申请/专利权人：华北电力大学(保定)

申请日：2024-02-26

公开（公告）日：2024-06-18

公开（公告）号：CN118212546A

主分类号：G06V20/13

分类号：G06V20/13;G06V20/10;G06V10/82;G06V10/80;G06V10/774;G06V10/776;G06V10/764;G06N3/0464

优先权：

专利状态码：在审-公开

法律状态：2024.06.18#公开

摘要：本发明公开了基于大核选择特征融合网络的电力杆塔遥感目标检测方法，属于电力计算机视觉领域。所述方法包括步骤：选取YOLOv5作为基础模型，设计大核空间选择注意融合模块改进主干网络，扩大模型感受野，准确定位电力杆塔位置。设计多尺度特征对齐融合结构改进颈部网络，解决输电塔、配电塔尺度差距大且不一致的问题，提高配电塔此类微小杆塔检测精度，实现复杂背景下电力杆塔多尺度特征融合。训练模型，引入MPDIoU改进CIoU，设计滑动加权损失使模型在训练过程中更关注负样本，使用训练所得最优模型对电力杆塔进行检测和识别，评估模型效果。本发明有效提升了卫星遥感图像中电力杆塔的检测精度，可为基于卫星遥感的电力线路智能巡检提供重要技术支持。

主权项：1.基于大核选择特征融合网络的电力杆塔遥感目标检测方法，其特征在于，包括以下步骤：S1：构建卫星图像电力杆塔数据集，根据已采集输配电基础设施卫星遥感图像，获得涵盖不同背景、不同人口密度区域的电力杆塔已标注图像、其中电力杆塔包括输电塔、配电塔；S2：权衡精度与速度，选取YOLOv5作为基础模型，设计大核空间选择注意融合模块改进主干网络，扩大模型感受野，准确定位电力杆塔位置；S3：设计多尺度特征对齐融合结构改进颈部网络，有效利用低层语义信息，解决输电塔、配电塔尺度差距大且不一致的问题，提高配电塔此类微小杆塔的检测精度，实现复杂背景下电力杆塔多尺度特征融合；S4：训练模型，引入MPDIoU改进CIoU，设计滑动加权损失使模型在训练过程中更关注负样本，使用训练所得最优模型对电力杆塔进行检测和识别，评估模型效果；其中，所述步骤S2选取YOLOv5作为基础模型，设计大核空间选择注意融合模块改进主干网络，具体包括：S21：选取模型体积小，检测速度快的YOLOv5作为基准模型，模型主干网络CSPDarknet53由Conv、C3、SPPF和瓶颈模块组成，在SPPF层前添加大核空间选择注意机制模块LSKMLargeSelectiveKernelMechanism，增强模型主干网络提取能力；步骤S21中的大核空间选择注意机制LSKM网络结构包括：大核空间选择子块LargeKernelSpatialSelection、前馈神经网络子块MLP，其中大核空间选择子块的核心为LSK模块，该模块由大核卷积序列和空间核选择机制组成，大核卷积序列通过显示分解为拥有大增长核和增加膨胀率的深度卷积序列构成，空间核选择机制从不同尺度的大卷积核中对特征映射进行空间选择；S22：使用注意力特征融合模块AFFAttentionFeatureFusion替换LSKM每个子层之间的残差链接，避免因网络层数增加所导致的梯度消失核权重矩阵退化的问题，增强捕获不同本地信息的能力，提升主干网络在复杂背景下提取目标的性能；其中，所述步骤S3设计多尺度特征对齐融合结构SPD-MFAF改进颈部网络，具体包括：S31：基准模型YOLOv5的颈部网络采用PANet，为了更好融合低层语义信息，使用多尺度特征对齐融合结构MFAFMuti-scaleFeatureAlignmentandFusion替换颈部网络前两个模块；步骤S31中的MFAF包括：特征对齐模块FAMFeatureAlignmentModel、信息融合模块IFMInformationFeatureFusion和轻量级相邻层融合模块LAF_InjectionModuleLightweightAdjacentLayerFusionModel；S32:因此在后两个颈部网络模块中使用SPD-conv代替原跨步卷积层，以防止因网络深度增加导致特征图模糊从而影响检测头检测效果，提升对配电塔此类微小杆塔的检测能力。

全文数据：

权利要求：

百度查询： 华北电力大学(保定) 基于大核选择特征融合网络的电力杆塔遥感目标检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD