一种配电网工程安全管控检测方法及装置

1.本发明涉及机器图像识别技术领域，尤其涉及一种配电网工程安全管控检测方法及装置。


背景技术：

2.配电网工程存在施工现场点多面广、安全风险防控及现场监管难度大等特点。目前配电网工程投资规模较大，省公司平均每年项目在3000个以上，现场作业人数上万。与上述规模相比，工程管理人员少、监管力量配备不足，容易导致现场作业不规范、安全事故多、工程完成质量差等问题，因此亟需通过强化机器视觉等人工智能手段加强配电网工程的安全与质量管控。
3.深度学习因提取特征能力强，识别精度高，实时性快等优点，在图像识别领域被广泛应用。目前基于机器视觉的目标检测算法主要有：基于输入图像特征和边缘检测的传统检测技术和基于深度学习的检测技术。
4.传统检测技术通过选择目标候选区域，提取图像样本特征如hog特征、svm特征等，将图像特征送到迭代算法等分类器中进行分类并输出结果，传统检测算法遵循图像预处理、目标定位、目标分割及目标识别4个阶段。各个阶段的设计误差均会影响后续结果，且大量人工提取特征的使用，导致鲁棒性差，难以适用于场景复杂的配电网工程检测任务。基于深度学习的图像识别方法多基于卷积神经网络模型，识别率更稳定，适用性较广，但神经网络模型较大，难以满足配电网工程现场嵌入式设备要求，且识别速度欠佳，无法达到实时检测需求。


技术实现要素：

5.鉴于上述的分析，本发明实施例旨在提供一种配电网工程安全管控检测方法及装置，用以解决现有检测方法检测速度慢、准确率低和适用性差，难以满足配电网工程现场实际使用需要的问题。
6.一方面，本发明实施例提供了一种配电网工程安全管控检测方法，包括以下步骤：
7.采集配电网工程现场图片，预处理后得到样本集；
8.基于yolov5神经网络模型构建安全管控检测模型，其中，在主干特征提取网络中添加改进的cbam卷积注意力机制模块，改进的cbam中的空间注意力模块中将输入特征图沿着水平和竖直两个通道进行卷积，得到cbam输出特征图；在颈部网络中采用bi-fpn网络对主干特征提取网络输出的特征图进行特征融合；
9.基于样本集，得到训练好的安全管控检测模型；
10.将实时采集的配电网工程图像传入训练好的安全管控检测模型，得到图像中目标检测结果。
11.基于上述方法的进一步改进，改进的cbam卷积注意力机制模块包括通道注意力模块和空间注意力模块；通道注意力模块输出的特征图，作为空间注意力模块的输入特征图，
空间注意力模块中将输入特征图沿着水平和竖直两个通道进行两次卷积，最终加权得到cbam输出特征图。
12.基于上述方法的进一步改进，空间注意力模块中将输入特征图沿着水平和竖直两个通道进行两次卷积，最终加权得到cbam输出特征图，包括：
13.对输入特征图，使用平均池化核分别沿水平方向和竖直方向对每个通道进行编码，得到水平和竖直方向的两个第一特征图；
14.分别对两个第一特征图进行卷积，得到水平和竖直方向的两个中间特征图后，通过非线性激活函数，得到水平和竖直方向的中间特征权重；
15.分别对两个中间特征权重再次进行卷积后，通过激活函数，得到水平和竖直方向的通道权重；
16.将输入特征图，分别与水平和竖直方向的通道权重相乘，得到cbam输出特征图。
17.基于上述方法的进一步改进，主干特征提取网络基于cspdarknet53网络，采用c3模块替换原csp模块；c3模块将输入特征图分为两个分支处理，一个分支先通过第一卷积块cbs进行卷积，再经过多个残差单元传播梯度；另一个分支直接通过第二卷积块cbs进行卷积，然后两个分支进行拼接后经过第三卷积块cbs进行卷积，得到c3输出特征图；
18.第一卷积块cbs、第二卷积块cbs和第三卷积块cbs内的逻辑操作相同，依次包括：卷积操作conv，批归一化bn和silu激活函数。
19.基于上述方法的进一步改进，在主干特征提取网络中添加改进的cbam卷积注意力机制模块，是在每个c3模块中第三卷积块cbs后，添加改进的cbam卷积注意力机制模块，作为c3’模块，c3模块的c3输出特征图经过cbam卷积注意力机制模块后，得到的cbam输出特征图，作为c3’输出特征图。
20.基于上述方法的进一步改进，主干特征提取网络将输入图像依次经过focus模块、第四卷积块cbs、第一c3’模块、第五卷积块cbs、第二c3’模块、第六卷积块cbs、第三c3’模块、第七卷积块cbs、spp模块处理，提取输入图像特征，输出5种不同尺度的特征图，包括：
