CN114331987A - 一种接线端子锈蚀全景监控图像的边缘侧轻量化处理方法 - Google Patents

Abstract

一种接线端子锈蚀全景监控图像的边缘侧轻量化处理方法，属于特高压换流站全景监控图像处理技术领域，解决大量重复的特高压换流站保护装置接线端子锈蚀图片数据直接上传至云端，占用大量云端资源问题；利用基于双注意力MobileNet提取特征，在边缘侧构建一个能精准识别和定位接线端子锈蚀的小体量的轻量级检测模型，处理大量重复的锈蚀监控数据，并采用双注意力模型对轻量化后的网络结构进行优化，弥补了由于减少参数带来的精度损失，能做到在低参数量和低时延的情况下依旧精准的识别和定位出锈蚀区域，减少了参数量的同时提升检测速度和检测精度，具有更好鲁棒性和泛化能力，将原本放在云端处理的数据放在边缘侧进行处理，节省云端存储空间和传输带宽。

Description

一种接线端子锈蚀全景监控图像的边缘侧轻量化处理方法

技术领域

本发明属于特高压换流站全景监控图像处理技术领域，涉及一种接线端子锈蚀全景监控图像的边缘侧轻量化处理方法。

背景技术

随着电网的发展，电网互联规模不断加大，网内电气联系更加紧密，大电网的安全稳定问题越来越突出，运行管理技术难度和安全风险明显加大。特高压换流站的安全可靠运行对于电网的安全稳定运行起着不言而喻的重要作用，因此在特高压日常的运维过程中需要人工巡检排查设备故障，以保证系统的安全稳定性。然而这种人工巡检模式的工作强度大，巡检性能易受人员的经验责任心影响。为了提升对特高压换流站运维管理的效率，特高压换流站内广泛部署了全景监视系统用于监测各环节设备的运行状态。

特高压换流站保护装置需要监测的适用于特高压直流保护核心环节状态信号参量如下：A.出口压板状态监视；B.屏柜内端子排测温；C.屏柜内二次设备前面板监视；D.屏柜内二次设备的工作温度；E.屏柜内二次设备的工作电压；F.光纤的光强监测；G.电缆的绝缘检测；H.出口回路检测；I.辅助接点位置；J.电缆状态的检测；K.环境的参量的检测，比如温度、湿度等；L.接线端子的锈蚀状态。屏柜和室外的端子箱都属于特高压换流站保护装置，最核心的保护信息都反馈在室内屏柜和室外的端子箱，因此需要特别关注屏柜和室外的端子箱的保护状态，而架设于小室外的端子箱以及其内部的接线端子由于潮湿、多尘、密闭的环境会产生锈蚀，从而威胁换流站的正常运行，危害整个电力系统的安全，因此需要通过监视系统实时监视小室外的端子箱锈蚀状态，当摄像头确定以后，上位机一直采集同等条件下的接线端子锈蚀数据，因此特高压换流站小室内的监控数据具有重复性，大量重复的数据上传的意义不大，占用了云端大量存储空间和传输带宽；因此如何将大量重复的接线端子锈蚀图片数据进行轻量化处理后再上传至云端，避免大量重复的数据占用云端资源，是目前特高压换流站保护系统全景监视系统亟需解决的问题。

现有技术中，公开日期为2019年的文献《CorrosionIdentificationofFittingsBasedonComputerVision》(Zhiren Tian，2019 International Conference on ArtificialIntelligence and Advanced Manufacturing(AIAM))针对锈蚀故障的颜色特征，分别通过HSI空间和RGB模型进行锈蚀区域的识别分割和检测。2018年7月公开的文献《Quantitybeats quality for semantic segmentation ofcorrosion in images》(Will Nash，Research Gate)通过对锈蚀场景进行了分割和提取；2019年4月公开的文献《基于迁移学习卷积神经网络的电缆隧道锈蚀识别算法》(周自强等，中国电力)通过引入了迁移学习来解决小数据样本的问题，在一定程度上提高了锈蚀检测的效果。上述这些文献的目标检测算法均依赖于大型卷积神经网络，算法模型存在参数量过大、检测速度过慢等问题，不能满足特高压换流站保护系统锈蚀检测的实时响应要求。

