基于注意力机制与特征平衡性的变电站多目标检测方法与流程

1.本发明属于电力巡检技术领域，具体涉及基于注意力机制与特征平衡性的变电站多目标检测方法。


背景技术：

2.智能电网的高效运维对于提高电网可靠性和服务水平意义重大。近年来，电网规模扩大与运维人员相对紧张的矛盾日益突出，影响电网安全的风险因素将长期存在，传统运维模式难以适应电网快速发展的要求。目前变电站的巡检工作主要采用人工巡检的方式，经常出现“漏巡”、“延巡”、“不会巡”等巡视不到位现象，劳动强度大，并且检测质量严重依赖巡视人员素质，检测数据也无法准确及时地接入管理信息系统。在高压和一些恶劣天气条件下，人工巡检还存在很大的安全隐患。目前电网巡检急需智能化的技术，因此目标检测技术对于电网的智能巡检意义重大。面向变电站的目标检测技术，由于样本不足以及变电站场景复杂带来的设备图像复杂背景等因素导致变电站设备目标检测面临诸多困难。来源于变电站的图像具有如下特点：(1)变电站设备类型众多，且具有行业特殊性；(2)户外敞开式变电站中图像十分复杂，经常存在多个相同或相似的目标，如绝缘子、主变压器出线套管、隔离开关支撑绝缘；(3)来自视频中的图像分辨率较低。这些特点增加了变电站设备图像的处理难度，直接使用现有的目标检测技术不能满足实际工程需求。
3.现有技术中，目标检测算法一般可以分为基于手动特征提取的目标检测方法和基于深度学习的自动特征提取的目标检测方法。
4.传统的目标检测算法以传统手工特征的检测方法为主。paul viola等人使用了滑动窗口检测的方法，使用积分图对特征提取进行加速，但是这种方法的检测速度和精度都难以适用于变电站的复杂场景(viola p,jones m.rapid object detection using a boosted cascade of simple features[c].ieee conference on computer vision and pattern recognition,2001,1:511)。hog特征是所有基于梯度特征的目标检测器的基础，采用了最原始的多尺度金字塔 滑窗的思路进行检测，但是利用hog特征难以满足实时监测变电站设备的需精度和速度要求(dalal n.,triggs b..histograms of oriented gradients for human detection[c].ieee computer society conference on computer vision&pattern recognition.ieee computer society,2005:886-893.)。felzenszwalb等人最早提出dpm(deformable part-based model,可变形部件模型)，将传统目标算法中对目标整体的检测问题拆分并转化为对模型各个部件的检测问题，然后将各个部件的检测结果进行聚合得到最终的检测结果。dpm模型采用了一种弱监督学习的策略，提升了算法的精度，但是相比于深度学习检测模型，其精度仍然难以满足变电站目标检测的要求(felzenszwalb p.,mcallester d.,ramanan d.a discriminatively trained,multiscale,deformable part model[c].ieee computer society conference on computer vision&pattern recognition.2008,8:1-8.)。
[0005]
传统方法主要存在的问题如下，用于目标检测的特征主要由人工设计。这就造成
了特征选取难度大，特征组合方式不明确等问题，导致最终的模型检测效果也难以满足变电站智能运维的要求。另一方面，面对不同目标具有不同特征这一事实，传统方法难以从中提取普遍适应的特征来解决多目标检测的问题，并且设计方案复杂，泛化性较差，性能受到极大的限制。
[0006]
近年来，深度神经网络在各个领域得到了广泛的应用，取得了良好的效果。例如，目标检测，图像分割，自然语言处理等领域。深度卷积神经网络的应用使得目标检测的性能和速度出现了质的飞跃。卷积神经网络可以从数据当中自动学习到非常有效并且鲁棒的特征，同时对分类器进行优化，实现了在兼顾检测速度的同时提高了多目标检测的精度。但目前深度学习技术与变电站目标检测的融合还面临着许多挑战，包括变电站运维场景复杂、环境干扰强、可供学习的样本不足等。现有的变电站巡检水平还难以有效应对未来电网对设备状态感知、认知的高度智能化运维管控需求，亟需深化应用新一代人工智能技术实现电网的智能化运维。
