CN117994594A - 一种基于深度学习的电力作业风险识别方法 - Google Patents
一种基于深度学习的电力作业风险识别方法 Download PDFInfo
- Publication number
- CN117994594A CN117994594A CN202410403204.3A CN202410403204A CN117994594A CN 117994594 A CN117994594 A CN 117994594A CN 202410403204 A CN202410403204 A CN 202410403204A CN 117994594 A CN117994594 A CN 117994594A
- Authority
- CN
- China
- Prior art keywords
- loss function
- representing
- power operation
- convolution
- corner
- 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 41
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 57
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 10
- 230000002441 reversible effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的电力作业风险识别方法，所述方法包括以下步骤：S1：设计适用于电力作业风险的目标检测模型；S2：训练设计好的目标检测模型，得到训练好的目标检测模型；S3：使用训练好的目标检测模型时来识别和定位电力作业中具有风险的位置。本发明通过图像特征处理模块提取图像特征，将提取的特征送入特征金字塔网络模块，用于融合不同分辨率的特征图，再通过角点定位模块得到的角点位置和中心定位模块得到的中心点位置进行关联，使用定位解码模块得到物体的位置和尺寸信息，提高目标检测模型识别的准确性。
Description
技术领域
本发明涉及目标检测领域，尤其涉及一种基于深度学习的电力作业风险识别方法。
背景技术
基于深度学习的电力作业风险识别方法在电力行业中具有重要的应用潜力。该方法利用深度学习算法和大规模电力作业数据集，能够实时、准确地识别电力作业中的风险，提高作业的安全性和效率。
深度学习方法，特别是卷积神经网络（CNN），在目标检测任务中取得了显著的成就。这些方法能够学习到图像中的层次性特征，从而在像素级别对图像进行目标定位。基于深度学习的电力作业风险识别方法背后的技术基础主要包括深度学习中用于目标检测的的先进架构和算法。
随着时间的推进，传统的方法已经无法满足电力作业风险识别任务，基于人工定义的规则和统计模型进行风险识别。这些规则和模型需要经验丰富的专家来设计和调整，且无法适应复杂和多样化的电力作业场景；传统方法对于光照变化、噪声和图像质量等干扰因素比较敏感，容易受到干扰而导致误判。这会限制在资源受限的环境中实现电力作业风险识别的能力； 传统方法通常需要人工标注数据和专家知识的培训，这需要大量的时间和资源。按照深度学习的方法对电力风险进行识别，识别的准确率远超传统的算法。
公开号为CN106504233B的中国专利公开了“基于Faster R-CNN的无人机巡检图像电力小部件识别方法及系统”，利用Faster R-CNN等深度学习算法对电力小部件识别的准确性和效率都比较高，可以利用特定的GPU计算单元可使基于统计的深度学习方法实现对巡检视频或图像的实时目标检测和识别，但是对于电力作业风险识别，不仅要对小目标检测准确，还要对手套等容易误检测类别识别准确。
因此，亟待设计一种基于深度学习的电力作业风险识别方法，解决上述现有技术存在的问题。
发明内容
针对现有技术的以上缺陷或者改进需求，本发明提供了一种基于深度学习的电力作业风险识别方法，其目的在于通过深度学习算法有效定位电力场景图片中的风险位置，提高对图像中风险位置的准确性。
为了实现上述目的，本发明采用了如下技术方案：
本发明第一方面提供了一种基于深度学习的电力作业风险识别方法，包括以下步骤：
S1：设计适用于电力作业风险的目标检测模型；
所述目标检测模型包括图像特征处理模块、特征金字塔网络模块、角点定位模块、中心点定位模块和定位解码模块；具体步骤包括：
S11：将待检测图片送入所述图像特征处理模块，先对输入的待检测图片进行预处理，包括调整图像大小、归一化和图像增强，再通过主干网络提取图像特征；
S12：将提取的图像特征送入所述特征金字塔网络模块，通过上采样和下采样操作，用于融合不同分辨率的特征图，同时加入可逆分支捕捉信息，最后生成多尺度的特征图；
S13：将生成的多尺度的特征图送入角点定位模块，通过3个卷积层和1个池化层得到角点位置；
