本發(fā)明涉及計(jì)算機(jī)視覺(jué)，尤其涉及一種用于智能巡檢的電力設(shè)備目標(biāo)檢測(cè)方法、系統(tǒng)及設(shè)備。

背景技術(shù)：

1、隨著數(shù)據(jù)中心的規(guī)模持續(xù)擴(kuò)大和業(yè)務(wù)復(fù)雜度的提升,確保數(shù)據(jù)中心設(shè)備的可靠性與安全性變得日益重要。

2、在電力設(shè)施的日常運(yùn)維中，巡檢工作對(duì)于確保數(shù)據(jù)中心設(shè)備的穩(wěn)定運(yùn)行至關(guān)重要。然而，當(dāng)前巡檢工作主要依賴(lài)于人工定期檢查或基于預(yù)設(shè)規(guī)則的自動(dòng)化監(jiān)控系統(tǒng)，但這些方法往往因耗時(shí)而效率低下，且對(duì)于設(shè)備細(xì)微狀態(tài)變化的實(shí)時(shí)響應(yīng)尤其不足，導(dǎo)致巡檢的效率和準(zhǔn)確性無(wú)法得到充分保障。數(shù)據(jù)中心規(guī)模的擴(kuò)大使得這些傳統(tǒng)巡檢手段的局限性愈發(fā)凸顯,迫切需要一種更加高效和智能化的解決方案。

3、在這一需求推動(dòng)下,探索與開(kāi)發(fā)創(chuàng)新的智能巡檢技術(shù)不僅能夠提升巡檢效率和準(zhǔn)確性,還能夠?qū)崿F(xiàn)對(duì)設(shè)備狀態(tài)的即時(shí)監(jiān)控與預(yù)警,為數(shù)據(jù)中心的穩(wěn)定可靠運(yùn)作提供堅(jiān)實(shí)保障。在此背景下,yolov8作為一種領(lǐng)先的目標(biāo)檢測(cè)算法,以其高效的處理速度和準(zhǔn)確的識(shí)別能力受到廣泛關(guān)，該算法能在降低計(jì)算資源消耗的同時(shí),對(duì)復(fù)雜圖像中的多目標(biāo)進(jìn)行快速、準(zhǔn)確的識(shí)別,展現(xiàn)了其在多個(gè)應(yīng)用領(lǐng)域的廣泛潛力和實(shí)用價(jià)值。然而,將yolov8應(yīng)用于數(shù)據(jù)中心設(shè)備的智能巡檢中時(shí),仍然面臨著一系列挑戰(zhàn),包括在復(fù)雜背景下小目標(biāo)的檢測(cè)、特征表達(dá)能力的局限性、實(shí)時(shí)性與計(jì)算效率的權(quán)衡、以及對(duì)動(dòng)態(tài)環(huán)境的適應(yīng)性等問(wèn)題，當(dāng)設(shè)施狀態(tài)發(fā)生細(xì)微變化時(shí)，這些系統(tǒng)可能會(huì)因?yàn)闊o(wú)法識(shí)別或誤判而錯(cuò)失最佳的處置時(shí)機(jī)，給電力系統(tǒng)的穩(wěn)定運(yùn)行帶來(lái)潛在風(fēng)險(xiǎn)，針對(duì)這些挑戰(zhàn),本發(fā)明提出了一種融合無(wú)注意力特征增強(qiáng)器(laffe)的改進(jìn)的yolov8的與目標(biāo)檢測(cè)方法算法,以?xún)?yōu)化智能巡檢系統(tǒng)中的目標(biāo)檢測(cè)性能，為后續(xù)的設(shè)備狀態(tài)分析、故障診斷等提供關(guān)鍵依據(jù)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是克服現(xiàn)有技術(shù)中存在的對(duì)電力設(shè)施的智能巡檢進(jìn)行智能巡檢時(shí)對(duì)于設(shè)施細(xì)微狀態(tài)變化的實(shí)時(shí)響應(yīng)不足的問(wèn)題，提供了一種對(duì)電力設(shè)施細(xì)微變化的敏感度高，且能夠準(zhǔn)確識(shí)別復(fù)雜背景中電力設(shè)施的用于智能巡檢的電力設(shè)施目標(biāo)檢測(cè)方法。