[0007]
缪希仁等利用经过多尺度训练的yolov3目标检测网络实现输电线路防鸟刺部件的识别，并通过迁移学习的方式在样本数量有限的情况下实现了较高的检测精度。但由于变电站背景复杂以及相似目标较多，该方案难以适应背景复杂的变电站目标检测工作(缪希仁,林志成,江灏,陈静,刘欣宇,庄胜斌.基于深度卷积神经网络的输电线路防鸟刺部件识别与故障检测[j].电网技术,2021,45(01):126-133.)。郝帅等将注意力模块引入了yolov3的骨干提取网络，提高了输电线路的故障检测精度。但是在变电站场景下相似目标多，目标遮挡严重，此改进模块难以适应新场景下的应用。而且，在网络中引入过多的注意力模块使得网络的特征提取部分趋于混乱，在变电站多目标检测中效果不佳(郝帅,马瑞泽,赵新生,安倍逸,张旭,马旭.基于卷积块注意模型的yolov3输电线路故障检测方法[j].电网技术,2021,45(08):2979-2987.)。qin等认为利用全局平均池化得到的权重表示缺乏多样性，并从数学角度证明出全局平均池化是特征图离散余弦变换中的最低频分量。基于此提出一种能筛选更多频率分量的fcanet模块作为新的注意力生成方案。但由于神经网络在特征提取中主要提取低频分量，因此在工程上引入多个其他频率分量对目标检测的效果改进不大(qin z.,zhang p.,wu f.,et al.fcanet:frequency channel attention networks[j].arxiv preprint arxiv:2012.11879,2020.)。he等人提出了一种残差学习框架来适应深度日益增加的神经网络。残差块的应用可以使传统计算机视觉网络的性能得到进一步提升，并且可以从理论上证明残差块的引入必然能提高神经网络的性能，因此将其引入新的目标检测框架可以提高目标检测网络的识别精度(he k,zhang x,ren s,et al.deep residual learning for image recognition[c]//proceedings of the ieee conference on computer vision and pattern recognition.2016:770-778.)。
[0008]
目前在目标检测框架中加入特征融合是一种行之有效的做法。tan等认为以往的特征融合方式将不同分辨率的特征图直接融合，未曾考虑不同特征分辨率的特征图对预测结果的重要性不同。因此提出一种简单而高效的加权双向特征金字塔bifpn，引入可学习的权值来学习不同特征图的重要性，并反复应用自顶向下和自下而上的特征多尺度特征融合，提高了网络的特征提取与目标预测能力(tan m.,pang r.,le q v..efficientnet:scalable and efficient object detection[c]//proceedings of the ieee/cvf conference on computer vision and pattern recognition.2020:10781-10790.)。
szegedy等人提出了一种网络自适应选择卷积核尺寸的inception网络体系结构。此结构允许神经网络自动选择合适的特征，进而提高网络提取特征的能力(szegedy c,liu w,jia y,et al.going deeper with convolutions[c]//proceedings of the ieee conference on computer vision and pattern recognition.2015:1-9.)。谭宇璇等用bifpn特征融合模块代替yolov3的原始特征融合部分，强化了多尺寸特征图之间的特征交互，增加了yolov3目标识别网络的识别精度。但是该方式显著增加网络参数，占用了过多的系统计算资源(谭宇璇,樊绍胜.基于图像增强与深度学习的变电设备红外热像识别方法[j/ol].中国电机工程学报:1-10[2021-09-13].http://kns.cnki.net/kcms/detail/11.2107.tm.20210601.1000.002.html.)。
[0009]
