基于人工智能技术的配电房设备智能识别方法及装置与流程

本发明涉及计算机，具体地涉及一种基于人工智能技术的配电房设备智能识别方法、一种基于人工智能技术的配电房设备智能识别装置、一种机器可读存储介质及一种处理器。

背景技术：

1、配电房是一个重要的电力设施，而巡检则是其正常运行的重要手段。配电房巡检能够及时发现设备故障和隐患，电力系统的稳定运行，防止意外事故的发生。

2、在执行配电房设备巡检任务时，作业人员必须佩戴安全帽。传统的安全帽只具有头部防护的作用，功能比较单一。智能安全帽由传统安全帽演化而来，是传统安全帽的高科技升级版。现有的智能安全帽集成摄像头、语音、通信、存储、传感器等模块，实现数据采集、监控、定位、预警等功能，实现了对巡检人员的多方位多功能安全监护，同时也在一定程度上实现了对巡检人员的监管作用，但是，现有的智能安全帽还不具备配电房设备智能识别功能。

3、目前，已有一些技术方案将人工智能算法引入配电房巡检中来，在很大程度上提高了巡检工作效率，从而减少电力系统故障的发生。然而，现有的配电房设备识别方法所采用的深度学习模型虽然具有很高的检测精度，但是模型比较复杂，功耗大，不适合部署在智能安全帽这种计算资源有限的边缘设备中。

技术实现思路

1、本技术实施例的目的是提供一种基于人工智能技术的配电房设备智能识别方法及装置。所述方法采用的深度学习模型具有轻量化、低功耗、检测精度高、检测速度快的特点，能够实现配电房设备的实时、高精度智能识别，适合部署在智能安全帽这种计算资源有限的边缘设备中。

2、为了实现上述目的，本技术第一方面提供一种基于人工智能技术的配电房设备智能识别方法，所述方法包括：

3、获取智能安全帽拍摄的配电房设备图像；

4、对所述配电房设备图像进行数据前处理，获得处理后的配电房设备图像；

5、使用预设的设备识别模型对所述处理后的配电房设备图像进行识别，获得识别结果；所述设备识别模型由改进的yolov5网络训练得到。

6、可选的，所述方法还包括：

7、获取配电房设备历史图像，并进行标注，构建初始图像数据集；

8、引入原始yolov5网络模型，并对原始yolov5网络模型的骨干网络、颈部网络以及损失函数进行改进，获得改进后的yolov5网络模型；

9、利用所述初始图像数据集对改进后的yolov5网络模型进行训练、验证和测试，得到所述设备识别模型。

10、可选的，对原始yolov5网络模型的骨干网络进行改进包括：在原始yolov5网络模型的基础上，将骨干网络替换为轻量级卷积神经网络pp-lcnet。

11、可选的，对原始yolov5网络模型的颈部网络进行改进包括：在原始yolov5网络模型的颈部网络的基础上，将卷积conv替换为深度可分离卷积depthsepconv，在c3模块的瓶颈bottleneck结构中引入空洞卷积和深度可分离卷积，在颈部网络中位于检测分支的c3模块与检测头之间添加注意力机制模块cbam。

12、可选的，对原始yolov5网络模型的损失函数进行改进包括：将原始yolov5网络模型的giou损失函数替换为focal-eiou损失函数，并引入边界框权重因子。

13、可选的，改进后的损失函数为：

14、l＝wboxlbox+wconflconf+wclslcls    (1)；

15、其中，l为总损失；lbox为定位损失；wbox为定位损失权重；lconf为置信度损失；wconf为置信度损失权重；lcls为分类损失；wcls为分类损失权重；

16、所述改进后的损失函数包括：定位损失函数、置信度损失函数和分类损失函数；

17、定位损失函数为：

18、

19、其中，lbox为定位损失；n为检测分支的数量；s2为每个检测分支的分辨率；b为分辨率下每个网格产生的预测边界框的数量；为指示函数；为面积加权；h’w’为预测边界框的面积；hw为全图面积；lfocal-eiou为focal-eiou损失函数；

20、置信度损失函数为：

21、

22、其中，lconf为置信度损失；log(|pgt-ppred|)为交叉熵损失函数；pgt为存在检测目标或缺陷的真实概率；pprred为存在检测目标或缺陷的预测概率；

23、分类损失函数为：

24、

25、其中，lcls为分类损失；c为安全隐患的类别；为当前待检测目标或缺陷属于c类别的真实概率；为当前待检测目标或缺陷属于c类别的预测概率。

26、可选的，所述初始图像数据集为增强后的图像数据集；所述方法还包括：采用图像增强方法对所述初始图像数据集进行增强处理，获得增强后的图像数据集。

27、可选的，所述数据前处理包括：图像等比例缩放处理和图像填充处理。

28、本技术第二方面提供一种基于人工智能技术的配电房设备智能识别装置，所述装置包括：

29、获取单元，用于获取智能安全帽拍摄的配电房设备图像；

30、处理单元，用于对所述配电房设备图像进行数据前处理，获得处理后的配电房设备图像；

31、识别单元，用于使用预设的设备识别模型对所述处理后的配电房设备图像进行识别，获得识别结果；所述设备识别模型由改进的yolov5网络训练得到。

32、可选的，所述设备识别模型为经过训练的改进后的yolov5网络模型；所述装置还包括：

33、构建模块，用于获取配电房设备历史图像，并进行标注，构建初始图像数据集；

34、改进模块，用于引入原始yolov5网络模型，并对原始yolov5网络模型的骨干网络、颈部网络以及损失函数进行改进，获得改进后的yolov5网络模型；

35、训练模块，用于利用所述初始图像数据集对改进后的yolov5网络模型进行训练、验证和测试，得到所述设备识别模型。

36、可选的，对原始yolov5网络模型的骨干网络进行改进包括：在原始yolov5网络模型的基础上，将骨干网络替换为轻量级卷积神经网络pp-lcnet。

37、可选的，对原始yolov5网络模型的颈部网络进行改进包括：在原始yolov5网络模型的颈部网络的基础上，将卷积conv替换为深度可分离卷积depthsepconv，在c3模块的瓶颈bottleneck结构中引入空洞卷积和深度可分离卷积，在颈部网络中位于检测分支的c3模块与检测头之间添加注意力机制模块cbam。

38、可选的，对原始yolov5网络模型的损失函数进行改进包括：将原始yolov5网络模型的giou损失函数替换为focal-eiou损失函数，并引入边界框权重因子。

39、本技术第三方面提供一种处理器，被配置成执行上述的基于人工智能技术的配电房设备智能识别方法。

40、本技术第四方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器被配置成执行上述的基于人工智能技术的配电房设备智能识别方法。

41、与现有技术相比，本发明的上述技术方案具有如下有益效果：

42、本技术提供一种基于人工智能技术的配电房设备智能识别方法及装置，所述方法通过实时获取智能安全帽拍摄的配电房设备图像进行处理，使用改进的yolov5网络训练得到的设备识别模型对处理后的配电房设备图像进行识别，以获得智能电表读数、压板状态、施工人员吸烟行为、配电房设备缺陷等识别结果。所述方法采用的深度学习模型具有轻量化、低功耗、检测精度高、检测速度快的特点，能够实现配电房设备的实时、高精度智能识别，适合部署在智能安全帽这种计算资源有限的边缘设备中。

43、本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。