本发明涉及变电站环境安全监测，具体是一种基于高动态目标增强的复杂变电站环境安全监测方法。
背景技术：
1、随着电网规模的扩展和用电需求的增长，确保电网的安全、可靠和稳定运行变得尤为重要。变电站作为连接主干网与配电网的关键节点，其安全状况直接影响电网的可靠性。变电站内常见的安全隐患包括火灾、人员未佩戴安全帽及仪表异常等，这些问题如果未能及时处理，可能导致严重的经济损失和人员伤亡。传统火灾报警系统通常依赖特定阈值的传感器反应，例如温度或烟雾传感器，但这些系统存在反应滞后且无法及时捕捉火灾初期的缺陷。随着深度学习技术的快速发展，基于视频的火灾监控技术逐渐变得可行。
2、卷积神经网络(cnn)等深度学习模型在火焰检测和安全帽识别方面显著提升了精确度。这些模型能够自动学习复杂场景中的特征表示，准确区分火焰与类似火焰的物体，减少误检和漏检。此外，深度学习还可以进行人体姿态估计和特征提取，即使没有正面人脸或完整人体信息，也能准确判断工人是否佩戴安全帽，从而克服了传统方法的局限性。
3、然而，深度学习模型的效果在很大程度上依赖于训练数据的多样性和质量。数据增强技术已被证明是提高训练数据多样性和提升深度学习模型泛化能力的有效手段。通过对训练数据进行一系列变换，如旋转、缩放、剪切和颜色调整，数据增强可以在模型训练过程中提供更多的数据变体。这对于变电站等应用场景尤为重要，因为监控图像常常受到光照变化、季节变迁和设备老化等因素的影响。尽管现有的深度学习模型在许多场景中表现良好，但在变电站这种特殊环境中，它们面临特定挑战，例如需要大量标注数据、复杂背景干扰以及精准检测火焰和安全帽的问题。
4、因此，在有限的数据量下，如何有效利用数据增强技术，提升深度学习模型在复杂变电站环境中的检测准确性，成为一个亟待解决的重要问题。
技术实现思路
1、本发明的目的在于，提供一种基于高动态目标增强的复杂变电站环境安全监测方法。本发明能够监控变电站在各种工况下的状态，具有识别率高、准确性强的优点。
2、本发明的技术方案：一种基于高动态目标增强的复杂变电站环境安全监测方法，包括如下步骤：
3、步骤s1：数据采集：获取变电站在各种工况下的视频和图像数据，作为标准样本数据集；
4、步骤s2：数据预处理：对标准样本数据集进行基础数据处理，将标准样本数据集分为训练集、测试集和验证集；
5、步骤s3：模型构建：构建目标检测模型，将训练集的数据输入目标检测模型进行训练，并通过验证集和测试集优化目标检测模型参数；其中，实施在线动态图像增强动态方法调整训练集中训练图像的属性；在目标检测模型的颈部结构中引入坐标引导的多粒度强化特征融合模块增强模型处理复杂环境目标的能力；采用引入形状相似性度量和动态权重调整机制的动态形状相似性边界交并比损失函数以提升目标检测模型效果；
6、步骤s4：安全监控：使用训练完成的目标检测模型对变电站内的实时图像进行分析，输出检测结果。
7、上述的一种基于高动态目标增强的复杂变电站环境安全监测方法，步骤s1中，利用变电站内的摄影设备以及现有数据库，收集变电站在各种工况下的视频和图像数据，作为标准样本数据集。
8、前述的一种基于高动态目标增强的复杂变电站环境安全监测方法，步骤s1中，所述标准样本数据集包括火焰的图像数据、人员安全帽佩戴情况的图像数据和仪表状态的图像数据。
9、前述的一种基于高动态目标增强的复杂变电站环境安全监测方法，步骤s2中，所述基础数据处理包括提升的图像的清晰度、去除图像的噪声和标准化图像的尺寸。
10、前述的一种基于高动态目标增强的复杂变电站环境安全监测方法，步骤s2中，所述将标准样本数据集分为训练集、测试集和验证集包括自动筛选标准样本数据集，剔除过于模糊的图像后使用labelimg软件进行手动矫正并标注标签文件；将标准样本数据集按照8：1：1的比例划分为训练集、验证集和测试集，以确保图像数据分布的均衡性和代表性。
11、前述的一种基于高动态目标增强的复杂变电站环境安全监测方法，步骤s3中，所述构建目标检测模型包括实施在线动态图像增强技术，用于动态调整训练集图像的属性；在目标检测模型中引入坐标引导的多粒度强化特征融合模块，以增强目标检测模型处理复杂环境目标的能力；采用引入形状相似性度量和动态权重调整机制的动态形状相似性边界交并比损失函数，以提升目标检测模型效果。