21.经过focus模块处理的特征图p1，分别经过第一、第二和第三c3’模块处理的特征图p2、p3和p4，以及，经过spp模块处理的特征图p5。
22.基于上述方法的进一步改进，采用bi-fpn网络对主干特征提取网络输出的特征图进行特征融合，是将5种不同尺度的特征图，利用bi-fpn网络，进行三个网络层级的特征融合，得到3种不同尺寸的特征图。
23.基于上述方法的进一步改进，基于样本集，得到训练好的安全管控检测模型，包括：
24.基于样本集，训练安全管控检测模型，通过非极大值抑制算法消除多余目标框，得到样本图像的预测框；
25.利用损失函数计算预测框与目标框的误差，基于误差更新模型参数，重复训练，直至损失函数的值小于阈值，得到训练好的安全管控检测模型。
26.基于上述方法的进一步改进，损失函数在ciou损失函数的基础上，以预测框的宽度和高度作为惩罚项，计算公式是：
27.[0028][0029][0030]
其中，iou为预测框与标准框的交并比，d为预测框和目标框中心点之间的距离，c为可同时覆盖预测框和目标框的最小矩形的对角线距离，α为权重函数，v用来衡量目标框与预测框之间长宽比的一致性；ω为目标框宽度，ω
p
为预测框宽度，ω’为可同时覆盖预测框和目标框的最小矩形的宽度，h为目标框高度，h
p
为预测框高度，h’为可同时覆盖预测框和目标框的最小矩形的高度。
[0031]
另一方面，本发明实施例提供了一种配电网工程安全管控检测装置，包括：图像采集及预处理模块，用于采集配电网工程现场图片，预处理后得到样本集；
[0032]
模型生成模块，用于基于yolov5神经网络模型构建安全管控检测模型，其中，在主干特征提取网络中添加cbam卷积注意力机制模块，cbam中的空间注意力模块中将输入特征图沿着水平和竖直两个通道进行卷积，得到cbam输出特征图；在颈部网络中采用bi-fpn网络对主干特征提取网络输出的特征图进行特征融合；
[0033]
模型训练模块，用于基于样本集，得到训练好的安全管控检测模型；
[0034]
工程现场图像检测模块，用于将实时采集的配电网工程图像传入训练好的安全管控检测模型，得到图像中目标检测结果，包括：目标边界框和目标类别。
[0035]
与现有技术相比，本发明至少可实现如下有益效果之一：
[0036]
1、针对yolov5现有的主干提取网络cspdarknet53进行改进，添加了含注意力机制的改进cbam结构，使特征覆盖到了待识别物体的更多部位，增加了最终判别物体的机率，在不增加其他开销的情况下，提高网络的检测能力。
[0037]
2、针对现有yolov5特征提取网络进行结构上的改进，用改进的bi-fpn替代panet，在特征提取过程中增加不同特征的堆叠，加强了图像特征的融合，提高了网络识别的精度。
[0038]
3、针对现有的ciou损失函数进行改进，解决了ciou损失函数中预测框高、宽梯度相反，且预测框高、宽比例与目标框相等时附加惩罚项为0的问题，直接以预测框宽、高作为惩罚项，提升了收敛速度。
[0039]
4、针对配电网工程现场存在的安全问题，提出了一种改进的神经网络模型，满足现场使用的实时性要求，精确、快速地完成对安全问题的检测，实现了对安全帽佩戴、跌落式熔断器是否断开、设备底板是否封堵等安全问题的识别，解决了现有的配电网现场工程管理中工程管理人员少、监管力量配备不足等问题，提高了配电网工程现场安全管控的可靠性。
[0040]
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
[0041]
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图
中，相同的参考符号表示相同的部件。
[0042]
图1为本发明实施例1中配电网工程安全管控检测方法流程图；
[0043]
图2是本发明实施例1中改进的cbam结构示意图；
[0044]
图3为本发明实施例1中改进的cspdarknet53结构图示意图；
[0045]
图4为本发明实施例1中改进bi-fpn网络特征融合示意图；
[0046]
图5为本发明实施例3中损失函数、查准率、召回率和平均精度均值在训练过程中的变化图；
[0047]
图6为本发明实施例3中的p-r曲线图。
具体实施方式
[0048]
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
