CN116630863A - 一种配电网安全标识识别方法、装置、设备及存储介质 - Google Patents
一种配电网安全标识识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116630863A CN116630863A CN202310682196.6A CN202310682196A CN116630863A CN 116630863 A CN116630863 A CN 116630863A CN 202310682196 A CN202310682196 A CN 202310682196A CN 116630863 A CN116630863 A CN 116630863A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- network
- output result
- characteristic data
- convolution
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种配电网安全标识识别方法、装置、设备及存储介质。该方法包括:获取待识别图像;将所述待识别图像输入目标模型,得到所述待识别视频中的配电网安全标识,其中,所述目标模型通过目标样本集迭代训练多层特征融合的卷积神经网络模型得到,所述目标样本集包括:包含配电网安全标识的图像样本以及图像样本中的配电网安全标识,通过本发明的技术方案,能够提升配电网安全标识识别的准确度和效率。
Description
技术领域
本发明实施例涉及电力监管技术领域,尤其涉及一种配电网安全标识识别方法、装置、设备及存储介质。
背景技术
生产安全是电力系统运行与发展的基本保障,做好配电网生产安全隐患监测对于保护人员生命安全和电力稳定供应具有重要意义。然而由于配电网中存在隐患发现不及时、保护措施不完善、设备操作不合理等原因,致使配电网时常会有生产安全事故的发生,对人员财产安全和电力稳定供应造成巨大影响。目前针对安全标识隐患的巡查,主要采用人工巡检的方法,需要耗费大量人力和时间,效率较低。
发明内容
本发明实施例提供一种配电网安全标识识别方法、装置、设备及存储介质,以实现能够提升配电网安全标识识别的准确度和效率。
根据本发明的一方面,提供了一种配电网安全标识识别方法,包括:
获取待识别图像;
将所述待识别图像输入目标模型,得到所述待识别视频中的配电网安全标识,其中,所述目标模型通过目标样本集迭代训练多层特征融合的卷积神经网络模型得到,所述目标样本集包括:包含配电网安全标识的图像样本以及图像样本中的配电网安全标识。
根据本发明的另一方面,提供了一种配电网安全标识识别装置,该配电网安全标识识别装置包括:
图像获取模块,用于获取待识别图像;
配电网安全标识识别模块,用于将所述待识别图像输入目标模型,得到所述待识别视频中的配电网安全标识,其中,所述目标模型通过目标样本集迭代训练多层特征融合的卷积神经网络模型得到,所述目标样本集包括:包含配电网安全标识的图像样本以及图像样本中的配电网安全标识。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的配电网安全标识识别方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的配电网安全标识识别方法。
本发明实施例通过获取待识别图像;将所述待识别图像输入目标模型,得到所述待识别视频中的配电网安全标识,其中,所述目标模型通过目标样本集迭代训练多层特征融合的卷积神经网络模型得到,所述目标样本集包括:包含配电网安全标识的图像样本以及图像样本中的配电网安全标识,能够提升配电网安全标识识别的准确度和效率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本发明实施例中的一种配电网安全标识识别方法的流程图;
图2是本发明实施例中的一种多层特征融合的卷积神经网络模型的架构图;
图3是本发明实施例中的特征数据融合示意图;
图4是本发明实施例中的结构重参数化卷积层的结构示意图;
图5是本发明实施例中的一种配电网安全标识识别装置的结构示意图;
图6是本发明实施例中的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
可以理解的是,在使用本公开各实施例公开的技术方案之前,均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
实施例一
图1为本发明实施例提供的一种配电网安全标识识别方法的流程图,本实施例可适用于配电网安全标识识别的情况,该方法可以由本发明实施例中的配电网安全标识识别装置来执行,该装置可采用软件和/或硬件的方式实现,如图1所示,该方法具体包括如下步骤:
