(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210381347.X (22)申请日 2022.04.13 (65)同一申请的已公布的文献号 申请公布号 CN 114462555 A (43)申请公布日 2022.05.10 (73)专利权人 国网江西省电力有限公司电力科 学研究院 地址 330096 江西省南昌市青山湖区民营 科技园民强路8 8号 专利权人 国家电网有限公司 　 江西师范大学 (72)发明人 王文彬　范瑞祥　陈琛　邓志祥　 卢源文　潘建兵　(74)专利代理 机构 南昌丰择知识产权代理事务 所(普通合伙) 36137 专利代理师 吴称生 (51)Int.Cl. G06K 9/62(2022.01) G06V 20/17(2022.01) G06V 10/80(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) (56)对比文件 CN 110287849 A,2019.09.27 CN 110084292 A,2019.08.02 审查员 李华 (54)发明名称 基于树莓派的多尺度特征融合配电网设备 识别方法 (57)摘要 本发明涉及一种基于树莓派的多尺度特征 融合配电网设备识别方法， 获取初始样本数据 集； 构建由EfficientNe ‑B0主干网络、 多尺度特 征融合模块、 回归分类预测头构成的目标检测网 络； 以初始样本数据集作为训练样本， 训练目标 检测网络； 最后使用训练后的目标检测网络检测 巡检图片。 本发明引入轻量级EfficientNet ‑B0 主干网络 特征提取方式能获得目标更多的特征， 同时引入多尺度特征融合能更好地适应小目标 检测， 且采用轻量级y_pred回归分类检测头， 可 以在资源紧张、 算力有限的树莓派嵌入式设备中 有效部署与实现。 权利要求书2页 说明书6页 附图2页 CN 114462555 B 2022.08.16 CN 114462555 B 1.一种基于树莓派的多尺度特征融合配电网设备识别方法， 其特征在于， 包括如下步 骤： 步骤S1、 获取初始样本数据集； 步骤S2、 构建由EfficientNe ‑B0主干网络、 多尺度特征融合模块、 回归分类预测头构成 的目标检测网络； 所述EfficientNe ‑B0主干网络由一个CBL模块和7个Block模块组成， 7个Block模块依 次为Block1模块、 Block2模块、 Block3模块、 Block4模块、 Block5模块、 Block6模块、 Block7 模块 ； 回归分类预测头采用y_pred检测分类头， 分别为y_pred1检测分类头、 y_pred2检测分 类头、 y_pred3检测分类头； 多尺度特征融合模块包括四条融合路径， 第一条融合路径包括CBL1模块和Conv1层， CBL1模块获取Block7输出的特征图， CBL1模块处理后的特征图进入Conv1层卷积后进入y_ pred1检测分类头； 第二条融合路径包括concat1层、 CB L2模块和Conv2层； concat1层获取Block5模块输出 的特征图并通过上采样获取CBL1模块处理后的特征图进行融合， 融合后的融合特征图由 CBL2模块处理， CBL2模块处理后的融合特征图进入Conv2层卷积后进入y_pred2检测分类 头； 第三条融合路径包括concat2层、 CB L3模块和Conv3层； concat2层获取Block3模块输出 的特征图并通过上采样获取CBL2模块处理后的特征图进行融合， 融合后的融合特征图由 CBL3模块处理， CBL3模块处理后的融合特征图进入Conv3层卷积后进入y_pred3检测分类 头； 第四条融合路径包括concat3层、 CBL4模块， concat3层获取Block2模块输出的特征图 并通过上采样获取CBL3模块处理后的特征图进 行融合， 融合后的融合特征图由CBL4模块处 理， CBL4模块通过下采样连接 CBL3模块； 步骤S3、 以初始样本数据集作为训练样本， 训练目标检测网络： 由EfficientNe ‑B0主干 