12、前述的一种基于高动态目标增强的复杂变电站环境安全监测方法，步骤s3中，所述实施在线动态图像增强动态方法调整训练集中训练图像的属性包括如下步骤：首先载入标注好的标准样本数据集的图像，提取火焰图像及其标签文件，细化火焰形态；然后将火焰图像叠加到目标背景的图像上，进行图像融合处理，根据火焰在融合后图像中的新位置和尺寸更新相应的标签文件；最后为每个火焰图像生成可控数量的随机点，根据随机点的最大位移参数，对每个随机点计算一个随机矢量方向的移动，得到该随机点的目标位置，通过局部仿射变换对融合后的图像进行变形，生成具有高变异性的火焰图像。
13、前述的一种基于高动态目标增强的复杂变电站环境安全监测方法，步骤s3中，所述在目标检测模型的颈部结构中引入坐标引导的多粒度强化特征融合模块增强模型处理复杂环境目标的能力包括如下步骤：在目标检测模型的颈部结构中，将输入的特征矩阵分为两部分，对其中一部分进行coordconv操作；通过生成x和y坐标通道，并将其与输入特征图连接后进行卷积操作，从而增强特征图的空间位置信息；然后对经过coordconv操作的特征图进行线性变换，生成查询和键矩阵；对于输入的特征矩阵的另一部分进行标准卷积操作；通过卷积操作提取原始特征，并对其进行线性变换，生成值矩阵；在生成查询、键和值矩阵后，分别对查询、键和值矩阵进行卷积操作以进一步增强特征提取；对高维度特征进行第二次降维和卷积操作，获取中维度特征，最后对中维度特征进行第三次降维和卷积操作，获取低维度特征；将卷积后的查询、键和值矩阵的三个维度特征分别输入多头自注意力机制，通过分割为8个头分别计算注意力权重和加权值，以捕捉特征图中的长距离依赖关系和全局上下文信息；将三个维度的特征进行统一维度的卷积操作，以提高特征融合的有效性，然后进行最大值融合从而获得融合后的特征表示。
14、前述的一种基于高动态目标增强的复杂变电站环境安全监测方法，步骤s3中，所述引入形状相似性度量和动态权重调整机制的动态形状相似性边界交并比的具体计算公式如下：
15、h(a，b)＝max(h(a，b)，h(b，a))；
16、
17、shapesim(a，b)＝exp(-δ*h(a，b))；
18、其中，h(a，b)为集合a和集合b之间的hausdorff距离；h(a，b)为集合a中的每个点到集合b中最近点的最大距离；h(b，a)为集合b中的每个点到集合a中最近点的最大距离；δ为调节参数；
19、根据目标的长宽比和面积实时调整损失函数中的权重参数；动态权重调整机制的公式如下：
20、
21、其中，wpred为预测边界框的宽度；hpred为预测边界框的高度；wgt为真实边界框的宽度；hgt为真实边界框的高度；apred为预测边界框的面积；agt为真实边界框的面积；η和ζ分别为调节参数；r为目标的长宽比；
22、传统损失函数的计算公式如下：
23、
24、其中，p为预测边界框和真实边界框中心点之间的距离；c为包围两个边界框的最小闭合区域的对角线长度；cw为宽度的闭合区域的长度；ch为高度的闭合区域的长度；b为预测边界框的中心点坐标；bgt为真实边界框的中心点坐标；w为预测边界框的宽度；wgt为真实边界框的宽度；h为预测边界框的高度；hgt为真实边界框的高度；
25、引入形状相似性度量和动态权重调整机制的动态形状相似性边界交并比损失函数的表达式如下：
26、loss＝α*leiou+β*shapesim(a，b)+γ*dynweight(r，a)；
27、其中，α为传统损失函数的权重系数；β为形状相似性度量的权重系数；γ为动态权重调整的权重系数。
28、与现有技术相比，本发明具有以下有益效果：
29、1、本发明获取变电站在各种工况下的视频和图像数据，作为标准样本数据集；对标准样本数据集进行基础数据处理；构建目标检测模型，对目标检测模型进行训练，并优化目标检测模型参数；使用训练完成的目标检测模型对变电站内的实时图像进行分析，输出检测结果；本发明能够监控变电站在各种工况下的状态，可以提升变电站的安全性；通过训练好的目标检测模型对变电站中的图像进行实时分析和检测，快速识别潜在的安全隐患，及时发出预警，降低了安全事故的风险。