S14：将生成的多尺度的特征图送入中心点定位模块，通过2个卷积层和1个激活函数得到中心点位置；
S15：将角点定位模块得到的角点位置和中心点定位模块得到的中心点位置使用定位解码模块来还原物体的边界框信息，得到物体的位置和尺寸信息；
S2：训练设计好的目标检测模型，得到训练好的目标检测模型；
S3：使用训练好的目标检测模型来识别和定位电力作业中具有风险的位置。
作为本申请的一实施例，所述步骤S13中角点定位模块包括3个卷积层和1个池化层，具体步骤包括：
S131：将生成的所述多尺度的特征图送入第一个卷积层，使用卷积核进行卷积运算，产生新的特征图；
S132：在每个卷积层之后均应用一个激活函数来引入非线性；
S133：经过第二个卷积层和池化层来提取和压缩特征，得到减小尺寸的特征图；
S134：经过第三个通道数等于要预测的角点数量的卷积层，生成与所述减小尺寸的特征图大小相同的热图，得到角点的位置。
作为本申请的一实施例，所述步骤S14中中心点定位模块包括2个卷积层和1个激活函数，具体步骤包括：
S141：将生成的所述多尺度的特征图送入第一个卷积层进行卷积操作，所述卷积操作采用滑动窗口的方式，将卷积核与生成的所述多尺度的特征图进行点乘和求和运算，得到卷积输出新的特征图；
S142：之后应用一个激活函数来引入非线性；
S143：经过第二个输出通道数与需要预测的中心点数量相同的卷积层，生成与新的特征图大小相同的热图，得到中心点的位置。
作为本申请的一实施例，所述步骤S15包括：
S151：通过计算角点和中心点之间的相对位置关系，使用最近邻匹配的方法来对角点和中心点进行关联；
S152：将关联的角点和中心点进行解码，计算角点和中心点之间的距离来确定物体的宽度和高度，并将中心位置和尺寸信息结合起来形成最终的边界框；
S153：预测边界框的物体类别，使用softmax函数将类别预测转化为概率分布，以表示每个类别的置信度。
作为本申请的一实施例，所述步骤S2中使用尺度损失函数、中心点热图损失函数/>、角点热图损失函数/>和分类损失函数/>对所述目标检测模型进行训练，所述尺度损失函数/>、中心点热图损失函数/>、角点热图损失函数/>和分类损失函数/>组合形成一个总体损失函数，其计算公式如下：
其中，，/>，/>，/>为各个损失函数的权重。
作为本申请的一实施例，所述尺度损失函数计算公式为：
其中，表示预测的尺度，/>表示真实的尺度，/>表示滑L1损失函数，/>表示样本数量。
作为本申请的一实施例，所述中心点热图损失函数计算公式为：
其中，表示预测的中心点热图，/>表示真实的中心点热图，/>表示样本数量。
作为本申请的一实施例，所述角点热图损失函数计算公式如下：
其中，表示预测的角点热图，/>表示真实的角点热图，/>表示样本数量。
作为本申请的一实施例，所述分类损失函数计算公式如下：
其中，表示预测的类别概率，/>表示真实的类别标签，/>表示交叉熵损失函数，/>表示样本数量。
本发明的有益效果为：
1、本发明首先通过图像特征处理模块提取图像特征，再将提取的特征送入特征金字塔网络模块，用于融合不同分辨率的特征图，再通过角点定位模块得到的角点位置和中心定位模块得到的中心点位置进行关联，使用定位解码模块得到物体的位置和尺寸信息，有效定位电力场景图片中的风险位置，提高目标检测模型识别的准确性；
2、本发明通过使用四个创新的损失函数对目标检测模型进行训练，能够提高目标定位精度和准确性、改善目标边界框的确定、适应多样化目标的尺度和形状、提高目标分类准确性；通过综合这些损失函数，可以综合考虑目标检测算法在定位、尺度和分类等方面的性能，使模型训练的更加关注检测目标，同时训练效果更好，更加符合电力场景，从而提高整体的目标检测性能；
3、本发明通过将待检测的电力图像输入到模型中进行检测，最后生成框选图片的方法，大大节省了人工成本，对于后续统计风险等技术提供高质量的框选图片。
附图说明
图1为本发明实施例中提供的一种基于深度学习的电力作业风险识别方法的技术方案流程图；
图2为本发明实施例中提供的一种基于深度学习的电力作业风险识别方法的特征金字塔网络模块示意图。
具体实施方式
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的一部分实施例，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。
需要说明，本发明实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，全文中出现的“和/或”的含义，包括三个并列的方案，以“A和/或B”为例，包括A方案、或B方案、或A和B同时满足的方案。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参照图1和图2，本发明第一方面提供了一种基于深度学习的电力作业风险识别方法，所述方法包括以下步骤：
