本发明涉及一种电网倒闸操作违章识别方法及设备，属于目标检测领域。
背景技术：
1、工作人员行为违章是电网作业事故发生的主要因素，现场倒闸操作涉及的行为违章占比最大。传统的人力监管效率低下，逐步向智能识别技术演变。目前常用的智能识别算法有：cnn算法、fast r-cnn算法、faster r-cnn算法、yolov1算法、yolov2算法、yolov3算法、yolov4算法、yolov5算法等等。其中，有文献采用了faster r-cnn算法进行作业现场安全帽的检测,泛化能力较强，准确率高，具有高精度的检测性能；有文献采用了改进的yolov3模型以及锚框聚类，提高了对现场安全工器具的检测精度；有文献采用了改进的yolov4算法，通过改进优化算法和预测边界框，提高了现场作业人员定位的准确性，同时也提高了识别准确率。但针对电网倒闸操作违章的识别准确率有待进一步提高。
技术实现思路
1、为了克服现有技术中存在的问题，本发明设计了一种电网倒闸操作违章识别方法及设备，对yolov8模型进行重构，在骨干网络设置c2f-dcn模块更贴近检测目标尺寸与形状，更具有鲁棒性，对小目标以及被遮挡目标的识别更加精准；在特征融合网络设置oaa模块加强网络对检测目标特征的提取，减少噪声干扰。
2、为了实现上述目的，本发明采用如下技术方案：
3、技术方案一
4、一种电网倒闸操作违章识别方法，包括以下步骤：
5、构建并训练用于识别倒闸操作违章行为的检测模型；所述检测模型包括骨干网络、特征融合网络、检测网络；所述骨干网络包括顺次连接的第一cbs模块、第二cbs模块、第一c2f模块、第三cbs模块、第一c2f-dcn模块、第四cbs模块、第二c2f-dcn模块、第五cbs模块、第二c2f模块、sppf模块；所述特征融合网络包括顺次连接的第一上采样层、第一拼接层、第三c2f模块、第二上采样层、第二拼接层、第四c2f模块、第六cbs模块、oaa模块、第三拼接层、第五c2f模块、第七cbs模块、第四拼接层、第六c2f模块；所述骨干网络中的第一c2f-dcn模块跳跃连接至第二拼接层，第二c2f-dcn模块跳跃连接至第一拼接层，sppf模块跳跃连接至第四拼接层；所述特征融合网络中的第三c2f模块跳跃连接至第三拼接层；第四c2f模块、第五c2f模块、第六c2f模块分别输出至检测网络；
6、所述c2f-dcn模块包括分别设置在首尾的conv层和若干瓶颈层；所述瓶颈层设有主路径和子路径，主路径包括两个顺次连接的deformable层和特征融合层，子路径从输入跳跃连接至特征融合层；所述oaa模块包括全局平均池化层、全局最大池化层、一维卷积层、sigmoid激活函数层；
7、输入待识别图像至检测模型，得到检测结果。
8、进一步地，所述deformable层用于进行可变形卷积操作，以公式表达为：
9、
10、式中，x和y分别指输入特征图和输出特征图，k和k分别表示采样点的总数和枚举采样点数，p0为当前像素，wk和pk分别为第k个采样点的投影权重和预定义卷积网格采样的第k个位置，δpk指第k个采样位置对应的偏移量。
11、进一步地，所述oaa模块用于对输入特征图分别进行全局平均池化处理和全局最大池化处理，将两种池化结果相加后输入到一维卷积中，经过激活函数后与输入特征图进行矩阵相乘，得到输出特征图。
12、进一步地，所述检测模型在训练过程中使用的损失函数，以公式表达为：
13、
14、
15、
16、
17、式中，bgt＝[xgt ygt wgt hgt]表示真实框的中心点横坐标、中心点纵坐标、长、宽；b＝[x y w h]表示预测框的中心点横坐标、中心点纵坐标、长、宽；wg、hg表示真实框与预测框并集的长、宽；wi、hi表示真实框与预测框交集的长、宽；su表示真实框与预测框并集的面积。
18、进一步地，所述检测模型设置于边缘计算节点中，将检测结果传输到云服务。
19、技术方案二
20、一种电网倒闸操作违章识别设备，包括：存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令，实现如下步骤：
21、构建并训练用于识别倒闸操作违章行为的检测模型；所述检测模型包括骨干网络、特征融合网络、检测网络；所述骨干网络包括顺次连接的第一cbs模块、第二cbs模块、第一c2f模块、第三cbs模块、第一c2f-dcn模块、第四cbs模块、第二c2f-dcn模块、第五cbs模块、第二c2f模块、sppf模块；所述特征融合网络包括顺次连接的第一上采样层、第一拼接层、第三c2f模块、第二上采样层、第二拼接层、第四c2f模块、第六cbs模块、oaa模块、第三拼接层、第五c2f模块、第七cbs模块、第四拼接层、第六c2f模块；所述骨干网络中的第一c2f-dcn模块跳跃连接至第二拼接层，第二c2f-dcn模块跳跃连接至第一拼接层，sppf模块跳跃连接至第四拼接层；所述特征融合网络中的第三c2f模块跳跃连接至第三拼接层；第四c2f模块、第五c2f模块、第六c2f模块分别输出至检测网络；
