CN112419232A - YOLOv3结合注意力模块的低压断路器状态检测方法 - Google Patents
YOLOv3结合注意力模块的低压断路器状态检测方法 Download PDFInfo
- Publication number
- CN112419232A CN112419232A CN202011109996.1A CN202011109996A CN112419232A CN 112419232 A CN112419232 A CN 112419232A CN 202011109996 A CN202011109996 A CN 202011109996A CN 112419232 A CN112419232 A CN 112419232A
- Authority
- CN
- China
- Prior art keywords
- low
- circuit breaker
- voltage circuit
- image
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 11
- 241000512668 Eunectes Species 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 9
- 238000003672 processing method Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种YOLOv3结合注意力模块的低压断路器状态检测方法,包括以下步骤:步骤1、获取原始低压断路器开关状态的图像,并对其进行数据处理,构建低压断路器开关状态图像数据集;步骤2、对低压断路器开关状态图像数据集进行图像标注处理,构建对应的图像样本集;步骤3、利用图像样本集数据训练得到能正确识别低压断路器开关状态的模型;步骤4、将待识别的低压断路器开关状态图像输入嵌入注意力模块的yolov3网络中进行特征提取和检测,输出对应的低压断路器开关状态结果。本发明对低压断路器开关状态检测的精确率、召回率高,识别速度快。
Description
技术领域
本发明属于低压断路器状态检测技术领域,尤其是一种YOLOv3结合注意力模块的低压断路器状态检测。
背景技术
传统低压断路器开关状态的信息采集大都采用人工观察,但人工工作繁琐,效率较低。随着智能电网的不断发展,基于数字图像处理方法的低压断路器开关状态检测系统被广泛应用,但传统的图像识别技术,容易受到光线,监控设备性能影响。还有的方法就是基于增加电流表,电压表的方法,或者基于红外反射原理、基于电磁感应原理、基于外设辅助触点的方法等都需要增加大量的二次回路且改造工程繁琐,改造时需要设备停电等缺点。
针对传统的低压断路器开关状态检测方法存在效率低、结构复杂、识别精度不足的问题,本发明提出了一种YOLOv3结合注意力模块的低压断路器状态检测方法。
发明内容
本发明的目的在于克服现有技术的不足,提出一种YOLOv3结合注意力模块的低压断路器状态检测方法,解决了传统的低压断路器开关状态检测方法效率低、结构复杂、识别精度不足的技术问题。
本发明解决其现实问题是采取以下技术方案实现的:
一种YOLOv3结合注意力模块的低压断路器状态检测方法,包括以下步骤:
步骤1、获取原始低压断路器开关状态的图像,并对其进行数据处理,构建低压断路器开关状态图像数据集;
步骤2、对步骤1构建的低压断路器开关状态图像数据集进行图像裁剪和标注处理,构建对应的图像样本集;
步骤3、利用步骤2的图像样本集数据训练得到能正确识别低压断路器开关状态的模型;
步骤4、将待识别的低压断路器开关状态图像输入嵌入注意力模块的yolov3网络中进行特征提取和检测,输出对应的低压断路器开关状态结果。
而且,所述步骤1的处理方法包括如下步骤:
(1)将原始低压断路器图像转换为jpg格式的低压断路器图像,该低压断路器图像包括正常状态低压断路器图像和不正常低压断路器图像;
(2)对非正常低压断路器图像进行数据增强处理,构建低压断路器开关状态图像数据集,其数据增强处理方法包括:提升低压断路器开关状态对比度亮度处理、对低压断路器图像进行水平翻转处理。
而且,所述步骤2的具体步骤包括:
(1)使用开源数据标注工具对低压断路器图像数据集中的开关位置进行画框及标签添加的标注处理;
(2)对低压断路器图像数据集中的开关位置进行画框及标签添加的标注处理后,每个画框及标签添加的低压断路器开关状态图像均会自动生成voc格式的xml文件,便于后续的模型训练;
(3)将画框及标签添加后的低压断路器开关状态图像数据集划分出训练集、测试集和验证集,作为图像样本集。
而且,所述步骤3的具体方法为:
首先设置模型训练参数和初始权重,然后读取训练集中的图像并将训练图像缩放至320*320像素,缩放后的图像输入到嵌入注意力模块的yolov3网络进行模型训练,再根据训练损失调整超参数,接着继续训练得到最终的模型。