2、第一方面，本發(fā)明實(shí)施例提供了一種用于智能巡檢的電力設(shè)備目標(biāo)檢測(cè)方法，所述檢測(cè)方法包括：

3、獲取巡檢圖像；

4、將所述巡檢圖像輸入至改進(jìn)的yolov8目標(biāo)檢測(cè)模型中，得到電力設(shè)備目標(biāo)檢測(cè)結(jié)果；

5、所述改進(jìn)的yolov8目標(biāo)檢測(cè)模型包括：

6、主干網(wǎng)絡(luò)，用于提取巡檢圖像的多尺度特征，并融合所述多尺度特征，得到包含多尺度特征信息的第一特征圖；

7、局部無(wú)注意力特征增強(qiáng)模塊，用于對(duì)所述第一特征圖進(jìn)行特征增強(qiáng)，得到第二特征圖；

8、檢測(cè)頭，用于根據(jù)所述第二特征圖輸出檢測(cè)結(jié)果。

9、對(duì)所述第一特征圖進(jìn)行特征增強(qiáng)包括：

10、將所述第一特征圖劃分為多個(gè)圖像塊，計(jì)算每個(gè)圖像塊的相關(guān)性得分，根據(jù)相關(guān)性得分對(duì)各圖像塊進(jìn)行注意力增強(qiáng)。

11、計(jì)算多個(gè)所述圖像塊中的第i個(gè)圖像塊的相關(guān)性得分包括：

12、計(jì)算第i個(gè)圖像塊與其余每一個(gè)圖像塊之間的相關(guān)值；

13、對(duì)第i個(gè)圖像塊與其余每一個(gè)圖像塊之間的相關(guān)值進(jìn)行求和，得到第i個(gè)圖像塊的相關(guān)性得分ri；

14、其中，第i個(gè)圖像塊與第j個(gè)圖像塊之間的相關(guān)值ri,j根據(jù)下列公式進(jìn)行計(jì)算，i≠j；

15、ri,j＝f(xi,xj)＝φ(xi)tψ(xj)t??????????????????????????????????(1)；

16、式中，φ(·)或ψ(·)為embedding函數(shù),xi為第i個(gè)圖像塊，xj為第j個(gè)圖像塊。

17、根據(jù)相關(guān)性得分對(duì)多個(gè)所述圖像塊中的第i個(gè)圖像塊進(jìn)行注意力增強(qiáng)包括：

18、對(duì)第i個(gè)圖像塊進(jìn)行通道注意力增強(qiáng)，得到第一圖像塊

19、

20、式中，⊙表示元素乘積，xi為第i個(gè)圖像塊，γc(·)為通道注意力函數(shù),所述通道注意力函數(shù)包括全連接層，通道注意力函數(shù)通過(guò)自適應(yīng)學(xué)習(xí)，為圖像塊的每個(gè)特征通道分配不同的通道注意力權(quán)重；

21、對(duì)第一圖像塊進(jìn)行空間注意力增強(qiáng)，得到第二圖像塊

22、

23、式中，⊙表示元素乘積，xi為第i個(gè)圖像塊，δs(·)為空間注意力函數(shù),所述空間注意力函數(shù)包括卷積層，空間注意力函數(shù)通過(guò)自適應(yīng)學(xué)習(xí)為圖像塊中的每個(gè)位置分配不同的空間注意力權(quán)重；

24、根據(jù)第i個(gè)圖像塊xi、第二圖像塊第i個(gè)圖像塊的相關(guān)性得分ri得到增強(qiáng)后的第i個(gè)圖像塊

25、

26、式中，λ為可學(xué)習(xí)的增強(qiáng)系數(shù),ri為第i個(gè)圖像塊xi的相關(guān)性得分。

27、所述主干網(wǎng)絡(luò)包括骨干網(wǎng)絡(luò)、fpn結(jié)構(gòu)、spp結(jié)構(gòu)；

28、所述提取巡檢圖像的多尺度特征，并融合所述多尺度特征包括：

29、通過(guò)骨干網(wǎng)絡(luò)提取巡檢圖像的多尺度特征；

30、通過(guò)fpn對(duì)所述多尺度特征進(jìn)行融合，構(gòu)建多尺度的特征金字塔；

31、通過(guò)spp結(jié)構(gòu)對(duì)多尺度的特征金字塔進(jìn)行空間池化，以融合不同感受野的特征。

32、所述骨干網(wǎng)絡(luò)為resnext-101網(wǎng)絡(luò)或cspdarknetx網(wǎng)絡(luò)。

33、根據(jù)所述第二特征圖輸出檢測(cè)結(jié)果包括：

34、基于第二特征圖，預(yù)測(cè)各關(guān)鍵點(diǎn)的位置和類(lèi)別；

35、根據(jù)各關(guān)鍵點(diǎn)的位置和類(lèi)別生成預(yù)測(cè)框及目標(biāo)框?qū)?yīng)的類(lèi)別信息；

36、對(duì)預(yù)測(cè)框進(jìn)行nms處理，結(jié)合置信度閾值對(duì)預(yù)測(cè)框進(jìn)行過(guò)濾，輸出檢測(cè)結(jié)果。