S1：设计适用于电力作业风险的目标检测模型；
所述目标检测模型包括图像特征处理模块、特征金字塔网络模块、角点定位模块、中心点定位模块和定位解码模块；具体步骤包括：
S11：将待检测图片送入所述图像特征处理模块，先对输入的待检测图片进行预处理，包括调整图像大小、归一化和图像增强等操作，接下来，再通过一个主干网络提取图像特征，所述主干网络将输入图像映射到不同分辨率的特征图上，以便后续的目标检测任务；
S12：将提取的图像特征送入所述特征金字塔网络模块，通过上采样和下采样操作，用于融合不同分辨率的特征图，有助于模型检测不同尺度的物体，同时加入可逆分支，可逆分支通过可逆残差块来实现，加入可逆分支可以在特征融合过程中捕捉到更多的细节信息，最后生成一组多尺度的特征图；
S13：将生成的多尺度的特征图送入角点定位模块，通过3个卷积层和1个池化层得到角点位置；
S14：将生成的多尺度的特征图送入中心点定位模块，通过2个卷积层和1个激活函数得到中心点位置；
S15：将角点定位模块得到的角点位置和中心点定位模块得到的中心点位置使用定位解码模块来还原物体的边界框信息，通过将角点和中心点进行关联，可以得到物体的位置和尺寸信息，同时，模型还会预测每个边界框的物体类别；
S2：训练设计好的目标检测模型，得到训练好的目标检测模型；
S3：使用训练好的目标检测模型时来识别和定位电力作业中具有风险的位置；具体的，使用训练好的模型进行目标检测推断。将电力作业场景的图像输入到模型中，模型会输出检测到的目标类别和位置信息，生成可以识别并定位电力作业中具有风险的位置，具体的，通过将待检测的电力图像输入到模型中进行检测，检测后的图像为生成的框选图片，相较于传统的电力作业风险识别方法，本发明大大节省了人工成本，且对于后续统计风险等技术提供高质量的框选图片。
具体的，本发明首先通过图像特征处理模块提取图像特征，再将提取的特征送入特征金字塔网络模块，用于融合不同分辨率的特征图，再通过角点定位模块得到的角点位置和中心定位模块得到的中心点位置进行关联，使用定位解码模块得到物体的位置和尺寸信息，提高模型识别的准确性。
作为本申请的一实施例，所述步骤S13中角点定位模块包括3个卷积层和1个池化层，具体步骤包括：
S131：将生成的所述多尺度的特征图送入第一个卷积层，卷积层的作用是通过滑动窗口的方式对多尺度的特征图进行局部感知，提取局部特征；卷积层使用一组可学习的卷积核，将多尺度的特征图与卷积核进行卷积运算，产生一组新的特征图；
S132：在每个卷积层之后均应用一个激活函数来引入非线性，所述激活函数的作用是增加模型的表示能力，使其能够更好地适应复杂的数据分布和模式；
S133：接下来，经过第二个卷积层和池化层来提取和压缩特征，得到减小尺寸的特征图；具体的，所述第二个卷积层和池化层可以帮助模型从更高级的语义信息中提取角点所需的局部特征，同时减小特征图的尺寸，以降低计算复杂度；
S134：经过第三个通道数等于要预测的角点数量的卷积层，生成与所述减小尺寸的特征图大小相同的热图，得到角点的位置，其中每个像素点表示对应位置是否包含物体的角点；所述热图可以看作是角点的置信度图，较高的值表示更有可能存在角点。
具体的，本发明通过角点定位模块能够提供对目标的准确定位能力，通过预测目标的顶部左侧和底部右侧角点，可以更精确地确定目标的边界框。
作为本申请的一实施例，所述步骤S14中中心点定位模块包括2个卷积层和1个激活函数，具体步骤包括：
S141：将生成的所述多尺度的特征图送入卷积层进行卷积操作，所述卷积操作采用滑动窗口的方式，将卷积核与输入特征图进行点乘和求和运算，得到卷积输出新的特征图；具体的，每个卷积核对应一个输出通道，表示特定的特征。在卷积操作中，卷积核的尺寸决定了局部感受野的大小，较小的卷积核可以提取细节特征，而较大的卷积核可以捕捉更大范围的上下文信息；步幅决定了卷积核在特征图上的滑动距离，较大的步幅会导致输出特征图尺寸的缩小；
S142：在卷积层之后，应用一个激活函数来引入非线性，所述激活函数有助于增加模型的表示能力，并提升对复杂模式的建模能力；
S143：最后经过输出通道数与需要预测的中心点数量相同的卷积层，生成与新的特征图大小相同的热图，其中每个像素点表示对应位置是否包含物体的中心点，得到中心点的位置，具体的，热图中的像素点表示了相应位置处存在目标的置信度或概率，通过对热图进行处理和分析，可以定位和检测目标物体。
具体的，本发明通过中心点定位模块能够消除大量错误地将一些非目标区域或者与目标相似但实际上不是目标的区域，错误地识别为目标物体的候选框或者边界框带来的混淆。
作为本申请的一实施例，所述步骤S15包括：
S151：通过计算角点和中心点之间的相对位置关系，使用最近邻匹配的方法来对角点和中心点进行关联方式；
S152：通过将关联的角点和中心点进行解码，可以还原物体的边界框信息，具体而言，可以通过计算关联点之间的距离来确定物体的宽度和高度，并将中心位置和尺寸信息结合起来形成最终的边界框；