而且,所述步骤4的具体方法为:将待识别的低压断路器开关状态图像缩放至320*320像素并输入到YOLOv3结合注意力模块的网络中进行检测,输出对应的低压断路器开关状态结果。
而且,在步骤1的获取原始低压断路器开关状态的图像之前还包括如下环境搭建的处理步骤:
(1)下载Anaconda紧接着运行Anaconda Prompt,在此界面输入conda create-nforYolov3 pip python=3.6来下载Python3.6,
(2)下一步输入conda activate forYolov3后回车,接着输入命令pip installkeras==2.1.5来安装Keras,接着输入pip install tensorflow==1.12.0来安装tensorflow,接着输入pip install pillow来安装pillow,接着输入pip installmatplotlib来安装matplotlib,接着输入pip install ffmpeg来安装ffmpeg,接着输入pipinstall opencv来安装opencv,紧接着在github上下载keras-yolo3,在去下载yolov3权重文件放到keras-yolo3文件夹内,接着再去下载一个pycharm先用pycharm打开yolov3工程:点击File选择Open,浏览打开本地下载好的yolov3工程,然后单击左上角的File选择Setting,配置python解释器,选择Project Interpreter,选择Anaconda安装目录,选择envs下创建的环境的python.exe。
而且,所述步骤3的注意力模块包括多尺度特征融合模块和注意力机制模块;
所述多尺度特征融合模块用于在本yolov3网络的的最后阶段的输出特征经过五次卷积后生成特征f1,特征f1再连接到一个1*1,步长为1的卷积核,得到特征f2。再将特征f2经过一次上采样后放到与本网络第四阶段的第三个卷积核的输出特征f3相同大小,得到上采样后的特征f4,特征f3和特征f4分别经过卷积操作后相加,再经过Relu激活函数得到特征f6;
所述注意力机制模块用于将多尺度特征融合模块得到的特征f6分别通过三个卷积核大小为1*1,步长为1的卷积核后生成三个新的特征f7,f8,f9,在分别将特征f7、f8、f9进行重组得到重组后的特征f10,f11,f12再将特征f10的转置与特征f11相乘生成注意力映射图A与特征f12相乘得到特征f13,最后将特征f13进行重组后再与特征f6元素相加得到最后的特征f14。送入下一阶段继续卷积。
本发明的优点和有益效果:
1、本发明基于深度学习的卷积神经网络的方法提出了一种让计算机自动学习出模式特征的低压断路器状态检测方法,并将特征学习融入到了建立模型的过程中,具有更好的适应性,方式更为简洁,检测精度也更高。
2、本发明的注意力模块让神经网络在学习过程中获得更为重要的目标区域,得到注意力焦点,就会对这一目标区域投入更多的关注,获取更多目标的细节信息,从而抑制其他无用信息,这样就可以抑制背景,突出目标。
3、本发明以yolov3网络模型为基础,引入注意力模块,充分发挥了深度学习方提取特征的优势,能够不依赖人工的特征工程,从大量数据集中先学习简单的浅层特征,再逐渐学习到更为复杂抽象的深层特征,性能更好,缺陷种类识别精度更高,且低压断路器开关状态的精确率、召回率高,识别速度快。
附图说明
图1为本发明的处理流程图;
图2为本发明的注意力模块示意图。
具体实施方式
以下结合附图对本发明实施例作进一步详述:
一种YOLOv3结合注意力模块的低压断路器状态检测方法,如图1所示,包括以下步骤:
步骤1、获取原始低压断路器开关状态的图像,并对其进行数据处理,构建低压断路器开关状态图像数据集。
在本实施例中,所述步骤1的处理方法包括如下步骤:
(1)将原始低压断路器图像转换为jpg格式的低压断路器图像,该低压断路器图像包括正常状态低压断路器图像和不正常低压断路器图像,且所述不正常低压断路器图像数量远小于正常状态低压断路器图像;
(2)对非正常低压断路器图像进行数据增强处理,构建低压断路器开关状态图像数据集;
其数据增强处理方法包括:提升低压断路器开关状态对比度亮度处理、对低压断路器图像进行水平翻转处理。
在步骤1中,由于原始图像数据的格式为tif格式,而一般YOLOV3算法要求图像在进行检测和识别时应为jpg格式;为保证图像格式转换完全,先用图片格式转换软件将原始低压断路器图像格式进行批量转换,再利用格式转换程序对图像格式进行进一步处理。
到了数据处理处理的最后一步,对数据进行标注,也就是先要告诉机器图像里面有什么物体、物体位置在哪里,有了这些信息才能来训练模型,所以我们对先前已经进行数据处理的各类型低压断路器图像中的开关进行画框和标签添加;如果要标注的图像有很多,那么就需要一张一张手动去计算位置信息,制作xml文件;