基于卷积神经网络的多目标识别技术能够自动提取数据样本的有效特征。在大规模数据集上进行训练，在保持网络泛化性的前提下，增强了网络适应特定任务的能力，取得了明显优于传统方法的效果。然而，现有的多目标检测算法在电网中的应用场景一般较为简单，多数是针对输电线路的目标识别和故障检测，对于变电站中的研究相对较少。一部分学者通过改进现有yolov3算法对变电站中的目标设备进行识别，但是检测的目标种类有限，并且难以解决相似目标以及复杂背景的问题。


技术实现要素：

[0010]
为解决现有技术中存在的不足，本发明的目的在于，提供基于注意力机制与特征平衡性的变电站多目标检测方法，解决具有复杂背景的目标与外形相似目标，以及不同目标相互遮挡导致识别难度大的问题，提出一种基于注意力机制与特征平衡性的变电站多目标检测方法，从而提高变电站运维的效率。
[0011]
本发明采用如下的技术方案。
[0012]
基于注意力机制与特征平衡性的变电站多目标检测方法，包括：
[0013]
步骤1，获取变电站设备的图像数据样本，利用数据标注软件对每个图像数据样本记录目标信息，利用目标信息构建变电站多目标检测的数据集；
[0014]
步骤2，基于darknet-53网络和注意力机制，建立变电站多目标检测网络，利用多目标检测网络，对各特征图依次进行特征平衡和特征融合后得到融合特征图，再对融合特征图进行多分支检测，得到变电站多目标检测结果；
[0015]
步骤3，使用变电站多目标检测的数据集，基于迁移学习的方法，对变电站多目标检测网络进行迭代训练；
[0016]
步骤4，以训练好的多目标检测网络，对变电站设备进行检测。
[0017]
优选地，步骤1中，在不同光照、时间、天气条件下，采集变电站设备的图像数据样本；采集的数据样本包括：主变压器油枕，主变压器出线套管，主变压器散热装置，绝缘子串，互感器，均压环，隔离开关，铭牌，仪表盘；
[0018]
目标信息包括目标区域的类别和目标区域的位置。
[0019]
优选地，步骤2包括：
[0020]
步骤2.1，基于darknet-53网络和注意力机制形成改进后的darknet-53主干网络，由改进后的darknet-53主干网络生成不同分辨率的特征图；
[0021]
步骤2.2，对各特征图依次进行特征平衡和特征融合后得到融合特征图；
[0022]
步骤2.3，对融合特征图进行检测，所得到的特征作为变电站多目标检测结果。
[0023]
优选地，步骤2.1包括：
[0024]
步骤2.1.1，通过串联多组卷积块形成一个残差单元；卷积块包括：卷积操作，批量归一化操作和激活函数操作；
[0025]
步骤2.1.2，串联不同数量的残差单元形成不同的残差块；
[0026]
步骤2.1.3，以第一残差块、第二残差块、第三残差块、第四残差块和第五残差块形成darknet-53模块；
[0027]
步骤2.1.4，在darknet-53模块基础上，在生成用于预测的特征图的残差块中加入混合注意力模块，形成改进后的darknet-53主干网络；由改进后的darknet-53主干网络生成不同分辨率的特征图。
[0028]
步骤2.1.4中，混合注意力模块加入到第三、第四和第五残差块中的下一次卷积之前，其中，第三、第四和第五残差块生成用于预测的特征图。
[0029]
混合注意力模块包括串联连接的空间注意力子模块和通道注意力子模块；
[0030]
其中，通道注意力子模块同时使用了最大池化和平均池化进行通道权重的预处理，即将最大池化和平均池化后的权重结果进行相加，并将和进行归一化处理，以归一化值作为原始特征图每个通道的权重。
[0031]
优选地，步骤2.2包括：
[0032]
步骤2.2.1，对各特征图进行特征平衡，即对各特征图进行卷积操作，使得各特征图之间的特征深度一致；
[0033]
步骤2.2.2，对特征平衡后的特征图进行特征融合，即对特征平衡后的特征图进行反卷积操作，实现特征图的上采样；将上采样得到的特征图与改进后的darknet-53主干网络生成的特征图进行特征融合，得到融合特征图。
[0034]
优选地，步骤2.3包括：
[0035]
步骤2.3.1，每种分辨率的特征图中，各个像素位置放置多个不同尺寸的锚框；
[0036]
步骤2.3.2，基于分类和回归算法，对锚框进行检测；检测包括：
[0037]
1)分类分支检测，获取每个像素点的锚框所属类别；
[0038]
2)边框回归检测，获取目标区域的中心点坐标以及目标识别框的宽和高相对于锚框的偏移量；
[0039]
步骤2.3.3，对分类分支检测结果和边框回归检测结果进行卷积操作，以提取出检测特征，将检测特征作为变电站多目标检测结果。
[0040]
各锚框的尺寸通过对变电站多目标检测的数据集的目标尺寸聚类得到。
[0041]
优选地，步骤3包括：
[0042]
