[发明专利]一种基于空间特征表示的目标检测网络的检测方法和系统

说明书

本发明涉及一种基于空间特征表示的目标检测网络的检测方法和系统，其能提取具有丰富空间表示的特征，增强网络特征选择能力，以适应具有极端纵横比的物体的形状，提高检测长、窄物体的能力。采用本发明的方法和系统在变电站多目标检测中输出的预测框对实际目标的拟合程度比较理想。空间特征表示模块可以有效提取出目标骨干特征信息，增强了网络特征提取能力，有效提高细长目标检测性能。

技术领域

本发明涉及目标检测技术领域，具体为一种基于空间特征表示的目标检测网络。

背景技术

变电站是电力系统的重要基础设施，在电能输送和配送环节发挥了重要作用，变电站内的关键电气设备一旦发生故障可能引起大面积停电事故[1]。由于复杂的电磁环境和安全等因素，变电站关键设备的运行维护异常复杂。随着深度学习的不断发展，设备智能化程度越来越高，图像、视频等非结构化数据均为识别检测所需的重要信息，基于深度学习的变电站多目标检测应用愈发广泛。目前，主流的变电站多目标检测方法大多存在电网运维场景复杂、环境干扰强、安全距离远等导致的目标识别困难；数据质量良莠不齐、尤其是故障状态数据偏少，异常设备识别率与准确度不高，误检、漏检概率大的问题。

2014年Girshick等提出了R-CNN算法在目标检测领域取得了极大的性能提升，标志着目标检测的深度学习时代开启。（REN Shaoqing，HE Kaiming，GIRSHICK R，et al．Faster R-CNN：towards real-time object detection with region proposal networks[C]// Proceedings of the 28th International Conference on NeuralInformation Processing Systems．Montreal：NIPS，2015： 91-99．）2015年Ren等进一步提出了基于大量候选区的两阶段算法Faster R-CNN ，通过牺牲检测速度以获得较高的检测精度。（REDMON J，DIVVALA S，GIRSHICK R，et al．You only look once：unified，real-time object detection[C]// Proceedings of 2016 IEEE Conference on ComputerVision and Pattern Recognition．Las Vegas：IEEE，2016：779-788．）经典的一阶段网络有Yolo 系列，SSD，RetinaNet等，在图像上预先定义了不同大小和比例的锚框以代替两阶段算法。近年来，在自然语言处理领域大放异彩的transformer也被成功应用到目标检测中，Facebook AI的研究者提出了CNN和transformer的融合版本DETR用于目标检测和全景分割，实现了端到端的预测。（CHEN H，WANG Y，WANG G，et al. LSTD：A Low-Shot TransferDetector for Object Detection［EB/OL］. 2021-08-10］.https：//doi.org/10.48550/arXiv.1803.01529）目前通过无人机巡检视频图像可以实现复杂背景中目标的提取，但对于变电站场景下的异物检测问题还需进一步验证。(Innmann M, Michael Zollhöfer,Matthias Nießner, et al. VolumeDeform: Real-Time Volumetric Non-rigidReconstruction[C]. ECCV, 2016, 9912(8):362-379.)基于毫米波极化SAR图像来提取巡检目标的方法，但算法在多目标检测与模型可移植性较低，仅适用于单目标巡检任务，难以满足变电站巡检任务的复杂需求。(Katia Sycara, Robin Glinton, Bin Yu, et al. Anintegrated approach to high-level information fusion[J]. Information Fusion,2009, 12(3): 25-50)总体而言，目前在变电领域的图像识别于缺陷检测方面进行了很多技术研究，但识别准确率仍然不尽如人意，尚不具备大规模工程化应用条件。