CN114462555B 基于树莓派的多尺度特征融合配电网设备识别方法 （国网江西省电力有限公司电力科学研究院）

申请号202210381347.X基于树莓派的多尺度特征融合配电网设备本发明涉及一种基于树莓派的多尺度特征融合配电网设备识别方法，获取初始样本数据巡检图片。本发明引入轻量级EfficientNet-B0同时引入多尺度特征融合能更好地适应小目标2所述EfficientNe-B0主干网络由一个CBL模块和7个Block模块组成，7个Block模块依多尺度特征融合模块包括四条融合路径，第一条融合路径包括CBL1模块和Conv1层，CBL1模块获取Block7输出的特征图，CBL1模块处理后的特征图进入Conv1层卷积后进入y_的特征图并通过上采样获取CBL1模块处理后的特征图进行融合，融合后的融合特征图由CBL2模块处理，CBL2模块处理后的融合特征图进入Conv2层卷积后进入y_pred2检测分类的特征图并通过上采样获取CBL2模块处理后的特征图进行融合，融合后的融合特征图由CBL3模块处理，CBL3模块处理后的融合特征图进入Conv3层卷积后进入y_pred3检测分类第四条融合路径包括concat3层、CBL4模块，c次输出的真实框补充到初始样本数据集进行下一次步骤S4、使用训练后的目标检测网络检测巡检图片：由Effi2.根据权利要求1所述的基于树莓派的多尺度特征融合配电网设备识别方法，其特征3包括2个MBConv6Block模块，卷积核大小为5×5、步距为2×2；所述Block4模块包括3个MBConv6Block模块，卷积核大小为3×3、步距为2×2；所述Block5模块包括3个MBConv6Block模块，卷积核大小为5×5、步距为2×2；所述Block6模块包括4个MBConv6Block模块，卷积核大小为5×5、步距为2×2；所述Block7模块包括1个3.根据权利要求2所述的基于树莓派的多尺度特征融合配电网设备识别方法，其特征者5×5网络结构前利用1×1卷积升维，在3×3或者5×5网络结构后增加了一个SENet通道4.根据权利要求2所述的基于树莓派的多尺度特征融合配电网设备识别方法，其特征5.根据权利要求1所述的基于树莓派的多尺度特征融合配电网设备识别方法，其特征6.根据权利要求1所述的基于树莓派的多尺度特征融合配电网设备识别方法，其特征7.根据权利要求1所述的基于树莓派的多尺度特征融合配电网设备识别方法，其特征4采用y_pred检测分类头的一阶段目标检测方法的网络模型参数相对较少，在实时性上优闸和跌落式熔断器类小目标配电网设备，EfficientNet-B0主干提取网络的Con2D+度学习识别算法带来高精度的同时，其巨大的计算成本也使得寻常的嵌入式设备难以承[0008]所述EfficientNe-B0主干网络由一个CBL模块和7个Block模块组成，7个Block模Block7模块；[0010]多尺度特征融合模块包括四条融合路径，第一条融合路径包括CBL1模块和Conv15MBConv6Block模块，卷积核大小为5×5、步距为2×2；所述Block6模块包括4个MBConv6Block模块，卷积核大小为5×5、步距为2×2；所述Block7模块包括1个[0020]进一步优选，多尺度特征融合选取Block2模块、Block3模块、Block5模块、6头设有3个不同尺寸的先验框，y_pred3检测分类头的3个先验框的尺寸对应刀闸的3种尺人机系统这种微型边缘设备上。使用y_pred检测分类头代替EfficientNet-B0网络Con2D+GlobalAveragePooling2D+De[0031]参照图1和图2，本发明的一种基于树莓派的多尺度特征融合配电网设备识别方[0034]所述EfficientNe-B0主干网络由一个CBL模块和7个Block模块组成，7个Block模7[0036]多尺度特征融合模块包括四条融合路径，第一条融合路径包括CBL1模块和Conv1包括3个MBConv6Block模块，卷积核大小为3×3、步距为2×2；所述Block5模块包括3个MBConv6Block模块，卷积核大小为5×5、步距为2×2；所述Block6模块包括4个MBConv6Block模块，卷积核大小为5×5、步距为2×2；所述Block7模块包括1个会跟一个数字1或6，这里的1或6就是倍率因子n即MBConv中第一个1×1的卷积层会将输入8[0049]特征重标定操作：将各特征通道权重值与对应特征通道的二维矩阵相乘加权的C[0051]传统的EfficientNet-B0的主干网络由一个Stem+16个Blocks+Con2D+大小为3×3步距为2的普通卷积层（包含正则化和激活函数阶段2～阶段8都是在重复堆叠MBConv结构，而阶段9由一个普通的1×1的卷积层、一个平均池化层和一个全连接层组GlobalAveragePooling2D+De模块输出的四幅特征图进行多尺度特征融合堆叠，尽可能的保留浅层特征。Block2模块、9检测分类头检测精度高且网络更加轻量化。y_pred检测分类头是一次3×3卷积加上一次1设有3个不同尺寸的先验框，y_pred3检测分类头的3个先