本發(fā)明涉及圖像分類，具體而言，涉及一種基于層級式注意力增強網(wǎng)絡(luò)的電力安監(jiān)圖像分類方法。

背景技術(shù)：

1、目前，小樣本學習在電力安監(jiān)圖像分類中已經(jīng)取得了一定進展，但現(xiàn)有的小樣本學習方法扔面臨以下幾個客觀缺點：1、特征表達不足：往往依賴于簡單的特征提取和增強技術(shù)，難以有效地捕捉圖像中的細節(jié)和全局語義信息，未能充分考慮不同層次的特征關(guān)系，導致在復雜背景下的分類精度較低；2、信息冗余與背景干擾：在傳統(tǒng)方法中，背景干擾和冗余特征常常影響分類效果，尤其是在電力安監(jiān)圖像中，背景噪聲和不相關(guān)區(qū)域容易被誤分類；3、特征通道不夠交互：現(xiàn)有的方法通常沒有充分挖掘特征通道之間的交互關(guān)系，導致信息流動不足，無法實現(xiàn)信息的有效補償和冗余抑制；4、數(shù)據(jù)擴增與過擬合：盡管數(shù)據(jù)增強技術(shù)有助于緩解小樣本帶來的過擬合問題，但對于復雜的電力安監(jiān)圖像，傳統(tǒng)的增強方法難以生成足夠多樣的訓練樣本，從而限制了模型的泛化能力。

2、基于此，本申請?zhí)岢鲆环N基于層級式注意力增強網(wǎng)絡(luò)的電力安監(jiān)圖像分類方法來解決上述問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于層級式注意力增強網(wǎng)絡(luò)的電力安監(jiān)圖像分類方法，其通過層級式特征增強、雙通道交互機制和非局部特征平衡等創(chuàng)新技術(shù)，能夠有效解決背景技術(shù)中提到的缺點，實現(xiàn)電力安監(jiān)圖像的小樣本高精度分類。

2、本發(fā)明的技術(shù)方案為：

3、第一方面，本申請?zhí)峁┮环N基于層級式注意力增強網(wǎng)絡(luò)的電力安監(jiān)圖像分類方法，其包括以下步驟：

4、s1、獲取電力安檢圖像并進行數(shù)據(jù)預處理以得到特征圖像；

5、s2、對特征圖像進行層級式特征增強以得到多個層次的增強特征圖像，并對增強特征圖像進行雙通道交互處理得到雙通道交互特征圖像；

6、s3、將多個層次的增強特征圖像和雙通道交互特征圖像通過加和計算進行融合得到融合圖像；

7、s4、對融合圖像進行非局部特征平衡得到圖像平衡后的特征圖像；

8、s5、利用分類器對平衡后的特征圖像進行處理得到最終的分類結(jié)果。

9、進一步地，步驟s1中，上述數(shù)據(jù)預處理包括數(shù)據(jù)增強、數(shù)據(jù)歸一化和數(shù)據(jù)標注優(yōu)化。

10、進一步地，步驟s2中，上述層級式特征增強包括：

11、將特征圖像劃分為多個層次，并對每一層的特征圖像進行卷積處理；

12、通過注意力機制對卷積處理后的特征圖像進行增強得到多個層次的增強特征圖像；

13、其中，上述層級式特征增強的計算公式為：

14、x′l＝f1(xl)·attention(xl)

15、式中，x′l表示多層次增強特征圖像，f1表示卷積操作，xl表示多層次特征圖像，attention表示注意力機制。

16、進一步地，上述雙通道交互處理的計算公式包括：

17、x′1＝f1(x1，x2)，x′2＝f2(x2，x1)

18、式中，x′1表示第一通道的多層次增強特征圖像，f1、f2均表示卷積操作，x1表示第一通道的多層次特征圖像，x2表示第二通道的多層次特征圖像，x′2表示第二通道的多層次增強特征圖像。

19、進一步地，步驟s3中，上述加和計算的計算公式包括：

20、

21、式中，xfusion表示融合后的特征圖像，l表示層數(shù)，l表示當前的層數(shù)索引，x′l表示多層次增強特征圖像，x′1表示第一通道的多層次增強特征圖像，x′2表示第二通道的多層次增強特征圖像。

22、進一步地，步驟s4中，對融合圖像進行非局部特征平衡的計算公式包括：

23、xbalanced＝non-local(xfusion)

24、式中，xbalanced表示平衡后的特征表示，non表示非局部算子，local表示local函數(shù)，xfusion表示融合后的特征圖像。

25、進一步地，步驟s5中，利用分類器對平衡后的特征圖像進行處理的計算公式包括：

26、y＝soft?max(w·xbalanced+b)

27、式中，y表示最終的分類結(jié)果，soft?max為soft?max函數(shù)，local表示目標區(qū)域函數(shù)，w為分類器的權(quán)重矩陣，xbalanced表示平衡后的特征表示，b為偏置項。

28、第二方面，本申請?zhí)峁┮环N電子設(shè)備，包括：

29、存儲器，用于存儲一個或多個程序；

30、處理器；

31、當上述一個或多個程序被上述處理器執(zhí)行時，實現(xiàn)如上述第一方面中任一項的一種基于層級式注意力增強網(wǎng)絡(luò)的電力安監(jiān)圖像分類方法。