步骤2、对步骤1构建的低压断路器开关状态图像数据集进行图像裁剪和标注处理,构建对应的图像样本集。
所述步骤2的具体步骤包括:
(1)使用数据标注工具对低压断路器图像数据集中的开关位置进行画框及标签添加的标注处理;
在进行画框及标签添加处理过程中,每个低压断路器图像中至少有一个开关需要画框及标签添加,而大部分的低压断路器开关图像有2-4个开关需要画框和标签添加。
(2)对低压断路器图像数据集中的开关位置进行画框及标签添加的标注处理后,每个画框及标签添加的低压断路器开关状态图像均会自动生成voc格式的xml文件,便于后续的模型训练;
(3)将画框及标签添加后的低压断路器开关状态图像数据集划分出训练集、测试集和验证集,作为图像样本集。
在本实施例中,keras-yolo3文件夹下新建VOCdevkit文件夹,在VOCdevkit文件夹下建立VOC2007文件夹,在VOC2007文件夹下分别建立Annotations文件夹、JPEGImages文件夹以及ImageSets文件夹;在ImageSets文件夹下建立Main文件夹。在Main文件夹下建立train.txt、val.txt、test.txt以及trainval.txt四个文件,分别用于存放训练集、验证集、测试集和训练验证集。
Annotations文件夹用于存放标注后的图像的xml文件;JPEGImages文件夹用于存放训练用的图像。
步骤3、利用步骤2的图像样本集数据训练得到能正确识别低压断路器开关状态的模型;
所述步骤3的具体方法为:
首先设置模型训练参数和初始权重,然后读取训练集中的图像并将训练图像缩放至320*320像素,缩放后的图像输入到嵌入注意力模块的yolov3网络进行模型训练,再根据训练损失调整超参数,接着继续训练得到最终的模型。
(1)在keras-yolo3文件内第一次设置训练参数:设置学习率为0.1,衰减系数0.0005,迭代次数为100,batchsize为64。
(2)参数调整:通过第一次训练的损失函数结果,测试集和验证集对第一阶段训练模型进行验证,并根据验证结果对第一阶段训练模型参数进行调整,获得第一阶段YOLOV3模型。
(3)确定第二次训练模型:根据GPU的显存空间大小,来确定是否调整调整beachsize的大小,根据loss曲线来决定调整迭代次数、学习率和衰减系数。
(4)第二次训练参数设置:设置learning rate为0.01,衰减系数为0.0005,迭代次数为300,batchsize为64;
(5)当第二阶段训练模型的loss值变化在20内,完成次阶段的YOLOV3模型训练,通过观察PR曲线和AP值还有上升空间。
(6)根据第二次训练模型的情况,继续调整参数确定第三次训练的参数设置:设置学习率为0.001,衰减系数为0.0005,迭代次数为300,batchsize为64。
(7)当完成第三次训练时,观察loss曲线,loss值为15左右,继续调整参数。
(8)第四次参数设置为:设置学习率为0.001,衰减系数为0.005,迭代次数为500,batchsize为64。Loss值最终稳定在10左右。
(9)第五次参数设置为:设置学习率为0.001,衰减系数为0.05,迭代次数为500,batchsize为64。Loss值最终稳定在10左右。
(10)最终通过比较选择,设置学习率为0.001,衰减系数为0.005,迭代次数为500,batchsize为64。Loss值最终稳定在10左右,且AP值最好,PR曲线最好,获得低压断路器开关状态模型,结束训练。(如图2所示)
(11)接下来就可以用测试集来测试模型的效果。
步骤4、将待识别的低压断路器开关状态图像输入嵌入注意力模块的yolov3网络中进行特征提取和检测,输出对应的低压断路器开关状态结果。
所述步骤4的具体方法为:将待识别的低压断路器开关状态图像缩放至320*320像素并输入到YOLOv3结合注意力模块的网络中进行检测,输出对应的低压断路器开关状态结果。
在线测试,电脑CPU为酷睿i7系列,内存为16GB,显卡为双GTX1080显卡,在Windows10的平台下完成,基于keras程序实现;首先将测试用的图像缩放至320*320像素并输入改进的yolov3网络模型中进行检测;单张图像检测时间为0.6s,能满足生产效率的要求。
本实施例对三种不同类别的低压断路器进行测试且图片有明亮、模糊、橫置、斜置四种情况,最终识别准确率在97%左右,说明本申请方法对于低压断路器开关状态检测精度高。
在本实施例中,在步骤1的获取原始低压断路器开关状态的图像之前还包括如下环境搭建的处理步骤:
(1)下载Anaconda紧接着运行Anaconda Prompt,在此界面输入conda create-nforYolov3 pip python=3.6来下载Python3.6,