37、第二方面，本發(fā)明實(shí)施例提供了一種用于智能巡檢的電力設(shè)備目標(biāo)檢測(cè)系統(tǒng)，包括：

38、圖像獲取部，用于獲取巡檢圖像；

39、目標(biāo)檢測(cè)部，用于將所述巡檢圖像輸入至改進(jìn)的yolov8目標(biāo)檢測(cè)模型中，得到電力設(shè)備目標(biāo)檢測(cè)結(jié)果；

40、所述改進(jìn)的yolov8目標(biāo)檢測(cè)模型包括：

41、主干網(wǎng)絡(luò)，用于提取待檢測(cè)圖像的多尺度特征，并融合所述多尺度特征，得到包含多尺度特征信息的第一特征圖；

42、局部無(wú)注意力特征增強(qiáng)模塊，用于對(duì)所述第一特征圖進(jìn)行特征增強(qiáng)，得到第二特征圖；

43、檢測(cè)頭，用于根據(jù)第二特征圖輸出檢測(cè)結(jié)果。

44、第三方面，本發(fā)明實(shí)施例提供了一種電子設(shè)備，電子設(shè)備包括存儲(chǔ)器和處理器，所述存儲(chǔ)器，用于存儲(chǔ)計(jì)算機(jī)程序代碼，并將所述計(jì)算機(jī)程序代碼傳輸給所述處理器；

45、所述處理器，用于根據(jù)所述計(jì)算機(jī)程序代碼中的指令執(zhí)行上述任一項(xiàng)所述的用于智能巡檢的電力設(shè)備目標(biāo)檢測(cè)方法。

46、第四方面，本發(fā)明實(shí)施例提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述任一項(xiàng)所述的用于智能巡檢的電力設(shè)備目標(biāo)檢測(cè)方法中的步驟。

47、本發(fā)明實(shí)施例提供了一種用于智能巡檢的電力設(shè)備目標(biāo)檢測(cè)方法、系統(tǒng)、電子設(shè)備及存儲(chǔ)介質(zhì)，該方法通過(guò)改進(jìn)的yolov8目標(biāo)檢測(cè)模型對(duì)巡檢圖像進(jìn)行檢測(cè)。通過(guò)在現(xiàn)有的yolov8模型的基礎(chǔ)上整合局部無(wú)注意力特征增強(qiáng)器的算法,從特征增強(qiáng)和目標(biāo)檢測(cè)兩個(gè)維度對(duì)模型進(jìn)行了優(yōu)化,提升目標(biāo)檢測(cè)模型對(duì)電力設(shè)施細(xì)節(jié)特征的敏感度及識(shí)別準(zhǔn)確度,進(jìn)而提高智能巡檢的效率和準(zhǔn)確性。

48、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

49、1、本發(fā)明一種用于智能巡檢的電力設(shè)施目標(biāo)檢測(cè)方法中，使用改進(jìn)的yolov8目標(biāo)檢測(cè)模型進(jìn)行目標(biāo)檢測(cè)，改進(jìn)的yolov8目標(biāo)檢測(cè)模型包括主干網(wǎng)絡(luò)、局部無(wú)注意力特征增強(qiáng)模型和檢測(cè)頭，其中，局部無(wú)注意力特征增強(qiáng)模塊，用于對(duì)圖像進(jìn)行局部特征增強(qiáng)，局部特征增強(qiáng)包括注意力增強(qiáng)和空間注意力增強(qiáng)的，更有效地捕捉電力設(shè)施的細(xì)微變化及故障跡象,提供更為豐富和區(qū)分度更高的特征表示，提高目標(biāo)檢測(cè)的準(zhǔn)確性。因此，本設(shè)計(jì)中通過(guò)局部無(wú)注意力特征增強(qiáng)模塊對(duì)圖像進(jìn)行局部特征增強(qiáng)，提高目標(biāo)檢測(cè)的準(zhǔn)確性。

