[发明专利]一种电力设备识别方法、系统、介质及电子设备

说明书

本公开提供了电力设备识别方法、系统、介质及电子设备，获取待识别的图像；根据获取的图像和预设卷积神经网络模型，得到电力外绝缘设备的定位识别结果；其中，预设卷积神经网络模型采用YOLO‑V3模型，将YOLO‑V3模型基础网络Darknet‑53中的标准卷积结构替换为深度可分离卷积结构，去掉Darknet‑53的全连接层和Softmax层；本公开在高实时性的同时增强了模型对小目标的检测能力，能够更好地在嵌入式终端设备上实现实时高效目标检测。

技术领域

本公开涉及电力设备识别技术领域，特别涉及一种电力设备识别方法、系统、介质及电子设备。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

在电力场景中，电力设备容易受到光照变化、角度变化、部分遮挡、形变、模糊和背景干扰的影响，且电力设备结构复杂、类型繁多、同一种类型设备相似度高，其所处的室内外复杂环境给识别造成了较大困难，使得目标识别变得极具挑战性。

发明人发现，现有的方法多大多采用深度学习的方式进行，例如基于卷积神经网络模型的电力设备识别、基于长短期记忆网络的电力设备识别等，但是现有的深度学习的方法大多结构复杂、参数量大、占用资源多，难以满足电力设备识别中的实时性需求。

发明内容

为了解决现有技术的不足，本公开提供了一种电力设备识别方法、系统、介质及电子设备，实现了电力设备的更准确识别，提高了检测的实时性。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种电力设备识别方法。

一种电力设备识别方法，包括以下过程：

获取待识别的图像；

根据获取的图像和预设卷积神经网络模型，得到电力外绝缘设备的定位识别结果；

其中，预设卷积神经网络模型采用YOLO-V3模型，将YOLO-V3模型基础网络Darknet-53中的标准卷积结构替换为深度可分离卷积结构，去掉Darknet-53的全连接层和Softmax层。

进一步的，YOLO-V3模型中，采用交叉熵损失作为损失函数，采用逻辑回归进行目标置信度计算和类别预测。

进一步的，深度可分离卷积结构将卷积操作分成深度卷积和点卷积，深度卷积对不同输入通道采取不同的卷积核进行卷积，通过点卷积完成对深度卷积输出特征图的整合。

进一步的，YOLO-V3模型包括特征融合子模块和通道注意力子模块，特征融合子模块过合并通道信息获取特征的全局空间信息；注意力模块对每个通道的全局信息进行整合，生成通道之间的非线性关系。

进一步的，YOLO-V3模型的上采样层采用两个上采样将大分辨率特征图与小分辨率特征图进行有机联结。

进一步的，YOLO-V3模型中，采用K-means聚类方法来训练边界框。

进一步的，YOLO-V3模型中，采用二进制交叉熵损失预测类。

本公开第二方面提供了一种电力设备识别系统。

一种电力设备识别系统，包括：

数据获取模块，被配置为：获取待识别的图像；

定位模块，被配置为：根据获取的图像和预设卷积神经网络模型，得到电力外绝缘设备的定位结果；

其中，预设卷积神经网络模型采用YOLO-V3模型，将YOLO-V3模型基础网络Darknet-53中的标准卷积结构替换为深度可分离卷积结构，去掉Darknet-53的全连接层和Softmax层。