发明内容

本发明的目的在于设计一种接线端子锈蚀全景监控图像的边缘侧轻量化处理方法，以解决目前大量重复的特高压换流站保护装置接线端子锈蚀图片数据直接上传至云端，占用大量云端资源的问题。

本发明是通过以下技术方案解决上述技术问题的：

一种接线端子锈蚀全景监控图像的边缘侧轻量化处理方法，包括以下步骤：

S1、采用边缘侧计算机对采集的接线端子锈蚀样本数据进行预处理；

S2、在边缘侧构建基于双注意力MobileNet的轻量化锈蚀检测模型；

所述的MobileNet采用的卷积方式为深度可分离卷积，所述的深度可分离卷积首先采用1×1大小的卷积核先对每一个通道进行卷积操作，再使用3×3大小的卷积核进行通道间的信息交流；

所述的基于双注意力MobileNet的轻量化锈蚀检测模型将SSD作为网络基本框架，采用基于双注意力的MobileNet替换SSD的特征提取网络VGG16，作为特征提取网络；所述的双注意力的MobileNet采用级联双注意力模型通过空间域和通道域的同时标定构建一个针对每个通道内的每个位置的注意力特征，所述的级联双注意力模型由空间注意力模块和通道注意力模块拼接组成，所述的空间注意力模块和通道注意力模块用于对检测效果进行加强；

S3、将训练数据集及其标签输入到基于双注意力MobileNet的轻量化锈蚀检测模型中进行训练，训练后再输入测试数据集得到检测结果。

本发明的方法利用基于双注意力MobileNet提取特征，在边缘侧构建一个能精准识别和定位接线端子锈蚀的小体量的轻量级检测模型，处理大量重复的锈蚀监控数据，并采用双注意力模型对轻量化后的网络结构进行优化，弥补了由于减少参数带来的精度损失，能做到在低参数量和低时延的情况下依旧精准的识别和定位出锈蚀区域，减少了参数量的同时提升检测速度和检测精度，具有更好的鲁棒性和泛化能力，本发明的方法将原本放在云端处理的数据放在边缘侧进行处理，节省了云端存储空间和传输带宽，满足快速化准确化的实际需求。

进一步地，步骤S2中所述的在边缘侧构建基于双注意力MobileNet的轻量化锈蚀检测模型的工作流程为：采用38*38，19*19，10*10，5*5，3*3，1*1共计6个尺度的特征图用于边框预测和目标分类，其中浅层特征图用于对小目标的检测，深层特征图尺寸用于对显著目标的检测；其中38*38，19*19，10*10，5*5的特征图各采用六种大小和长宽比不同的预选框，而3*3，1*1的特征图则各采用四种大小和长宽比不同的预选框，共计11620个预选框；通过对提取到的6个尺度的特征图进行目标分类和边框回归，其中分类网络输出的是每一类的概率值，回归网络得到的每一个预测框的坐标值，然后在候选框位置进行修正时釆用非极大值抑制。

进一步地，所述的空间注意力模块的工作流程为：首先对C×H×W大小的原特征图以通道为单位展平为C×N的特征矩阵，随后再转置为N×C的特征矩阵，对这两个特征矩阵进行矩阵乘法得到N×N特征标定矩阵，所述的特征标定矩阵的每一个位置都代表了原特征的每一个像素点与其他像素点之间的关系，此时对所述的特征标定矩阵利用二维的softmax函数进行归一化标定得到一个权重掩码矩阵，权重掩码矩阵内的每一个位置的值即为原特征图内每一个像素点所占的信息量占比，将权重掩码矩阵与展开的C×N的特征矩阵进行矩阵乘法对原特征图进行特征的重新标定，最后同一个残差结构加上原始特征信息，从而完成特征图的标定，其公式为：

其中，E_c为标定后的特征图，D_i为变换前的特征图，A_j为残差结构加上原始特征图，S_ij为权重掩码矩阵中第(i,j)个位置的权重值；

进一步地，所述的权重掩码矩阵中第(i,j)个位置的权重值S_ij的计算公式为：

其中，B_i为展开后的大小为N×C的特征图，C_j为展开后的大小为C×N的特征图。

进一步地，所述的通道注意力模块的工作方流程为：

1)首先进行通道注意力的Squeeze操作，所述的Squeeze操作使得特征图经过一个全局平均池化操作后，将其缩小为1×1大小的特征向量；

2)随后进行Excitation操作，所述的Excitation操作通过建立一个全连接层与所述的特征向量进行密集连接，然后通过一个sigmoid函数将所有的通道信息量归一化到0到1之间，同时显式的每个通道所占的信息量大小，组成了一个掩码向量；