S153：最后预测边界框的物体类别，使用softmax函数将类别预测转化为概率分布，以表示每个类别的置信度，具体的，预测边界框的物体类别可以举例说明为：在电力场景下的对不同物体的识别检测，如检测到人但未检测到安全帽，则有风险。
作为本申请的一实施例，所述步骤S2中使用尺度损失函数、中心点热图损失函数/>、角点热图损失函数/>和分类损失函数/>对所述目标检测模型进行训练，所述尺度损失函数/>、中心点热图损失函数/>、角点热图损失函数/>和分类损失函数/>组合形成一个总体损失函数，其计算公式如下：
其中，，/>，/>，/>为各个损失函数的权重，通过调整权重可以平衡各个损失函数对模型训练的影响。
作为本申请的一实施例，所述尺度损失函数计算公式为：
其中，表示预测的尺度，/>表示真实的尺度，/>表示滑L1损失函数，/>表示样本数量。
作为本申请的一实施例，所述中心点热图损失函数计算公式为：
其中，表示预测的中心点热图，/>表示真实的中心点热图，/>表示样本数量。
作为本申请的一实施例，所述角点热图损失函数计算公式如下：
其中，表示预测的角点热图，/>表示真实的角点热图，/>表示样本数量。
作为本申请的一实施例，所述分类损失函数计算公式如下：
其中，表示预测的类别概率，/>表示真实的类别标签，/>表示交叉熵损失函数，/>表示样本数量。
具体的，这些损失函数可以提高目标定位精度和准确性、改善目标边界框的确定、适应多样化目标的尺度和形状、提高目标分类准确性。通过综合这些损失函数，可以综合考虑目标检测算法在定位、尺度和分类等方面的性能，使模型训练的更加关注检测目标，同时训练效果更好，更加符合电力场景，从而提高整体的目标检测性能。
本发明通过图像特征处理模块提取图像特征，再将提取的特征送入特征金字塔网络模块，用于融合不同分辨率的特征图，再通过角点定位模块得到的角点位置和中心定位模块得到的中心点位置进行关联，使用定位解码模块得到物体的位置和尺寸信息，有效定位电力场景图片中的风险位置，提高对图像中风险位置的准确性，同时，通过将待检测的电力图像输入到模型中进行检测，最后生成框选图片的方法，大大节省了人工成本，对于后续统计风险等技术提供高质量的框选图片。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种基于深度学习的电力作业风险识别方法，其特征在于，所述方法包括以下步骤：
S1：设计适用于电力作业风险的目标检测模型；
所述目标检测模型包括图像特征处理模块、特征金字塔网络模块、角点定位模块、中心点定位模块和定位解码模块；具体步骤包括：
S11：将待检测图片送入所述图像特征处理模块，先对输入的待检测图片进行预处理，包括调整图像大小、归一化和图像增强，再通过主干网络提取图像特征；
S12：将提取的图像特征送入所述特征金字塔网络模块，通过上采样和下采样操作，用于融合不同分辨率的特征图，同时加入可逆分支捕捉信息，最后生成多尺度的特征图；
S13：将生成的多尺度的特征图送入角点定位模块，通过3个卷积层和1个池化层得到角点位置；
S14：将生成的多尺度的特征图送入中心点定位模块，通过2个卷积层和1个激活函数得到中心点位置；
S15：将角点定位模块得到的角点位置和中心点定位模块得到的中心点位置使用定位解码模块来还原物体的边界框信息，得到物体的位置和尺寸信息；
S2：训练设计好的目标检测模型，得到训练好的目标检测模型；
S3：使用训练好的目标检测模型来识别和定位电力作业中具有风险的位置。
2.根据权利要求1所述的基于深度学习的电力作业风险识别方法，其特征在于，所述步骤S13中角点定位模块包括3个卷积层和1个池化层，具体步骤包括：
S131：将生成的所述多尺度的特征图送入第一个卷积层，使用卷积核进行卷积运算，产生新的特征图；
S132：在每个卷积层之后均应用一个激活函数来引入非线性；
S133：经过第二个卷积层和池化层对新的特征图进行提取和压缩特征，得到减小尺寸的特征图；
S134：经过第三个通道数等于要预测的角点数量的卷积层，生成与所述减小尺寸的特征图大小相同的热图，得到角点的位置。
3.根据权利要求1所述的基于深度学习的电力作业风险识别方法，其特征在于，所述步骤S14中中心点定位模块包括2个卷积层和1个激活函数，具体步骤包括：
S141：将生成的多尺度的特征图送入第一个卷积层进行卷积操作，所述卷积操作采用滑动窗口的方式，将卷积核与生成的多尺度的特征图进行点乘和求和运算，得到卷积输出新的特征图；
S142：之后应用一个激活函数来引入非线性；
S143：经过第二个输出通道数与需要预测的中心点数量相同的卷积层，生成与新的特征图大小相同的热图，得到中心点的位置。
4.根据权利要求1所述的基于深度学习的电力作业风险识别方法，其特征在于，所述步骤S15包括：
S151：通过计算角点和中心点之间的相对位置关系，使用最近邻匹配的方法来对角点和中心点进行关联；
