(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211118947.3 (22)申请日 2022.09.15 (65)同一申请的已公布的文献号 申请公布号 CN 115205292 A (43)申请公布日 2022.10.18 (73)专利权人 合肥中科类脑智能技 术有限公司 地址 230088 安徽省合肥市高新区望江西 路5089号中国科大先进技术研究院一 号嵌入式研发楼3楼 (72)发明人 张志勇　赵裕成　王子磊　刘海峰　 (74)专利代理 机构 合肥昊晟德专利代理事务所 (普通合伙) 3415 3 专利代理师 何梓秋 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 40/14(2022.01) (56)对比文件 CN 114463718 A,202 2.05.10 CN 114863361 A,202 2.08.05 CN 114445299 A,2022.05.06 CN 114399799 A,2022.04.26 CN 113095404 A,2021.07.09 WO 2022112594 A2,2022.06.02 US 2022114449 A1,202 2.04.14 CN 114119610 A,202 2.03.01 陈旭;彭冬亮;谷雨.基 于改进YOLOv5s的无 人机图像实时目标检测. 《光电工程》 .202 2, 审查员 王宛生 (54)发明名称 一种配电线路树障检测方法 (57)摘要 本发明公开了一种配电线路树障检测方法， 属于电力设备检测技术领域。 本发 明通过改进损 失函数， 在树障位置回归和背景前景分类损失上 引入对标签的偶然不确定性进行估计， 降低噪声 标签对整体网络训练的影 响， 从而提升整体检测 性能； 改进yolov5网络结构， 引 入上下文注意力 机制， 提取上下文注意力信息， 可 以将树木和电 线两个完全不同的物体通过全局注意力信息紧 密联系起来成一个整体， 加速训练过程中模型收 敛提升整体检测性能； 改进GC模块的Softmax为 Sigmoid， 改进后的GC模 块， 提取的注意力信息 更 能代表树障目标的特性， 提升整体的检测性能。 权利要求书3页 说明书7页 附图4页 CN 115205292 B 2022.11.25 CN 115205292 B 1.一种配电线路树障检测方法， 其特 征在于， 包括以下步骤： 步骤1： 数据预处 理 针对配电线路树障目标制作数据集， 采用人工标注方式以矩形框标注， 生成标签， 对经 过标注后的数据进行归一 化处理， 然后再对数据进行增强处 理； 步骤2： 改进深度学习网络 对原始yolov5网络进行改进， 在原始yolov5网络的C3模块中引入GC模块， 并将GC模块 的激活函数从Softmax函数 更改为Sigmo id函数， 得到改进后的yo lov5网络； 步骤3： 网络训练 构建损失函数， 并进行改进后的yo lov5网络训练， 训练完成后， 保存训练好的模型； 步骤4： 树障检测 输入待测试的缺陷图片至模型， 经 过NMS处理后可检测出树障在缺陷图片中的位置； 在所述步骤2中， 所述C3模块包括三个3*3卷积层、 一个GC模块； 通过两个3*3卷积层进 行特征提取， 然后将经过原始yolov5网络中特征提取层提取后的特征和经过两个3*3卷积 层后的特 征相加， 再 经过一个3*3卷积层和一个GC模块进行 特征提取； 在所述步骤2中， 所述GC模块包括三个1*1卷积层、 一个激活层、 一个LayerNorm层、 一个 ReLU层； 首先， 输入特征图经过一个1*1卷积层 进行降维， 得到降维后的第一特征图， 然后将 降维后的第一特征图再通过激活层计算第一特征图中每个特征点在第一特征图中的概率 分布， 将得到的概率分布与输入特征进行相乘， 得到每个特征点的注意力特征图， 其次， 将 得到的注意力特征图经过一个1*1卷积层进 行通道降维， 得到降维后的第二特征图， 然后将 第二特征图经过一个LayerNorm层和一个ReLU层对其进行激活， 得到第三特征图， 最后， 将 第三特征图再经过一个1*1卷积层 进行升维， 得到第四特征图， 然后 将第四特征图与输入特 征图进行相加得到最终的输出特征图， 其中输入特征图指的是C3模块经过最后一个3*3卷 积层处理后的特 征图， 其中LayerN orm层为归一 化层， ReLU层为 修正线性单 元； 在所述步骤2中， 所述GC模块的计算公式如下： 其中， 表示的是GC模块的输出特征图， 表示输入特征图， 表示输入特征图上的 特征点，Np表示输入特征图的总的特征点数量， 表示1*1卷积过程， LN表 示归一化处理； ReLu表示修正线性单元， 表示经过sigmoid函数后得到的概 率分布与每 个特征点的乘积即获得的每 个点的注意力值； 归一化处理的计算公式如下： 其 中 ， 表 示 归 一 化 处 理 后 的 输 出 ， 表 示 G C 模 块 计 算 公 式 中 的权　利　要　求　书 1/3 页 2 CN 115205292 B 2， 表示 的期望， 表示 的方差， 表示精度值， 和 表 示可学习的参数， 和 通过网络自适应的学习获取； 在所述步骤3中， 在损失函数中引入矫正因子 ， 损失函数基于候选框回归损失、 前景背景分类损失计算， 表达式如下： 其中， 表示候选框回归损失的偶然不确定性， 表示前景背景分类损失的偶然不 确定性，L表示网络训练的总损失， N表示网络训练的样本数， CIOU表示候选框回归损失函 数， Bi表示预测的回归框坐标， Bi gt表示标签框坐标； yi表示样本的标签类别， yi*表示预测的 类别； 候选框回归损失表示如下： 其中， 表示模型预测的坐标， 表示标签坐标， 表示预测框和真实框的中心点的 欧氏距离， 代表能够同时包含预测框和真实框的最小闭包区域的对角线距离， 分 别表示预测框的宽、 高， 分别表示标签框的宽、 高， 描述模型在数据 上的偶然不确定性， 即数据 所自带的方差， IoU表示预测框和标签框的重 合度计算值， v和 α 表示CIOU中引入的超参数， LBOX表示引入偶然不确定性后的候选 框回归损失； 前景背景分类损失表示如下： 其中， 表示为二分类的交叉熵损失函数， 为标签类权　利　要　求　书 2/3 页 3 CN 115205292 B 3