步骤3.1，使用色域变换，翻转，图像镜像，对电站多目标检测的数据集进行数据增强和扩充；
[0043]
步骤3.2，加载多目标检测网络的预训练权重参数；
[0044]
步骤3.3，基于迁移学习的方法，采用adam优化器作为训练优化器，对变电站多目标检测网络进行迭代训练。
[0045]
步骤3.2包括，基于l2正则化方法，控制变电站多目标检测网络在迭代训练中的过拟合风险。
[0046]
步骤3.2包括，多目标检测网络训练的周期总数为100，当多目标检测网络的训练周期总数小于等于50时，冻结darknet-53主干网络的参数进行训练；当多目标检测网络的训练周期数大于50时，对多目标检测网络整体进行训练。
[0047]
步骤3.3中，变电站多目标检测的数据集包括类别信息和位置信息，经由迭代训练得到类别检测值以及位置检测值；将类别检测值与对应标签的类别真实值进行比较，位置检测值与对应标签的位置真实值进行比较，得到类别差异和位置差异；将类别差异和位置差异以梯度流的形式反馈给变电站多目标检测网络，对网络参数进行更新。
[0048]
优选地，步骤4中，将训练好的多目标检测网部署在测试系统上，以变电站设备的图像数据为输入，获得变电站设备的多目标检测结果。
[0049]
本发明的有益效果在于，与现有技术相比，能够在特征提取时自动对特征图的不同通道进行重要性筛选，增强网络的特征提取能力；能够缓解特征融合的特征图不平衡性，提高预测精度；能够缓解变电站中目标相互遮挡的问题，增加识别出被遮挡目标的几率；能够适应变电站的复杂环境的干扰，实现端到端的变电站多目标检测，直接输出检测结果；在大规模数据集上能够取得更好的效果。
附图说明
[0050]
图1是本发明基于注意力机制与特征平衡性的变电站多目标检测方法的步骤框图；
[0051]
图2是本发明实施例中变电站相关设备的原始图像；
[0052]
图3是本发明实施例中变电站数据集标注示意图；
[0053]
图4是本发明实施例中darknet-53主干网络的结构示意图；
[0054]
图5是本发明实施例中变电站测试集测试结果示意图。
具体实施方式
[0055]
下面结合附图对本技术作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本技术的保护范围。
[0056]
如图1，基于注意力机制与特征平衡性的变电站多目标检测方法，包括：
[0057]
步骤1，获取变电站设备的图像数据样本，利用数据标注软件对每个图像数据样本记录目标信息，利用目标信息构建变电站多目标检测的数据集。
[0058]
值得注意的是，本发明优选实施例中，采集变电站设备的图像作为原始数据集是一种非限制性的较优选择，本领域技术人员可以根据检测需求采集不同场景下的目标图像作为原始数据集。本发明提出的网络结构也可以用于视频流的目标检测，不局限于图像检测。
[0059]
优选地，步骤1中，在不同光照、时间、天气条件下，采集变电站设备的图像数据样本；采集的数据样本包括：主变压器油枕，主变压器出线套管，主变压器散热装置，绝缘子串，互感器，均压环，隔离开关，铭牌，仪表盘。
[0060]
值得注意的是，本发明优选实施例中，提出以9种目标样本为变电站设备的图像数据样本是一种非限制性的较优选择，本领域技术人员可以根据检测需求采集不同数量不同位置的目标样本作为图像数据样本。
[0061]
本发明优选实施例中，选取3103张某变电站的图像数据，部分原始图像如图2所示。每种样本采集的数量不少于100个，包含主变压器出线套管和油枕等数量较少设备的图像数量不少于200张，每张图像中包含的目标种类尽可能多。
[0062]
目标信息包括目标区域的类别和目标区域的位置。本发明优选实施例中，利用图片标注工具labellmg进行数据标注，图像的标注效果如图3所示。
[0063]
步骤2，基于darknet-53网络和注意力机制，建立变电站多目标检测网络，利用多目标检测网络，对各特征图依次进行特征平衡和特征融合后得到融合特征图，再对融合特征图进行多分支检测，得到变电站多目标检测结果。
[0064]
优选地，如图4，步骤2包括：
[0065]
步骤2.1，基于darknet-53网络和注意力机制形成改进后的darknet-53主干网络，由改进后的darknet-53主干网络生成不同分辨率的特征图；
[0066]
步骤2.2，对各特征图依次进行特征平衡和特征融合后得到融合特征图；
[0067]
步骤2.3，对融合特征图进行检测，所得到的特征作为变电站多目标检测结果。
[0068]
优选地，步骤2.1包括：
