(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210751259.4 (22)申请日 2022.06.28 (71)申请人 国网江苏省电力有限公司 地址 210000 江苏省南京市上海路215号 申请人 国网江苏省电力有限公司建 设分公 司　 中国电力科 学研究院有限公司 　 北京国电通网络技 术有限公司 　 国网福建省电力有限公司经济技 术 研究院 (72)发明人 徐鑫乾　涂德军　吴威　谢洪平　 顾明清　林冬阳　范舟　韩超　 黄涛　余鹏　徐铼　吴则海　 宋宝松　宋文志　于新民　魏文新　(74)专利代理 机构 北京冠和权律师事务所 11399 专利代理师 赵银萍 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习的输变电工程违章识别的方 法、 系统和介质 (57)摘要 本发明提出了基于深度学习的输变电工程 违章识别的方法、 系统和介质。 所述方法包括： 步 骤1、 采集输变电工程中的违章样本图片， 将所述 违章样本图片分为M类， 其中， M表示违章类型的 数量， 每类违章样本图片N张； 步骤2、 利用旋转和 平移方式对 所述违章样本图片进行样本增强， 获 得增强后的违章样本图片； 步骤3、 利用所述增强 后的违章样 本图片构建网络模型； 步骤4、 将输变 电工程实施现场采集到的图片输入至所述网络 模型中进行违章识别， 获得所述图片对应的违章 类型。 权利要求书2页 说明书6页 附图1页 CN 115359414 A 2022.11.18 CN 115359414 A 1.基于深度学习的输变电工程违章识别的方法， 其特 征在于， 所述方法包括： 步骤1、 采集输变电工程中的违章样本图片， 将所述违章样本图片分为M类， 其中， M表示 违章类型的数量， 每 类违章样本图片N张； 步骤2、 利用旋转和平移方式对所述违章样本图片进行样本增强， 获得增强后的违章样 本图片； 步骤3、 利用所述增强后的违章样本图片构建网络模型， 模型训练时， 将输入图片拆分 成小图像块， 以线性嵌入序列输入神经网络， 通过监督学习的方式训练出违章识别网络模 型参数； 步骤4、 将输变电工程实施现场采集到的图片输入至所述网络模型中进行违章识别， 获 得所述图片对应的违章类型。 2.根据权利要求1所述方法， 其特征在于， 步骤3中所述的利用所述增强后的违章样本 图片构建网络模型， 包括： 步骤301、 通过所述增强后的违章样本图片获取与所述增强后的违章样本图片对应的 输出特征ci； 步骤302、 将所述输 出特征ci进行特征融合， 获得融合后参数序列， 并将所述融合后参数 序列融入后处 理模块进行处 理， 其中， 所述融合后参数序列如下： C＝[c1， c2， ...， ck] 其中， C表示融合后的特 征； c1……ck表示输出 特征； 步骤303、 将在所述违章样本集上采用softmax进行模型训练， 得到违章识别参数。 3.根据权利要求2所述方法， 其特征在于， 步骤301所述的通过所述增强后的违章样本 图片获取与所述增强后的违章样本图片对应的输出 特征ci， 包括： 步骤3011、 将所述增强后的违章样本图片切分成K个图像块， 每个图像块通过线性投影 方程得到线性图像特 征fi， 其中， i表示图像块序号； 步骤3012、 将所述线性图像特征fi输入至编码器， 获得与所述线性图像特征fi对应的输 出特征ci。 4.根据权利要求2所述方法， 其特征在于， 所述后处理模块包括全连接层一、 归一化处 理模块和全连接层二； 其中， 所述全连接层一的信号输出端与所述归一化处理模块的信号 输入端相连； 所述归一 化处理模块的信号输出端与所述全连接层二的信号输入端相连。 5.根据权利要求2所述方法， 其特征在于， 所述编码器包括第一归一化处理模块、 多注 意力融合模块、 第一加法器、 第二归一化处理模、 第一全连接层、 第三归一化处理模块、 第二 全连接层和第二加法器； 所述第一归一化处理模块、 多注意力融合模块、 第一加法器、 第二 归一化处理模、 第一全连接层、 第三归一化处理模块、 第二全连接层和第二加法器的信号输 入端和信号输出端依次对应相连。 6.根据权利要求5所述方法， 其特 征在于， 所述编码器的归一 化处理公式如下： 其中， μ和σ 分别表示均值和标准差， x表示输出 特征。 7.根据权利要求6所述方法， 其特征在于， 所述多注意力融合模块包括空间注意力和通 道注意力两种注意力结构。权　利　要　求　书 1/2 页 2 CN 115359414 A 28.根据权利要求5所述方法， 其特 征在于， 所述多注意力融合模块的运行 过程包括： 第一步、 对输入特 征采用全局平均池化； 其中， Hp表示全局平均池化 函数； XC(i， j)表示输入值的C通道位于(i， j)处的值； 第二步、 在空间注意力分支中， 将池化后的特征通过卷积层和sigmoid激活函数进行处 理， 得到SA如下： 其中， δ表示sigmoid激活函数， Conv表示卷积层， gc表示全局平均池化的输出， Fc是多注 意力融合模块的输入 第三步、 在通道注意力分支中， 将池化后的特征通过卷积层、 ReLU、 卷积层和si gmoid激 活函数处 理之后得到 CA如下： CA＝σ(Co nv( δ(Conv(gc)))) 其中， δ表示sigmo id激活函数， Co nv表示卷积层， gc表示全局平均池化的输出； 第四步、 将两种注意力机制进行融合， 获得融合后参数 F如下： 第五步、 将所述融合后参数 F通过卷积处理后获得输出 特征Fout如下： Fout＝Conv(F) 其中， Fout表示输出 特征。 9.基于深度学习的输变电工程违章识别的系统， 其特 征在于， 所述系统包括： 采集模块， 用于采集输变电工程中的违章样本图片， 将所述违章样本图片分为M类， 其 中， M表示违章类型的数量， 每 类违章样本图片N张； 增强模块， 用于利用旋转和平移方式对所述违章样本 图片进行样本增强， 获得增强后 的违章样本图片； 训练模块， 用于利用所述增强后的违章样本图片构建网络模型， 模型训练时， 将输入图 片拆分成小图像块， 以线性嵌入序列输入神经网络， 通过监督学习的方式训练出违章识别 网络模型参数； 识别模块， 用于将输变电工程实施现场采集到的图片输入至所述网络模型中进行违章 识别， 获得 所述图片对应的违章类型。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机程 序， 所述计算机程序被处 理器执行时实现上述任一项方法的步骤。权　利　要　求　书 2/2 页 3 CN 115359414 A 3