3)最后进行Reweight操作，所述的Reweight操作将每一个通道的掩码向量作为权重与该特征图的每个像素点点乘，将通道信息量的占比加权到每张特征图上，从而完成通道层面的特征重标定，得到的特征图即为已经经过空间和通道双注意力标定的特征图。

进一步地，所述的Squeeze操作的公式如下：

其中，z_c是经过Squeeze操作后的特征图，F_sq对标定特征图E_c进行squeeze操作，E(i,j)为特征图内的像素点，H，W为特征图大小。

进一步地，所述的Excitation操作的公式如下：

S＝F_ex(z，w)＝σ(w₂δ(w₁z))；

其中，S是经过Excitation操作后的通道信息，F_ex对所述Squeeze操作后的z进行Excitation操作，W为可调参数，w1是第一层全连接层的权重参数，w2是第二层全连接层的权重参数，z是经过Squeeze操作后的特征图，δ为激活函数。

进一步地，所述的Reweight操作的公式如下：

x_c＝F_re(E_c,S_c)＝S_c·E_c

其中，x_c是经过Reweight操作后的空间和通道双注意力标定的特征图，F_re对E_c和S_c进行Reweight操作，E_c是经过空间注意力特征标定的特征图，S_c是经过通道注意力Excitation操作后的通道信息。

进一步地，步骤S1中所述的采用边缘侧计算机对采集的接线端子锈蚀样本数据进行预处理方法具体如下：

S11、对采集的锈蚀样本数据进行标准化处理得到接线端子锈蚀样本集X，将样本集X按设定的比例分为训练数据集和测试数据集，训练数据集和测试数据集彼此之间相互独立；

S12、对标准化处理后的样本数据进行归一化处理，归一化处理的公式如下：

其中，a、b分别为两个常量，选取a＝0.1、b＝0.8分别为每组因子变量的最大值和最小值；x_i，x'_i分别为归一化前、后的值；x_max、x_min分别为样本数据中的最大、最小值。

进一步地，步骤S3中所述的将训练数据集及其标签输入到基于双注意力MobileNet的轻量化锈蚀检测模型中进行训练，训练后再输入测试数据集得到检测结果的具体过程如下：

S31、将预处理后的样本数据输入到基模型中，并按照批量大小批量训练数据集，采用随机梯度下降法反向传播更新参数并保存权重，训练次数达到设定的迭代次数后停止训练，得到训练后的模型；

S32、输入测试数据集到训练后的模型，对待检测的图片或照片流进行检测；

S33、判断检测结果中已标注的检测框是否相交，将所有相交的检测框合并之后得到所有相交的检测框的最小外接矩阵，将最小外接矩阵进行合并后作为最终的检测结果。

本发明的优点在于：

本发明的方法利用基于双注意力MobileNet提取特征，在边缘侧构建一个能精准识别和定位接线端子锈蚀的小体量的轻量级检测模型，处理大量重复的锈蚀监控数据，并采用双注意力模型对轻量化后的网络结构进行优化，弥补了由于减少参数带来的精度损失，能做到在低参数量和低时延的情况下依旧精准的识别和定位出锈蚀区域，减少了参数量的同时提升检测速度和检测精度，具有更好的鲁棒性和泛化能力，本发明的方法将原本放在云端处理的数据放在边缘侧进行处理，节省了云端存储空间和传输带宽，满足快速化准确化的实际需求。

附图说明

图1是本发明实施例的接线端子锈蚀全景监控图像的边缘侧轻量化处理方法的流程图；

图2是本发明实施例的基于双注意力MobileNet的轻量化锈蚀检测模型的网络结构图；

图3是标准卷积和本发明实施例的基于双注意力MobileNet的轻量化锈蚀检测模型的深度可分离卷积的结构对比图；

图4是本发明实施例的基于双注意力MobileNet的轻量化锈蚀检测模型的级联注意力模型的工作流程图；

图5是本发明实施例的接线端子锈蚀全景监控图像的边缘侧轻量化处理方法的检测结果图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合说明书附图以及具体的实施例对本发明的技术方案作进一步描述：

