一种电气设备紫外图像的语义分割模型构建方法及系统

本发明属于图像分割，尤其涉及一种电气设备紫外图像的语义分割模型构建方法及系统。

背景技术：

1、长期裸露在恶劣环境中的电气设备易导致其绝缘性能下降，其绝缘性能下降会直接影响到电力系统安全稳定运行。电晕放电检测广泛应用新兴紫外检测技术，对电力设备进行定期巡检可以掌握设备绝缘情况从而避免事故发生。

2、由于传统图像语义分割算法（如normalized cut、forests、svm）存在着诸多局限性在实际应用中每次运行只能割一次图片，为分割图像中多个物体则需要多次运行。传统分割算法效率低、准确度不高，与传统图像语义分割相比基于深度学习可以极大提高效率及语义分割的精度。

3、传统u-net网络模型在紫外图像分割任务时存在着一些过分割以及欠分割的现象，申请号为cn202211659742.6的中国发明专利申请提出了一种基于unet的电气设备紫外图像分割方法，该方法包括使用vgg16net的卷积层代替u-net网络编码部分，将编码部分末端卷积层替换成空洞空间金字塔池化模块，在跳跃联结部分加入改进senet模块，该发明提高了紫外图像分割精度。但并未解决算法参数冗余、计算量大，其改进u-net网络模型在边缘设备中推理速度慢，边缘设备资源无法支撑该算法实现实时检测。

技术实现思路

1、本发明提供一种电气设备紫外图像的语义分割模型构建方法级系统，用于解决现有算法模型在边缘设备中推理速度慢，未能满足边缘设备实时检测要求的技术问题。

2、第一方面，本发明提供一种电气设备紫外图像的语义分割模型构建方法，包括：

3、获取电气设备紫外图像集，对所述电气设备紫外图像集中的各个电气设备紫外图像进行图像标注，并将标注后的电气设备紫外图像集划分为训练子集、测试子集和验证子集；

4、根据所述训练子集构建语义分割模型，所述语义分割模型包括卷积层、改进sppf空间金字塔结构、改进ca注意力机制、下采样层以及上采样层，其中构建所述语义分割模型的具体步骤包括：

5、将所述训练子集中的电气设备紫外图像数据依序输入至第一卷积层c1和第二卷积层c2，得到第一输出结果，并将所述第一输出结果经过第一下采样层d1后依序输入至第三卷积层c3和第四卷积层c4，得到第二输出结果；

6、将所述第二输出结果经过第二下采样层d2依序输入至第五卷积层c5、改进sppf空间金字塔结构和第六卷积层c6，得到第三输出结果；

7、将经过第一上采样层u1和改进ca注意力机制处理后的第三输出结果与所述第二输出结果进行堆叠融合，得到第四输出结果；

8、将所述第四输出结果依序输入至第七卷积层c7和第八卷积层c8并经过第二上采样层u2处理，得到第五输出结果，并将所述第五输出结果与所述第一输出结果进行堆叠融合，得到第六输出结果；

9、将第六输出结果依序输入至第九卷积层c9、第十卷积层c10和第十一卷积层c11，最终形成对称的语义分割模型；

10、基于改进的剪枝策略对所述语义分割模型进行剪枝操作，得到目标语义分割模型；

11、根据所述测试子集和所述验证子集对所述目标语义分割模型进行测试和验证。

12、第二方面，本发明提供一种电气设备紫外图像的语义分割模型构建系统，其特征在于，包括：

13、标注模块，配置为获取电气设备紫外图像集，对所述电气设备紫外图像集中的各个电气设备紫外图像进行图像标注，并将标注后的电气设备紫外图像集划分为训练子集、测试子集和验证子集；

14、构建模块，配置为根据所述训练子集构建语义分割模型，所述语义分割模型包括卷积层、改进sppf空间金字塔结构、改进ca注意力机制、下采样层以及上采样层，其中构建所述语义分割模型的具体步骤包括：

15、将所述训练子集中的电气设备紫外图像数据依序输入至第一卷积层c1和第二卷积层c2，得到第一输出结果，并将所述第一输出结果经过第一下采样层d1后依序输入至第三卷积层c3和第四卷积层c4，得到第二输出结果；

