(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 202210776349.9 (22)申请日 2022.07.04 (65)同一申请的已公布的文献号 申请公布号 CN 114842363 A (43)申请公布日 2022.08.02 (73)专利权人 南方电网科 学研究院有限责任公 司 地址 510663 广东省广州市萝岗区科 学城 科翔路11号J1栋3、 4、 5楼及J3 栋3楼 专利权人 广东电网有限责任公司汕尾供电 局 (72)发明人 肖勇　蔡梓文　赵云　陆煜锌　 黎海生　郭克　黄科文　吕育昕　 陈雪芳　(74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 黄忠 (51)Int.Cl. G06V 20/17(2022.01) G06V 10/44(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 113888514 A,202 2.01.04 WO 2021149857 A1,2021.07.2 9 审查员 谭岳峰 (54)发明名称 一种数字孪生台区关键电力设备的识别方 法及系统 (57)摘要 本发明提供了一种数字孪生台区关键电力 设备的识别方法及系统， 其中方法包括： 获取低 压配电网数字孪生台区的航拍图像， 并对航拍图 像进行预处理得到预处理后的航拍图像； 利用改 进的边缘检测算子从预处理后的航拍图像中提 取包含关键电力设备的前景图像， 关键电力设备 至少包括电力线； 将前景图像输入到训练好的轻 量化卷积神经网络模型中， 识别出关键电力设 备， 轻量化卷积神经网络模型是对YOL Ov4模型的 主干网络进行轻量化改进后得到的。 本发明在复 杂背景下对电力线的定位与提取依旧能够兼顾 速度与精度， 具有较高的实用性和可扩 展性。 权利要求书2页 说明书11页 附图8页 CN 114842363 B 2022.10.18 CN 114842363 B 1.一种数字 孪生台区关键电力设备的识别方法， 其特 征在于， 包括以下步骤： 获取低压配电网数字孪生台区的航拍图像， 并对所述航拍图像进行预处理得到预处理 后的航拍图像， 所述预处 理包括灰度化处 理和高斯滤波； 利用改进的边缘检测算子从所述预处理后的航拍图像中提取包含关键电力设备的前 景图像， 所述关键电力设备至少包括电力线； 利用改进的边缘检测算子从所述预处理后的航拍图像中提取包含关键电力设备的前 景图像包括： 利用改进的Gabor算子对所述预处理后 的航拍图像进行快速Gabor变换提取Gabor特 征， 根据所述Gabor特征区分所述预 处理后的航拍图像的前景图像和背 景图像， 并保留所述 前景图像， 所述前 景图像占所述 航拍图像的比例小于 30%； 将所述前景图像输入到训练好的轻量化卷积神经网络模型中， 识别出所述关键电力设 备， 所述轻量 化卷积神经网络模型 是对YOLOv4模型的主干网络进行 轻量化改进后得到的； 所述轻量 化卷积神经网络模型包括： 加入了双重注意力机制的主干网络、 双 层特征抽取模块、 特 征金字塔融合模块； 其中， 所述主干网络对所述前景图像进行特征提取得到低阶几何特征和高阶语义特 征， 所述双层特征抽取模块从所述主干网络中抽取所述低 阶几何特征和所述高阶语义特 征， 所述特征金字塔融合模块将所述低阶几何特征和所述高阶语义特征进 行特征融合得到 不同尺度的图像特征， 所述双重注意力机制包括通道注意力机制和空间注意力机制， 所述 低阶几何特征用来表征所述前景图像的几何细节信息， 所述高阶语义特征用来表征所述前 景图像的语义信息 。 2.