S152：将关联的角点和中心点进行解码，计算角点和中心点之间的距离来确定物体的宽度和高度，并将中心位置和尺寸信息结合起来形成最终的边界框；
S153：预测边界框的物体类别，使用softmax函数将类别预测转化为概率分布，以表示每个类别的置信度。
5.根据权利要求1所述的基于深度学习的电力作业风险识别方法，其特征在于，所述步骤S2中使用尺度损失函数、中心点热图损失函数/>、角点热图损失函数/>和分类损失函数/>对所述目标检测模型进行训练；所述尺度损失函数/>、中心点热图损失函数/>、角点热图损失函数/>和分类损失函数/>组合形成一个总体损失函数，其计算公式如下：
其中，，/>，/>，/>为各个损失函数的权重。
6.根据权利要求5所述的基于深度学习的电力作业风险识别方法，其特征在于，所述尺度损失函数计算公式为：
其中，表示预测的尺度，/>表示真实的尺度，/>表示滑L1损失函数。
7.根据权利要求5所述的基于深度学习的电力作业风险识别方法，其特征在于，所述中心点热图损失函数计算公式为：
其中，表示预测的中心点热图，/>表示真实的中心点热图，/>表示样本数量。
8.根据权利要求5所述的基于深度学习的电力作业风险识别方法，其特征在于，所述角点热图损失函数计算公式如下：
其中，表示预测的角点热图，/>表示真实的角点热图，/>表示样本数量。
9.根据权利要求5所述的基于深度学习的电力作业风险识别方法，其特征在于，所述分类损失函数计算公式如下：
其中，表示预测的类别概率，/>表示真实的类别标签，/>表示交叉熵损失函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410403204.3A CN117994594A (zh) | 2024-04-03 | 2024-04-03 | 一种基于深度学习的电力作业风险识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410403204.3A CN117994594A (zh) | 2024-04-03 | 2024-04-03 | 一种基于深度学习的电力作业风险识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117994594A true CN117994594A (zh) | 2024-05-07 |
Family
ID=90901415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410403204.3A Pending CN117994594A (zh) | 2024-04-03 | 2024-04-03 | 一种基于深度学习的电力作业风险识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117994594A (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009168604A (ja) * | 2008-01-16 | 2009-07-30 | Enesaabu Kk | 瞬低予測装置及びシステム |
| CN111985325A (zh) * | 2020-07-15 | 2020-11-24 | 国网河南省电力公司 | 特高压环境评价中的航拍小目标快速识别方法 |
| CN113191296A (zh) * | 2021-05-13 | 2021-07-30 | 中国人民解放军陆军炮兵防空兵学院 | 一种基于yolov5的任意朝向目标五参数检测方法 |
| CN113591573A (zh) * | 2021-06-28 | 2021-11-02 | 北京百度网讯科技有限公司 | 多任务学习深度网络模型的训练及目标检测方法、装置 |
| WO2022121156A1 (zh) * | 2020-12-10 | 2022-06-16 | 平安科技（深圳）有限公司 | 图像中目标物检测方法、装置、电子设备及可读存储介质 |
| US20220198203A1 (en) * | 2020-12-17 | 2022-06-23 | GM Global Technology Operations LLC | Three dimensional traffic sign detection |
| US20220301168A1 (en) * | 2020-11-24 | 2022-09-22 | Jiangsu University | Comprehensive detection device and method for cancerous region |
| CN115514887A (zh) * | 2022-09-07 | 2022-12-23 | 影石创新科技股份有限公司 | 视频采集的控制方法、装置、计算机设备和存储介质 |