30、2、本发明采用在线动态图像增强技术(odia)，在有限数据情况下有效增加了数据多样性，提升了目标检测模型的泛化能力。odia策略不仅包含dmda，如火焰的融合技术以及动态变化，还融合常规增强技术，从而增加了训练数据的多样性，使目标检测模型更好地适应各种视觉变化。
31、3、本发明发明的坐标引导的多粒度强化特征融合模块(cmge-ffm)显著增强了目标检测模型对空间位置信息和多尺度特征的捕捉能力。通过多头自注意力机制和多次降维特征提取，目标检测模型能够更好地处理复杂场景和不同尺度的目标，提高了检测精度和鲁棒性。与传统的目标检测模型相比，本发明实现了更加精细的特征提取和更为有效的特征融合，显著提升了目标检测模型在复杂场景中的检测性能。
32、4、本发明提出的dss-iou损失函数，结合了最新的形状相似性度量和动态权重调整机制，不仅在几何属性优化方面具有显著优势，还通过全面捕捉目标的形状和大小特征，使目标检测模型在复杂环境下对高纵横比或小目标的情况下表现更加优越。
1.一种基于高动态目标增强的复杂变电站环境安全监测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于高动态目标增强的复杂变电站环境安全监测方法，其特征在于：步骤s1中，利用变电站内的摄影设备以及现有数据库，收集变电站在各种工况下的视频和图像数据，作为标准样本数据集。
3.根据权利要求1所述的一种基于高动态目标增强的复杂变电站环境安全监测方法，其特征在于：步骤s1中，所述标准样本数据集包括火焰的图像数据、人员安全帽佩戴情况的图像数据和仪表状态的图像数据。
4.根据权利要求1所述的一种基于高动态目标增强的复杂变电站环境安全监测方法，其特征在于：步骤s2中，所述基础数据处理包括提升的图像的清晰度、去除图像的噪声和标准化图像的尺寸。
5.根据权利要求1所述的一种基于高动态目标增强的复杂变电站环境安全监测方法，其特征在于：步骤s2中，所述将标准样本数据集分为训练集、测试集和验证集包括自动筛选标准样本数据集，剔除过于模糊的图像后使用labelimg软件进行手动矫正并标注标签文件；将标准样本数据集按照8：1：1的比例划分为训练集、验证集和测试集，以确保图像数据分布的均衡性和代表性。
6.根据权利要求1所述的一种基于高动态目标增强的复杂变电站环境安全监测方法，其特征在于：步骤s3中，所述实施在线动态图像增强动态方法调整训练集中训练图像的属性包括如下步骤：首先载入标注好的标准样本数据集的图像，提取火焰图像及其标签文件，细化火焰形态；然后将火焰图像叠加到目标背景的图像上，进行图像融合处理，根据火焰在融合后图像中的新位置和尺寸更新相应的标签文件；最后为每个火焰图像生成可控数量的随机点，根据随机点的最大位移参数，对每个随机点计算一个随机矢量方向的移动，得到该随机点的目标位置，通过局部仿射变换对融合后的图像进行变形，生成具有高变异性的火焰图像。
7.根据权利要求1所述的一种基于高动态目标增强的复杂变电站环境安全监测方法，其特征在于：步骤s3中，所述在目标检测模型的颈部结构中引入坐标引导的多粒度强化特征融合模块增强模型处理复杂环境目标的能力包括如下步骤：在目标检测模型的颈部结构中，将输入的特征矩阵分为两部分，对其中一部分进行coordconv操作；通过生成x和y坐标通道，并将其与输入特征图连接后进行卷积操作，从而增强特征图的空间位置信息；然后对经过coordconv操作的特征图进行线性变换，生成查询和键矩阵；对于输入的特征矩阵的另一部分进行标准卷积操作；通过卷积操作提取原始特征，并对其进行线性变换，生成值矩阵；在生成查询、键和值矩阵后，分别对查询、键和值矩阵进行卷积操作以进一步增强特征提取；对高维度特征进行第二次降维和卷积操作，获取中维度特征，最后对中维度特征进行第三次降维和卷积操作，获取低维度特征；将卷积后的查询、键和值矩阵的三个维度特征分别输入多头自注意力机制，通过分割为8个头分别计算注意力权重和加权值，以捕捉特征图中的长距离依赖关系和全局上下文信息；将三个维度的特征进行统一维度的卷积操作，以提高特征融合的有效性，然后进行最大值融合从而获得融合后的特征表示。
8.根据权利要求1所述的一种基于高动态目标增强的复杂变电站环境安全监测方法，其特征在于：步骤s3中，所述引入形状相似性度量和动态权重调整机制的动态形状相似性边界交并比的具体计算公式如下：