(2)下一步输入conda activate forYolov3后回车,接着输入命令pip installkeras==2.1.5来安装Keras,接着输入pip install tensorflow==1.12.0来安装tensorflow,接着输入pip install pillow来安装pillow,接着输入pip installmatplotlib来安装matplotlib,接着输入pip install ffmpeg来安装ffmpeg,接着输入pipinstall opencv来安装opencv,紧接着在github上下载keras-yolo3,在去下载yolov3权重文件放到keras-yolo3文件夹内,接着再去下载一个pycharm先用pycharm打开yolov3工程:点击File选择Open,浏览打开本地下载好的yolov3工程,然后单击左上角的File选择Setting,配置python解释器,选择Project Interpreter,选择Anaconda安装目录,选择envs下创建的环境的python.exe。
如图2所示,所述步骤3的注意力模块包括多尺度特征融合模块和注意力机制模块;
所述多尺度特征融合模块用于在本yolov3网络的的最后阶段的输出特征经过五次卷积后生成特征f1,特征f1再连接到一个1*1,步长为1的卷积核,得到特征f2。再将特征f2经过一次上采样后放到与本网络第四阶段的第三个卷积核的输出特征f3相同大小,得到上采样后的特征f4,特征f3和特征f4分别经过卷积操作后相加,再经过Relu激活函数得到特征f6。
所述注意力机制模块用于将多尺度特征融合模块得到的特征f6分别通过三个卷积核大小为1*1,步长为1的卷积核后生成三个新的特征f7,f8,f9,在分别将特征f7、f8、f9进行重组得到重组后的特征f10,f11,f12再将特征f10的转置与特征f11相乘生成注意力映射图A与特征f12相乘得到特征f13,最后将特征f13进行重组后再与特征f6元素相加得到最后的特征f14。送入下一阶段继续卷积。
需要强调的是,本发明所述实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (7)
1.一种YOLOv3结合注意力模块的低压断路器状态检测方法,其特征在于:包括以下步骤:
步骤1、获取原始低压断路器开关状态的图像,并对其进行数据处理,构建低压断路器开关状态图像数据集;
步骤2、对步骤1构建的低压断路器开关状态图像数据集进行图像裁剪和标注处理,构建对应的图像样本集;
步骤3、利用步骤2的图像样本集数据训练得到能正确识别低压断路器开关状态的模型;
步骤4、将待识别的低压断路器开关状态图像输入嵌入注意力模块的yolov3网络中进行特征提取和检测,输出对应的低压断路器开关状态结果。
2.根据权利要求1所述的一种YOLOv3结合注意力模块的低压断路器状态检测方法,其特征在于:所述步骤1的处理方法包括如下步骤:
(1)将原始低压断路器图像转换为jpg格式的低压断路器图像,该低压断路器图像包括正常状态低压断路器图像和不正常低压断路器图像;
(2)对非正常低压断路器图像进行数据增强处理,构建低压断路器开关状态图像数据集,其数据增强处理方法包括:提升低压断路器开关状态对比度亮度处理、对低压断路器图像进行水平翻转处理。
3.根据权利要求1所述的一种YOLOv3结合注意力模块的低压断路器状态检测方法,其特征在于:所述步骤2的具体步骤包括:
(1)使用数据标注工具对低压断路器图像数据集中的开关位置进行画框及标签添加的标注处理;
(2)对低压断路器图像数据集中的开关位置进行画框及标签添加的标注处理后,每个画框及标签添加的低压断路器开关状态图像均会自动生成voc格式的xml文件,便于后续的模型训练;
(3)将画框及标签添加后的低压断路器开关状态图像数据集划分出训练集、测试集和验证集,作为图像样本集。
4.根据权利要求1所述的一种YOLOv3结合注意力模块的低压断路器状态检测方法,其特征在于:所述步骤3的具体方法为:
首先设置模型训练参数和初始权重,然后读取训练集中的图像并将训练图像缩放至320*320像素,缩放后的图像输入到嵌入注意力模块的yolov3网络进行模型训练,再根据训练损失调整超参数,接着继续训练得到最终的模型。
5.根据权利要求1所述的一种YOLOv3结合注意力模块的低压断路器状态检测方法,其特征在于:所述步骤4的具体方法为:将待识别的低压断路器开关状态图像缩放至320*320像素并输入到YOLOv3结合注意力模块的网络中进行检测,输出对应的低压断路器开关状态结果。
6.根据权利要求1所述的一种YOLOv3结合注意力模块的低压断路器状态检测方法,其特征在于:在步骤1的获取原始低压断路器开关状态的图像之前还包括如下环境搭建的处理步骤:
