一种动态目标检测方法、系统及介质与流程

本发明涉及电力安全监控系统，特别涉及一种动态目标检测方法、系统及介质。

背景技术：

1、随着工业自动化和智能化水平的提升，电力系统工作场所的安全管理逐渐依赖于高技术的监控系统。然而，尽管现有的监控技术在一些简单场景中表现良好，但在复杂的工业环境中，如高噪声、灰尘、变化的光线条件和遮挡等情况下，这些系统的效果仍然面临许多挑战。

2、针对电力系统安全监控系统的现有技术，可以总结出以下几个主要的缺陷和不足：（1）效率低和速度慢：在处理高分辨率视频流的情况下，现有的目标检测系统往往因模型复杂度高而处理速度慢。这导致系统难以实现真正的实时监控，无法及时反馈紧急情况，从而可能错过防止事故的关键时刻；（2）适应性和灵活性不足：许多监控系统在设计时缺乏足够的适应性，难以应对不同的环境条件变化，如光照变化、天气条件等。当环境条件发生变化时，系统的检测性能可能大幅下降，影响整体的监控效果;(3)对小目标和遮挡目标的检测不足：在复杂或人员密集的工作环境中，小目标如安全帽和遮挡目标的准确识别仍然是一个挑战。现有技术往往难以区分紧密排列或部分遮挡的目标，导致误报和漏报率较高。

技术实现思路

1、本发明的目的在于提供一种动态目标检测方法、系统及介质，尤其涉及一种基于改进的yolov7双流特征提取siamese网络与cbam特征融合的动态目标检测方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，第一方面，本技术实施例提供一种动态目标检测方法，包括以下具体步骤：

3、1）利用改进的yolov7双流特征提取siamese网络同时处理标准样本和实时监控样本，通过对比两者间的特征差异，以捕获关键安全特征；

4、2）将cbam注意力模块集成到yolov7的特征融合模块中，利用空间和通道注意力机制增强关键特征的表达并抑制无关信息；

5、3）利用双流特征提取siamese网络和多尺度特征聚合网络输出的特征，使用一个具有可变性卷积和注意力机制优化检测头部进行目标检测；

6、4）计算损失函数。

7、所述利用改进的yolov7双流特征提取siamese网络同时处理标准样本和实时监控样本，通过对比两者间的特征差异，以捕获关键安全特征具体为，

8、基于siamese-resnet50网络框架构建yolov7-siamff模型；

9、在backbone模块中采用双通道模式来分别处理标准样本和实时监控样本的输入图像；

10、resnet50的前两层作为共享权重的特征提取层，分别从标准样本和实时监控样本中提取低层特征，提取的低层特征输入到特征差异模块，该模块通过公式（1）计算两个通道的低层特征差异：     （1）

11、是标准样本的特征提取器，是实时监控样本的特征提取器，和共享权重，是输出特征的差异特征。

12、所述将cbam注意力模块集成到yolov7的特征融合模块中，利用空间和通道注意力机制增强关键特征的表达并抑制无关信息具体为，

13、将cbam 注意力模块引入到backbone特征融合模块中提取的信息与基于注意力的差异信息，以增强差异的表达能力，增强的差异信息通过一个基于resnet50最后三层设计的卷积特征提取网络，从图像中提取高维特征，以增强差异特征的表达能力。

14、所述cbam注意力模块的通道注意力模块通过平均池化和最大池化压缩输入特征图的空间维度，用公式 (2) 表示：

15、 （2）

16、其中f是输入特征图；avgpool代表平均池化操作；maxpool代表最大池化操作；mlp代表全连接层；是sigmoid激活函数；

17、空间注意力模块通过平均池化和最大池化压缩输入特征图的通道，用公式（3）表示:

18、 （3）

19、其中代表一个卷积核尺寸为7×7的操作，

20、cbam注意力模块的最终输出表示为公式（4）：

21、 （4）

22、input代表从减法操作获得的差异特征图，它被输入到cbam注意力模块中，基于注意力机制获得其特征表示，然后，应用1×1的卷积操作来调整其通道维度，同时，差异特征图也被输入到一个卷积模块中，基于卷积层获得其特征表示，最后，两个分支的特征图被相加，得到增强的特征融合图。

23、所述利用双流特征提取siamese网络和多尺度特征聚合网络输出的特征，使用一个具有可变性卷积和注意力机制优化检测头部进行目标检测具体为，

24、在传统的yolov7的头部通过配备注意力机制进行改进得到动态头部；

25、动态头部利用特征层、空间位置和输出通道之间的注意力机制，实现了尺度感知、空间感知和任务感知，为了充分利用动态头部的感知能力，将cbam注意力模块融合后的特征图送入动态头部，执行尺度感知、空间感知和任务感知操作。

26、所述将cbam注意力模块融合后的特征图送入动态头部，执行尺度感知、空间感知和任务感知操作具体为，将融合后的特征图输入动态头部后，首先对这些特征图进行平均池化处理，接着，进行1×1的卷积操作，并通过hard sigmoid函数进行激活，最终，生成的张量与输入的特征图相乘，完成特征图之间的感知交互，实现尺度感知；

27、尺度感知后的特征图被输入到空间感知模块，在这一模块中，使用3×3的卷积操作来计算特征图偏移的偏移值和权重项，通过sigmoid函数激活这些值后，执行可变形卷积操作，以进一步实现空间感知，这种综合的注意力处理策略有效提升了模型在复杂环境下的表现和准确性。

28、所述损失函数具体为，

29、，

30、是标签集，是标签空间中的其余标签，是模型对第i类的输出分数，是模型对第j类的输出分数，b的恒定值设为0.005。

31、第二方面，本技术实施例提供一种动态目标检测系统，包括存储器及处理器，所述存储器中包括动态目标检测方法的程序，所述动态目标检测方法的程序被所述处理器执行时实现以下步骤：利用改进的yolov7双流特征提取siamese网络同时处理标准样本和实时监控样本，通过对比两者间的特征差异，以捕获关键安全特征；将cbam注意力模块集成到yolov7的特征融合模块中，利用空间和通道注意力机制增强关键特征的表达并抑制无关信息；利用双流特征提取siamese网络和多尺度特征聚合网络输出的特征，使用一个具有可变性卷积和注意力机制优化检测头部进行目标检测；计算损失函数。

32、第三方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的动态目标检测方法的步骤。

33、本发明的技术效果和优点：

34、本发明提出改进的yolov7双流特征提取siamese网络与cbam特征融合的网络技术可以有效应对工业安全监控中的诸多挑战，双流siamese网络可以分别处理来自安全监控摄像头的实时图像和预设的安全装备佩戴标准图像，通过比较这两种图像的特征差异来判断是否存在安全违规行为。同时，cbam特征融合的网络技术确保了即使在工人位于摄像头较远或部分被其他物体遮挡的情况下，模型仍能有效识别安全帽和工作服等。