[发明专利]一种电力设备识别方法、系统、介质及电子设备

权利要求书

1.一种电力设备识别方法，其特征在于：包括以下过程：

获取待识别的图像；

根据获取的图像和预设卷积神经网络模型，得到电力外绝缘设备的定位识别结果；

其中，预设卷积神经网络模型采用YOLO-V3模型，将YOLO-V3模型基础网络Darknet-53中的标准卷积结构替换为深度可分离卷积结构，去掉Darknet-53的全连接层和Softmax层。

2.如权利要求1所述的电力设备识别方法，其特征在于：

YOLO-V3模型中，采用交叉熵损失作为损失函数，采用逻辑回归进行目标置信度计算和类别预测。

3.如权利要求1所述的电力设备识别方法，其特征在于：

深度可分离卷积结构将卷积操作分成深度卷积和点卷积，深度卷积对不同输入通道采取不同的卷积核进行卷积，通过点卷积完成对深度卷积输出特征图的整合。

4.如权利要求1所述的电力设备识别方法，其特征在于：

YOLO-V3模型包括特征融合子模块和通道注意力子模块，特征融合子模块过合并通道信息获取特征的全局空间信息；注意力模块对每个通道的全局信息进行整合，生成通道之间的非线性关系。

5.如权利要求1所述的电力设备识别方法，其特征在于：

YOLO-V3模型的上采样层采用两个上采样将大分辨率特征图与小分辨率特征图进行有机联结。

6.如权利要求1所述的电力设备识别方法，其特征在于：

YOLO-V3模型中，采用K-means聚类方法来训练边界框。

7.如权利要求1所述的电力设备识别方法，其特征在于：

YOLO-V3模型中，采用二进制交叉熵损失预测类。

8.一种电力设备识别系统，其特征在于：包括：

数据获取模块，被配置为：获取待识别的图像；

定位模块，被配置为：根据获取的图像和预设卷积神经网络模型，得到电力外绝缘设备的定位结果；

其中，预设卷积神经网络模型采用YOLO-V3模型，将YOLO-V3模型基础网络Darknet-53中的标准卷积结构替换为深度可分离卷积结构，去掉Darknet-53的全连接层和Softmax层。

9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的电力设备识别方法中的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的电力设备识别方法中的步骤。