50、2、本發(fā)明一種用于智能巡檢的電力設(shè)施目標(biāo)檢測(cè)方法中，局部無(wú)注意力特征增強(qiáng)模塊將第一特征圖劃分為多個(gè)圖像塊，計(jì)算圖像塊之間的相關(guān)值，對(duì)于任意一個(gè)圖像塊，將該圖像塊與其它所有圖像塊之間的相關(guān)值進(jìn)行求和，得到該圖像塊的相關(guān)性得分，并根據(jù)相關(guān)性得分對(duì)該進(jìn)行通道注意力增強(qiáng)、空間注意力增強(qiáng)，通過(guò)上述特征增強(qiáng)步驟，可利用無(wú)注意力機(jī)制動(dòng)態(tài)調(diào)整每個(gè)圖像塊的增強(qiáng)程度，再通過(guò)通道和空間注意力對(duì)局部特征進(jìn)行精細(xì)化的強(qiáng)化，局部無(wú)注意力特征增強(qiáng)模塊通過(guò)全局指導(dǎo)+局部增強(qiáng)的思路，對(duì)特征圖進(jìn)行細(xì)致處理,更有針對(duì)性地改善局部特征的表達(dá)能力，增強(qiáng)模型對(duì)復(fù)雜背景中小目標(biāo)的識(shí)別能力。因此，本設(shè)計(jì)中局部無(wú)注意力特征增強(qiáng)模塊通過(guò)全局指導(dǎo)+局部增強(qiáng)的思路，更有針對(duì)性地改善局部特征的表達(dá)能力，增強(qiáng)模型對(duì)復(fù)雜背景中小目標(biāo)的識(shí)別能力。

51、3、本發(fā)明一種用于智能巡檢的電力設(shè)施目標(biāo)檢測(cè)方法中，利用局部無(wú)注意力特征增強(qiáng)模塊的局部特征增強(qiáng)功能，對(duì)圖像局部特征進(jìn)行動(dòng)態(tài)增強(qiáng),能更有效地捕捉電力設(shè)施的細(xì)微變化及故障跡象,使圖像能夠提供更為豐富和區(qū)分度更高的特征表示,作出更加準(zhǔn)確的判斷；同時(shí)，局部無(wú)注意力特征增強(qiáng)模塊提升了模型對(duì)環(huán)境變化的適應(yīng)性,確保即便在光照條件、設(shè)備位置等因素發(fā)生變化時(shí),模型依然能保持較高的檢測(cè)穩(wěn)定性和準(zhǔn)確性。因此，本設(shè)計(jì)中局部無(wú)注意力特征增強(qiáng)模塊對(duì)圖像局部特征進(jìn)行動(dòng)態(tài)增強(qiáng)，為圖像提供更為豐富和區(qū)分度更高的特征表示,同時(shí)提升了模型對(duì)環(huán)境變化的適應(yīng)性，提高目標(biāo)檢測(cè)模型的檢測(cè)準(zhǔn)確性。

52、4、本發(fā)明一種用于智能巡檢的電力設(shè)施目標(biāo)檢測(cè)方法中，通過(guò)無(wú)注意力機(jī)制,簡(jiǎn)化了特征處理過(guò)程,降低了計(jì)算復(fù)雜度,進(jìn)而有助于智能巡檢系統(tǒng)實(shí)現(xiàn)高效的實(shí)時(shí)運(yùn)行。因此，本設(shè)計(jì)降低了目標(biāo)檢測(cè)計(jì)算復(fù)雜度，檢測(cè)效率高，有助于智能巡檢系統(tǒng)實(shí)現(xiàn)高效的實(shí)時(shí)運(yùn)行。

53、5、本發(fā)明用于智能巡檢的電力設(shè)施目標(biāo)檢測(cè)系統(tǒng)包括：圖像獲取部，用于獲取巡檢圖像；目標(biāo)檢測(cè)部，用于將所述巡檢圖像輸入至改進(jìn)的yolov8目標(biāo)檢測(cè)模型中，得到電力設(shè)施目標(biāo)檢測(cè)結(jié)果。該系統(tǒng)用于實(shí)現(xiàn)如上述技術(shù)方案中提供的用于智能巡檢的電力設(shè)施目標(biāo)檢測(cè)方法的步驟，因此，該系統(tǒng)同時(shí)包括如上述技術(shù)方案中提供的用于智能巡檢的電力設(shè)施目標(biāo)檢測(cè)方法的全部有益效果，在此不再贅述。