基于改进yolov4的变电站作业现场异物入侵检测方法与流程

本发明属于电力系统安全识别，具体公开了一种基于改进yolov4的变电站作业现场异物入侵检测方法。

背景技术：

1、随着电力体制改革的深化和宏观经济新常态的形成，电能使用市场竞争日趋激烈，外部环境对电网经营企业和供电企业服务要求逐步提升，变电站的稳定高质量运行供电是供电局在不断完善的目标之一，变电站现有的管理监控模式为借助传感器、视频监控、人工分析、机器人巡检等，还有较大的提升改进空间。而随着“互联网+”时代来临以及人工智能技术的发展，变电站可引入人工智能技术并利用该技术提高变电站自动化管理监控水平，从而为用户提供更好的供电服务。目前，部分变电站的设备及安防监测手段较为落后，缺少智能化监控分析手段，可能没法及时准确地反映出异常情况信息。

2、cn113506416a公开了一种基于智能视觉分析的工程异常预警方法及系统，其系统包括客户端平台、数据传输平台、智能视觉分析平台；客户端通过加入无线局域网或者宽带的方式，在本地远程访问智能视觉分析平台；数据传输平台实现客户端和智能视觉分析平台之间的数据的传输；智能视觉分析平台包括监控摄像机、服务器和显示器，通过摄像机采集水利工程现场监控视频作为系统的输入，服务器对视频数据中的图像进行处理，包括目标识别、人体姿态检测和异常行为判定等操作，处理结果实时显示在显示器。其实现了对水利工程现场中工人有可能发生的安全事故进行有效的检测和预警，达到了预防安全事故发生的效果。

3、cn112991671a公开了一种基于深度学习的智能安防系统，其特征在于，包括主控模块，与主控模块分别连接的监控模块、报警模块和电源模块；以及与监控模块连接的摄像头，与电源模块连接的电源；所述监控模块，用于对摄像头采集到的视频数据进行识别，判断是否有陌生人入侵；当检测出有陌生人入侵时，主控模块通过报警模块向主人发送报警信息或发出报警提示音；所述监控模块由yolov4人脸检测模块和dlib人脸识别模块结合，yolov4人脸检测模块，用于实时提取视频中的人脸，dlib人脸识别模块判断是否为陌生人。其通过将把深度学习模型部署于主控模块上，实现主人识别的视频监控功能，减少安防系统误报和漏报的发生，提高家居监控的安全性和可靠性。

4、现有技术存在以下缺陷：模型结构复杂、运算量大、检测速度慢、检测准确率有待提高。

技术实现思路

1、为了解决上述问题，本发明的目的在于揭示一种基于改进yolov4的变电站作业现场异物入侵检测方法，本发明是通过以下技术方案来实现的。

2、一种基于改进yolov4的变电站作业现场异物入侵检测方法，其特征在于所述检测方法包含有以下步骤：

3、第一步：构建变电站作业现场异物入侵检测识别框架；

4、第二步：对yolov4模型进行策略改进；

5、第三步：对yolov4模型网络结构的策略进行改进；

6、第四步：对yolov4模型边框检测的策略进行优化；

7、第五步：对yolov4模型损失函数的策略进行优化；

8、第六步：对基于通道剪枝算法的yolov4模型简化策略；

9、第七步：模型评价指标构建。

10、本发明具有以下有益的技术效果：通过在视频监控画面中划定重点监测的电子围栏区域，基于智能图像识别算法，及时发现闯入设立电子围栏禁止区域的小动物等异物，对yolov4的网络结构、边框检测以及损失函数进行优化改进。同时，在保证检测准确率的前提下，利用通道剪枝算法对模型进行剪枝处理，以简化模型结构、降低运算量。实验结果表明，相对于传统模型，本发明方法有较高的map和较高的检测速度，其中map指标比faster r-cnn、yolo v3、ssd分别高13.5％、7.3％和10.5％，检测速度分别比faster r-cnn和yolov4高39.2％和9.6％。本发明方法检测准确率高，检测速度快，剪枝处理后占用空间小，可用于变电站异物的检测，从而保障供电安全。

技术特征：

1.基于改进yolov4的变电站作业现场异物入侵检测方法，其特征在于所述检测方法包含有以下步骤：

2.根据权利要求1所述的基于改进yolov4的变电站作业现场异物入侵检测方法，其特征在于：构建变电站作业现场异物入侵检测识别框架步骤中：通过边缘计算平台接入变电站视频流，对指定区域进行异物入侵监控，针对与小老鼠等异物的入侵，对视频帧进行选帧处理，小目标检测、分类识别，当异常侵入被侦测到后，通过图像捕捉其形状，进而做出大体的类别判断，发送相应的警报供值班人员参考，减少因老鼠等小动物误入变电站带来的安全事故，具体为：

