【技術(shù)實現(xiàn)步驟摘要】
本申請涉及電力，特別是涉及一種入侵對象檢測方法、裝置、計算機設(shè)備、計算機可讀存儲介質(zhì)和計算機程序產(chǎn)品。
技術(shù)介紹
1、在電力系統(tǒng)中，輸電線路和變電站等關(guān)鍵基礎(chǔ)設(shè)施的安全運行至關(guān)重要。然而，小動物的入侵，如松鼠和鳥類等，常常會導(dǎo)致電力設(shè)備的短路、停電和設(shè)備損壞等問題。由于這些小動物的活動區(qū)域廣泛且行為不確定，給電力系統(tǒng)的持續(xù)監(jiān)控和安全保障帶來了巨大挑戰(zhàn)。
2、傳統(tǒng)技術(shù)中，常通過熱紅外相機或紅外線柵欄進行小動物入侵檢測。
3、然而，傳統(tǒng)方法的誤檢率較高，紅外技術(shù)易受環(huán)境溫度或檢測區(qū)域中的其他高溫物體的影響，而出現(xiàn)誤檢的情況，且傳統(tǒng)方法通常難以準(zhǔn)確判定入侵對象的具體類別，因此即使進行人工復(fù)核，仍可能出現(xiàn)誤判。
技術(shù)實現(xiàn)思路
1、基于此，有必要針對上述技術(shù)問題，提供一種能夠降低小尺寸入侵對象的入侵檢測的誤檢率的入侵對象檢測方法、裝置、計算機設(shè)備、計算機可讀存儲介質(zhì)和計算機程序產(chǎn)品。
2、第一方面，本申請?zhí)峁┝艘环N入侵對象檢測方法，入侵對象檢測方法應(yīng)用于入侵對象檢測裝置，入侵對象檢測裝置上部署有訓(xùn)練好的入侵對象檢測模型，入侵對象檢測模型包括多尺度特征提取層、特征增強層和檢測層；方法包括：
3、獲取待檢測圖像數(shù)據(jù)；
4、通過多尺度特征提取層，采用混合注意力機制對待檢測圖像數(shù)據(jù)進行多尺度特征提取，得到多個不同尺度的圖像數(shù)據(jù)中間特征；
5、通過特征增強層，對每個圖像數(shù)據(jù)中間特征分別進行多方向擴張卷積處理，得到多個不同尺度的圖像
6、通過檢測層，對各圖像數(shù)據(jù)增強特征進行特征融合，得到多尺度融合特征，并基于多尺度融合特征進行入侵對象檢測。
7、在其中一個實施例中，多尺度特征提取層包括多層的特征提取網(wǎng)絡(luò)；混合注意力機制包括通道注意力機制和空間注意力機制；
8、通過多尺度特征提取層，采用混合注意力機制對待檢測圖像數(shù)據(jù)進行多尺度特征提取，得到多個不同尺度的圖像數(shù)據(jù)中間特征，包括：
9、對于任意一層特征提取網(wǎng)絡(luò)，通過特征提取網(wǎng)絡(luò)，采用混合注意力機制對輸入數(shù)據(jù)進行特征提取，得到圖像數(shù)據(jù)中間特征，輸入數(shù)據(jù)為待檢測圖像數(shù)據(jù)或上一個特征提取網(wǎng)絡(luò)輸出的圖像數(shù)據(jù)中間特征；
10、其中，通過特征提取網(wǎng)絡(luò)，采用混合注意力機制對輸入數(shù)據(jù)進行特征提取，得到圖像數(shù)據(jù)中間特征，包括：
11、對輸入數(shù)據(jù)進行卷積處理，得到初始特征圖像數(shù)據(jù)；
12、采用通道注意力機制對初始特征圖像數(shù)據(jù)進行特征提取得到圖像數(shù)據(jù)通道特征，采用空間注意力機制對初始特征圖像數(shù)據(jù)進行特征提取得到圖像數(shù)據(jù)空間特征，并對初始特征圖像數(shù)據(jù)進行卷積處理得到圖像數(shù)據(jù)深層語義特征；
13、融合圖像數(shù)據(jù)通道特征、圖像數(shù)據(jù)空間特征和圖像數(shù)據(jù)深層語義特征，得到圖像數(shù)據(jù)中間特征。
14、在其中一個實施例中，特征增強層包括多個多方向擴張卷積網(wǎng)絡(luò)；通過特征增強層，對每個圖像數(shù)據(jù)中間特征分別進行多方向擴張卷積處理，得到多個不同尺度的圖像數(shù)據(jù)增強特征，包括：
15、對于每個尺度的圖像數(shù)據(jù)中間特征，通過各多方向擴張卷積網(wǎng)絡(luò)，基于各多方向擴張卷積網(wǎng)絡(luò)各自對應(yīng)的膨脹率，在多個方向上分別對圖像數(shù)據(jù)中間特征進行擴展卷積處理，得到多個圖像數(shù)據(jù)增強初始特征；