[0069]
步骤2.1.1，通过串联多组卷积块形成一个残差单元；卷积块包括：卷积操作，批量归一化操作和激活函数操作；
[0070]
本发明优选实施例中，每个残差单元由两个3
×
3卷积和一个1
×
1卷积组成，此处的卷积指卷积 批量归一化bn 激活函数leaky_relu形成的整体操作。
[0071]
步骤2.1.2，串联不同数量的残差单元形成不同的残差块。
[0072]
步骤2.1.3，以第一残差块、第二残差块、第三残差块、第四残差块和第五残差块形成darknet-53模块；本发明优选实施例中，从浅层到深层共有5个残差块，其中残差块中残差单元的数量依次是1，2，8，8，4，每个残差块输出的特征图的分辨率逐渐降低。
[0073]
步骤2.1.4，在darknet-53模块基础上，在生成用于预测的特征图的残差块中加入混合注意力模块，形成改进后的darknet-53主干网络；由改进后的darknet-53主干网络生成不同分辨率的特征图。
[0074]
步骤2.1.4中，混合注意力模块加入到第三、第四和第五残差块中的下一次卷积之前，其中，第三、第四和第五残差块生成用于预测的特征图。
[0075]
混合注意力模块包括串联连接的空间注意力子模块和通道注意力子模块；
[0076]
其中，通道注意力子模块同时使用了最大池化和平均池化进行通道权重的预处理，即将最大池化和平均池化后的权重结果进行相加，并将和进行归一化处理，以归一化值作为原始特征图每个通道的权重。
[0077]
本发明优选实施例中，随着不断的卷积，特征图尺寸下降，通道数增加，最终骨干网络输出52
×
52
×
256、26
×
26
×
512、13
×
13
×
1024的三个尺寸特征图进入后续预测环节实现目标检测。特征图在主干网络中经过对应的混合注意力模块时提高了特征图不同通道重要性的差异性，降低了特征信息的冗余性。
[0078]
优选地，步骤2.2包括：
[0079]
步骤2.2.1，对各特征图进行特征平衡，即对各特征图进行卷积操作，使得各特征图之间的特征深度一致；
[0080]
经过一系列卷积输出的特征图的分辨率不断下降，特征图的通道数不断增加。对
主干网络获得的不同分辨率的特征图在特征融合之前添加对应数量的卷积层达到网络结构的平衡。在特征融合部分，13
×
13
×
1024的特征图具有小的分辨率和大的感受野，具有较多的高级语义信息，通过反卷积的操作来提高该特征图的分辨率，先后生成26
×
26
×
256和52
×
52
×
128的特征图。
[0081]
步骤2.2.2，对特征平衡后的特征图进行特征融合，即对特征平衡后的特征图进行反卷积操作，实现特征图的上采样；将上采样得到的特征图与改进后的darknet-53主干网络生成的特征图进行特征融合，得到融合特征图。
[0082]
26
×
26
×
256和52
×
52
×
128的特征图，分别与主干网络输出的26
×
26
×
512，52
×
52
×
256的特征图融合实现辅助预测。
[0083]
优选地，步骤2.3包括：
[0084]
步骤2.3.1，每种分辨率的特征图中，各个像素位置放置多个不同尺寸的锚框；
[0085]
本发明优选实施例中，每种分辨率的特征图的各个像素位置放置9个不同尺寸的锚框。
[0086]
步骤2.3.2，基于分类和回归算法，对锚框进行检测；检测包括：
[0087]
1)分类分支检测，获取每个像素点的锚框所属类别；
[0088]
2)边框回归检测，获取目标区域的中心点坐标以及目标识别框的宽和高相对于锚框的偏移量；
[0089]
步骤2.3.3，对分类分支检测结果和边框回归检测结果进行卷积操作，以提取出检测特征，将检测特征作为变电站多目标检测结果。
[0090]
各锚框的尺寸通过对变电站多目标检测的数据集的目标尺寸聚类得到。
[0091]
步骤3，使用变电站多目标检测的数据集，基于迁移学习的方法，对变电站多目标检测网络进行迭代训练。
[0092]
优选地，步骤3包括：
[0093]
步骤3.1，使用色域变换，翻转，图像镜像，对电站多目标检测的数据集进行数据增强和扩充；
[0094]
步骤3.2，加载多目标检测网络的预训练权重参数；
[0095]
步骤3.3，基于迁移学习的方法，采用adam优化器作为训练优化器，对变电站多目标检测网络进行迭代训练。
[0096]
值得注意的是，本发明优选实施例中，网络的训练方式以及学习率优化策略的参数配置是一种非限制性的较优选择，本领域技术人员可以根据检测精度和效率等各项指标，选定网络训练方式以及参数配置。