实施例一

如图1所示，一种接线端子锈蚀全景监控图像的边缘侧轻量化处理方法，包括以下步骤：

1、采集接线端子锈蚀样本数据，并对采集的锈蚀样本数据进行预处理

1.1、摄像像头从特高压换流站采集接线端子锈蚀样本图片，并保证具有锈蚀缺陷的接线端子样本涵盖尽可能的多类型的电力设备；

1.2、对采集的锈蚀样本数据进行标准化处理得到接线端子锈蚀样本集X，将样本集X按7：3的比例分为训练数据集和测试数据集，训练数据集和测试数据集彼此之间相互独立；

1.3、对标准化处理后的样本数据进行归一化处理，归一化处理的公式如下：

其中，a、b分别为两个常量，选取a＝0.1、b＝0.8分别为每组因子变量的最大值和最小值；x_i，x'_i分别为归一化前、后的值；x_max、x_min分别为样本数据中的最大、最小值。

2、构建基于双注意力MobileNet的轻量化锈蚀检测模型

如图2所示，本发明采用双注意力MobileNet(Dual-Att MobileNet)作为基础网络，选取SSD(Single Shot MultiBox Detector)作为网络基本框架，采用改进的基于双注意力的MobileNet替换了SSD的特征提取网络VGG16作为特征提取网络，能够在保证准确率的前提下提高运行速度，同时大大减少计算量和参数量，相比VGG16准确率减少0.9％，但模型参数只有VGG的1/32。

SSD(Single Shot MultiBox Detector)目标检测算法是2016年Liu W等(SSD:Single shot multibox detector.European Conferenceon ComputerVision.Amsterdan,The Netherlands.2016.21-37.)提出的一种one-stage的深度学习的目标检测算法，并添加了多尺度检测的方式提高不同尺度下的目标检测能力。SSD目标识别算法采用VGG-16作为特征提取网络，去除了末端的2个全连接层，改用3个卷积层进一步提取特征，同时减小特征图的尺寸。为了提高对尺度变化较大的目标的泛化能力，SSD使用了6个不同尺度的特征图进行检测。而在预选框(prior box)生成策略上，SSD借鉴了Faster R-CNN的anchor策略，在不同尺度的特征图上分别生成4至6个不同大小和不同长宽比的anchor框作为边框回归的预选框，非常好的适应了不同长宽比的目标物体，有效的提高了检测的效果。

基于双注意力MobileNet的轻量化锈蚀检测模型采用了38*38，19*19，10*10，5*5，3*3，1*1共计6个尺度的特征图用于边框预测和目标分类，其中浅层特征图尺寸较大可以用于对小目标的检测，深层特征图尺寸较小可以用于对显著目标的检测。其中38*38，19*19，10*10，5*5的特征图各采用六种大小和长宽比不同的预选框，而3*3，1*1的特征图则各采用四种大小和长宽比不同的预选框，共计11620个预选框；模型对提取到的6个尺度的特征图进行目标分类和边框回归，其中分类网络输出的是每一类的概率值，回归网络得到的每一个预测框的坐标值，然后在候选框位置进行修正时釆用非极大值抑制。

如图3所示，MobileNet采用深度可分离卷积的卷积方式，所述的深度可分离卷积首先采用1×1大小的卷积核先对每一个通道进行卷积操作，再使用3×3大小的卷积核进行通道间的信息交流。通过将标准卷积中的乘法分解为加法的方式在不损失精度的情况下有效的减少大量参数，同时将激活函数由ReLU更换为性能更加优越的h-swish函数。MobileNet的基本单元是深度级可分离卷积(depthwise separable convolution)，其实这种结构之前已经被使用在Inception模型中。深度级可分离卷积其实是一种可分解卷积操作(factorized convolutions)，其可以分解为两个更小的操作：depthwise convolution和pointwise convolution。

设MobileNet输入特征图大小为D_F，卷积核的大小为D_K，输入特征矩阵的通道数时M，输出矩阵的通道数是N，则标准卷积的尺寸为D_F×D_K×M，则深度可分离卷积与标准卷积的计算量比值为：

其中标准卷积的计算量为D_K×D_K×M×N×D_F×D_F,深度卷积的计算量为D_K×D_K×M×D_F×D_F，点卷积的计算量为1×1×M×N×D_F×D_F。由于N值一般较大，因此上式比值主要取决于D_K，由于本发明采用卷积核大小为3*3，因此深度可分离卷积的计算量只有标准卷积的九分之一。