16、對各圖像數(shù)據(jù)增強初始特征進行融合，得到每個圖像數(shù)據(jù)中間特征對應(yīng)的圖像數(shù)據(jù)增強特征。
17、在其中一個實施例中，獲取待檢測圖像數(shù)據(jù)之前，方法還包括：
18、獲取訓(xùn)練樣本圖像數(shù)據(jù)，訓(xùn)練樣本圖像數(shù)據(jù)包括訓(xùn)練樣本生成圖像數(shù)據(jù)，訓(xùn)練樣本生成圖像數(shù)據(jù)由訓(xùn)練好的循環(huán)生成對抗網(wǎng)絡(luò)生成；
19、基于訓(xùn)練樣本圖像數(shù)據(jù)，對待訓(xùn)練的入侵對象檢測模型進行模型訓(xùn)練，得到訓(xùn)練好的入侵對象檢測模型。
20、在其中一個實施例中，獲取訓(xùn)練樣本圖像數(shù)據(jù)，包括：
21、獲取入侵對象的對象初始圖像數(shù)據(jù)；
22、通過訓(xùn)練好的循環(huán)生成對抗網(wǎng)絡(luò)，基于對象初始圖像數(shù)據(jù)生成入侵對象的入侵場景圖像數(shù)據(jù)，將入侵場景圖像數(shù)據(jù)作為訓(xùn)練樣本圖像數(shù)據(jù)。
23、在其中一個實施例中，循環(huán)生成對抗網(wǎng)絡(luò)包括生成器，生成器包括編碼器、第一坐標(biāo)注意力層、密集卷積層、第二坐標(biāo)注意力層和解碼器；通過訓(xùn)練好的循環(huán)生成對抗網(wǎng)絡(luò)，基于對象初始圖像數(shù)據(jù)生成入侵對象的入侵場景圖像數(shù)據(jù)，包括：
24、通過編碼器對對象初始圖像數(shù)據(jù)進行特征提取，得到對象初始特征；
25、通過第一坐標(biāo)注意力層對對象初始特征進行空間特征增強處理，得到第一對象增強特征；
26、通過密集卷積層對第一對象增強特征進行特征融合處理，得到對象融合特征；
27、通過第二坐標(biāo)注意力層對對象融合特征進行空間特征增強處理，得到第二對象增強特征；
28、通過解碼器對第二對象增強特征進行空間尺寸恢復(fù)處理，得到入侵場景圖像數(shù)據(jù)。
29、第二方面，本申請還提供了一種入侵對象檢測裝置，裝置上部署有訓(xùn)練好的入侵對象檢測模型，入侵對象檢測模型包括多尺度特征提取層、特征增強層和檢測層；裝置包括：
30、獲取模塊，用于獲取待檢測圖像數(shù)據(jù)；
31、特征提取模塊，用于通過多尺度特征提取層，采用混合注意力機制對待檢測圖像數(shù)據(jù)進行多尺度特征提取，得到多個不同尺度的圖像數(shù)據(jù)中間特征；
32、特征增強模塊，用于通過特征增強層，對每個圖像數(shù)據(jù)中間特征分別進行多方向擴張卷積處理，得到多個不同尺度的圖像數(shù)據(jù)增強特征；
33、檢測模塊，用于通過檢測層，對各圖像數(shù)據(jù)增強特征進行特征融合，得到多尺度融合特征，并基于多尺度融合特征進行入侵對象檢測。
34、第三方面，本申請還提供了一種計算機設(shè)備，包括存儲器和處理器，存儲器存儲有計算機程序，處理器執(zhí)行計算機程序時實現(xiàn)以下步驟：
35、獲取待檢測圖像數(shù)據(jù)；
36、通過多尺度特征提取層，采用混合注意力機制對待檢測圖像數(shù)據(jù)進行多尺度特征提取，得到多個不同尺度的圖像數(shù)據(jù)中間特征；
37、通過特征增強層，對每個圖像數(shù)據(jù)中間特征分別進行多方向擴張卷積處理，得到多個不同尺度的圖像數(shù)據(jù)增強特征；
38、通過檢測層，對各圖像數(shù)據(jù)增強特征進行特征融合，得到多尺度融合特征，并基于多尺度融合特征進行入侵對象檢測。
39、第四方面，本申請還提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，計算機程序被處理器執(zhí)行時實現(xiàn)以下步驟：
40、獲取待檢測圖像數(shù)據(jù)；
41、通過多尺度特征提取層，采用混合注意力機制對待檢測圖像數(shù)據(jù)進行多尺度特征提取，得到多個不同尺度的圖像數(shù)據(jù)中間特征；
42、通過特征增強層，對每個圖像數(shù)據(jù)中間特征分別進行多方向擴張卷積處理，得到多個不同尺度的圖像數(shù)據(jù)增強特征；