[0049]
实施例1，
[0050]
本发明的一个具体实施例，公开了一种配电网工程安全管控检测方法，如图1所示，包括以下步骤：
[0051]
s11：采集配电网工程现场图片，预处理后得到样本集；
[0052]
需要说明的是，对于采集到的配电网工程现场图片，按照不同种类的安全、质量、过程问题类别进行分类，并利用图像处理技术对样本进行翻转、旋转、添加噪声以扩充样本集数量；使用labelimg对样本中的对象进行标注处理，整理为.txt格式，放入样本集文件夹中。
[0053]
s12：基于yolov5神经网络模型构建安全管控检测模型，其中，在主干特征提取网络中添加改进的cbam卷积注意力机制模块，改进的cbam中的空间注意力模块中将输入特征图沿着水平和竖直两个通道进行卷积，得到cbam输出特征图；在颈部网络中采用bi-fpn网络对主干特征提取网络输出的特征图进行特征融合；
[0054]
需要说明的是，yolov5神经网络模型分为三部分，第一部分为主干特征提取网络，用于提取输入图像的特征，第二部分为颈部网络，用于对主干特征提取网络所提取的特征进行增强，第三部分为头部网络，用于根据增强的特征进行预测，获取检测结果。
[0055]
s121：基于yolov5神经网络模型，构建改进的主干特征提取网络。
[0056]
具体来说，主干特征提取网络基于cspdarknet53网络，采用c3模块替换原csp模块；c3模块将输入特征图分为两个分支处理，一个分支先通过第一卷积块cbs进行卷积，再经过多个残差单元传播梯度；另一个分支直接通过第二卷积块cbs进行卷积，然后两个分支进行拼接后经过第三卷积块cbs进行卷积，得到c3输出特征图。第一卷积块cbs、第二卷积块cbs和第三卷积块cbs内的逻辑操作相同，依次包括：卷积操作conv，批归一化bn和silu激活函数。
[0057]
与csp模块相比，c3模块中减少了一个1х1卷积操作，同时撤掉了一个bn层和激活函数，在精简网络结构，减小了计算量的同时，降低了模型的推理时间，同时保证模型的性能没有下降。
[0058]
进一步地，在c3模块中添加改进的cbam卷积注意力机制模块，如图2所示。cbam(convolutional blockattentionmodule)卷积注意力机制模块包括通道注意力模块和空
间注意力模块，可以依次从通道和空间两个不同的维度推算注意力权重，然后将得到的注意力权重与输入特征图相乘，以此进行自适应特征细化，而且cbam是一个轻量级模块，无需额外开销就可以提升模型检测效果。
[0059]
通道注意力模块可以学习得到不同通道的权重，从而产生通道域的注意力，通过通道注意力模块改变特征图中原始通道的权重，在增加少量计算量的情况下，获得了更明显的性能提升。在图2通道注意力模块中，输入的特征图x，维度为c
×h×
w，其中，c为通道数，h、w分别为特征图的高和宽，分别经过全局最大池化和全局平均池化处理，得到两个c
×1×
1的权重向量，送入一个两层的神经网络mlp，加和后使用sigmoid函数激活，得到通道权重，将得到的通道权重和原特征图x按通道相乘，得到通道注意力模块输出的特征图x’。
[0060]
空间注意力模块可以突出特征图中信息丰富的部分，与通道注意力形成互补。现有技术中yolov5神经网络模型在进行卷积采样时容易丢失小目标的特征信息，对小目标的检测效果不理想，本实施例中引入空间注意力机制可以使模型更加关注特征图中信息丰富的位置，对于小目标和密集目标来说，可以有效地提取特征信息，提高检测准确率。
[0061]
在改进的cbam的空间注意力模块中，将通道注意力模块输出的特征图x’，作为空间注意力模块的输入特征图，将输入特征图x’沿着水平和竖直两个通道进行两次卷积，第一次卷积对向量进行降维，提升对有效信息的提取，并降低计算量。再次卷积，将中间特征向量通道数变换回与输入特征x’相同的通道数，sigmoid激活得到最终权重，最后加权得到cbam输出特征图。具体来说，包括如下过程：
[0062]
①
使用大小为(h,1)和(1,w)的平均池化核分别沿水平方向和竖直方向对每个通道进行编码，得到水平和竖直方向的两个第一特征图，公式如下：
[0063][0064][0065]
其中，zw(w)为水平方向的第一特征图，zh(h)为竖直方向的第一特征图，x’(i,w)和x’(h,j)为特征图x’上的像素。