S110,获取待识别图像。
具体的,获取待识别图像的方式可以为:利用无人机或现场布置的监控摄像头拍摄现场实时视频,并将现场实时视频中的每帧图像确定为待识别图像。获取待识别图像的方式还可以为:利用无人机或现场布置的监控摄像头拍摄现场实时视频,对现场实时视频进行筛选,得到包含配电网安全标识的视频片段,并将包含配电网安全标识的视频片段中的每帧图像确定为待识别图像。
S120,将所述待识别图像输入目标模型,得到所述待识别视频中的配电网安全标识,其中,所述目标模型通过目标样本集迭代训练多层特征融合的卷积神经网络模型得到,所述目标样本集包括:包含配电网安全标识的图像样本以及图像样本中的配电网安全标识。
其中,获取包含配电网安全标识的图像样本的方式可以为:采集配电网现场巡检视频,所述配电网现场巡检视频中包含配电网中常见的安全标识;总结配网中常见的安全标识类别,并提取对应的视频片段作为图像样本。需要说明的是,采集配电网现场巡检视频的方式可以为:利用无人机或现场布置的监控摄像头拍摄现场实时信息,将信息传输到数据管理中心进行存储后,得到配电网现场巡检视频。例如可以是,根据现场的安全围栏划分安全区域信息,获取包含安全防控标识的视频。总结配电网现场常见的警示标识,可分为禁止类、警告类、指令类和其他类等四大类,每大类又可细分为若干子类。并提取包含安全标识的视频片段作为图像样本。
其中,所述多层特征融合的卷积神经网络模型包括:主干网络、颈部网络以及预测网络。
具体的,通过目标样本集迭代训练多层特征融合的卷积神经网络模型的方式可以为:构建多层特征融合的卷积神经网络模型;多层特征融合的卷积神经网络模型分别对主干网络的浅层特征和颈部网络的深层特征上采样和下采样并进行融合,将融合后的结果输入预测网络,得到预测配电网安全标识;根据所述预测配电网安全标识和所述图像样本中的配电网安全标识形成的目标函数训练所述多层特征融合的卷积神经网络模型的参数,返回执行将所述图像样本输入主干网络和颈部网络的操作,直至得到目标模型。
通过本发明实施例提供的技术方案进行配电网安全标识识别,能够有效减少安全隐患排查的工作量,保障人员安全。
可选的,通过目标样本集迭代训练多层特征融合的卷积神经网络模型,包括:
构建多层特征融合的卷积神经网络模型,其中,多层特征融合的卷积神经网络模型包括:主干网络、颈部网络以及预测网络;
将所述图像样本输入主干网络,得到第一输出结果;
将所述第一输出结果输入颈部网络,得到第二输出结果;
根据所述第一输出结果和所述第二输出结果确定目标特征数据;
将所述目标特征数据输入预测网络,得到预测配电网安全标识;
根据所述预测配电网安全标识和所述图像样本中的配电网安全标识形成的目标函数训练所述多层特征融合的卷积神经网络模型的参数;
返回执行将所述图像样本输入主干网络,得到第一输出结果的操作,直至得到目标模型。
其中,所述多层特征融合的卷积神经网络模型包括:主干网络、颈部网络以及预测网络,所述主干网络包括:至少两个卷积层,所述颈部网络:包括至少两个卷积层,例如可以是,如图2所示,主干网络包括:C2层、C3层、C4层以及C5层,颈部网络包括:P3层、P4层以及P5层,预测网络包括:N3层、N4层以及N5层。
具体的,根据所述第一输出结果和所述第二输出结果确定目标特征数据的方式可以为:对第一输出结果进行下采样,对第二输出结果进行上采样,将下采样后的第一输出结果和上采样后的第二输出结果进行融合,得到目标特征数据。例如可以是,如图3所示,所述第一输出结果为将主干网络的Ci-1卷积层输出的第一特征数据和主干网络的Ci卷积层输出的第二特征数据融合后得到的结果,所述第二输出结果为颈部网络的Pi+1卷积层输出的第三特征数据。目标特征数据为将主干网络的Ci-1卷积层输出的第一特征数据、主干网络的Ci卷积层输出的第二特征数据以及颈部网络的Pi+1卷积层输出的第三特征数据进行融合后,得到的特征数据。
需要说明的是,还可以通过验证集对训练结束后的多层特征融合神经网络模型进行测试,评估模型误差,若误差大于设定的阈值,则重新训练模型。
可选的,将所述图像样本输入主干网络,得到第一输出结果,包括:
将所述图像样本输入主干网络的Ci-1卷积层,得到第一特征数据;
将第一特征数据输入主干网络的Ci卷积层,得到第二特征数据;
根据所述第一特征数据和所述第二特征数据确定第一输出结果。
具体的,根据所述第一特征数据和所述第二特征数据确定第一输出结果的方式可以为:对所述第一特征数据进行下采样,得到第四特征数据;对所述第二特征数据进行特征提取,得到第五特征数据;根据所述第四特征数据和所述第五特征数据确定第一输出结果。
需要说明的是,将主干网络的Ci-1层和主干网络的Ci层的输出结果与颈部网络的Pi+1层的输出结果进行融合,能够在不增加过多性能损耗的情况下更好地保留定位信号,增强对多尺度目标的表示能力,提升对于小目标的召回率。
可选的,将所述第一输出结果输入颈部网络,得到第二输出结果,包括:
若Pi+1卷积层为颈部网络的首个卷积层,则将所述主干网络的输出结果输入颈部网络的Pi+1卷积层,得到第三特征数据;
根据所述第三特征数据确定第二输出结果。
具体的,如图2所示,若Pi+1卷积层为颈部网络的首个卷积层,则将主干网络的输出结果确定为颈部网络的Pi+1卷积层的输入数据,例如可以是,若Pi+1卷积层为P5,则将主干网络的输出结果(C5层的输出结果)确定为P5层的输入数据。
具体的,根据所述第三特征数据确定第二输出结果的方式可以为:对所述第三特征数据进行上采样,得到第六特征数据;将所述第六特征数据确定为第二输出结果。
可选的,将所述第一输出结果输入颈部网络,得到第二输出结果,包括:
若Pi+1卷积层非颈部网络的首个卷积层,则将Pi+2卷积层的输出结果、Ci+1卷积层的输出结果以及Ci卷积层的输出结果进行融合,得到融合输出结果;
将融合输出结果输入颈部网络的Pi+1卷积层,得到第三特征数据;
根据所述第三特征数据确定第二输出结果。
具体的,若Pi+1卷积层非颈部网络的首个卷积层,则将Pi+2卷积层的输出结果、Ci+1卷积层的输出结果以及Ci卷积层的输出结果进行融合,得到融合输出结果,例如可以是,如图2所示,若Pi+1卷积层为P4层,则将C3层的输出结果、C4层的输出结果以及P5层的输出结果进行融合,得到融合输出结果,将融合输出结果确定为Pi+2卷积层的输入数据。
具体的,根据所述第三特征数据确定第二输出结果的方式可以为:对所述第三特征数据进行上采样,得到第六特征数据;将所述第六特征数据确定为第二输出结果。
可选的,根据所述第一输出结果和所述第二输出结果确定目标特征数据,包括:
对所述第一特征数据进行下采样,得到第四特征数据;
对所述第二特征数据进行特征提取,得到第五特征数据;
对所述第三特征数据进行上采样,得到第六特征数据;
对所述第四特征数据、第五特征数据以及第六特征数据进行融合,得到目标特征数据。
具体的,对所述第一特征数据进行下采样,得到第四特征数据的方式可以为:采用结构重参数化的3×3卷积模块对第一特征数据进行下采样,得到第四特征数据,其中,结构重参数化的3×3卷积模块包括3个3×3卷积分支。
具体的,对所述第二特征数据进行特征提取,得到第五特征数据的方式可以为:采用1×1卷积模块对第二特征数据进行特征提取,得到第五特征数据,其中,所述1×1卷积模块包括:卷积层、激活层以及标准化层。
具体的,对所述第三特征数据进行上采样,得到第六特征数据的方式可以为:采用近邻插值方法对所述第三特征数据进行上采样,得到第六特征数据。
在一个具体的例子中,为使得融合的特征数据大小一致,Pi+1层输出的特征数据采用近邻插值方法进行上采样,使特征数据的宽和高扩大至原来的两倍,通道数保持不变,公式如下:
其中,表示对Pi+1层数据的特征数据/>进行近邻插值,/>是上采样后的输出;
Ci层输出的特征数据在融合之前首先使用1×1卷积模块进行特征提取,特征图大小和通道数不变,公式如下;
其中,表示对Ci层输出的特征数据进行1×1卷积。δ(g)表示批标准化处理′
xi为原数据,xi为新数据,μi为均值,σi为标准差。
Ci-1层输出的特征数据采用结构重参数化的3×3卷积模块进行下采样,使特征数据的宽和高缩小至原来的一半,通道数保持不变;
其中,表示对Ci-1层输出特征数据进行3×3卷积;
最后将处理后的三个特征图在通道维度上进行拼接,再经过1×1卷积模块进行通道数的调整,得到目标特征数据;
通过三个检测头分别进行多尺度预测,得到目标类别和位置信息。
可选的,对所述第一特征数据进行下采样,得到第四特征数据,包括:
通过结构重参数化的卷积模块对所述第一特征数据进行下采样,得到第四特征数据,其中,所述结构重参数化的卷积模块包括:预设数量的3×3卷积分支。
需要说明的是,通过结构重参数化卷积层进行下采样,能够在不增加额外算力的同时提升特征提取能力。
具体的,如图4所示,结构重参数化之前的卷积模块具有3路平行分支,分别为3×3卷积分支、1×1卷积分支和恒等映射分支;将恒等映射分支的权重矩阵视为单位矩阵;可转换为等价的1×1卷积分支,使用0填充卷积的权重矩阵可将1×1卷积分支转换为等价的3×3卷积分支;将每个3×3卷积分支的卷积运算和批标准化层进行融合,可转换为新的3×3卷积运算,其中,每个3×3卷积层的输出基于如下公式确定:
其中,γ和β是可学习的线性变换参数;
最后将3个平行的3×3卷积合并为等价的单路3×3卷积,得到最终输出;
Y=(W1+W2+W3)X+(B1+B2+B3);
其中,X为原数据,Y为结构重参数化后的输出数据,W和B分别是对应卷积支路的权重矩阵和偏置,
本发明实施例可以用于配电网现场的安全隐患排查,能够智能判别现场存在防控标识设立不当的情况,有效保障人员的安全和电网的可靠运行。