如图4所示，本发明Dual-Att MobileNet采用的级联双注意力模型通过空间域和通道域的同时标定构建一个针对每个通道内的每个位置的注意力特征，然后采用一个级联的空间注意力和通道注意力模块对检测效果进行加强；所述的级联双注意力模型由空间注意力模块和通道注意力模块拼接组成，空间注意力模块首先对C×H×W大小的原特征图以通道为单位展平为C×N，随后再转置为N×C，对这两个特征矩阵进行矩阵乘法得到N×N大小的特征标定矩阵，这个矩阵的每一个位置都代表了原特征的每一个像素点与其他像素点之间的关系，此时对这个特征标定矩阵利用二维的softmax函数进行归一化标定就可以得到一个权重掩码矩阵FFM(Feature Mask Matrix,FMM)，FMM内的每一个位置的值即为原特征图内每一个像素点所占的信息量占比，将权重掩码矩阵与展开的原特征图C×N进行矩阵乘法就可以对原特征图进行特征的重新标定，最后同一个残差结构加回原始特征信息，其主要表达式如下：

上式中，E_c为标定后的特征图，D_i为变换前的特征图，A_j为残差结构加上的原始特征图，S_ij为第(i,j)个位置的权重值，该值通过softmax函数求得：

上式中，B_i为展开后的N×C的特征图，C_j为展开后的C×N的特征图。

随后进行通道注意力的Squeeze操作，所述的Squeeze操作使得特征图经过一个全局平均池化操作(Average Pooling)后，将其缩小为1×1大小的特征向量，相当于把该特征图所有的信息量综合在这个像素点上，因此可以作为判别特征重要性的主要依据；所述的Squeeze操作的公式如下：

其中E为特征图，E(i,j)为特征图内的像素点，H，W为特征图大小：

随后进行Excitation操作，所述的Excitation操作通过建立一个全连接层与前面的特征向量进行密集连接，目的是为了组成一个可学习、可训练的小网络，用于对特征向量进行重要性判别，同时提供一个反向传播的通路，然后通过一个sigmoid函数将所有的通道信息量归一化到0到1之间，同时显式的体现每个通道所占的信息量大小，也组成了一个掩码向量；所述的Excitation操作的公式如下：

S＝F_ex(z,w)＝σ(w₂δ(w₁z)) (6)

其中W为可调参数，δ为激活函数；

最后进行Reweight操作，所述Reweight操作将每一个通道的掩码作为权重与该特征图的每个像素点点乘，这样通道信息量的占比就被加权到了每张特征图上，完成了通道层面的特征重标定，得到的特征图即为已经经过空间和通道双注意力标定的特征图；所述的Reweight操作的公式如下：

x_c＝F_re(E_c,S_c)＝S_c·E_c (8)

3、将训练数据集及其标签输入到基于双注意力MobileNet的轻量化锈蚀检测模型中进行训练，训练后再输入测试数据集得到检测结果

3.1、将预处理后的样本数据输入到基模型中，并按照批量大小批量训练数据集，采用随机梯度下降法(SDG)反向传播更新参数并保存权重，训练次数达到设定的迭代次数后停止训练，得到训练后的模型；本实施例中的训练参数设定为：训练批量大小为20，迭代次数为1000；

3.2、输入测试数据集到训练后的模型，对待检测的图片或照片流进行检测；

3.3、判断检测结果中已标注的检测框是否相交，将所有相交的检测框合并之后得到所有相交的检测框的最小外接矩阵，将最小外接矩阵进行合并后作为最终的检测结果。

如图5所示，一种接线端子锈蚀全景监控图像的边缘侧轻量化处理方法的检测结果，为了进一步的验证本文提出算法在模型体量、检测速度和检测精度上的优势，本文将分别采用VGG-16和ResNet-50为主干网络的标准SSD模型和本文提出基于注意力上采样策略的轻量级SSD模型进行对比。本文的判别标准主要由准确率(Precision)、召回率(Recall)、权重大小和检测时间组成，其中准确率和召回率的计算如下所示：

