买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：珠海市伊特高科技有限公司

摘要：本发明提出了GIS多源局放模式的识别方法、装置、设备、存储介质，属于计算机视觉领域，该方法包括：基于ShuffleNetV2网络构建YOLOv5模型的主干网络，基于混洗单元的数量和排列方式从网络中大量的ShuffleNetV2模块中识别出多个目标模块，通过分支替换移除了目标模块中冗余的卷积核为1×1的第一卷积层，减少了卷积计算的计算量；将待测PRPD图谱输入至YOLOv5模型，由于减少第一卷积层，提取出的模块混合特征图的通道数较少，通过第一注意力模块增加的高维语义信息的关注度，确保高维语义信息的识别准确率，提高了YOLOv5模型通过特征融合和模型预测得到的多源局放模式识别结果的准确性。

主权项：1.一种GIS多源局放模式的识别方法，其特征在于，包括：基于ShuffleNetV2网络构建YOLOv5模型的主干网络，其中，所述主干网络依次包括多个特征提取模块和一个第一注意力模块，每个所述特征提取模块包括多个ShuffleNetV2模块，每个所述ShuffleNetV2模块包括第一混洗单元和或第二混洗单元，所述第一混洗单元包括第一分支和第二分支，所述第二混洗单元包括第二分支和第三分支，所述第二分支设置有多个第一卷积单元，所述第一卷积单元包括第一卷积层，所述第一卷积层的卷积核为1×1；将所述第一混洗单元和所述第二混洗单元依次连接的所述ShuffleNetV2模块确定为目标模块，将所述目标模块的所述第一混洗单元替换为第三混洗单元，将所述第二混洗单元替换为第四混洗单元，其中，所述第三混洗单元包括所述第一分支和第四分支，所述第四混洗单元包括所述第三分支和所述第四分支，所述第四分支的所述第一卷积单元的数量少于所述第二分支；将待测PRPD图谱输入至训练好的所述YOLOv5模型；获取各个所述特征提取模块提取出的模块混合特征图，将最后一个所述特征提取模块的所述模块混合特征图输入至所述第一注意力模块，增加所述模块混合特征图的高维度的语义信息的关注度后得到第一注意力特征图；基于各个所述模块混合特征图和所述第一注意力特征图进行特征融合和模式识别，得到多源局放模式识别结果；所述第一分支不包括卷积层，所述第二分支依次包括第一卷积单元、第二卷积单元、第一卷积单元，所述第三分支依次包括第二卷积单元和第一卷积单元，所述第一卷积单元依次包括第一卷积层、第一BN层和第一ReLu层，所述第二卷积单元依次包括第二卷积层和第二BN层，所述第二卷积层的卷积核大于所述第一卷积层，所述第一混洗单元还依次包括第一融合层和第一通道混洗层，所述第二混洗单元还依次包括第二融合层和第二通道混洗层，在所述将所述目标模块的所述第一混洗单元替换为第三混洗单元之前，所述方法还包括：基于所述第二分支，移除所述第二卷积单元之后的所述第一卷积单元，将剩余的所述第一卷积单元的所述第一ReLu层替换为第一LeakyReLu层，在所述第二卷积层的所述第二BN层后添加第二LeakyReLu层，将所述第二LeakyReLu层的输出端连接至所述第一融合层，将修改后的所述第二分支确定为所述第四分支；基于所述第三分支，将所述第一卷积单元的所述第一ReLu层替换为所述第一LeakyReLu层，将所述第一LeakyReLu层的输出端连接至所述第二融合层，将修改后的所述第三分支确定为第五分支；基于所述第一分支、所述第四分支、所述第一融合层和所述第一通道混洗层构建所述第三混洗单元，基于所述第五分支、所述第四分支、所述第二融合层和所述第二通道混洗层构建所述第四混洗单元；所述多个特征提取模块分别包括第一提取模块、第二提取模块和第三提取模块，所述主干网络还包括卷积池化层和第一轻量化金字塔池化模块，所述第一轻量化金字塔池化模块包括第一GhostConv层和多个最大池化层，所述获取各个所述特征提取模块提取出的模块混合特征图，将最后一个所述特征提取模块的所述模块混合特征图输入至所述第一注意力模块，包括：将所述待测PRPD图谱输入至卷积池化层得到初始特征图，其中，所述初始特征图的分辨率小于所述待测PRPD图谱，所述初始特征图的高度和宽度相同；将所述初始特征图输入至所述第一提取模块进行特征提取和洗牌混合得到第一混合特征图，其中，所述第一混合特征图的分辨率为所述初始特征图的一半；将所述第一混合特征图输入至所述第二提取模块进行特征提取和洗牌混合得到第二混合特征图，其中，所述第二混合特征图的分辨率为所述第一混合特征图的一半；将所述第二混合特征图输入至所述第三提取模块进行特征提取和洗牌混合得到第三混合特征图，其中，所述第三混合特征图的分辨率为所述第二混合特征图的一半；基于所述第三混合特征图依次经过所述第一轻量化金字塔池化模块的最大池化和卷积处理得到第一池化特征图，将所述第一池化特征图输入至所述第一注意力模块，其中，所述第一池化特征图的分辨率为1×1，所述第一池化特征图的通道数为所述第三混合特征图的通道数的一半；在所述基于ShuffleNetV2网络构建YOLOv5模型的主干网络之后，所述方法还包括：基于CELU函数和SE注意力机制构建所述第一注意力模块；获取预设的C3模块，其中，所述C3模块依次包括第三卷积层、第三融合层和第四卷积层；在所述第三卷积层和所述第三融合层之间增加GBneck单元，将所述第三卷积层和所述第四卷积层替换为第三GhostConv层，将更新后的所述C3模块确定为参考GC3模块，其中，所述GBneck单元依次包括两个第二GhostConv层；基于所述参考GC3模块和Transformer编码器构建第二注意力模块；基于所述第二注意力模块和所述参考GC3模块构建轻量级FPN网络，将所述轻量级FPN网络确定为所述YOLOv5模型的融合网络；在所述将待测PRPD图谱输入至训练好的所述YOLOv5模型之前，所述方法还包括：获取多个单源局放样本集，其中，所述单源局放样本集包括多个单源局放样本图，每个所述单源局放样本集所对应的局放模式不同；基于多个所述单源局放样本集训练所述YOLOv5模型；根据预设的采集时长从待测设备中采集目标局放信号谱，基于预设的目标分辨率将所述目标局放信号谱转换为所述待测PRPD图谱。

全文数据：

权利要求：

百度查询： 珠海市伊特高科技有限公司 GIS多源局放模式的识别方法、装置、设备、存储介质