[发明专利]一种配网工程强化管控方法

权利要求书

1.一种配网工程强化管控方法，其特征在于：包括如下步骤：

步骤S1、设定监理机器人在配网施工现场的监理线路s和监理速度v；

步骤S2、搭载RGB相机的监理机器人按照步骤S1中设定的线路s和速度v监理，拍摄监理视频，记录相机的运动方程F；

步骤S3、对采集的视频标注出每一帧所涉及配网现场目标的种类、数量和位置，形成标准场景图像库；

步骤S4、采集步骤S3中所涉及的配网现场目标，制作成配网施工现场目标数据集；

步骤S5、将YOLOV5s深度神经网络在步骤S4中的数据集上进行训练，得到训练权重；

步骤S6、制作步骤S3中标准场景图像库的负样本；

步骤S7、将基于概率相似度的MatchNet神经网络在正负样本上进行训练，得到最终的网络；

步骤S8、监理机器人按照步骤S1中设定的线路和速度以及步骤S2中记录的相机运动方程F进行监理；

步骤S9、监理过程中将拍摄的每一帧图像与步骤S3中的标准场景库相同时刻前后各30帧图片采用基于概率相似度的MatchNet神经网络比对；

步骤S10、将步骤S9中初步比对异常的图片采用步骤S5中训练好的YOLOV5s深度神经网络进行最终异常检测；

步骤S11、输出比对异常的结果。

2.根据权利要求1所述的一种配网工程强化管控方法，其特征在于：步骤S3包括如下步骤：将采集的监理视频解析到每一帧，采用labelme标注工具标注出每一张图片中的配网施工现场目标，生成符合YOLOV5神经网络的标注文件；

每张图片的标注信息包含有目标种类、目标数量和在图片中的位置信息；表示如下：

class_id,x,y,w,h

class_id表示目标类别编号，从0开始依次递增；(x,y)为真实框中心相对于图片左上角的坐标值与图片宽高的比例；(w,h)为真实框的宽高相对于图片宽高的比例；

标注后的所有标注文件和监理视频作为标准场景库。

3.根据权利要求1所述的一种配网工程强化管控方法，其特征在于：步骤S5包括如下步骤：使用kmeans++算法在步骤S4中的数据集上聚类出9类先验框尺寸；

YOLOV5s算法的训练总轮数为500500，初始学习率设为0.0013，并让其在训练至400000轮和450000轮时分别降低至原数值的1/10，decay设置为0.0005，训练过程中，对图片进行旋转和色调、饱和度变化以防止过拟合；

类别损失函数采用交叉熵损失函数，如下式所示：

其中，L_class表示预测框的类别损失；表示第i个网格检测到目标时，此目标属于类别c的实际概率；表示第i个网格检测到目标时，此目标属于类别c的预测概率；c表示所检测到的目标所属的类别；

边界框回归损失函数采用GIoU损失函数，函数原理式如下：

L_GIoU＝1-GIoU

上式中L_GIoU表示GIoU损失；P表示预测框；G表示真实框；C表示同时包含预测框与真实框的最小外接矩形面积；

总的损失函数为：

L_loss＝L_class+L_GIoU。

4.根据权利要求1或2或3所述的一种配网工程强化管控方法，其特征在于：步骤S6包括如下步骤：

对步骤S3中标准场景图像库的每张图片随机作mask遮挡、明暗、灰度变化以及模糊处理，得到负样本图像库；

将标准场景图像库和负样本图像库中的每张图片分别划分为64×64的图像块，得到用于训练的正负样本。