(1)下载Anaconda紧接着运行Anaconda Prompt,在此界面输入conda create-nforYolov3 pip python=3.6来下载Python3.6,
(2)下一步输入conda activate forYolov3后回车,接着输入命令pipinstall keras==2.1.5来安装Keras,接着输入pip install tensorflow==1.12.0来安装tensorflow,接着输入pip install pillow来安装pillow,接着输入pip installmatplotlib来安装matplotlib,接着输入pipinstallffmpeg来安装ffmpeg,接着输入pipinstallopencv来安装opencv,紧接着在github上下载keras-yolo3,在去下载yolov3权重文件放到keras-yolo3文件夹内,接着再去下载一个pycharm先用pycharm打开yolov3工程:点击File选择Open,浏览打开本地下载好的yolov3工程,然后单击左上角的File选择Setting,配置python解释器,选择ProjectInterpreter,选择Anaconda安装目录,选择envs下创建的环境的python.exe。
7.根据权利要求4所述的一种YOLOv3结合注意力模块的低压断路器状态检测方法,其特征在于:所述步骤3的注意力模块包括多尺度特征融合模块和注意力机制模块;
所述多尺度特征融合模块用于在本yolov3网络的的最后阶段的输出特征经过五次卷积后生成特征f1,特征f1再连接到一个1*1,步长为1的卷积核,得到特征f2。再将特征f2经过一次上采样后放到与本网络第四阶段的第三个卷积核的输出特征f3相同大小,得到上采样后的特征f4,特征f3和特征f4分别经过卷积操作后相加,再经过Relu激活函数得到特征f6;
所述注意力机制模块用于将多尺度特征融合模块得到的特征f6分别通过三个卷积核大小为1*1,步长为1的卷积核后生成三个新的特征f7,f8,f9,在分别将特征f7、f8、f9进行重组得到重组后的特征f10,f11,f12再将特征f10的转置与特征f11相乘生成注意力映射图A与特征f12相乘得到特征f13,最后将特征f13进行重组后再与特征f6元素相加得到最后的特征f14。送入下一阶段继续卷积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011109996.1A CN112419232A (zh) | 2020-10-16 | 2020-10-16 | YOLOv3结合注意力模块的低压断路器状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011109996.1A CN112419232A (zh) | 2020-10-16 | 2020-10-16 | YOLOv3结合注意力模块的低压断路器状态检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112419232A true CN112419232A (zh) | 2021-02-26 |
Family
ID=74854987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011109996.1A Pending CN112419232A (zh) | 2020-10-16 | 2020-10-16 | YOLOv3结合注意力模块的低压断路器状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419232A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102314615A (zh) * | 2011-07-30 | 2012-01-11 | 山东电力研究院 | 基于变电站巡检机器人的断路器状态模板匹配识别方法 |
CN106022345A (zh) * | 2016-04-13 | 2016-10-12 | 杭州远鉴信息科技有限公司 | 一种基于霍夫森林的高压隔离开关状态识别方法 |
CN111566493A (zh) * | 2018-10-09 | 2020-08-21 | Abb瑞士股份有限公司 | 用于断路器状态监测的方法和系统 |
CN111598860A (zh) * | 2020-05-13 | 2020-08-28 | 河北工业大学 | 基于嵌入自注意力门模块的yolov3网络的锂电池缺陷检测方法 |
CN111612751A (zh) * | 2020-05-13 | 2020-09-01 | 河北工业大学 | 基于嵌入分组注意力模块的Tiny-yolov3网络的锂电池缺陷检测方法 |
-
2020