3.根据权利要求1所述的基于改进yolov4的变电站作业现场异物入侵检测方法，其特征在于：对yolov4模型进行策略改进步骤中：yolov4通过主干特征提取网络cspdarknet53实现输入图像的特征提取，利用panet实现不同输出层之间的特征融合，在分类回归层沿用yolov3的结构；基于yolov4算法建立的变电站作业现场异物入侵检测识别模型由以下4个模块构成：csp模块将原来残差块的堆叠划分成两部分，一部分继续进行残差块的堆叠，另一部分只经少量处理再与输出相连，能够提高网络的学习能力，cbm模块用来提取输入图像特征，包括卷积、标准化和mish激活函数处理，cbl模块同样用来提取图像特征，与cbm模块不同的是，该模块的激活函数为leakyrelu，spp模块利用不同尺度的最大池化对输入特征层进行池化后再进行堆叠。

4.根据权利要求1所述的基于改进yolov4的变电站作业现场异物入侵检测方法，其特征在于：对yolov4模型网络结构的策略进行改进步骤中：将输入图像进行放缩为608×608的像素大小作为网络的输入，在3个不同尺度内通过卷积的方式实现局部特征的提取，输出的3个不同大小的特征图19×19、38×38和76×76分别对应尺度1、尺度2和尺度3，其中，尺度19×19是在辅助基础网络之后通过增加卷积块再卷积输出检测框信息，尺度38×38是在尺度1的末尾之前的卷积基础上再引入新的一轮卷积块并且进行上采样之后配合cspdarknet53网络的前五层的输入共同以张量的形式进行最终的卷积输出检测框信息，此时尺度增加了1倍，同理尺度76×76输出检测框也增加了1倍，然后基于交互层输出的特征图进行类别和位置的回归判断，使用逻辑回归来预测每个bounding boxes的对象分数，每个bounding box与ground truth的匹配策略为1：1，并且每个bounding boxes使用多标签分类法预测包含的类，避免标签重叠问题，采用二元交叉篇进行类别预测来提高准确度。

5.根据权利要求1所述的基于改进yolov4的变电站作业现场异物入侵检测方法，其特征在于：对yolov4模型边框检测的策略进行优化步骤中：在将输入照片进行分割为m*m块的过程中，若某个物体的中心落入到某一个网格的内部，则该网格就负责预测该物体，在算法进行训练和测试的时候，每个格子将能预测n个检测边界框以及每个检测边界框对应的置信度，以上每个检测框都包含5个参数，分别为物体中心位置的横坐标x、纵坐标y、置信度评分cobject、检测边框的高度h和宽度w，有效地降低了传统yolo算法中采用固定检测边框尺度导致的边界框回归错位的影响，作为改进的yolo算法，不同之处在于是以x和y的偏移作为检测边框的长宽的线性表达式如式(1)-式(4)所示：

6.根据权利要求1所述的基于改进yolov4的变电站作业现场异物入侵检测方法，其特征在于：对yolov4模型损失函数的策略进行优化步骤中：综合考虑各损失的贡献率和在训练中的权重，改进的yolov4算法的损失函数如下：

7.根据权利要求1所述的基于改进yolov4的变电站作业现场异物入侵检测方法，其特征在于：对基于通道剪枝算法的yolov4模型简化策略步骤中：所建立的改进后的yolov4模型虽能实现变电站作业现场异物入侵的精确检测，但模型的结构和参数数量大，计算耗时大，为提高检测模型的实用性，降低模型的计算量，对模型进行修剪；通道剪枝算法能够修剪掉模型中不重要的通道以及相关的输入输出关系，与分层剪枝算法相比，该算法减少了需要存储的参数量，对硬件的要求更低，在保证精度的基础上利用通道剪枝算法对yolov4模型进行修剪；在模型训练期间，利用网络中批归一化层的γ系数对每个输入通道的贡献率进行评分，将贡献率高的通道进行保留，贡献率低的通道进行修剪，修剪后的模型结构更紧凑；模型剪枝的具体步骤如下：

8.根据权利要求1所述的基于改进yolov4的变电站作业现场异物入侵检测方法，其特征在于：模型评价指标构建步骤中：为了评价所提模型的识别效果，采用平均精度指标来衡量检测框对目标物体的匹配上准确度，每一类的精准率可以表示为：

技术总结
本发明属于电力系统安全识别技术领域，具体公开了一种基于改进yolov4的变电站作业现场异物入侵检测方法，其特征在于所述检测方法包含有以下步骤：第一步：构建变电站作业现场异物入侵检测识别框架；第二步：对YOLOv4模型进行策略改进；第三步：对YOLOv4模型网络结构的策略进行改进；第四步：对YOLOv4模型边框检测的策略进行优化；第五步：对YOLOv4模型损失函数的策略进行优化；第六步：对基于通道剪枝算法的YOLOv4模型简化策略；第七步：模型评价指标构建。本发明方法检测准确率高，检测速度快，剪枝处理后占用空间小，可用于变电站异物的检测，从而保障供电安全。

技术研发人员：李楠,杨志远,马富齐,王波,刘勇,刘森,皮志勇,马恒瑞
受保护的技术使用者：国网湖北省电力有限公司荆门供电公司
技术研发日：
技术公布日：2024/5/16