网络进行特征提取， 多尺度特征融合模块进 行多尺度特征融合， 输出三幅融合特征图， 这三 幅融合特征图进入y_pred检测分类头识别； 每幅融合特征图都进入y_pred检测分类头生 成 预测框， 三个  y_pred检测分类头生成 的预测框是相同的， 每个y_pred检测分类头设有3个 不同尺寸的先验框， y_pred3检测分类头的3个先验框的尺寸对应刀闸的3种尺寸， y_pred2 检测分类头的3个先验框的尺 寸对应熔断器的3种尺 寸， y_pred1检测分类头的3个先验框的 尺寸对应变压器的3种尺寸， 将预测框与9个先验框进行尺寸比对， 选择尺寸偏差最小的先 验框所在的类作为输出， 判断特征图是属于刀闸、 熔断器、 变压器中的哪一种， 输出真实框 作为识别结果； 所述先验框是对初始样 本数据集进 行k‑means聚类得到的， 将 配电网设备的 巡检图片分为刀闸、 熔断器、 变压器3类， 每类巡检图片聚类得到3个不同尺寸的先验框； 每 次输出的真实框补充到初始样本数据集进行 下一次k‑means聚类； 步骤S4、 使用训练后的目标检测网络检测巡检图片： 由EfficientNe ‑B0主干网络进行 特征提取， 多尺度特征融合模块进行多尺度特征融合， 输出三幅融合特征图， 这三幅融合特 征图进入y_pred检测分类头识别， 得到识别结果。 2.根据权利要求1所述的基于树莓派的多尺度特征融合配电网设备识别方法， 其特征权　利　要　求　书 1/2 页 2 CN 114462555 B 2在于， 所述Block1模块包括1个MBConv1Block模块， 卷积核大小为3 ×3、 步距为2 ×2； 所述 Block2模块包括2个MBConv6Block模块， 卷积核大小为3 ×3、 步距为2 ×2； 所述Block3模块 包括2个MBConv6Block模块， 卷积核大小为5 ×5、 步距为2 ×2； 所述Block4模块包括3个 MBConv6Block模块， 卷积核大小为3 ×3、 步距为2 ×2； 所述Block5模块包括3个 MBConv6Block模块， 卷积核大小为5 ×5、 步距为2 ×2； 所述Block6模块包括4个 MBConv6Block模块， 卷积核大小为5 ×5、 步距为2 ×2； 所述Block7模块包括1个 MBConv6Block模块， 卷积核大小为3 ×3、 步距为1 ×1； 所述MBConv6Block模块进行深度可分 离卷积。 3.根据权利要求2所述的基于树莓派的多尺度特征融合配电网设备识别方法， 其特征 在于， 特征提取过程中引入深度可分离卷积和通道注意力机制的逆大残差结构， 在3 ×3或 者5×5网络结构前利用1 ×1卷积升维， 在3 ×3或者5×5网络结构后增加了一个SENet通道 注意力机制， 最后利用1 ×1卷积降维。 4.根据权利要求2所述的基于树莓派的多尺度特征融合配电网设备识别方法， 其特征 在于， 深度可分离卷积在EfficientNe ‑B0主干网络中的MBConv6Block模块进行， 所述深度 可分离卷积包括空间维度的深度卷积和通道维度的逐点卷积两个部分。 5.根据权利要求1所述的基于树莓派的多尺度特征融合配电网设备识别方法， 其特征 在于， 所述EfficientNe ‑B0主干网络进行特征提取是指： 经EfficientNet ‑B0主干网络不断 地卷积生成7幅特 征图。 6.根据权利要求1所述的基于树莓派的多尺度特征融合配电网设备识别方法， 其特征 在于， 多尺度特征融合选取Block2模块、  Block3模块、  Block5模块、  Block7模块输出的四 幅特征图进行多尺度特 征融合堆叠， 保留浅层特 征。 7.根据权利要求1所述的基于树莓派的多尺度特征融合配电网设备识别方法， 其特征 在于， y_pred3检测分类头,y_pred2 检测分类头和y_pred1检测分类头的通道深度都是2 55， 边长的规律比是13:26:52， y_pred3检测分类头、 y_pred2检测分类头用来识别小目标刀闸 与熔断器， y_pred1检测分类头用来识别变压器。权　利　要　求　书 2/2 页 3 CN 114462555 B 3