本發(fā)明涉及電力巡檢領(lǐng)域，尤其涉及一種基于多尺度融合與自適應(yīng)權(quán)重的小樣本電力巡檢分類方法。

背景技術(shù)：

1、電力巡檢是電力行業(yè)的關(guān)鍵任務(wù)，旨在確保電力輸電線路及相關(guān)設(shè)備的穩(wěn)定運(yùn)行。傳統(tǒng)人工巡檢受限于效率、成本和準(zhǔn)確性，而無人機(jī)巡檢以其高效、靈活和低成本的特性成為首選。在無人機(jī)巡檢中，計(jì)算機(jī)視覺技術(shù)特別是深度學(xué)習(xí)扮演了重要角色，尤其是在目標(biāo)檢測和缺陷識別方面。然而，面對有限的訓(xùn)練樣本和電力設(shè)備的多樣性，深度學(xué)習(xí)模型如卷積神經(jīng)網(wǎng)絡(luò)（cnn）易出現(xiàn)過擬合問題，影響檢測精度。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明針對有限的訓(xùn)練樣本和電力設(shè)備的多樣性，深度學(xué)習(xí)模型如卷積神經(jīng)網(wǎng)絡(luò)（cnn）易出現(xiàn)過擬合問題，影響檢測精度的問題，提出一種基于多尺度融合與自適應(yīng)權(quán)重的小樣本電力巡檢圖像分類方法，所述方法包括：

2、s1：采集不同類別的電力巡檢圖像，并對所述電力巡檢圖像進(jìn)行預(yù)處理，獲取電力巡檢設(shè)備缺陷圖像數(shù)據(jù)集；

3、s2：構(gòu)建基于多尺度融合與自適應(yīng)權(quán)重的圖像分類模型，將電力巡檢設(shè)備缺陷圖像數(shù)據(jù)集輸入所述基于多尺度融合與自適應(yīng)權(quán)重的圖像分類模型進(jìn)行訓(xùn)練，獲取最優(yōu)小樣本分類模型；

4、s3：將訓(xùn)練集輸入至最優(yōu)小樣本分類模型進(jìn)行訓(xùn)練，訓(xùn)練后選擇在訓(xùn)練過程中損失函數(shù)最小的參數(shù)模型；

5、s4：將測試集輸入訓(xùn)練完成的參數(shù)模型中進(jìn)行小樣本分類，得到電力巡檢設(shè)備缺陷圖像的分類結(jié)果。

6、進(jìn)一步的，還提出一種優(yōu)選方式，所述步驟s1包括：

7、將不同類別的電力巡檢圖像尺寸統(tǒng)一為84×84像素，獲取電力巡檢設(shè)備缺陷圖像數(shù)據(jù)集，并將電力巡檢設(shè)備缺陷圖像數(shù)據(jù)集中圖像按照4:1:1分成類別互不相交的訓(xùn)練集、驗(yàn)證集和測試集。

8、進(jìn)一步的，還提出一種優(yōu)選方式，所述步驟s2包括：

9、s21、采用resnet-12作為特征提取骨干網(wǎng)絡(luò)，去除與分類任務(wù)相關(guān)的全連接層；

10、s22、特征提取包括第2個殘差塊conv2和第4個殘差塊conv4；

11、s23、利用金字塔策略融合淺層conv2與深層conv4特征，通過反卷積將conv4特征調(diào)整到與conv2相同的大小；

12、s24、通過全局平均池化和全局最大池化生成特征向量，并經(jīng)過共享權(quán)重的多層感知機(jī)得到通道注意力；

13、s25、在通道維度上進(jìn)行全局池化操作，通過卷積操作和sigmoid激活生成空間注意力向量；

14、s26、引入局部多路徑自適應(yīng)加權(quán)策略，在訓(xùn)練過程中進(jìn)行權(quán)重的實(shí)時(shí)更新和優(yōu)化，獲取最優(yōu)小樣本分類模型。

15、進(jìn)一步的，還提出一種優(yōu)選方式，所述步驟s23包括：

16、

17、

18、

19、其中，為第a個殘差塊的殘差操作，a=1，2，3，4；為卷積核大小為3，個數(shù)為128，步長為4，padding（填充）為1的反卷積操作；為嵌入模塊的輸入；為第二個殘差塊的輸出特征，特征圖大小為21×21×128；為第四個殘差塊的輸出特征，特征圖大小為6×6×512；表示經(jīng)反卷積操作后的特征，特征圖大小為21×21×128。

20、進(jìn)一步的，還提出一種優(yōu)選方式，所述步驟s24包括：

21、

22、其中， i為通道注意力模塊的輸入特征，為平均池化操作，為最大池化操作，為多層感知機(jī)，為sigmoid激活函數(shù)。

23、進(jìn)一步的，還提出一種優(yōu)選方式，所述步驟s25包括：

24、

25、

26、其中，為逐元素相乘操作，為輸入特征與通道注意力相乘后得到的特征，也是空間注意力模塊的輸入特征，為卷積核大小為7×7的卷積操作，為空間注意力向量。

27、進(jìn)一步的，還提出一種優(yōu)選方式，所述步驟s26包括：

28、

29、其中，為融合第二個殘差塊與第四個殘差塊的輸出特征，，為自適應(yīng)特征權(quán)重，為逐元素相加操作。

30、基于同一發(fā)明構(gòu)思，本發(fā)明還提出一種基于多尺度融合與自適應(yīng)權(quán)重的小樣本電力巡檢圖像分類系統(tǒng)，所述系統(tǒng)包括：

