[发明专利]YOLOv3结合注意力模块的低压断路器状态检测方法

权利要求书

1.一种YOLOv3结合注意力模块的低压断路器状态检测方法，其特征在于：包括以下步骤：

步骤1、获取原始低压断路器开关状态的图像，并对其进行数据处理，构建低压断路器开关状态图像数据集；

步骤2、对步骤1构建的低压断路器开关状态图像数据集进行图像裁剪和标注处理，构建对应的图像样本集；

步骤3、利用步骤2的图像样本集数据训练得到能正确识别低压断路器开关状态的模型；

步骤4、将待识别的低压断路器开关状态图像输入嵌入注意力模块的yolov3网络中进行特征提取和检测，输出对应的低压断路器开关状态结果。

2.根据权利要求1所述的一种YOLOv3结合注意力模块的低压断路器状态检测方法，其特征在于：所述步骤1的处理方法包括如下步骤：

(1)将原始低压断路器图像转换为jpg格式的低压断路器图像，该低压断路器图像包括正常状态低压断路器图像和不正常低压断路器图像；

(2)对非正常低压断路器图像进行数据增强处理，构建低压断路器开关状态图像数据集，其数据增强处理方法包括：提升低压断路器开关状态对比度亮度处理、对低压断路器图像进行水平翻转处理。

3.根据权利要求1所述的一种YOLOv3结合注意力模块的低压断路器状态检测方法，其特征在于：所述步骤2的具体步骤包括：

(1)使用数据标注工具对低压断路器图像数据集中的开关位置进行画框及标签添加的标注处理；

(2)对低压断路器图像数据集中的开关位置进行画框及标签添加的标注处理后，每个画框及标签添加的低压断路器开关状态图像均会自动生成voc格式的xml文件，便于后续的模型训练；

(3)将画框及标签添加后的低压断路器开关状态图像数据集划分出训练集、测试集和验证集，作为图像样本集。

4.根据权利要求1所述的一种YOLOv3结合注意力模块的低压断路器状态检测方法，其特征在于：所述步骤3的具体方法为：

首先设置模型训练参数和初始权重，然后读取训练集中的图像并将训练图像缩放至320*320像素，缩放后的图像输入到嵌入注意力模块的yolov3网络进行模型训练，再根据训练损失调整超参数，接着继续训练得到最终的模型。

5.根据权利要求1所述的一种YOLOv3结合注意力模块的低压断路器状态检测方法，其特征在于：所述步骤4的具体方法为：将待识别的低压断路器开关状态图像缩放至320*320像素并输入到YOLOv3结合注意力模块的网络中进行检测，输出对应的低压断路器开关状态结果。

6.根据权利要求1所述的一种YOLOv3结合注意力模块的低压断路器状态检测方法，其特征在于：在步骤1的获取原始低压断路器开关状态的图像之前还包括如下环境搭建的处理步骤：

(1)下载Anaconda紧接着运行Anaconda Prompt,在此界面输入conda create-nforYolov3 pip python＝3.6来下载Python3.6，

(2)下一步输入conda activate forYolov3后回车，接着输入命令pipinstall keras＝＝2.1.5来安装Keras,接着输入pip install tensorflow＝＝1.12.0来安装tensorflow，接着输入pip install pillow来安装pillow，接着输入pip installmatplotlib来安装matplotlib,接着输入pipinstallffmpeg来安装ffmpeg,接着输入pipinstallopencv来安装opencv，紧接着在github上下载keras-yolo3，在去下载yolov3权重文件放到keras-yolo3文件夹内，接着再去下载一个pycharm先用pycharm打开yolov3工程：点击File选择Open，浏览打开本地下载好的yolov3工程，然后单击左上角的File选择Setting，配置python解释器，选择ProjectInterpreter，选择Anaconda安装目录，选择envs下创建的环境的python.exe。

7.根据权利要求4所述的一种YOLOv3结合注意力模块的低压断路器状态检测方法，其特征在于：所述步骤3的注意力模块包括多尺度特征融合模块和注意力机制模块；

所述多尺度特征融合模块用于在本yolov3网络的的最后阶段的输出特征经过五次卷积后生成特征f1，特征f1再连接到一个1*1，步长为1的卷积核，得到特征f2。再将特征f2经过一次上采样后放到与本网络第四阶段的第三个卷积核的输出特征f3相同大小，得到上采样后的特征f4,特征f3和特征f4分别经过卷积操作后相加，再经过Relu激活函数得到特征f6；

所述注意力机制模块用于将多尺度特征融合模块得到的特征f6分别通过三个卷积核大小为1*1，步长为1的卷积核后生成三个新的特征f7，f8，f9，在分别将特征f7、f8、f9进行重组得到重组后的特征f10,f11,f12再将特征f10的转置与特征f11相乘生成注意力映射图A与特征f12相乘得到特征f13,最后将特征f13进行重组后再与特征f6元素相加得到最后的特征f14。送入下一阶段继续卷积。