[0066]
②
分别对两个第一特征图进行卷积，得到水平和竖直方向的两个中间特征图后，通过非线性激活函数，得到水平和竖直方向的中间特征权重，公式如下：
[0067]fw
＝δ[f
w1
(zw(w))]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(3)
[0068]fh
＝δ[f
h1
(zh(h))]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(4)
[0069]
其中，δ为非线性激活函数，f
w1
、f
h1
分别为对水平和竖直方向的两个中间特征图进行的卷积，fw、fh分别为水平和竖直方向的中间特征权重，其维度分别为c/rw×
w、c/rh×
h，rw、rh分别为水平和竖直方向上通道数的降维系数。
[0070]
③
分别对两个中间特征权重fw和fh再次进行卷积后，通过sigmoid函数激活，得到水平和竖直方向的通道权重，公式如下：
[0071]gw
＝σ(f
w2
(fw))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(5)
[0072]gh
＝σ(f
h2
(fh))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(6)
[0073]
其中，σ为sigmoid函数，f
w2
、f
h2
分别为对水平和竖直方向的中间特征权重进行的卷积，gw、gh分别为水平和竖直方向的通道权重。
[0074]
④
将输入特征图，分别与水平和竖直方向的通道权重相乘，得到cbam输出特征图y，公式如下：
[0075]
y(i,j)＝x'(i,j)
×gh(i)×gw
(j)
ꢀꢀꢀ
公式(7)
[0076]
改进的cbam通过修改cbam中的空间注意力模块，将特征沿高、宽方向分解分别卷积生成权重，解决了cbam空间注意力模块中二维全局池化造成的位置信息丢失的问题，生成了对通道和坐标位置均敏感的特征，提高了检测准确率。
[0077]
构建好改进的cbam卷积注意力机制模块后，在每个c3模块中第三卷积块cbs后，添加改进的cbam卷积注意力机制模块，作为c3’模块，c3模块的c3输出特征图经过cbam卷积注意力机制模块后，得到的cbam输出特征图，作为c3’输出特征图。
[0078]
最终改进后的cspdarknet53网络如图3所示，其中，c3_1_n’表示改进的具有n个残差单元的c3’模块，cbam’表示改进的cbam卷积注意力机制模块。
[0079]
在图3中，主干特征提取网络将输入图像依次经过focus模块、第四卷积块cbs、第一c3’模块、第五卷积块cbs、第二c3’模块、第六卷积块cbs、第三c3’模块、第七卷积块cbs、spp模块处理，提取输入图像特征，输出5种不同尺度的特征图，包括：
[0080]
经过focus模块处理的特征图p1，分别经过第一、第二和第三c3’模块处理的特征图p2、p3和p4，以及，经过spp模块处理的特征图p5。
[0081]
示例性地，5个不同尺度分别为：[19
×
19]、[38
×
38]、[76
×
76]、[152
×
152]、[304
×
304]。
[0082]
与现有技术相比，本实施例对yolov5现有的主干提取网络cspdarknet53进行改进，添加了含注意力机制的改进cbam结构，使特征覆盖到了待识别物体的更多部位，增加了最终判别物体的机率，在不增加其他开销的情况下，提高网络的检测能力。
[0083]
s122：在颈部网络中采用改进的bi-fpn网络对主干特征提取网络输出的特征图进行特征融合。
[0084]
具体来说，将步骤s121得到的5种不同尺度的特征图，利用bi-fpn网络，进行三个网络层级的特征融合，得到3种不同尺寸的特征图，如图4所示。
[0085]
1)在bi-fpn网络的第一网络层级、第二网络层级中，以k表示网络层级，k＝1,2，p
t
＝p
t1in
，p
t1out
＝p
t2in
，t＝1,2,3,4,5；进行如下特征融合：
[0086]
①
对p
5kin
进行上采样，与p
4kin
进行堆叠，获得中间特征p
4ktd
，公式如下：
[0087][0088]
其中，conv()表示进行卷积运算，revise()表示进行上/下采样后的特征图分辨率匹配操作，ω