32、第三方面，本申請?zhí)峁┮环N計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)如上述第一方面中任一項的一種基于層級式注意力增強網(wǎng)絡(luò)的電力安監(jiān)圖像分類方法。

33、相對于現(xiàn)有技術(shù)，本發(fā)明至少具有如下優(yōu)點或有益效果：

34、(1)本發(fā)明一種基于層級式注意力增強網(wǎng)絡(luò)的電力安監(jiān)圖像分類方法，通過采用層級式特征增強，能夠高效捕獲跨層次信息，同時可以動態(tài)調(diào)整特征表達權(quán)重，提升對目標區(qū)域的關(guān)注度，從而提升圖像的分類精度；

35、(2)本發(fā)明通過引入非局部特征平衡模塊，通過非局部操作使得模型能夠在全局范圍內(nèi)聚合關(guān)鍵特征，而非局限于局部卷積感受野，同時通過全局關(guān)系建模，模塊能夠識別與目標特征相關(guān)的區(qū)域，抑制與分類任務(wù)無關(guān)的背景信息，通過動態(tài)調(diào)整特征表達的權(quán)重，使特征間的相互關(guān)系更加均衡，避免某些區(qū)域的特征表達過強或過弱，從而平衡電力安監(jiān)圖像中各區(qū)域的特征表達，捕獲遠距離區(qū)域間的相關(guān)性，尤其是在存在干擾背景或分散特征的情況下，更好地突出關(guān)鍵區(qū)域特征，同時抑制冗余或無關(guān)信息，從而顯著提升了模型的泛化能力和分類效果，進一步提高了電力安監(jiān)圖像的小樣本分類性能；

36、(3)本發(fā)明通過層級式特征增強機制逐層提取并強化圖像特征，同時利用雙通道交互機制去除冗余信息并突出關(guān)鍵特征表達，顯著提升分類精度，再通過非局部特征平衡平衡電力安監(jiān)圖像中各區(qū)域的特征表達，使得小樣本圖像分類時能夠顯著提升特征表達能力，并抑制不必要的噪聲，保證了圖像特征表達的豐富性的同時，實現(xiàn)了電力安監(jiān)圖像的小樣本高精度分類，提高了電力安監(jiān)圖像的小樣本分類模型的魯棒性和泛化能力。

技術(shù)特征：

1.一種基于層級式注意力增強網(wǎng)絡(luò)的電力安監(jiān)圖像分類方法，其特征在于，包括以下步驟：

2.如權(quán)利要求1所述的一種基于層級式注意力增強網(wǎng)絡(luò)的電力安監(jiān)圖像分類方法，其特征在于，步驟s1中，所述數(shù)據(jù)預處理包括數(shù)據(jù)增強、數(shù)據(jù)歸一化和數(shù)據(jù)標注優(yōu)化。

3.如權(quán)利要求1所述的一種基于層級式注意力增強網(wǎng)絡(luò)的電力安監(jiān)圖像分類方法，其特征在于，步驟s2中，所述層級式特征增強包括：

4.如權(quán)利要求3所述的一種基于層級式注意力增強網(wǎng)絡(luò)的電力安監(jiān)圖像分類方法，其特征在于，所述雙通道交互處理的計算公式包括：

5.如權(quán)利要求1所述的一種基于層級式注意力增強網(wǎng)絡(luò)的電力安監(jiān)圖像分類方法，其特征在于，步驟s3中，所述加和計算的計算公式包括：

6.如權(quán)利要求5所述的一種基于層級式注意力增強網(wǎng)絡(luò)的電力安監(jiān)圖像分類方法，其特征在于，步驟s4中，對融合圖像進行非局部特征平衡的計算公式包括：

7.如權(quán)利要求6所述的一種基于層級式注意力增強網(wǎng)絡(luò)的電力安監(jiān)圖像分類方法，其特征在于，步驟s5中，利用分類器對平衡后的特征圖像進行處理的計算公式包括：

8.一種電子設(shè)備，其特征在于，包括：

9.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1-7中任一項所述的一種基于層級式注意力增強網(wǎng)絡(luò)的電力安監(jiān)圖像分類方法。

技術(shù)總結(jié)
本發(fā)明提出了一種基于層級式注意力增強網(wǎng)絡(luò)的電力安監(jiān)圖像分類方法，涉及圖像分類技術(shù)領(lǐng)域，包括：獲取電力安檢圖像并進行數(shù)據(jù)預處理得到特征圖像；對特征圖像進行層級式特征增強得到多個層次的增強特征圖像，并對增強特征圖像進行雙通道交互處理得到雙通道交互特征圖像；通過加和計算對增強特征圖像和雙通道交互特征圖像進行融合；對融合圖像進行非局部特征平衡得到圖像平衡后的特征圖像；利用分類器對平衡后的特征圖像進行處理得到最終的分類結(jié)果；本發(fā)明通過層級式特征增強、雙通道交互機制和非局部特征平衡，保證了圖像特征表達的豐富性的同時，顯著提升了模型的泛化能力和分類效果，實現(xiàn)了電力安監(jiān)圖像的小樣本高精度分類。

技術(shù)研發(fā)人員：趙金雄,狄磊,楊嵐,李志茹,馬志程,李林明,楊勇
受保護的技術(shù)使用者：國網(wǎng)甘肅省電力公司電力科學研究院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15