(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211118614.0 (22)申请日 2022.09.15 (71)申请人 广东电网有限责任公司肇庆供电局 地址 526000 广东省肇庆市端州区7 7区信 安路88号 (72)发明人 张杰明　高宜凡　陈显超　陈展尘　 陈益哲　梁妍陟　陈金成　李波　 刘洋　陈忠颖　 (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 任文生 (51)Int.Cl. G06V 20/52(2022.01) G06N 3/04(2006.01) G06Q 50/06(2012.01)G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/52(2022.01) G06V 10/764(2022.01) G06V 10/77(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 20/70(2022.01) (54)发明名称 基于深度学习二次确认的电力机房烟雾检 测方法及装置 (57)摘要 本发明涉及电力检测技术领域， 公开了基于 深度学习二次确认的电力机房烟雾检测方法及 装置。 本发 明根据电力机房监测图像数据集构建 第一数据 样本集， 并提取其中图像烟雾区域以构 建第二数据样本集； 构建检测网络模 型和分类网 络模型， 检测网络模型基于卷积模块和Bneck模 块进行特征提取， 并基于检测头模块进行不同尺 度特征的检测， 分类网络模型基于卷积模块和 Bneck模块进行特征处理； 使用第一数据样本集 对检测网络模 型进行训练， 使用第二数据样本集 对分类网络模 型进行训练， 最后采用训练完成的 检测网络模 型对待检测图像进行检测， 将得到的 结果输入至训练完成的分类网络模 型， 得到烟雾 检测结果。 本发 明可以有效提高烟雾检测的精度 和效率。 权利要求书3页 说明书13页 附图5页 CN 115205793 A 2022.10.18 CN 115205793 A 1.一种基于深度学习二次确认的电力机房烟雾检测方法， 其特 征在于， 包括： 获取监测电力机房得到的图像数据集， 对所述图像数据集中图像的烟雾区域进行标 注， 根据标注后的图像数据集构建第一数据样本集， 并提取所述图像数据集中图像的烟雾 区域以构建第二数据样本集； 构建检测网络模型和分类网络模型； 所述检测网络模型基于卷积模块和Bneck模块进 行特征提取， 并基于检测头模块进行不同尺度特征 的检测； 所述分类网络模型基于卷积模 块和Bneck模块进 行特征处理， 并对处理得到的结果进 行平均池化以降低特征向量 维数， 并 通过卷积得到分类结果； 使用所述第 一数据样本集对所述检测网络模型进行训练， 使用所述第 二数据样本集对 所述分类网络模型进行训练， 得到训练完成的检测网络模型和训练完成的分类网络模型； 采用所述训练完成的检测网络模型对待检测电力 机房监测图像进行检测， 将得到的检 测结果输入至所述训练完成的分类网络模型， 得到烟雾检测结果。 2.根据权利要求1所述的基于深度学习二次确认的电力机房烟雾检测方法， 其特征在 于， 所述检测网络模型包括： 第一特征提取网络， 为六层结构， 其中第一层为卷积模块， 第二层至第六层为Bneck模 块， 且其通过第四层输出第一层次特征， 通过第五层输出第二层次特征， 通过第六层输出第 三层次特 征； 第二特征提取网络， 包括四个卷积模块和拼接模块， 其中第一个卷积模块对所述第三 层次特征进行卷积处理得到第一输出特征并输出给检测头网络， 第二个卷积模块对所述第 二层次特征进 行卷积处理得到第二输出特征， 第三个卷积模块对所述第一层次特征进 行卷 积处理得到第三输出特征， 第四个卷积模块对所述第三输出特征进行卷积处理得到第四输 出特征， 所述拼接模块将所述第一输出特征、 所述第二输出特征和所述第四输出特征进行 拼接得到第 五输出特征并输出给所述检测头网络， 所述拼接模块将所述第一输出特征、 所 述第二输出特征和所述第三输出特征进行拼接处理得到第六输出特征并输出给所述检测 头网络； 所述检测头网络， 包括第 一检测头模块、 第二检测头模块和第三检测头模块， 所述第一 检测头模块用于对所述第一输出特征进行检测以得到第一检测结果， 所述第二检测头模块 用于对所述第五输出特征进行检测以得到第二检测结果， 所述第三检测头模块用于对所述 第六输出 特征进行检测以得到第三检测结果。 3.根据权利要求2所述的基于深度学习二次确认的电力机房烟雾检测方法， 其特征在 于， 所述Bneck模块采用ReLU激活函数。 4.根据权利要求1所述的基于深度学习二次确认的电力机房烟雾检测方法， 其特征在 于， 所述分类网络模型的网络结构为九层结构， 其中第一层、 第七层和第九层均为卷积模 块， 第二层至第六层为Bneck模块， 第八层为平均池化模块。 5.根据权利要求1所述的基于深度学习二次确认的电力机房烟雾检测方法， 其特征在 于， 在对所述图像数据集中图像的烟雾区域进行 标注之前， 所述方法包括： 对所述图像数据集中的图像进行 预处理； 所述预处 理包括图像去噪和/或图像扩容； 其中， 所述图像扩容的处 理包括以下至少一种： 几何畸变、 光照、 遮挡 、 随机水平翻转、 随机 裁剪、 随机旋转、 随机缩放和图像融合。权　利　要　求　书 1/3 页 2 CN 115205793 A 26.根据权利要求1所述的基于深度学习二次确认的电力机房烟雾检测方法， 其特征在 于， 所述使用所述第一数据样本集对所述检测网络模型进行训练， 包括： 基于置信度损失和类别损失构建损失函数； 采用所述损失函数对所述检测网络模型进行训练。 7.根据权利要求6所述的基于深度学习二次确认的电力机房烟雾检测方法， 其特征在 于， 所述基于 置信度损失和类别损失构建损失函数， 包括： 构建所述损失函数为： 式中， 表示损失函数， 表示网格数， 表示每个网格产生的候选框数量， 分别表示候选框的中心坐标 的真实值和预测值大小， 分别表示候选 框的真实和预测的宽度和高度， 表示候选框坐标点、 宽度和高度的损失权重， 是 不含检测目标的候选框的损失权重， 表示第 个网格的第 个候选框是否负责检测这个 物体， 若是则 ， 否则 ，  表示第 个网格的第 个候选框是否不负责检测 物体， 若是则 ， 否则 ， 表示第 个网格的第 个候选框的真实的置信度， 表示第 个网格的第 个候选框的预测的置信度， 表示第 个网格的第 个候选框 检测到物体的真实的概 率， 表示第 个网格的第 个候选框检测到物体的预测的概 率。 8.一种基于深度学习二次确认的电力机房烟雾检测装置， 其特 征在于， 包括： 样本构建模块， 用于获取监测电力机房得到的图像数据集， 对所述图像数据集中图像 的烟雾区域进行标注， 根据标注后的图像数据集构建第一数据样本集， 并提取所述图像数 据集中图像的烟雾区域以构建第二数据样本集；权　利　要　求　书 2/3 页 3 CN 115205793 A 3