[0097]
本发明优选实施例中，学习率初始值设置为1
×
10-3
，总训练样本数为2707，批处理样本数量设置为16，每经过一个训练周期，学习率变为原来的0.92倍，一共训练100个周期。
[0098]
步骤3.2包括，基于l2正则化方法，控制变电站多目标检测网络在迭代训练中的过拟合风险。
[0099]
步骤3.2包括，多目标检测网络训练的周期总数为100，当多目标检测网络的训练周期总数小于等于50时，冻结darknet-53主干网络的参数进行训练；当多目标检测网络的训练周期数大于50时，对多目标检测网络整体进行训练。
[0100]
步骤3.3中，变电站多目标检测的数据集包括类别信息和位置信息，经由迭代训练
得到类别检测值以及位置检测值；将类别检测值与对应标签的类别真实值进行比较，位置检测值与对应标签的位置真实值进行比较，得到类别差异和位置差异；将类别差异和位置差异以梯度流的形式反馈给变电站多目标检测网络，对网络参数进行更新。
[0101]
本发明优选实施例中，步骤1即获取每个图像样本中所有目标的类别信息和位置信息，在模型训练的时候将图像样本送入网络，经过一系列卷积，池化等操作后输出得到预测的目标类别以及目标的位置信息，与对应标签的真实的类别信息和位置信息进行比较，将这个差异以梯度流的形式反馈给网络参数以实现网络参数的更新。随着样本不断地输入网络模型，模型参数不断更新，网络模型的预测结果也逐渐逼近真实结果。完整的数据集由原始图像数据和带有目标种类和位置信息的文件组成。构建数据集之后，将数据集按照9:1的比例随机划分为训练集和测试集。
[0102]
步骤4，以训练好的多目标检测网络，对变电站设备进行检测。
[0103]
优选地，步骤4中，将训练好的多目标检测网部署在测试系统上，以变电站设备的图像数据为输入，获得变电站设备的多目标检测结果。
[0104]
本发明优选实施例中，将训练好的模型部署在测试系统上，利用测试集图像数据得到模型在变电站设备目标检测上的泛化结果。其中测试系统的软件配置为python3.8、pytorch1.9.0、cuda11.2、pycharm2020.3；硬件配置为intel core i7-11700k8核16线程cpu、rtx-3070显卡(8g显存)
×
2、16g内存。
[0105]
对于本发明优选实施例得到的检测模型，使用311张包含变电站多目标的图像数据进行测试。记录各个目标的平均检测精度(average precision)以及所有类别总平均精度(mean average precision,map)，指标如表1所示。
[0106]
部分测试效果图片如图5所示。由测试结果图可以看出，本实施例检测模型经过变电站相关设备数据集测试，能准确识别出测试集中的目标，并且定位精度较高，对遮挡性较高的目标也能实现较为准确的检测。
[0107]
由表1可知，本实施例检测模型经过变电站相关设备数据集上测试，油枕的ap为93.47％、散热器的ap为92.07％、仪表的ap为90.17％、出线套管的ap为77.41％、均压环的ap为81.70％、铭牌的ap为75.45％、绝缘子的ap为72.36％、隔离开关的ap为69.81％、互感器的ap为71.55％；分别比原始的yolov3模型提高1.01％，0.93％，下降1.96％，提高0.32％，1.4％，2.48％，1.91％，5.43％，35.75％。除了仪表的识别精度有所下降以外，其余的目标检测精度都有明显提升，尤其是数量极不平衡的互感器的检测精度提升了35.75％。整体的map为80.44％，提升了5.26％。结果表明所述模型不仅可以大幅提高变电站多目标检测精度，也可以在一定程度上缓解样本的不均衡问题。
[0108]
表1模型在测试集上的测试结果及方案对比
[0109][0110]
特别指出，表1中出线套管和互感器目标外形相似度高，采用原始的yolov3网络模型识别难度较大且精确度不高。利用本发明的方法可以显著提高相似目标的识别精度。
[0111]
本发明的有益效果在于，与现有技术相比，能够在特征提取时自动对特征图的不同通道进行重要性筛选，增强网络的特征提取能力；能够缓解特征融合的特征图不平衡性，提高预测精度；能够缓解变电站中目标相互遮挡的问题，增加识别出被遮挡目标的几率；能够适应变电站的复杂环境的干扰，实现端到端的变电站多目标检测，直接输出检测结果；在大规模数据集上能够取得更好的效果。
[0112]
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。