[发明专利]一种巡检机器人图像识别方法及巡检机器人

权利要求书

1.一种巡检机器人图像识别方法，其特征在于，所述方法包括：

采集变电站中若干设备的可见光图像与红外光图像；其中，所述可见光图像与所述红外光图像一一对应，且所述可见光图像与红外光图像分别包括所述变电站中若干设备的图像；

根据预先训练好的深度目标识别神经网络模型，从所述可见光图像中识别出相应设备的类别，以及确定所述识别出的相应设备在所述可见光图像中的位置坐标，并确定所述可见光图像中是否包括第一隐患类别设备图像；

在所述可见光图像中未包括所述第一隐患类别设备图像的情况下，根据可见光图像中相应设备的类别以及位置坐标，对与可见光图像对应的红外光图像中相应设备对应的位置区域进行识别，以确定所述红外光图像是否包括第二隐患类别设备图像。

2.根据权利要求1所述的一种巡检机器人图像识别方法，其特征在于，所述方法还包括：

服务器根据训练数据集，对初始神经网络模型进行训练，以得到所述深度

目标识别神经网络模型；其中，所述初始神经网络模型的直连层后包含有卷积块注意力模块，所述卷积块注意力模块包括通道注意力模块以及空间注意力模块。

3.根据权利要求2所述的一种巡检机器人图像识别方法，其特征在于，所述方法还包括：

基于所述初始神经网络模型直连层，得到原始输入特征图；

根据所述原始输入特征图，得到所述通道注意力特征图；

对所述通道注意力特征图进行特征加权，以及对所述原始输入特征图进行特征加权，合并所述通道注意力特征图加权特征以及所述原始输入特征图的加权特征，得到所述通道注意力模块的特征图；

将所述通道注意力模块的特征图作为所述空间注意力模块的输入特征图，

得到所述空间注意力特征图；

对所述通道注意力模块特征图进行特征加权；以及对所述空间注意力特征

图进行特征加权，合并所述空间注意力特征图的加权特征以及通道注意力模块特征图的加权特征，得到所述空间注意力模块的特征图；

将所述空间注意力模块特征图进行特征加权；以及对原始输入特征图进行特征加权，合并空间注意力模块特征图的加权特征以及原始输入特征图的加权特征，得到基础训练的目标识别神经网络模型；

基于所述基础训练的目标识别神经网络模型，得到所述深度目标识别神经

网络模型。

4.根据权利要求3所述的一种巡检机器人图像识别方法，其特征在于，所述方法还包括：

将所述原始输入特征图进行全局最大池化，得到所述原始输入特征图的全局最大池化特征；以及将所述原始输入特征图进行全局平均池化，得到所述原始输入特征图全局平均池化特征；以及将所述原始输入特征图的全局最大池化特征与所述原始输入特征图的所述全局平均池化特征输入卷积层，并使用激活函数进行激活，得到所述通道注意力特征图；

将所述通道注意力模块的特征图进行通道最大池化，得到所述通道注意力模块的特征图的通道最大池化特征；以及将所述通道注意力模块的特征图进行通道平均池化，得到所述通道注意力模块的特征图的通道平均池化特征；对所述通道注意力模块的特征图的通道最大池化特征与所述通道注意力模块的特征图的通道平均池化特征进行拼接，得到所述通道最大池化特征与所述通道平均池化特征的拼接特征；将所述通道最大池化特征与所述通道平均池化特征的拼接特征输入卷积层，并使用激活函数进行激活，得到所述空间注意力特征图。

5.根据权利要求3所述的一种巡检机器人图像识别方法，其特征在于，基于所述基础训练的目标识别神经网络模型，得到所述深度目标识别神经网络模型，包括：

对所述基础训练的目标识别神经网络模型进行剪枝，得到所述深度目标识

别神经网络模型。

6.根据权利要求5所述的一种巡检机器人图像识别方法，其特征在于，对所述基础训练的目标识别神经网络模型进行剪枝，得到所述深度目标识别神经网络模型，具体包括：

对所述基础训练的目标识别神经网络模型进行稀疏化训练，得到稀疏化的深度目标识别神经网络模型；

对所述稀疏化的深度目标识别神经网络模型进行通道剪枝；

对剪枝后的深度目标识别神经网络模型进行微调，得到所述深度目标识别神经网络模型。