- 2020-10-16 CN CN202011109996.1A patent/CN112419232A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102314615A (zh) * | 2011-07-30 | 2012-01-11 | 山东电力研究院 | 基于变电站巡检机器人的断路器状态模板匹配识别方法 |
CN106022345A (zh) * | 2016-04-13 | 2016-10-12 | 杭州远鉴信息科技有限公司 | 一种基于霍夫森林的高压隔离开关状态识别方法 |
CN111566493A (zh) * | 2018-10-09 | 2020-08-21 | Abb瑞士股份有限公司 | 用于断路器状态监测的方法和系统 |
CN111598860A (zh) * | 2020-05-13 | 2020-08-28 | 河北工业大学 | 基于嵌入自注意力门模块的yolov3网络的锂电池缺陷检测方法 |
CN111612751A (zh) * | 2020-05-13 | 2020-09-01 | 河北工业大学 | 基于嵌入分组注意力模块的Tiny-yolov3网络的锂电池缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
孙曙光等: "基于一维卷积神经网络的低压万能式断路器附件故障诊断", 《电工技术学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111210024B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
CN111598860B (zh) | 基于嵌入自注意力门模块的yolov3网络的锂电池缺陷检测方法 | |
CN113379699A (zh) | 基于深度学习的输电线路绝缘子缺陷检测方法 | |
CN110136101B (zh) | 一种基于孪生距离比对的轮胎x光病疵检测方法 | |
CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
CN113537244B (zh) | 一种基于轻量化YOLOv4的家畜图像目标检测方法及装置 | |
CN114155244B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN111008641B (zh) | 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法 | |
CN113139543A (zh) | 目标对象检测模型的训练方法、目标对象检测方法和设备 | |
CN111079861A (zh) | 一种基于图像快速处理技术的配电网电压异常诊断方法 | |
CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
CN117351311A (zh) | 一种基于双模态数据融合的变电站设备检测方法及系统 | |
CN111105399A (zh) | 开关表面缺陷检测方法及系统 | |
CN113011295B (zh) | 基于遥感影像识别光伏发电站的方法、计算机设备和介质 | |
CN112419232A (zh) | YOLOv3结合注意力模块的低压断路器状态检测方法 | |
CN117315387A (zh) | 一种工业缺陷图像生成方法 | |
CN116541689A (zh) | 多模态数据采集与标注方法、装置、计算机设备 | |
CN116188361A (zh) | 一种基于深度学习的铝型材表面缺陷分类方法及装置 | |
Mou et al. | State recognition of electric control cabinet switches based on cnns | |
CN115587989A (zh) | 一种工件ct图像缺陷检测分割方法及系统 | |
CN114140662A (zh) | 一种基于循环生成对抗网络的绝缘子雷击图像样本增广方法 | |
CN113947567A (zh) | 基于多任务学习的缺陷检测方法 | |
CN110399911A (zh) | 一种基于声场分布云图的变压器机械故障诊断方法 | |
CN117893538B (zh) | 基于机器视觉的半导体器件质量检测方法、装置及系统 | |
CN117781661B (zh) | 一种基于d-lka网络模型的硅片烘干改善方法及其装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210226 |
|
RJ01 | Rejection of invention patent application after publication |