[发明专利]变电站入侵异物实时检测方法

权利要求书

1.一种变电站入侵异物实时检测方法，其特征在于，所述方法包括以下步骤：

对变电站的监控图像进行预处理，包括图像去噪和图像增强；

将预处理后的图像输入训练好的变电站入侵异物检测模型，输出检测结果；其中，所述变电站入侵异物检测模型为改进的YoLo网络模型，所述改进的YoLo网络模型利用YoLo网络为基本结构，在每个卷积层后面添加批标准化层对卷积后的张量进行规范化，在批标准化层之后使用修改后的Dropout即R-Dropout层来构造不确定性卷积特征，在R-Dropout层之后连接池化层进行降采样，完成不确定卷积特征的提取。

2.根据权利要求1所述的变电站入侵异物实时检测方法，其特征在于，所述训练好的变电站入侵异物检测模型的训练过程包括对预测边框误差的权重进行优化，具体通过增加边界框坐标预测的损失函数的权重λ_coord，并减少不包含对象的边框的置信度的损失函数的权重λ_noobj来实现。

3.根据权利要求2所述的变电站入侵异物实时检测方法，其特征在于，所述入侵异物检测模型的损失函数为：

式中，表示对象出现在网格单元i中，表示单元格i的第j个预测边框检测到该对象，表示单元格i的第j个预测边框没有检测到该对象，S为总网格单元数的平方根，B为某个网格单元中的预测边框数，x_i,y_i表示边界框的位置坐标，ω_i、h_i为预测边框的宽与高，p_i(c)为分类结果为c类的置信度评分。

4.根据权利要求1所述的变电站入侵异物实时检测方法，其特征在于，所述R-Dropout层的计算公式：

式中，为卷积并批标准化后的张量，非线性激活函数g(·)表示在训练期间激活Dropout，线性化激活函数表示在测试时激活Dropout，⊙表示单元乘积，表示学习张量，b是一个常数，M是一个尺度为W'×H'的二元掩膜矩阵，M中的每个元素M_i,j满足伯努利分布M_i,j～Bernoulli(p)。

5.根据权利要求1所述的变电站入侵异物实时检测方法，其特征在于，所述图像去噪采用小波变换模极大值去噪法对图像进行去噪。

6.根据权利要求5所述的变电站入侵异物实时检测方法，其特征在于，所述小波变换模极大值去噪法包括以下步骤：

S1-1，对含噪声的检测图像进行离散二进制小波变换，选取分解尺度；

S1-2，求出每个尺度上小波变换系数W₂f对应的模极大值点；

S13，在最大分解尺度J，选取一个阈值，使得模极大值小于该阈值的点被作为噪声去除，并由此得到最大尺度上新的模极大值点；

S1-4，从最大分解尺度J上的每个模极大值点开始，用Adhoc算法向上搜索其对应的模极大值曲线，并将每个尺度j上不在任意模极大曲线上的点去掉，通过逐级搜索，直到尺度j＝2；

S1-5，对于尺度j＝1，在j＝2存在极值点的位置上保留j＝1时相应的极值点，而其余位置上的极值点置为零；

S1-6，由各尺度上保留下来的模极值点及其极值点的位置，选用交替投影方法重建信号。

7.根据权利要求1所述的变电站入侵异物实时检测方法，其特征在于，所述图像增强采用基于局部直方图裁剪均衡化的对比度调节算法来提高图像的对比度，增强图像的细节信息。