一种基于显著性增强与特征建模的电气开关柜红外异常检测方法

本发明属于计算机视觉与图像处理，涉及电力设备红外图像异常检测技术，尤其是一种基于深度学习的开关柜设备红外异常检测方法。

背景技术：

1、随着电力系统智能化水平的不断提升，设备状态监测与故障诊断逐渐正逐步向自动化与智能化方向发展。我国输配电网络规模大、结构复杂，开关柜作为配电网中的关键节点设备，其数量庞大且分布广泛。随着运行年限的增加及负荷水平的提升，由绝缘老化、接触不良及过载等因素引发的发热型故障隐患日益突出，对电力系统的安全性与供电可靠性带来挑战。在此背景下，传统人工巡检及基于固定阈值的测温方式已难以满足智能电网对设备状态感知与异常预警的需求。红外成像技术作为一种非接触式检测手段，能够获取设备表面的温度分布信息，在开关柜异常检测中发挥着重要作用。同时，随着计算机视觉与深度学习技术的发展，基于数据驱动的红外异常检测方法逐渐成为研究热点，并在工程应用中展现出良好的发展前景。

2、然而，在实际应用过程中，红外图像通常受到复杂工业环境的影响，存在对比度低、纹理信息弱以及噪声干扰较强等问题，使得异常区域与背景之间差异不明显，从而对异常特征的提取与表达带来挑战。此外，开关柜设备中的异常区域多呈现为小尺度目标，在多层特征提取与融合过程中容易被弱化甚至丢失，进而影响检测结果的准确性。同时，现有方法在数据利用方面多依赖于固定的数据分布，对于异常样本数量有限及分布不均衡的情况适应性不足，难以充分学习关键异常特征；另一方面，部分模型结构较为复杂，对计算资源依赖较高，在工业现场部署时存在一定限制。

3、因此，亟需提出一种能够适应复杂工业环境条件的红外异常检测方法，以有效提升低对比度异常区域的特征表达能力，增强对小尺度异常目标的检测能力，并在保证检测精度的同时兼顾模型的计算效率与工程部署性能，从而提高电力设备智能检测系统的整体性能与应用可靠性。

4、公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

技术实现思路

1、本发明的目的在于提供一种基于显著性增强与特征建模的电气开关柜红外异常检测方法，以解决现有红外检测技术在实际应用中存在的红外图像对比度低、纹理信息弱、小尺度异常目标难以识别以及工业环境中背景干扰强、噪声复杂等问题。

2、本发明提供了一种基于显著性增强与特征建模的电气开关柜红外异常检测方法，包括：

3、（1）对采集的开关柜设备红外图像进行预处理，包括尺寸归一化、数据标准化及异常区域标注，构建训练数据集；

4、（2）采用hr-mosaic显著性引导数据增强策略对训练数据进行处理，通过显著性响应建模实现样本加权选择，并在拼接过程中强化异常区域表达，同时对小尺度异常目标进行概率性放大；

5、（3）将处理后的红外图像输入改进后的yolov13检测网络（hrs-yolov13），进行多尺度特征提取；

6、（4）在特征提取过程中引入rsimam显著性建模模块，对特征图进行像素级显著性增强，以提高低对比度异常区域的响应能力；

7、（5）在特征融合或检测阶段引入cseam-lite通道-空间联合特征增强模块，对特征进行通道与空间维度的联合加权处理；

8、（6）通过检测头对融合特征进行边界框回归与分类预测，实现异常区域的定位与类别识别。

9、作为上述发明的进一步设置，所述红外图像输入处理模块用于对采集的开关柜设备红外图像进行预处理，包括尺寸归一化与数据标准化处理，以构建训练数据集与测试数据集。设输入红外图像为i，则其标准化结果表示为：

10、

11、其中，μ表示图像灰度均值，σ表示图像灰度标准差，i'表示归一化后的图像。

12、作为上述发明的进一步设置，所述检测网络包括骨干网络、特征融合网络及检测头，用于实现红外图像中异常目标的特征提取与检测。其中，骨干网络用于提取不同层级的语义特征，浅层特征保留边缘与纹理信息，深层特征提供高层语义表达；特征融合网络用于融合不同尺度特征，以增强模型对小尺度异常目标与低对比度异常区域的表达能力；检测头用于实现边界框回归与类别预测。所述网络采用轻量化卷积结构，其表达式为：

