[发明专利]电力设备自动监测多目标检测网络的构建方法

说明书

一种电力设备自动监测多目标检测网络的构建方法，把YOLOv3网络作为基础网络，对该网络进行优化，主要针对电力设备智能巡检中由待检测目标较小，当拍摄角度倾斜并且光线条件差时导致的检测精度下降问题，用K‑means聚类初始目标边框，TSE损失函数和自适应特征融合的方式提升网络检测精度，解决目前常见的网络检测精度低的问题。本发明构建的改进的YOLOv3网络模型比原模型检测准确率上有提高。本方法使网络适应电力设备中小物体和具有更高的鲁棒性和实时性。

技术领域

本发明涉及应用YOLOv3检测网络的多目标检测既技术领域，具体是一种电力设备自动监测多目标检测网络的构建方法。

技术背景

智能时代已经到来，电力设备的智能巡检需求与日俱增，朝着无人值守的方向发展。

目前，用深度学习方法对电力设备上待检测物体(高压开关柜上的状态指示灯、各种数字仪表及指针式仪表、高压隔离开关)的位置和类别进行检测是实现自动监测的重要步骤，同样也是待解决的问题之一。

在工程实现中，由于设备的种类也很多，在巡检设备拍摄图像定位时都会带来或多或少的偏差，而且待检测物体大小形状各异，不管是用何种设备、何种监测方式巡检，这都会给检测结果带来一些误差。

目前根据许多目标识别研究的结果表明：很多对大型数据集(如COCO、 ImageNet、VOC等)验证的速度快、准确率高的目标检测模型(如YOLOv3模型) 在针对电力设备上的高压开关柜仪表、分合指示灯和高压隔离开关等特定识别目标进行检测时，由于这些待检测物体中有很多小物体，而且会被环境变换影响，并没有表现出很高的检测准确率和鲁棒性。

发明内容

为了解决上述技术问题，本发明提出一种电力设备自动监测多目标检测网络的构建方法，本发明把YOLOv3网络作为基础网络，对该网络进行优化，主要针对电力设备智能巡检中由待检测目标较小，当拍摄角度倾斜并且光线条件差时导致的检测精度下降问题，用K-means聚类初始目标边框，TSE损失函数和自适应特征融合的方式提升网络检测精度，解决目前常见的网络检测精度低的问题。

在使用相同的自制数据集和开源数据集结合的数据集上，对发明修改后的网络和原网络及其他传统目标检测网络进行训练对比，本发明构建的改进的 YOLOv3网络模型比原模型检测准确率上有提高。本方法使网络适应电力设备中小物体和具有更高的鲁棒性和实时性。

附图说明

图1(a)～图1(f)是K-means算法图解；

图2是自适应空间特征融合方式示意图；

图3是TSE导数和SSE导数曲线图；

图4是Sigmoid函数及其导数曲线图；

图5是TSE与SSE导数的梯度变化图；

图6是数据增强前后检测效果对比图；

图7(a)和图7(b)是改变特征融合方式前后结果对比图；

图8是β取不同值时，目标检测的mA对比图。

具体实施方式

下面结合附图与具体实施方式对本案进一步说明。

对于巡检摄像机采集到的图像数据，本发明采用数据增强的方法，对样本进行数据增；利用K-means算法对先验框进行调整；在检测网络中加入自适应特征融合模块；优化loss损失函数，使用改进版的TES损失函数。具体如下：

一：扩增数据集