式中，TP表示正样本判定正确的个数，FP数值表示正样本判定错误的个数，FN数值表示负样本判定错误的个数。

表1为不同的算法模型在本文电力设备锈蚀数据集下的检测效果对比如下表所示：

表1不同网络模型的检测效果对比

算法模型	Recall(％)	Precision(％)	权重(MB)	检测时间(s)
					SSD(VGGbase)	78.04	86.49	90.58	1.84
SSD(ResNetbase)	75.61	93.94	97.02	1.24
					SSD(MobileNetbase)	63.41	83.87	15.34	0.50
本发明方法	78.05	95.89	42.36	1.08

由表1可见，若只采用轻量级的MobileNet结构对SSD模型进行轻量化处理，其检测效果会因为参数损失而变差，而本发明的方法由于添加了上采样和特征融合模块，可以做到有效的提升检测效果，甚至超越了原标准SSD算法。综上所述，本发明的方法相较于只采用轻量级的MobileNet的SSD模型在上采样网络上扩张了网络结构，增加了63.7％的参数量，但是相比较拥有庞大参数量的以VGG-16为主干网络的标准SSD模型在参数量减少53.23％，速度提升41.3％的情况下提升9.4％的准确度，相比较以ResNet-50为主干网络的标准SSD也可以做到在参数量减少56.34％的情况下，提升1.95％的准确度。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种接线端子锈蚀全景监控图像的边缘侧轻量化处理方法，其特征在于，包括以下步骤：

S1、采用边缘侧计算机对采集的接线端子锈蚀样本数据进行预处理；

S2、在边缘侧构建基于双注意力MobileNet的轻量化锈蚀检测模型；

所述的MobileNet采用的卷积方式为深度可分离卷积，所述的深度可分离卷积首先采用1×1大小的卷积核先对每一个通道进行卷积操作，再使用3×3大小的卷积核进行通道间的信息交流；

所述的基于双注意力MobileNet的轻量化锈蚀检测模型将SSD作为网络基本框架，采用基于双注意力的MobileNet替换SSD的特征提取网络VGG16，作为特征提取网络；所述的双注意力的MobileNet采用级联双注意力模型通过空间域和通道域的同时标定构建一个针对每个通道内的每个位置的注意力特征，所述的级联双注意力模型由空间注意力模块和通道注意力模块拼接组成，所述的空间注意力模块和通道注意力模块用于对检测效果进行加强；

S3、将训练数据集及其标签输入到基于双注意力MobileNet的轻量化锈蚀检测模型中进行训练，训练后再输入测试数据集得到检测结果。

2.根据权利要求1所述的一种接线端子锈蚀全景监控图像的边缘侧轻量化处理方法，其特征在于，步骤S2中所述的在边缘侧构建基于双注意力MobileNet的轻量化锈蚀检测模型的工作流程为：采用38*38，19*19，10*10，5*5，3*3，1*1共计6个尺度的特征图用于边框预测和目标分类，其中浅层特征图用于对小目标的检测，深层特征图尺寸用于对显著目标的检测；其中38*38，19*19，10*10，5*5的特征图各采用六种大小和长宽比不同的预选框，而3*3，1*1的特征图则各采用四种大小和长宽比不同的预选框，共计11620个预选框；通过对提取到的6个尺度的特征图进行目标分类和边框回归，其中分类网络输出的是每一类的概率值，回归网络得到的每一个预测框的坐标值，然后在候选框位置进行修正时釆用非极大值抑制。

3.根据权利要求1所述的一种接线端子锈蚀全景监控图像的边缘侧轻量化处理方法，其特征在于，所述的空间注意力模块的工作流程为：首先对C×H×W大小的原特征图以通道为单位展平为C×N的特征矩阵，随后再转置为N×C的特征矩阵，对这两个特征矩阵进行矩阵乘法得到N×N特征标定矩阵，所述的特征标定矩阵的每一个位置都代表了原特征的每一个像素点与其他像素点之间的关系，此时对所述的特征标定矩阵利用二维的softmax函数进行归一化标定得到一个权重掩码矩阵，权重掩码矩阵内的每一个位置的值即为原特征图内每一个像素点所占的信息量占比，将权重掩码矩阵与展开的C×N的特征矩阵进行矩阵乘法对原特征图进行特征的重新标定，最后同一个残差结构加上原始特征信息，从而完成特征图的标定，其公式为：