本实施例的技术方案,通过获取待识别图像;将所述待识别图像输入目标模型,得到所述待识别视频中的配电网安全标识,其中,所述目标模型通过目标样本集迭代训练多层特征融合的卷积神经网络模型得到,所述目标样本集包括:包含配电网安全标识的图像样本以及图像样本中的配电网安全标识,能够提升配电网安全标识识别的准确度和效率。
实施例二
图5为本发明实施例提供的一种配电网安全标识识别装置的结构示意图。本实施例可适用于配电网安全标识识别的情况,该装置可采用软件和/或硬件的方式实现,该装置可集成在任何提供配电网安全标识识别功能的设备中,如图5所示,所述配电网安全标识识别装置具体包括:图像获取模块210和配电网安全标识识别模块220。
其中,图像获取模块,用于获取待识别图像;
配电网安全标识识别模块,用于将所述待识别图像输入目标模型,得到所述待识别视频中的配电网安全标识,其中,所述目标模型通过目标样本集迭代训练多层特征融合的卷积神经网络模型得到,所述目标样本集包括:包含配电网安全标识的图像样本以及图像样本中的配电网安全标识。
上述产品可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
实施例三
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如配电网安全标识识别方法。
在一些实施例中,配电网安全标识识别方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的配电网安全标识识别方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行配电网安全标识识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种配电网安全标识识别方法,其特征在于,包括:
获取待识别图像;
将所述待识别图像输入目标模型,得到所述待识别视频中的配电网安全标识,其中,所述目标模型通过目标样本集迭代训练多层特征融合的卷积神经网络模型得到,所述目标样本集包括:包含配电网安全标识的图像样本以及图像样本中的配电网安全标识。
2.根据权利要求1所述的方法,其特征在于,通过目标样本集迭代训练多层特征融合的卷积神经网络模型,包括:
构建多层特征融合的卷积神经网络模型,其中,多层特征融合的卷积神经网络模型包括:主干网络、颈部网络以及预测网络;
将所述图像样本输入主干网络,得到第一输出结果;
将所述第一输出结果输入颈部网络,得到第二输出结果;
根据所述第一输出结果和所述第二输出结果确定目标特征数据;
将所述目标特征数据输入预测网络,得到预测配电网安全标识;
根据所述预测配电网安全标识和所述图像样本中的配电网安全标识形成的目标函数训练所述多层特征融合的卷积神经网络模型的参数;
返回执行将所述图像样本输入主干网络,得到第一输出结果的操作,直至得到目标模型。
3.根据权利要求2所述的方法,其特征在于,将所述图像样本输入主干网络,得到第一输出结果,包括:
将所述图像样本输入主干网络的Ci-1卷积层,得到第一特征数据;
将第一特征数据输入主干网络的Ci卷积层,得到第二特征数据;
根据所述第一特征数据和所述第二特征数据确定第一输出结果。
4.根据权利要求3所述的方法,其特征在于,将所述第一输出结果输入颈部网络,得到第二输出结果,包括:
若Pi+1卷积层为颈部网络的首个卷积层,则将所述主干网络的输出结果输入颈部网络的Pi+1卷积层,得到第三特征数据;
根据所述第三特征数据确定第二输出结果。
5.根据权利要求3所述的方法,其特征在于,将所述第一输出结果输入颈部网络,得到第二输出结果,包括:
若Pi+1卷积层非颈部网络的首个卷积层,则将Pi+2卷积层的输出结果、Ci+1卷积层的输出结果以及Ci卷积层的输出结果进行融合,得到融合输出结果;
将融合输出结果输入颈部网络的Pi+1卷积层,得到第三特征数据;
根据所述第三特征数据确定第二输出结果。
6.根据权利要求4或5所述的方法,其特征在于,根据所述第一输出结果和所述第二输出结果确定目标特征数据,包括:
对所述第一特征数据进行下采样,得到第四特征数据;
对所述第二特征数据进行特征提取,得到第五特征数据;
对所述第三特征数据进行上采样,得到第六特征数据;
对所述第四特征数据、第五特征数据以及第六特征数据进行融合,得到目标特征数据。
7.根据权利要求6所述的方法,其特征在于,对所述第一特征数据进行下采样,得到第四特征数据,包括:
通过结构重参数化的卷积模块对所述第一特征数据进行下采样,得到第四特征数据,其中,所述结构重参数化的卷积模块包括:预设数量的3×3卷积分支。
8.一种配电网安全标识识别装置,其特征在于,包括:
图像获取模块,用于获取待识别图像;