根据权利要求1所述的数字孪生台区关键电力设备的识别方法， 其特征在于， 所述加 入了双重注意力机制的主干网络包括： 三层2D卷积神经网络模块和三层残差卷积模块； 其中， 前两层2D卷积神经网络模块串联后与三层残差卷积模块进行串联， 最后与第三 层2D卷积神经网络模块串联， 在相邻两个所述残差卷积模块之间加入了双重注意力机制。 3.根据权利要求2  所述的数字孪生台区关键电力设备的识别方法， 其特征在于， 所述 2D卷积神经网络模块包括： 串联连接的一层普通二维卷积Conv2D层、 一层标准化BatchNormalization层和一层激 活函数LeakyReLU层。 4.根据权利要求2所述的数字孪生台区关键电力设备的识别方法， 其特征在于， 所述残 差卷积模块由两层所述2D卷积神经网络模块串联后再与跳过 连接结构并联而成。 5.根据权利要求4所述的数字孪生台区关键电力设备的识别方法， 其特征在于， 在相邻 两个所述残差卷积模块之间加入了双重注意力机制包括： 在相邻两个所述残差卷积模块的2D卷积神经网络模块之间加入通道注意力机制， 用于 调整所述残差卷积模块的各个通道的权 重； 在所述通道注意力 机制的后面串联空间注意力 机制， 用于调整所述2D卷积神经网络模 块输出的空间特 征图。 6.根据权利要求1所述的数字孪生台区关键电力设备的识别方法， 其特征在于， 所述双 层特征抽取模块从所述主干网络中抽取 所述低阶几何特 征和所述高阶语义特 征包括：权　利　要　求　书 1/2 页 2 CN 114842363 B 2所述双层特征抽取模块从所述主干网络的第一层残差卷积模块抽取所述低阶几何特 征， 从所述主干网络的第三层残差卷积模块抽取 所述高阶语义特 征。 7.根据权利要求1所述的数字孪生台区关键电力设备的识别方法， 其特征在于， 所述特 征金字塔融合模块将所述低阶几何特征和所述高阶语义特征进行特征融合得到不同尺度 的图像特 征包括： 所述特征金字塔融合模块对所述高阶语义特征进行上采样， 将上采样后的特征对齐之 后再与所述低阶几何特 征进行拼接， 得到不同尺度的图像特 征。 8.一种数字 孪生台区关键电力设备的识别系统， 其特 征在于， 包括： 图像获取及预处理模块， 用于获取低压配电网数字孪生台区的航拍图像， 并对所述航 拍图像进行 预处理得到预处 理后的航拍图像， 所述预处 理包括灰度化处 理和高斯滤波； 前景图像获取模块， 用于利用改进的边缘检测算子从所述预处理后的航拍图像中提取 包含关键电力设备的前 景图像， 所述关键电力设备至少包括电力线； 利用改进的边缘检测算子从所述预处理后的航拍图像中提取包含关键电力设备的前 景图像包括： 利用改进的Gabor算子对所述预处理后 的航拍图像进行快速Gabor变换提取Gabor特 征， 根据所述Gabor特征区分所述预 处理后的航拍图像的前景图像和背 景图像， 并保留所述 前景图像， 所述前 景图像占所述 航拍图像的比例小于 30%； 关键电力设备识别模块， 用于将所述前景图像输入到训练好的轻量化卷积神经网络模 型中， 识别 出所述关键电力设备， 所述轻量化卷积神经网络模型是对YOLOv4模型的主干网 络进行轻量化改进后得到的； 所述轻量 化卷积神经网络模型包括： 加入了双重注意力机制的主干网络、 双 层特征抽取模块、 特 征金字塔融合模块； 其中， 所述主干网络对所述前景图像进行特征提取得到低阶几何特征和高阶语义特 征， 所述双层特征抽取模块从所述主干网络中抽取所述低 阶几何特征和所述高阶语义特 征， 所述特征金字塔融合模块将所述低阶几何特征和所述高阶语义特征进 行特征融合得到 不同尺度的图像特征， 所述双重注意力机制包括通道注意力机制和空间注意力机制， 所述 低阶几何特征用来表征所述前景图像的几何细节信息， 所述高阶语义特征用来表征所述前 景图像的语义信息 。权　利　要　求　书 2/2 页 3 CN 114842363 B 3