k4
为第k网络层级中第4级输入特征融合至第4级中间特征所占权重，ω
k5
为第k网络层级中第5级输入特征融合至第4级中间特征所占权重，优选地，为避免数值的不稳定，取ε＝0.00001。
[0089]
②
对p
t 1ktd
进行上采样，与p
tkin
进行堆叠，获得中间特征p
tktd
，公式如下：
[0090][0091]
其中，ω
kt
为第k网络层级中第t级输入特征融合至第t级中间特征所占权重，
ω
k(t 1)
为第k网络层级中第t 1级中间特征融合至第t级中间特征所占权重。
[0092]
③
对p
1kin
进行下采样，与p
2ktd
进行堆叠，获得输出特征p
1kout
，公式如下：
[0093][0094]
其中，ω
k1’为第k网络层级中第1级输入特征融合至第1级输出特征所占权重，ω
k2’为第k网络层级中第2级中间特征融合至第1级输出特征所占权重。
[0095]
④
对p
t-1kout
进行下采样，与p
tkin
、p
tktd
进行堆叠，获得输出特征p
tkout
，公式如下：
[0096][0097]
其中，ω
kt’为第k网络层级中第t级输入特征融合至第t级输出特征所占权重，ω
kt”为第k网络层级中第t级中间特征融合至第t级输出特征所占权重，ω
k(t-1)’为第k网络层级中第t-1级输出特征融合至第t级输出特征所占权重。
[0098]
⑤
对p
4kout
进行下采样，与p
5kin
进行堆叠，获得输出特征p
5kout
，公式如下：
[0099][0100]
其中，ω
k5’为第k网络层级中第5级输入特征融合至第5级输出特征所占权重，ω
k4’为第k网络层级中第4级输出特征融合至第5级输出特征所占权重。
[0101]
2)在bi-fpn网络的第三网络层级中，p
t2out
＝p
t3in
，t＝1,2,3,4,5，进行如下特征融合：
[0102]
①
对p
53in
进行上采样，与p
43in
进行堆叠，获得中间特征p
43td
，公式如下：
[0103][0104]
其中，ω
34
为第3网络层级中第4级输入特征融合至第4级中间特征所占权重，ω
35
为第3网络层级中第5级输入特征融合至第4级中间特征所占权重。
[0105]
②
对p
t 13td
进行上采样，与p
t3in
进行堆叠，获得中间特征p
t3td
，公式如下：
[0106][0107]
其中，ω
3t
为第3网络层级中第t级输入特征融合至第t级中间特征所占权重，ω
3(t 1)
为第3网络层级中第t 1级中间特征融合至第t级中间特征所占权重。
[0108]
③
对p
13in
进行下采样，与p
23td
、p
23in
进行堆叠，获得输出特征p
2out
，公式如下：
[0109][0110]
其中，ω
31’为第3网络层级中第1级输入特征融合至第1级输出特征所占权重，ω
32”为第3网络层级中第2级中间特征融合至第2级输出特征所占权重，ω
32’为第3网络层级中第2级输入特征融合至第2级输出特征所占权重。
[0111]
④
对p
t-13out
进行下采样，与p
t3in
、p
t3td
进行堆叠，获得输出特征p
tout
，公式如下：
[0112][0113]
其中，ω
3t’为第3网络层级中第t级输入特征融合至第t级输出特征所占权重，ω
3t”为第3网络层级中第t级中间特征融合至第t级输出特征所占权重，ω
3(t-1)’为第3网络层级中第t-1级输出特征融合至第t级输出特征所占权重。
[0114]
示例性地，3种不同尺寸分别为：[38
×
38]、[76
×
76]和[152
×
152]。
[0115]
与现有技术相比，本实施例采用改进的bi-fpn替代yolov5模型中的panet网络，bi-fpn使用快速归一化融合，用权值除以所有权值加和来进行归一化，同时将权值归一化到[0,1]之间，提高计算速度。改进的bi-fpn网络删除了只有一个输入的节点，该节点无特征融合且贡献度很小，将该节点删除之后简化了网络；在原始输入节点和输出节点之间增加了一条边，在不消耗更多成本的情况下，增加了不同特征的堆叠，加强了图像特征的融合，提高了网络识别的精度。而且，与现有的三个尺度的特征融合网络相比，改进的bi-fpn同时对主干网络提取的五个尺度的特征进行融合，增加了对大尺度的特征的融合，提升大尺度目标的检测效果。
[0116]