31、圖像采集單元，用于采集不同類別的電力巡檢圖像，并對所述電力巡檢圖像進(jìn)行預(yù)處理，獲取電力巡檢設(shè)備缺陷圖像數(shù)據(jù)集；

32、最優(yōu)小樣本分類模型獲取單元，用于構(gòu)建基于多尺度融合與自適應(yīng)權(quán)重的圖像分類模型，將電力巡檢設(shè)備缺陷圖像數(shù)據(jù)集輸入所述基于多尺度融合與自適應(yīng)權(quán)重的圖像分類模型進(jìn)行訓(xùn)練，獲取最優(yōu)小樣本分類模型；

33、訓(xùn)練單元，用于將訓(xùn)練集輸入至最優(yōu)小樣本分類模型進(jìn)行訓(xùn)練，訓(xùn)練后選擇在訓(xùn)練過程中損失函數(shù)最小的參數(shù)模型；

34、分類單元，用于將測試集輸入訓(xùn)練完成的參數(shù)模型中進(jìn)行小樣本分類，得到電力巡檢設(shè)備缺陷圖像的分類結(jié)果。

35、基于同一發(fā)明構(gòu)思，本發(fā)明還提出一種計(jì)算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器中存儲有計(jì)算機(jī)程序，當(dāng)所述處理器運(yùn)行所述存儲器存儲的計(jì)算機(jī)程序時(shí)，所述處理器執(zhí)行根據(jù)上述中任一項(xiàng)所述的一種基于多尺度融合與自適應(yīng)權(quán)重的小樣本電力巡檢圖像分類方法。

36、基于同一發(fā)明構(gòu)思，本發(fā)明還提出一種計(jì)算機(jī)可讀存儲介質(zhì)，該計(jì)算機(jī)可讀存儲介質(zhì)上存儲有計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器運(yùn)行時(shí)執(zhí)行如上述任一項(xiàng)所述的一種基于多尺度融合與自適應(yīng)權(quán)重的小樣本電力巡檢圖像分類方法的步驟。

37、本發(fā)明的有益之處在于：

38、在電力設(shè)備巡檢中，獲取足夠多樣本圖像較為困難。有限的訓(xùn)練樣本容易導(dǎo)致深度學(xué)習(xí)模型過擬合，即模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)很好，但在未見過的數(shù)據(jù)上表現(xiàn)較差。本發(fā)明所提出的一種基于多尺度融合與自適應(yīng)權(quán)重的小樣本電力巡檢圖像分類方法中，引入多尺度特征融合和自適應(yīng)權(quán)重策略，能夠有效利用有限樣本的特征信息，通過綜合多尺度的特征提升模型的泛化能力。具體來說，多尺度特征融合可以從不同層次提取信息，而自適應(yīng)權(quán)重策略則可以動態(tài)調(diào)整不同特征的重要性，以減輕過擬合問題。

39、電力設(shè)備種類繁多，缺陷類型和表現(xiàn)形式也各不相同。這種多樣性使得單一尺度的特征無法全面捕捉設(shè)備的各種缺陷特征。本發(fā)明所提出的方法中，通過多尺度融合技術(shù)允許模型從不同層次和尺度提取特征，從而更全面地捕捉電力設(shè)備的各種缺陷。這樣，模型能夠更好地處理電力設(shè)備的多樣性問題，提高分類準(zhǔn)確率。

40、在特征融合過程中，不同層次的特征對分類任務(wù)的重要性可能不同。如果特征融合時(shí)權(quán)重分配不合理，可能會導(dǎo)致模型性能下降。本發(fā)明所提出的方法中采用自適應(yīng)權(quán)重策略，使得模型能夠在訓(xùn)練過程中實(shí)時(shí)調(diào)整每個特征分支的權(quán)重，從而更好地關(guān)注對當(dāng)前任務(wù)最重要的特征。這種方法可以動態(tài)優(yōu)化特征融合的權(quán)重分配，提升模型性能。

41、本發(fā)明所提出的所述的一種基于多尺度融合與自適應(yīng)權(quán)重的小樣本電力巡檢圖像分類方法，通過多尺度特征融合，模型可以從多個層次提取豐富的特征信息，增強(qiáng)對設(shè)備缺陷的識別能力。在小樣本場景下，這種多層次的信息融合能夠有效減少模型的過擬合現(xiàn)象，從而提高分類精度。自適應(yīng)權(quán)重策略能夠根據(jù)訓(xùn)練過程中的反饋動態(tài)調(diào)整特征權(quán)重，使得模型在面對不同類型和不同條件下的電力設(shè)備時(shí)，能夠靈活適應(yīng)，從而提升其在實(shí)際應(yīng)用中的泛化能力。綜合考慮了設(shè)備的多樣性和缺陷特征，通過多尺度融合和自適應(yīng)加權(quán)，模型能夠更全面地捕捉圖像中的關(guān)鍵信息，從而提高對電力巡檢設(shè)備缺陷的分類準(zhǔn)確性。在小樣本場景中，通過優(yōu)化特征提取和特征融合的方法，能夠更充分地利用有限的訓(xùn)練數(shù)據(jù)，減少對大規(guī)模數(shù)據(jù)集的依賴。

42、本發(fā)明應(yīng)用于無人機(jī)巡檢領(lǐng)域。