13、

14、其中，x表示输入特征图，convdw(·)表示逐通道卷积运算，用于提取空间特征，convpw(·)表示逐点卷积运算，用于实现通道间特征融合，f表示输出特征图。

15、作为上述发明的进一步设置，所述rsimam显著性建模模块用于对输入特征图进行基于统计特征分布的像素级显著性建模，以增强低对比度异常区域的特征响应。设输入特征图为x∈rc×h×w，首先进行均值中心化处理：

16、

17、其中，μ表示通道均值。进一步计算方差：

18、

19、在此基础上构建像素级能量函数：

20、

21、其中，λ为正则化参数，用于平衡显著性响应与噪声抑制。通过sigmoid函数获得注意力权重：

22、

23、最终得到增强后的输出特征：

24、

25、其中，⊙表示逐元素乘法运算，y表示增强后的特征图。

26、作为上述发明的进一步设置，所述cseam-lite通道-空间联合特征增强模块用于对特征图进行通道维度与空间维度的联合建模，以增强异常区域的判别能力并抑制复杂背景干扰。设输入特征图为x∈rc×h×w，通过全局平均池化获得通道描述向量：

27、

28、利用两层1×1卷积和silu激活函数构成的瓶颈映射对通道间的相关性进行编码，并通过sigmoid函数激活得到通道权重sc∈rc：

29、

30、其中，w1与w2为映射参数，δ(·)表示激活函数，σ(·)表示sigmoid函数。则通道加权后的特征表示为：

31、

32、其中，⊗表示逐通道广播乘法，sc为通道注意力权重。在空间维度上，分别采用平均池化与最大池化提取空间特征，并进行拼接后通过卷积映射生成空间注意力图：

33、

34、最终输出为：

35、

36、其中，fk×k(⋅)表示对拼接结果施加一个卷积核大小为k×k的卷积操作，[mavg;mmax]表示平均池化与最大池化结果的拼接，表示逐通道的深度可分离卷积，用于平滑特征并抑制高频噪声。

37、作为上述发明的进一步设置，所述hr-mosaic模块用于对训练数据进行显著性引导的数据增强处理，其步骤包括：

38、（1）构建输入红外图像的显著性图；

39、（2）根据显著性图计算异常热点区域比例；

40、（3）计算图像边缘密度；

41、（4）根据热点比例与边缘密度构建样本权重；

42、（5）基于所述样本权重进行样本选择；

43、（6）以显著性区域为中心进行图像裁剪与拼接；

44、（7）对小尺度异常目标进行概率性放大；

45、（8）生成增强后的训练样本。

46、首先，对每幅训练图像计算显著性图s∈[0,1]h×w，综合亮度分布与梯度信息：

47、

48、其中g表示输入灰度图，μg,σg分别为均值和标准差，∣∇g∣为梯度幅值，mean(∣∇g∣)表示整幅图像的平均梯度，用于归一化；ε为极小常数，避免分母为零；α、β为加权系数，分别控制亮度分布项和梯度分布项的重要性，取α=1.0、β=0.5。上述参数为优选取值，本领域技术人员可根据实际应用场景进行调整。

49、作为上述发明的进一步设置，所述检测输出模块用于将融合后的特征输入检测头，通过边界框回归与分类预测实现异常区域的定位与识别，并输出异常区域的位置及类别信息。总体损失函数表示为：

50、

51、其中，lbox表示边界框回归损失，lcls表示分类损失，lobj表示目标置信度损失，λ1、λ2、λ3为权重系数。

52、在本发明中，“异常区域”指在红外图像中相对于周围区域呈现温度分布异常或灰度变化异常的区域；“低对比度异常区域”指异常区域与背景之间灰度差异较小但仍具有结构特征或温度变化特征的区域；“小尺度异常目标”指尺寸小于预设阈值的异常区域。

53、与现有技术相比，本发明具有如下有益效果：

54、（1）通过引入rsimam显著性建模机制，提高低对比度异常区域的特征表达能力；

55、（2）通过引入cseam-lite通道-空间联合特征增强模块，提升异常区域的判别能力，并有效抑制复杂背景干扰；

56、（3）通过hr-mosaic数据增强策略，优化训练样本分布，提高模型对小尺度异常目标的检测能力；

57、（4）通过采用轻量化特征提取结构，在保证检测精度的前提下降低模型计算复杂度，提高实时性与工程部署性能。