s123：将改进的bi-fpn特征融合网络中输出的3种不同尺寸的特征图输入头部网络的预测层，通过非极大值抑制算法消除多余目标框，获取原图像中目标预测框及目标类别。
[0117]
具体来说，对预测层的预测结果进行得分排序，采用diou-nms非极大值抑制算法消除多余目标框，该算法同时考虑了交并比，以及预测框和目标框中心点之间的距离，提升了对相近目标的检测，算法公式如下：
[0118][0119]
其中，iou为预测框与目标框的交并比，d为预测框和目标框中心点之间的距离，c为可同时覆盖预测框和目标框的最小矩形的对角线距离。
[0120]
s13：基于样本集，得到训练好的安全管控检测模型；
[0121]
需要说明的是，对构建好的安全管控检测模型进行训练时，利用损失函数计算预测框与目标框的误差，基于误差更新模型参数，重复训练，直至损失函数的值小于阈值，得到训练好的安全管控检测模型，使网络达到最优性能。
[0122]
需要说明的是，当预测框高、宽梯度相反，且预测框高、宽比例与目标框相等时，使用现有的ciou损失函数会导致附加惩罚项为0，因此，本实施例的损失函数在ciou损失函数的基础上，直接以预测框的宽度和高度作为惩罚项，提升收敛速度。计算公式是：
[0123][0124][0125]
[0126]
其中，iou为预测框与标准框的交并比，d为预测框和目标框中心点之间的距离，c为可同时覆盖预测框和目标框的最小矩形的对角线距离，α为权重函数，v用来衡量目标框与预测框之间长宽比的一致性；ω为目标框宽度，ω
p
为预测框宽度，ω’为可同时覆盖预测框和目标框的最小矩形的宽度，h为目标框高度，h
p
为预测框高度，h’为可同时覆盖预测框和目标框的最小矩形的高度。
[0127]
需要说明的是，训练时也可根据最大训练次数，识别是否完成训练。
[0128]
s14：将实时采集的配电网工程图像传入训练好的安全管控检测模型，得到图像中目标检测结果。
[0129]
需要说明的是，目标检测结果包括：目标边界框和目标类别，实施时，选择目标类别置信度最高的边界框作为目标边界框，优选地，通过不同颜色的边界框区分目标类别。
[0130]
与现有技术相比，本实施例提供的配电网工程安全管控检测方法对yolov5现有的主干提取网络cspdarknet53进行改进，添加了含注意力机制的改进cbam结构，使特征覆盖到了待识别物体的更多部位，增加了最终判别物体的机率，在不增加其他开销的情况下，提高网络的检测能力；用改进的bi-fpn替代panet，在特征提取过程中增加不同特征的堆叠，加强了图像特征的融合，提高了网络识别的精度；对现有的ciou损失函数进行改进，解决了ciou损失函数中预测框高、宽梯度相反，且预测框高、宽比例与目标框相等时附加惩罚项为0的问题，直接以预测框宽、高作为惩罚项，提升了收敛速度；满足现场使用的实时性要求，精确、快速地完成对安全问题的检测，实现了对安全帽佩戴、跌落式熔断器是否断开、设备底板是否封堵等安全问题的识别，解决了现有的配电网现场工程管理中工程管理人员少、监管力量配备不足等问题，提高了配电网工程现场安全管控的可靠性。
[0131]
实施例2，
[0132]
本发明的一个具体实施例2，公开了一种配电网工程安全管控检测装置，从而实现实施例1中的安全管控检测方法。各模块的具体实现方式参照实施例1中的相应描述。该装置包括：
[0133]
图像采集及预处理模块，用于采集配电网工程现场图片，预处理后得到样本集；
[0134]
模型生成模块，用于基于yolov5神经网络模型构建安全管控检测模型，其中，在主干特征提取网络中添加cbam卷积注意力机制模块，cbam中的空间注意力模块中将输入特征图沿着水平和竖直两个通道进行卷积，得到cbam输出特征图；在颈部网络中采用bi-fpn网络对主干特征提取网络输出的特征图进行特征融合；
[0135]
模型训练模块，用于基于样本集，得到训练好的安全管控检测模型；
[0136]
工程现场图像检测模块，用于将实时采集的配电网工程图像传入训练好的安全管控检测模型，得到图像中目标检测结果。
[0137]
需要说明的是，在模型生成模块中构建构建安全管控检测模型时，基于yolov5神经网络模型，在主干特征提取网络中采用改进的cspdarknet53提取输入图像的特征，其中，采用c3模块替换原csp模块，并在每个c3模块中最后一个卷积块cbs后，添加改进的cbam卷积注意力机制模块；在颈部网络中采用改进的bi-fpn网络对主干特征提取网络所提取的特征进行增强；在头部网络中使用diou-nms作为非极大值抑制算法消除多余目标框；训练时使用改进的ciou作为损失函数，以预测框的宽度和高度作为惩罚项，提升收敛速度。
