一种基于轻量化网络的电力作业安全监测方法

专利主权项内容

1.一种基于轻量化网络的电力作业安全监测方法，其特征在于，包括如下步骤：S1.采集电力作业场景下的视频和图像，创建数据集A和数据集B，对数据集A和数据集B进行预处理；S2.设计并优化损失函数，然后设计适用于电力作业安全监测的轻量化网络结构；步骤S2中所述的损失函数由量化误差损失函数与安全装备检测损失函数构成，所述设计并优化损失函数具体为：S2-1.设计并优化量化误差损失函数，具体如下：S2-1-1.设计量化误差损失函数，设k是参数的索引，原始模型的参数为Y，量化后的参数为，则针对第k个参数的均方误差损失表示为：
(1)；量化损失误差表示为所有参数的均方误差损失的平均值，即量化误差损失函数表示为：
(2)；其中，n表示原始模型的参数数量；S2-1-2.通过引入自适应权重和一个非线性项对第k个参数的均方误差损失进行优化，优化后表示为：
(3)；其中，是自适应权重，基于参数的重要性或其他因素进行动态调整，/>是另一个自适应权重，用于平衡均方误差项和余弦相似度，/>为consin_similarity的缩写，是一个非线性项，表示原始模型的参数/>与量化后的参数/>之间的余弦相似度，最终，优化过的量化误差损失函数表示为：
](4)；其中，n表示原始模型的参数数量；S2-2.设计并优化安全装备检测损失函数，具体如下：S2-2-1.设计安全装备检测损失函数，设i是样本索引，表示数据集B中的第i个样本，是实际标签，表示第i个样本是否佩戴了安全装备的二元变量，当/>=1表示佩戴，当/>=0时表示未佩戴，/>代表模型的预测概率，表示模型对第i个样本佩戴安全装备的估计概率，则安全装备检测损失函数表示为：
(5)；其中，N表示样本的数量，与/>为常数，用于避免对数函数中幂为0的情况；S2-2-2.通过引入自适应权重和一个正则化项对安全装备检测损失函数进行优化，优化后的安全装备检测损失函数表示为：
(6)；其中，N表示样本的数量，与/>是自适应权重参数，用于动态调整每个样本的重要性，与/>为常数，用于避免对数函数中幂为0的情况，/>是正则化参数，用于平衡安全装备检测损失函数中的正则化项，M代表模型的参数数量，j是模型的参数索引，/>代表第j个模型参数的权重；S2-3.设计并优化损失函数之后，通过组合轻量化卷积与轻量化模块设计适用于电力作业安全监测的轻量化网络结构，具体如下：S2-3-1.输入图像先经过数据增强模块处理，随后，通过两个轻量化卷积对图像特征进行提取和压缩，之后通过特征增强模块1对其进行处理，网络从输入中提取并增强了关键特征；S2-3-2.接下来，经过轻量化卷积与特征增强模块2的处理，使网络捕捉到更丰富的语义信息，得到的输出视为对前一步关键特征更高级的表示，继续进行下一个轻量化卷积与特征增强模块3的处理，网络进一步提取和增强前一步得到的特征，紧接着，进行下一个轻量化卷积与特征增强模块4的处理，网络继续加深对特征的处理，使得网络对输入数据的理解更加全面，得到更深层次的特征；S2-3-3.随后，进入特征融合模块对不同尺度或层次的特征图进行整合，接着采用轻量化注意力机制进行处理，使得网络更加关注图像中的重要区域；S2-3-4.对引入轻量化注意力机制处理得到的特征进行上采样，并与经过特征增强模块3处理得到的特征通过特征拼接模块1完成特征拼接，之后对经过特征拼接模块1处理得到的特征进行上采样，并与经过特征增强模块2处理得到的特征通过特征拼接模块2完成特征拼接，接着，将经过特征拼接模块2处理得到的特征送入特征增强模块5，进行特征增强处理后，送入大尺寸检测头中以待预测；同时，将经过特征增强模块5处理得到的特征通过轻量化卷积处理，再与经过特征拼接模块1处理得到的特征通过特征拼接模块3完成特征拼接，接着，将经过特征拼接模块3处理得到的特征送入特征增强模块6，进行特征增强处理后，送入中尺寸检测头中以待预测；同时，将经过特征增强模块6处理得到的特征通过轻量化卷积处理，再与经过轻量化注意力机制处理得到的特征通过特征拼接模块4完成特征拼接，接着，将经过特征拼接模块4处理得到的特征送入特征增强模块7，进行特征增强处理后，送入小尺寸检测头中以待预测；S2-3-5.通过大尺寸检测头、中尺寸检测头和小尺寸检测头处理，多尺度的检测头生成的信息经过相应的后处理步骤，形成最终的检测结果后输出结果；S3.通过轻量化网络结构对数据集A进行初步训练得到初始模型，采用迁移学习技术对数据集B进行训练得到目标检测模型；S4.采用参数量化技术对目标检测模型进行压缩，得到轻量化目标检测模型；S5.使用轻量化目标检测模型进行预测，输出电力作业场景下的监测结果。