確、更全面的分析。
3、傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)只能對普通目標(biāo)進(jìn)行檢測，但是在電力場景作業(yè)下存在遮擋和目標(biāo)過小的問題，在對這類目標(biāo)進(jìn)行檢測的過程中，會造成精度下降的問題，尤其是在黑暗場景下對安全帽繩和監(jiān)管人員袖章這類極小目標(biāo)進(jìn)行檢測的情況下。此外，在目標(biāo)被遮擋的情況下，傳統(tǒng)算法難以準(zhǔn)確識別，導(dǎo)致精度不足。
4、公開號為cn115359360a的中國專利公開了“一種電力現(xiàn)場作業(yè)場景檢測方法、系統(tǒng)、設(shè)備和存儲介質(zhì)”，通過加入注意力模塊能夠更好的提取特征圖的多尺度特征信息，并使用通道注意力和空間注意力模塊對特征圖進(jìn)行調(diào)整，更好的獲取空間信息，但是該方法對小目標(biāo)和遮擋目標(biāo)的檢測精度較低，同時無法評估模型的有效性，且無法解決樣本不平衡問題，樣本不平衡會導(dǎo)致每種行為的訓(xùn)練結(jié)果有著很大的差異。
技術(shù)實(shí)現(xiàn)思路
1、針對上述技術(shù)問題。本專利技術(shù)提供一種基于深度學(xué)習(xí)的電力作業(yè)風(fēng)險評估方法，包括：
2、采集電
3、將擴(kuò)充后的圖片劃分為訓(xùn)練集和驗(yàn)證集；
4、通過對卷積神經(jīng)網(wǎng)絡(luò)更換骨干網(wǎng)絡(luò)和損失函數(shù)，構(gòu)建適用于電力作業(yè)場景的自注意力機(jī)制的電力作業(yè)檢測模型；使用所述訓(xùn)練集對所述電力作業(yè)檢測模型進(jìn)行訓(xùn)練；
5、基于熵權(quán)法，使用所述驗(yàn)證集對所述電力作業(yè)檢測模型進(jìn)行驗(yàn)證；當(dāng)判斷所述驗(yàn)證集中標(biāo)注的違規(guī)標(biāo)簽的準(zhǔn)確率的綜合得分，大于預(yù)設(shè)的閾值時，則確定所述電力作業(yè)檢測模型通過驗(yàn)證；使用所述電力作業(yè)檢測模型，通過對待評估的電力作業(yè)現(xiàn)場的圖片進(jìn)行檢測，獲得電力作業(yè)現(xiàn)場的風(fēng)險等級。
6、進(jìn)一步的，通過數(shù)據(jù)增強(qiáng)對所述圖片進(jìn)行擴(kuò)充，包括：
7、隨時讀取電力作業(yè)現(xiàn)場的圖片中的多張圖片，對所述多張圖片進(jìn)行縮放操作，以及飽和度、亮度、對比度和色調(diào)的調(diào)整；
8、將多張圖片進(jìn)行拼接。
9、進(jìn)一步的，還包括：
10、將所述訓(xùn)練集和驗(yàn)證集，按8:2的比例進(jìn)行劃分。
11、進(jìn)一步的，通過對卷積神經(jīng)網(wǎng)絡(luò)更換骨干網(wǎng)絡(luò)和損失函數(shù)，構(gòu)建適用于電力作業(yè)場景的自注意力機(jī)制的電力作業(yè)檢測模型，包括：
12、卷積神經(jīng)網(wǎng)絡(luò)對輸入的圖片進(jìn)行改變大小的操作，改變大小過后的圖片大小被限制為640×640；
13、采用的骨干網(wǎng)絡(luò)連續(xù)使用3個3×3的卷積層對圖片進(jìn)行特征提取，得到3種尺度不一的特征圖，特征圖的尺度分別為80×80，40×40和20×20；
14、將3個不同尺度的特征圖分別送入檢測層，經(jīng)全局平均池化操作后將特征圖降維為一維向量，對特征圖進(jìn)行分類和回歸預(yù)測；
15、使用softmax激活函數(shù)將一維向量轉(zhuǎn)換為概率分布，用于分類任務(wù)；
16、使用損失函數(shù)ec-loss進(jìn)行對預(yù)測框和真實(shí)框的差異計(jì)算并使用反向傳播算法更新模型參數(shù)。
17、進(jìn)一步的，所述骨干網(wǎng)絡(luò)，為改進(jìn)后的transformer網(wǎng)絡(luò)，改進(jìn)后的transformer網(wǎng)絡(luò)在傳統(tǒng)的transformer架構(gòu)基礎(chǔ)上建立了交叉形窗口自注意力機(jī)制，交叉形窗口自注意力機(jī)制包含兩個模塊，分別為橫向自注意力和縱向自注意力。
18、進(jìn)一步的，所述橫向自注意力，用于將輸入的特征圖拆分成個橫條的特征圖，其中sω表示橫條特征圖的寬度，c，h，w分別代表特征圖的維度，高度和寬度；