配电网安全标识识别模块,用于将所述待识别图像输入目标模型,得到所述待识别视频中的配电网安全标识,其中,所述目标模型通过目标样本集迭代训练多层特征融合的卷积神经网络模型得到,所述目标样本集包括:包含配电网安全标识的图像样本以及图像样本中的配电网安全标识。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的配电网安全标识识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的配电网安全标识识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310682196.6A CN116630863A (zh) | 2023-06-08 | 2023-06-08 | 一种配电网安全标识识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310682196.6A CN116630863A (zh) | 2023-06-08 | 2023-06-08 | 一种配电网安全标识识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116630863A true CN116630863A (zh) | 2023-08-22 |
Family
ID=87609808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310682196.6A Pending CN116630863A (zh) | 2023-06-08 | 2023-06-08 | 一种配电网安全标识识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116630863A (zh) |
-
2023
- 2023-06-08 CN CN202310682196.6A patent/CN116630863A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560862B (zh) | 文本识别方法、装置及电子设备 | |
CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
CN114419035B (zh) | 产品识别方法、模型训练方法、装置和电子设备 | |
CN112967248A (zh) | 生成缺陷图像样本的方法、装置、介质及程序产品 | |
CN116596854A (zh) | 一种设备缺陷的识别方法、装置、设备及介质 | |
CN115331132A (zh) | 一种汽车零件的检测方法、装置、电子设备和存储介质 | |
CN116310903A (zh) | 识别光伏组件故障类型的方法、装置及电子设备 | |
CN114612741A (zh) | 缺陷识别模型的训练方法、装置、电子设备及存储介质 | |
CN114238790A (zh) | 用于确定最大感知范围的方法、装置、设备以及存储介质 | |
CN113012107A (zh) | 电网缺陷检测方法及系统 | |
CN114494782B (zh) | 图像处理方法、模型训练方法、相关装置及电子设备 | |
CN116012363A (zh) | 一种变电站刀闸开合识别方法、装置、设备及存储介质 | |
CN116630863A (zh) | 一种配电网安全标识识别方法、装置、设备及存储介质 | |
CN114581711A (zh) | 目标对象检测方法、装置、设备、存储介质以及程序产品 | |
CN116258769B (zh) | 一种定位校验方法、装置、电子设备和存储介质 | |
US20220383626A1 (en) | Image processing method, model training method, relevant devices and electronic device | |
CN115170878A (zh) | 一种飞机状态识别方法、装置、设备及存储介质 | |
CN117853789A (zh) | 一种图像检测方法和装置 | |
CN115773821A (zh) | 一种干式空心电抗器热故障检测方法、装置、设备和介质 | |
CN118052877A (zh) | 电力线缆断股缺陷的定位方法、装置、设备及介质 | |
CN116580050A (zh) | 医疗图像分割模型的确定方法、装置、设备及介质 | |
CN117975275A (zh) | 配电线路杆塔的识别方法、装置、电子设备及存储介质 | |
CN112990045A (zh) | 用于生成图像变化检测模型和图像变化检测的方法和装置 | |
CN117935129A (zh) | 一种配电网线路灾损检测方法、装置、设备及存储介质 |
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 |