其中，E_c为标定后的特征图，D_i为变换前的特征图，A_j为残差结构加上原始特征图，S_ij为权重掩码矩阵中第(i,j)个位置的权重值；

4.根据权利要求3所述的一种接线端子锈蚀全景监控图像的边缘侧轻量化处理方法，其特征在于，所述的权重掩码矩阵中第(i,j)个位置的权重值S_ij的计算公式为：

其中，B_i为展开后的大小为N×C的特征图，C_j为展开后的大小为C×N的特征图。

5.根据权利要求1所述的一种接线端子锈蚀全景监控图像的边缘侧轻量化处理方法，其特征在于，所述的通道注意力模块的工作方流程为：

1)首先进行通道注意力的Squeeze操作，所述的Squeeze操作使得特征图经过一个全局平均池化操作后，将其缩小为1×1大小的特征向量；

2)随后进行Excitation操作，所述的Excitation操作通过建立一个全连接层与所述的特征向量进行密集连接，然后通过一个sigmoid函数将所有的通道信息量归一化到0到1之间，同时显式的每个通道所占的信息量大小，组成了一个掩码向量；

3)最后进行Reweight操作，所述的Reweight操作将每一个通道的掩码向量作为权重与该特征图的每个像素点点乘，将通道信息量的占比加权到每张特征图上，从而完成通道层面的特征重标定，得到的特征图即为已经经过空间和通道双注意力标定的特征图。

6.根据权利要求5所述的一种接线端子锈蚀全景监控图像的边缘侧轻量化处理方法，其特征在于，所述的Squeeze操作的公式如下：

其中，z_c是经过Squeeze操作后的特征图，F_sq对标定特征图E_c进行squeeze操作，E(i,j)为特征图内的像素点，H，W为特征图大小。

7.根据权利要求5所述的一种接线端子锈蚀全景监控图像的边缘侧轻量化处理方法，其特征在于，所述的Excitation操作的公式如下：

S＝F_ex(z,w)＝σ(w₂δ(w₁z))；

其中，S是经过Excitation操作后的通道信息，F_ex对所述Squeeze操作后的z进行Excitation操作，W为可调参数，w1是第一层全连接层的权重参数，w2是第二层全连接层的权重参数，z是经过Squeeze操作后的特征图，δ为激活函数。

8.根据权利要求5所述的一种接线端子锈蚀全景监控图像的边缘侧轻量化处理方法，其特征在于，所述的Reweight操作的公式如下：

x_c＝F_re(E_c,S_c)＝S_c·E_c

其中，x_c是经过Reweight操作后的空间和通道双注意力标定的特征图，F_re对E_c和S_c进行Reweight操作，E_c是经过空间注意力特征标定的特征图，S_c是经过通道注意力Excitation操作后的通道信息。

9.根据权利要求1所述的一种接线端子锈蚀全景监控图像的边缘侧轻量化处理方法，其特征在于，步骤S1中所述的采用边缘侧计算机对采集的接线端子锈蚀样本数据进行预处理的方法具体如下：

S11、对采集的锈蚀样本数据进行标准化处理得到接线端子锈蚀样本集X，将样本集X按设定的比例分为训练数据集和测试数据集，训练数据集和测试数据集彼此之间相互独立；

S12、对标准化处理后的样本数据进行归一化处理，归一化处理的公式如下：

其中，a、b分别为两个常量，选取a＝0.1、b＝0.8分别为每组因子变量的最大值和最小值；x_i，x'_i分别为归一化前、后的值；x_max、x_min分别为样本数据中的最大、最小值。

10.根据权利要求1所述的一种接线端子锈蚀全景监控图像的边缘侧轻量化处理方法，其特征在于，步骤S3中所述的将训练数据集及其标签输入到基于双注意力MobileNet的轻量化锈蚀检测模型中进行训练，训练后再输入测试数据集得到检测结果的具体过程如下：

S31、将预处理后的样本数据输入到基模型中，并按照批量大小批量训练数据集，采用随机梯度下降法反向传播更新参数并保存权重，训练次数达到设定的迭代次数后停止训练，得到训练后的模型；

S32、输入测试数据集到训练后的模型，对待检测的图片或照片流进行检测；

S33、判断检测结果中已标注的检测框是否相交，将所有相交的检测框合并之后得到所有相交的检测框的最小外接矩阵，将最小外接矩阵进行合并后作为最终的检测结果。

Images