19、對每個橫條特征圖的特征xi，i＝1，2，...，m，使用transformer進(jìn)行處理，得到特征yi；
20、將m個特征進(jìn)行合并，得到送入檢測層的橫向特征；
21、假設(shè)該特征屬于第k個檢測層，則橫向注意力l-att的計(jì)算公式如下方公式所示：
22、
23、x＝[x1，x2，...，xm]
24、
25、
26、其中，h，w，c分別代表特征圖的高度，寬度和維度，其中q，k，v代表在橫向注意力中的查詢向量、鍵向量和值向量。
27、進(jìn)一步的，所述縱向自注意力，用于將輸入特征圖a(c×h×w)拆分成個縱條的特征圖，其中sω表示縱條特征圖的寬度；
28、對每個縱條特征圖的特征xi，i＝1，2，...，m，使用transformer進(jìn)行處理，可以得到特征yi；
29、將m個特征進(jìn)行合并，得到送入檢測層的縱向特征；
30、假設(shè)該特征屬于第k個檢測層，則橫向注意力r-att的計(jì)算公式如下方公式所示：
31、
32、x＝[x1，x2，...，xm]
33、
34、
35、在改進(jìn)后的transformer網(wǎng)絡(luò)中設(shè)定有m個檢測層，將其平均分成兩組，每組個檢測層，第一組檢測層使用橫向特征，第二組檢測層使用縱向特征，最后將兩組的特征進(jìn)行合并，合并過程中使用的公式如下公式所示：
36、
37、交叉形窗口自注意力機(jī)制cr-window-att的表達(dá)式如下公式所示：
38、cr-window-att(x)＝concat(head1,head2,…,headm)wo
39、其中wo表示常用的投影矩陣，將自注意力結(jié)果投影到目標(biāo)輸出的維度。
40、進(jìn)一步的，損失函數(shù)ec-loss的公式如下：：
41、
42、其中y∈[-1,1]表示真實(shí)的物體框，p∈[0,1]表示前景類別的預(yù)測概率，調(diào)節(jié)因子γ用于聚焦難分樣本，權(quán)重因子α∈(0,1)，當(dāng)模型預(yù)測為正樣本時，權(quán)重因子為α，若為負(fù)樣本，則權(quán)重因子為1-α；
43、其中q表示實(shí)際的類別標(biāo)簽，當(dāng)q>0時，表示實(shí)際標(biāo)簽為正例，損失函數(shù)為二分類交叉熵?fù)p失函數(shù)，用于衡量模型預(yù)測的概率p與實(shí)際正例的差距；當(dāng)q＝0時，表示實(shí)際標(biāo)簽為負(fù)例，損失函數(shù)為負(fù)例損失函數(shù)。
44、進(jìn)一步的，基于熵權(quán)法，使用所述驗(yàn)證集對所述電力作業(yè)檢測模型進(jìn)行驗(yàn)證；當(dāng)判斷所述驗(yàn)證集中標(biāo)注的違規(guī)標(biāo)簽的準(zhǔn)確率的綜合得分，大于預(yù)設(shè)的閾值時，則確定所述電力作業(yè)檢測模型通過驗(yàn)證，包括：
45、使用訓(xùn)練好的所述電力作業(yè)檢測模型對圖片或視頻進(jìn)行檢測，將違規(guī)行為的標(biāo)簽名稱和檢測到的違規(guī)次數(shù)用列表的方式進(jìn)行存儲，并使用準(zhǔn)確率(p)作為評價指標(biāo)；
46、假設(shè)有n個違規(guī)行為標(biāo)簽，對于每個違規(guī)行為標(biāo)簽i，檢測到m次違規(guī)，其評價指標(biāo)為xij，j表示違規(guī)行為標(biāo)簽索引，對這個違規(guī)本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于深度學(xué)習(xí)的電力作業(yè)風(fēng)險評估方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，通過數(shù)據(jù)增強(qiáng)對所述圖片進(jìn)行擴(kuò)充，包括：
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，還包括：
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，通過對卷積神經(jīng)網(wǎng)絡(luò)更換骨干網(wǎng)絡(luò)和損失函數(shù)，構(gòu)建適用于電力作業(yè)場景的自注意力機(jī)制的電力作業(yè)檢測模型，包括：