| CN116524428A (zh) * | 2023-03-23 | 2023-08-01 | 贵州电网有限责任公司 | 基于目标检测及场景融合的电力作业安全风险识别方法 |
| CN116579616A (zh) * | 2023-07-10 | 2023-08-11 | 武汉纺织大学 | 一种基于深度学习的风险识别方法 |
| CN116935184A (zh) * | 2023-07-19 | 2023-10-24 | 浙江大学 | 一种不规则交通道路目标检测方法和系统 |
| CN116994236A (zh) * | 2023-08-03 | 2023-11-03 | 杭州电子科技大学 | 一种基于深度神经网络的低质图像车牌检测方法 |
| CN117152414A (zh) * | 2023-08-31 | 2023-12-01 | 西安交通大学 | 一种基于尺度注意力辅助学习方法的目标检测方法及系统 |
| CN117333816A (zh) * | 2023-09-27 | 2024-01-02 | 广西电网有限责任公司 | 一种面向营销现场作业的安全风险辨识的前端系统 |
| CN117710638A (zh) * | 2024-01-08 | 2024-03-15 | 数据空间研究院 | 一种基于单阶段无锚框检测网络的小目标检测方法 |
| CN117787690A (zh) * | 2023-12-18 | 2024-03-29 | 北京建筑材料科学研究总院有限公司 | 吊装作业安全风险识别方法及识别装置 |
-
2024
- 2024-04-03 CN CN202410403204.3A patent/CN117994594A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009168604A (ja) * | 2008-01-16 | 2009-07-30 | Enesaabu Kk | 瞬低予測装置及びシステム |
| CN111985325A (zh) * | 2020-07-15 | 2020-11-24 | 国网河南省电力公司 | 特高压环境评价中的航拍小目标快速识别方法 |
| US20220301168A1 (en) * | 2020-11-24 | 2022-09-22 | Jiangsu University | Comprehensive detection device and method for cancerous region |
| WO2022121156A1 (zh) * | 2020-12-10 | 2022-06-16 | 平安科技（深圳）有限公司 | 图像中目标物检测方法、装置、电子设备及可读存储介质 |
| US20220198203A1 (en) * | 2020-12-17 | 2022-06-23 | GM Global Technology Operations LLC | Three dimensional traffic sign detection |
| CN113191296A (zh) * | 2021-05-13 | 2021-07-30 | 中国人民解放军陆军炮兵防空兵学院 | 一种基于yolov5的任意朝向目标五参数检测方法 |
| CN113591573A (zh) * | 2021-06-28 | 2021-11-02 | 北京百度网讯科技有限公司 | 多任务学习深度网络模型的训练及目标检测方法、装置 |
| CN115514887A (zh) * | 2022-09-07 | 2022-12-23 | 影石创新科技股份有限公司 | 视频采集的控制方法、装置、计算机设备和存储介质 |
| CN116524428A (zh) * | 2023-03-23 | 2023-08-01 | 贵州电网有限责任公司 | 基于目标检测及场景融合的电力作业安全风险识别方法 |
| CN116579616A (zh) * | 2023-07-10 | 2023-08-11 | 武汉纺织大学 | 一种基于深度学习的风险识别方法 |
| CN116935184A (zh) * | 2023-07-19 | 2023-10-24 | 浙江大学 | 一种不规则交通道路目标检测方法和系统 |
| CN116994236A (zh) * | 2023-08-03 | 2023-11-03 | 杭州电子科技大学 | 一种基于深度神经网络的低质图像车牌检测方法 |
| CN117152414A (zh) * | 2023-08-31 | 2023-12-01 | 西安交通大学 | 一种基于尺度注意力辅助学习方法的目标检测方法及系统 |
| CN117333816A (zh) * | 2023-09-27 | 2024-01-02 | 广西电网有限责任公司 | 一种面向营销现场作业的安全风险辨识的前端系统 |