43、通過檢測層，對各圖像數(shù)據(jù)增強特征進行特征融合，得到多尺度融合特征，并基于多尺度融合特征進行入侵對象檢測。<本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種入侵對象檢測方法，其特征在于，所述入侵對象檢測方法應(yīng)用于入侵對象檢測裝置，所述入侵對象檢測裝置上部署有訓(xùn)練好的入侵對象檢測模型，所述入侵對象檢測模型包括多尺度特征提取層、特征增強層和檢測層；所述方法包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述多尺度特征提取層包括多層的特征提取網(wǎng)絡(luò)；所述混合注意力機制包括通道注意力機制和空間注意力機制；
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述特征增強層包括多個多方向擴張卷積網(wǎng)絡(luò)；所述通過所述特征增強層，對每個所述圖像數(shù)據(jù)中間特征分別進行多方向擴張卷積處理，得到多個不同尺度的圖像數(shù)據(jù)增強特征，包括：
4.根據(jù)權(quán)利要求1至3任意一項所述的方法，其特征在于，所述獲取待檢測圖像數(shù)據(jù)之前，所述方法還包括：
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述獲取訓(xùn)練樣本圖像數(shù)據(jù)，包括：
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述循環(huán)生成對抗網(wǎng)絡(luò)包括生成器，所述生成器包括編碼器、第一坐標(biāo)注意力層、密集卷積層、第二坐標(biāo)注意力層和解碼器；所述通過訓(xùn)練好的循環(huán)生成對抗網(wǎng)絡(luò)，基于所述對
7.一種入侵對象檢測裝置，其特征在于，所述裝置上部署有訓(xùn)練好的入侵對象檢測模型，所述入侵對象檢測模型包括多尺度特征提取層、特征增強層和檢測層；所述裝置包括：
8.一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)權(quán)利要求1至6中任一項所述的方法的步驟。
9.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1至6中任一項所述的方法的步驟。
10.一種計算機程序產(chǎn)品，包括計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1至6中任一項所述的方法的步驟。
...【技術(shù)特征摘要】
1.一種入侵對象檢測方法，其特征在于，所述入侵對象檢測方法應(yīng)用于入侵對象檢測裝置，所述入侵對象檢測裝置上部署有訓(xùn)練好的入侵對象檢測模型，所述入侵對象檢測模型包括多尺度特征提取層、特征增強層和檢測層；所述方法包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述多尺度特征提取層包括多層的特征提取網(wǎng)絡(luò)；所述混合注意力機制包括通道注意力機制和空間注意力機制；
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述特征增強層包括多個多方向擴張卷積網(wǎng)絡(luò)；所述通過所述特征增強層，對每個所述圖像數(shù)據(jù)中間特征分別進行多方向擴張卷積處理，得到多個不同尺度的圖像數(shù)據(jù)增強特征，包括：
4.根據(jù)權(quán)利要求1至3任意一項所述的方法，其特征在于，所述獲取待檢測圖像數(shù)據(jù)之前，所述方法還包括：
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述獲取訓(xùn)練樣本圖像數(shù)據(jù)，包括：
6.根據(jù)權(quán)利要求5所述的方法，其特征在...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：高朋，饒竹一，李英，鄭筠，
申請(專利權(quán))人：深圳供電局有限公司，
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。