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述骨干網(wǎng)絡(luò)，為改進(jìn)后的Transformer網(wǎng)絡(luò)，改進(jìn)后的Transformer網(wǎng)絡(luò)在傳統(tǒng)的Transformer架構(gòu)基礎(chǔ)上建立了交叉形窗口自注意力機(jī)制，交叉形窗口自注意力機(jī)制包含兩個模塊，分別為橫向自注意力和縱向自注意力。
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述橫向自注意力，用于將輸入的特征圖拆分成個橫條的特征圖，其中sω表示橫條特征圖的寬度，C，H，W分別代表特征圖的維度，高度和寬度；
7.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述縱向自注意力，用于將輸入特征圖A(C×H×W)拆分成個縱條的特征圖，其中sω表示縱條
8.根據(jù)權(quán)利要求1或4所述的方法，其特征在于，損失函數(shù)EC-Loss的公式如下：：
9.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于熵權(quán)法，使用所述驗(yàn)證集對所述電力作業(yè)檢測模型進(jìn)行驗(yàn)證；當(dāng)判斷所述驗(yàn)證集中標(biāo)注的違規(guī)標(biāo)簽的準(zhǔn)確率的綜合得分，大于預(yù)設(shè)的閾值時，則確定所述電力作業(yè)檢測模型通過驗(yàn)證，包括：
10.一種基于深度學(xué)習(xí)的電力作業(yè)風(fēng)險評估系統(tǒng)，其特征在于，包括：
11.根據(jù)權(quán)利要求10所述的系統(tǒng)，其特征在于，模型構(gòu)建模塊，包括：
12.根據(jù)權(quán)利要求10所述的系統(tǒng)，其特征在于，模型驗(yàn)證模塊，包括：
13.一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時實(shí)現(xiàn)權(quán)利要求1至9中任一項(xiàng)所述方法的步驟。
14.一種可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)權(quán)利要求1至9中任一項(xiàng)所述的方法的步驟。
...【技術(shù)特征摘要】
1.一種基于深度學(xué)習(xí)的電力作業(yè)風(fēng)險評估方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，通過數(shù)據(jù)增強(qiáng)對所述圖片進(jìn)行擴(kuò)充，包括：
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，還包括：
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，通過對卷積神經(jīng)網(wǎng)絡(luò)更換骨干網(wǎng)絡(luò)和損失函數(shù)，構(gòu)建適用于電力作業(yè)場景的自注意力機(jī)制的電力作業(yè)檢測模型，包括：
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述骨干網(wǎng)絡(luò)，為改進(jìn)后的transformer網(wǎng)絡(luò)，改進(jìn)后的transformer網(wǎng)絡(luò)在傳統(tǒng)的transformer架構(gòu)基礎(chǔ)上建立了交叉形窗口自注意力機(jī)制，交叉形窗口自注意力機(jī)制包含兩個模塊，分別為橫向自注意力和縱向自注意力。
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述橫向自注意力，用于將輸入的特征圖拆分成個橫條的特征圖，其中sω表示橫條特征圖的寬度，c，h，w分別代表特征圖的維度，高度和寬度；
7.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述縱向自注意力，用于將輸入特征圖a(c×...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：金淼，殷小東，陳習(xí)文，張艷麗，高帥，姜振宇，盧冰，王斯琪，焦東翔，劉晶，王利賽，張鑫磊，白祎程，王旭，杜博倫，王歡，聶高寧，郭子娟，齊聰，付濟(jì)良，高克儉，
申請(專利權(quán))人：中國電力科學(xué)研究院有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。