| CN117787690A (zh) * | 2023-12-18 | 2024-03-29 | 北京建筑材料科学研究总院有限公司 | 吊装作业安全风险识别方法及识别装置 |
| CN117710638A (zh) * | 2024-01-08 | 2024-03-15 | 数据空间研究院 | 一种基于单阶段无锚框检测网络的小目标检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| HAO CHEN等: "Detection of Multiscale Center Point Objects Based on Parallel Network", 《JOURNAL OF ARTIFICIAL INTELLIGENCE AND TECHNOLOGY》, vol. 1, no. 1, 31 December 2021 (2021-12-31), pages 68 - 73 * |
| 陈鑫强: "基于深度学习的作业人员违章行为检测技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 02, 15 February 2023 (2023-02-15), pages 138 - 1758 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340797B (zh) | 一种激光雷达与双目相机数据融合检测方法及系统 | |
| CN108470332B (zh) | 一种多目标跟踪方法及装置 | |
| US20200074178A1 (en) | Method and system for facilitating recognition of vehicle parts based on a neural network | |
| CN109255317B (zh) | 一种基于双网络的航拍图像差异检测方法 | |
| Hoang et al. | Enhanced detection and recognition of road markings based on adaptive region of interest and deep learning | |
| CN113159120A (zh) | 一种基于多尺度跨图像弱监督学习的违禁物检测方法 | |
| CN111709313B (zh) | 基于局部和通道组合特征的行人重识别方法 | |
| CN111339975A (zh) | 基于中心尺度预测与孪生神经网络的目标检测识别跟踪方法 | |
| CN113052185A (zh) | 一种基于Faster R-CNN的小样本目标检测方法 | |
| WO2023093086A1 (zh) | 目标跟踪及相关模型的训练方法、装置、设备、介质、计算机程序产品 | |
| CN112634369A (zh) | 空间与或图模型生成方法、装置、电子设备和存储介质 | |
| CN112634368A (zh) | 场景目标的空间与或图模型生成方法、装置及电子设备 | |
| CN116844147A (zh) | 一种基于深度学习的指针式仪表识别和异常警报方法 | |
| CN113989604A (zh) | 基于端到端深度学习的轮胎dot信息识别方法 | |
| CN116311214A (zh) | 车牌识别方法和装置 | |
| Qaddour et al. | Automatic damaged vehicle estimator using enhanced deep learning algorithm | |
| CN111291712B (zh) | 基于插值的cn和胶囊网络的森林火灾识别方法及装置 | |
| CN117475355A (zh) | 基于监控视频的安全预警方法及装置、设备、存储介质 | |
| CN110910497A (zh) | 实现增强现实地图的方法和系统 | |
| CN116310902A (zh) | 一种基于轻量级神经网络的无人机目标检测方法及系统 | |
| CN117994594A (zh) | 一种基于深度学习的电力作业风险识别方法 | |
| CN113316080B (zh) | 基于Wi-Fi与图像融合指纹的室内定位方法 | |
| CN115439926A (zh) | 一种基于关键区域和场景深度的小样本异常行为识别方法 | |
| CN114743257A (zh) | 图像目标行为的检测识别方法 | |
| WO2015086076A1 (en) | Method for determining a similarity value between a first image and a second image |
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 |