一种基于电网安全的配电网设备运行状态智能检测方法

1.一种基于电网安全的配电网设备运行状态智能检测方法，其特征在于，所述方法包括以下步骤：步骤1：输入待检测的配电站设备图片，构建卷积神经网络CNN中，提取图片的特征信息；步骤2：同时在卷积层线性捕捉空间依赖性之后，将特征进行批量归一化(BN)，然后采用漏斗激活函数FReLU捕获复杂的视觉布局，自适应获取图像局部上下文，使模型具备像素级建模的能力；定义漏斗激活函数为：f(x c,i,j )＝max(x c,i,j ,T(x c,i,j ))其中，x c,i,j 非线性激活f(·)在第c个通道在二维空间位置(i,j)的输入像素，函数T(·)表示漏斗条件， 表示以x c,i,j 为中心的参数池窗口， 表示在同一通道中共享的窗口系数，(·)表示点乘；步骤3：将由CNN网络提取的图像特征信息传入特征融合模块BiFPN，进行有效的双向交叉尺度连接和加权特征融合，提高小目标的准确度；加权特征融合公式如下：其中O融合特征输出，w i 是可学习的权重，I i 为输入特征，w i ≥0是通过在每个w i 之后填加Relu激活函数来保证的，设置学习率ε＝0.0001为一个小值，每个归一化权重的值也在0到1之间，步骤4：最后输出检测结果以及具体的位置信息；其中，步骤1具体实现过程如下：构建卷积神经网络CNN作为主干网络，构建的网络层包含四个卷积层，尺寸分别为256x256，128x 128，64x 64，32x 32，以提取不同尺寸的图片的特征信息；在步骤1的每个卷积层提取图像特征之后，由于提取出的特征取值范围为[0,255]，为了消除特征间单位和尺度差异的问题，统一将特征进行批量归一化BN处理，使其范围固定在[-1,1]之间，之后将处理之后的特征进行漏斗激活函数FReLU处理，解决激活函数中空间不敏感的问题，使规则的卷积也具备捕获复杂的视觉布局能力，使模型具备像素级建模的能力，最后输出四层特征；步骤2具体实现过程如下：将步骤2中输出的四层特征使用三层堆叠的双向特征金字塔网络BiFPN结构，通过在卷积层之间设置自顶向下的通路，传递高层特征的语义信息，以及自底向上的通路，传递低层特征的位置信息，以此来进行深浅层特征的双向融合，增强不同网络层之间特征信息的传递，并且利用网络来学习不同输入特征的权重，对不同层的输入特征进行有区分的融合，兼顾不通尺寸目标的检测，充分融合多尺度特征，提升小目标的检测效果，提升检测精度。