16、将所述第二输出结果经过第二下采样层d2依序输入至第五卷积层c5、改进sppf空间金字塔结构和第六卷积层c6，得到第三输出结果；

17、将经过第一上采样层u1和改进ca注意力机制处理后的第三输出结果与所述第二输出结果进行堆叠融合，得到第四输出结果；

18、将所述第四输出结果依序输入至第七卷积层c7和第八卷积层c8并经过第二上采样层u2处理，得到第五输出结果，并将所述第五输出结果与所述第一输出结果进行堆叠融合，得到第六输出结果；

19、将第六输出结果依序输入至第九卷积层c9、第十卷积层c10和第十一卷积层c11，最终形成对称的语义分割模型；

20、剪枝模块，配置为基于改进的剪枝策略对所述语义分割模型进行剪枝操作，得到目标语义分割模型；

21、处理模块，配置为根据所述测试子集和所述验证子集对所述目标语义分割模型进行测试和验证。

22、第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的电气设备紫外图像的语义分割模型构建方法的步骤。

23、第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的电气设备紫外图像的语义分割模型构建方法的步骤。

24、本申请的电气设备紫外图像的语义分割模型构建方法及系统，具体以下有益效果：

25、采用普通卷积与分组卷积相结合代替一次普通卷积操作，并在语义分割模型的编码-解码结构联结处引入改进sppf空间金字塔结构实现多尺度信息提取，同时在语义分割模型解码部分嵌入改进ca注意力机制模块增强对关键特征信息的注意力，并且在语义分割模型的卷积操作后加入了归一化操作同时对语义分割模型进行改进的剪枝策略进行网络模型压缩，实现语义分割模型的轻量化，加快网络模型推理速度。

技术特征：

1.一种电气设备紫外图像的语义分割模型构建方法，其特征在于，包括：

2.根据权利要求1所述的一种电气设备紫外图像的语义分割模型构建方法，其特征在于，所述卷积层包括普通卷积子层、分组卷积子层以及跳跃连接层。

3.根据权利要求1所述的一种电气设备紫外图像的语义分割模型构建方法，其特征在于，所述改进sppf空间金字塔结构包括：

4.根据权利要求3所述的一种电气设备紫外图像的语义分割模型构建方法，其特征在于，所述改进ca注意力机制具体为：

5.根据权利要求1所述的一种电气设备紫外图像的语义分割模型构建方法，其特征在于，所述第一上采样层u1采用最邻近插值法对输入数据进行提升特征维度操作，输出尺寸（256×256×128）；

6.根据权利要求1所述的一种电气设备紫外图像的语义分割模型构建方法，其特征在于，所述第一下采样层d1的输入为512×512×64，卷积核为3×3，步长为2，填充方式为空白，输出通道数为64，输出大小为256×256×64；

7.根据权利要求1所述的一种电气设备紫外图像的语义分割模型构建方法，其特征在于，所述基于改进的剪枝策略对所述语义分割模型进行剪枝操作，得到目标语义分割模型包括：

8.一种电气设备紫外图像的语义分割模型构建系统，其特征在于，包括：

9.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至7任一项所述的方法。

技术总结
本发明公开了一种电气设备紫外图像的语义分割模型构建方法及系统，方法包括：获取电气设备紫外图像集，对电气设备紫外图像集中的各个电气设备紫外图像进行图像标注，并将标注后的电气设备紫外图像集划分为训练子集、测试子集和验证子集；根据训练子集构建语义分割模型，语义分割模型包括卷积层、改进SPPF空间金字塔结构、改进CA注意力机制、下采样层以及上采样层基于改进的剪枝策略对语义分割模型进行剪枝操作，得到目标语义分割模型；根据测试子集和验证子集对目标语义分割模型进行测试和验证。通过引入改进SPPF空间金字塔结构实现多尺度信息提取，同时在语义分割模型解码部分嵌入改进CA注意力机制模块增强对关键特征信息的注意力。

技术研发人员：曾兵,周宇,何帝霖,陈显彪,杨小品,张文华,谢云敏,饶繁星
受保护的技术使用者：南昌工程学院
技术研发日：
技术公布日：2024/1/15