22、所述c2f-dcn模块包括分别设置在首尾的conv层和若干瓶颈层；所述瓶颈层设有主路径和子路径，主路径包括两个顺次连接的deformable层和特征融合层，子路径从输入跳跃连接至特征融合层；所述oaa模块包括全局平均池化层、全局最大池化层、一维卷积层、sigmoid激活函数层；
23、输入待识别图像至检测模型，得到检测结果。
24、进一步地，所述deformable层用于进行可变形卷积操作，以公式表达为：
25、
26、式中，x和y分别指输入特征图和输出特征图，k和k分别表示采样点的总数和枚举采样点数，p0为当前像素，wk和pk分别为第k个采样点的投影权重和预定义卷积网格采样的第k个位置，δpk指第k个采样位置对应的偏移量。
27、进一步地，所述oaa模块用于对输入特征图分别进行全局平均池化处理和全局最大池化处理，将两种池化结果相加后输入到一维卷积中，经过激活函数后与输入特征图进行矩阵相乘，得到输出特征图。
28、进一步地，所述检测模型在训练过程中使用的损失函数，以公式表达为：
29、
30、
31、
32、
33、式中，bgt＝[xgtygtwgthgt]表示真实框的中心点横坐标、中心点纵坐标、长、宽；b＝[x y w h]表示预测框的中心点横坐标、中心点纵坐标、长、宽；wg、hg表示真实框与预测框并集的长、宽；wi、hi表示真实框与预测框交集的长、宽；su表示真实框与预测框并集的面积。
34、进一步地，所述检测模型设置于边缘计算节点中，将检测结果传输到云服务。
35、与现有技术相比本发明有以下特点和有益效果：
36、考虑到违章行为目标较小且易被遮盖，本发明对yolov8模型进行重构，在骨干网络设置c2f-dcn模块更贴近检测目标尺寸与形状，更具有鲁棒性，对小目标以及被遮挡目标的识别更加精准；在特征融合网络设置oaa模块加强网络对检测目标特征的提取，减少噪声干扰。
37、本发明所述损失函数动态调整边界框回归损失并削弱对距离、纵横比之类的几何度量的惩罚，更好地考虑了预测框和真实框之间的iou、位置、大小、形状等多个因素，从而提高了目标检测的准确性。
38、本发明利用边缘计算节点，将原始复杂数据预处理成一个低维的中间数据，然后将低维的数据处理结果传输到核心的云服务平台，提高了云服务器的使用效率，减少云服务器的计算参量，优化了云资源，目标检测速度大大提升。
1.一种电网倒闸操作违章识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种电网倒闸操作违章识别方法，其特征在于，所述deformable层用于进行可变形卷积操作，以公式表达为：
3.根据权利要求1所述的一种电网倒闸操作违章识别方法，其特征在于，所述oaa模块用于对输入特征图分别进行全局平均池化处理和全局最大池化处理，将两种池化结果相加后输入到一维卷积中，经过激活函数后与输入特征图进行矩阵相乘，得到输出特征图。
4.根据权利要求1所述的一种电网倒闸操作违章识别方法，其特征在于，所述检测模型在训练过程中使用的损失函数，以公式表达为：
5.根据权利要求1所述的一种电网倒闸操作违章识别方法，其特征在于，所述检测模型设置于边缘计算节点中，将检测结果传输到云服务。
6.一种电网倒闸操作违章识别设备，其特征在于，包括：存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令，实现如下步骤：
7.根据权利要求6所述的一种电网倒闸操作违章识别设备，其特征在于，所述deformable层用于进行可变形卷积操作，以公式表达为：
8.根据权利要求6所述的一种电网倒闸操作违章识别设备，其特征在于，所述oaa模块用于对输入特征图分别进行全局平均池化处理和全局最大池化处理，将两种池化结果相加后输入到一维卷积中，经过激活函数后与输入特征图进行矩阵相乘，得到输出特征图。
9.根据权利要求6所述的一种电网倒闸操作违章识别设备，其特征在于，所述检测模型在训练过程中使用的损失函数，以公式表达为：
10.根据权利要求6所述的一种电网倒闸操作违章识别设备，其特征在于，所述检测模型设置于边缘计算节点中，将检测结果传输到云服务。