[0138]
改进的cbam卷积注意力机制模块包括通道注意力模块和空间注意力模块；通道注
意力模块输出的特征图，作为空间注意力模块的输入特征图，空间注意力模块中将输入特征图沿着水平和竖直两个通道进行卷积操作，得到cbam输出特征图，包括：
[0139]
输入特征图的维度为c
×h×
w，其中c为通道，h为高，w为宽，使用大小为(h,1)和(1,w)的平均池化核分别沿水平方向和竖直方向对每个通道进行编码，得到水平和竖直方向的两个第一特征图；
[0140]
分别对两个第一特征图进行卷积，得到水平和竖直方向的两个中间特征图后，通过非线性激活函数，得到水平和竖直方向的中间特征权重；
[0141]
分别对两个中间特征权重再次进行卷积后，通过sigmoid函数激活，得到水平和竖直方向的通道权重；
[0142]
将输入特征图，分别与水平和竖直方向的通道权重相乘，得到cbam输出特征图。
[0143]
需要说明的是，由于本实施例配电网工程安全管控检测装置与前述配电网工程安全管控检测方法相关之处可相互借鉴，此处为重复描述，故这里不再赘述。由于本装置实施例与上述方法实施例原理相同，所以本装置也具有上述方法实施例相应的技术效果。
[0144]
实施例3，
[0145]
本发明的一个具体实施例3，基于本发明实施例1的安全管控检测方法，搭建了实施例2的安全管控检测装置，设置训练过程运行参数：batch大小为32，初始学习率设置为0.001，总迭代次数为500次。
[0146]
考虑本发明的适用性，本实施例中分别选取安全帽是否正确佩戴、跌落式熔断器是否断开、设备底板是否封堵三种工程现场存在的安全问题。
[0147]
本实施例使用ubuntu18.04操作系统，选用tensorflow架构构建安全管控检测模型，使用geforce rtx 2070的显卡进行运算。具体实验配置如表1所示。
[0148]
表1实验环境配置
[0149]
参数配置cpuintel(r)core(tm)i5-10400f cpu@2.90ghzgpugeforce rtx 2070语言python 3.8内存16g加速环境cuda10.1系统环境ubuntu18.04
[0150]
在模型训练过程中，采用平均精度均值(map)、召回率(recall)、改进的损失函数(ciou_loss)、查准率(precision)评估模型的性能。由图5可知，召回率(recall)在模型迭代到100次后稳定在0.93左右；精准率(precision)在模型迭代到80次后大于0.9；平均精度均值(map)在模型迭代到100次时达到0.97；改进的损失函数(ciou_loss)在模型迭代到500次时稳定，约等于0.1。
[0151]
设定阈值不同时，可以得到多组precision-recall值，以precision和recall值作为坐标，可以绘制出p-r曲线，如图6所示。
[0152]
基于损失函数对卷积神经网络模型进行优化，通过梯度下降与反向传播不断迭代以更新网络模型参数，使网络达到最优性能，得到训练好的安全管控检测模型；
[0153]
以检测安全帽是否佩戴、设备底板是否封堵和跌落式熔断器是否断开为例，将待
检测配电网工程现场图像输入到训练好的安全管控检测模型，得到图像中目标检测结果，包括：目标边界框、目标类别和类别置信度。
[0154]
示例性地，对于安全帽是否佩戴，目标检测结果中用绿色边界框标注出正确佩戴安全帽的目标，用红色边界框标注出未正确佩戴安全帽的目标，并在边界框上显示出类别置信度。
[0155]
为衡量算法的实际效果，对实际测试样本中的目标识别情况进行了统计，检测准确率如表2所示。从表2可以看出，算法识别工程现场图像识别结果较好。
[0156]
表2不同类别样本识别准确率
[0157]
工程安全种类识别准确率安全帽是否正确佩戴98.87％设备底板是否封堵98.20％跌落式熔断器是否断开99.52％
[0158]
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
[0159]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。