(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 202210526335.1 (22)申请日 2022.05.16 (71)申请人 国网四川省电力公司电力科 学研究 院 地址 610000 四川省成 都市高新区锦晖西 二街16号 申请人 四川大学 (72)发明人 李旭旭　刘小江　何伟　杨晓梅　 肖云　张垚　张文海　胡循勇　 肖先勇　 (74)专利代理 机构 北京正华智诚专利代理事务 所(普通合伙) 11870 专利代理师 杨浩林 (51)Int.Cl. G06T 7/00(2017.01)G06T 7/11(2017.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/82(2022.01) G06V 10/80(2022.01) (54)发明名称 一种变压器漏油识别方法和系统 (57)摘要 本发明公开了一种变压器漏油识别方法和 系统， 该方法包括获取变压器漏油图像， 构建基 于融合注意力机制的残差U ‑Net深度学习网络模 型， 并进行模型训练， 利用训练后的基于融合注 意力机制的残差U ‑Net深度学习网络模型对获取 的变压器漏油图像进行识别， 得到漏油区域的分 割结果。 本发 明通过引入一种自注 意力机制来促 进全局特征融合， 加强像素特征间的语义关联， 减少细节信息丢失， 提升了分类准确率； 然后采 用ResNet18网络来代替传统U ‑Net网络的编码器 部分， 并利用在I mageNet数据集上预训练得到的 ResNet18权重进行模型参数的初始化， 提升了模 型的训练与检测效率； 最后采用焦点损失Focal   Loss函数作为改进网络的损失函数， 解决漏油图 像中前景与背景正负 样本不平衡的问题。 权利要求书2页 说明书7页 附图2页 CN 114757938 A 2022.07.15 CN 114757938 A 1.一种变压器漏油识别方法， 其特 征在于， 包括以下步骤： S1、 获取变压器漏油图像； S2、 构建基于融合注意力机制的残差U ‑Net深度学习网络模型， 并进行模型训练； S3、 利用训练后的基于融合注意力机制的残差U ‑Net深度学习网络模型对获取的变压 器漏油图像进行识别， 得到漏油区域的分割结果。 2.根据权利要求1所述的变压器漏油识别方法， 其特征在于， 步骤S2中构建的基于 融合 注意力机制的残差U ‑Net深度学习网络模型包括： 编码器、 解码器和在每一层编码器与解码器之间融合注意力机制的跳跃 连接； 所述编码器包括多层结构相同的残差网络模块， 相邻的两个残差网络模块的输入特征 和输出特征之间通过最大池化层连接， 且输出 特征与输出 特征之间通过残差连接； 所述解码器包括多层结构相同的卷积模块， 相邻的两个卷积模块的输入特征和输出特 征之间通过 上采样操作连接； 其中同一层的残差网络模块与卷积模块之间通过自注意力机制模块将残差网络模块 输出的编码特征与卷积模块经过上采样操作后的解码特征进行融合， 得到注意力系 数， 再 通过跳跃连接将残差网络模块输出的编 码特征与 注意力系数进行拼接， 得到下一层卷积模 块的输入特 征。 3.根据权利要求2所述的变压器漏油识别方法， 其特 征在于， 所述编码器具体包括： 第一残差网络模块、 第二残差网络模块、 第三残差网络模块、 第四残差网络模块和第五 残差网络模块； 所述第一残差网络模块的输出特征通过最大池化层处理后作为第二残差网络模块的 输入特征， 且通过残差模块将第一残差网络模块的输出特征与第二残差网络模块的输出特 征进行连接； 所述第二残差网络模块的输出特征通过最大池化层处理后作为第三残差网络模块的 输入特征， 且通过残差模块将第二残差网络模块的输出特征与第三残差网络模块的输出特 征进行连接； 所述第三残差网络模块的输出特征通过最大池化层处理后作为第四残差网络模块的 输入特征， 且通过残差模块将第三残差网络模块的输出特征与第四残差网络模块的输出特 征进行连接； 所述第四残差网络模块的输出特征通过最大池化层处理后作为第五残差网络模块的 输入特征， 且通过残差模块将第四残差网络模块的输出特征与第五残差网络模块的输出特 征进行连接。 4.根据权利要求2所述的变压器漏油识别方法， 其特 征在于， 所述 解码器具体包括： 第一卷积模块、 第二卷积模块、 第三卷积模块和第四卷积模块； 所述第一卷积模块通过自注意力机制模块将第四残差网络模块输出的编码特征与第 五残差网络模块的解码特征经过上采样操作后进行融合， 得到注意力系 数， 再通过跳跃连 接将第四残差网络模块输出的编码特征与注意力系数进行拼接， 得到第二卷积模块的输入 特征； 所述第二卷积模块通过自注意力机制模块将第三残差网络模块输出的编码特征与第 一卷积模块的输出特征经过上采样操作后进行融合， 得到注意力系 数， 再通过跳跃连接将权　利　要　求　书 1/2 页 2 CN 114757938 A 2第三残差网络模块输出的编码特征与注意力系数进行拼接， 得到第二卷积模块的输入特 征； 所述第三卷积模块通过自注意力机制模块将第二残差网络模块输出的编码特征与第 二卷积模块的输出特征经过上采样操作后进行融合， 得到注意力系 数， 再通过跳跃连接将 第二残差网络模块输出的编码特征与注意力系数进行拼接， 得到第三卷积模块的输入特 征； 所述第四卷积模块通过自注意力机制模块将第一残差网络模块输出的编码特征与第 三卷积模块的输出特征经过上采样操作后进行融合， 得到注意力系 数， 再通过跳跃连接将 第一残差网络模块输出的编码特征与注意力系数进行拼接， 得到第四卷积模块的输入特 征。 5.根据权利要求4所述的变压器漏油识别方法， 其特征在于， 所述自注意力 机制模块具 体包括： 将编码特征和上采样操作后的解码特征分别进行卷积运算后相加， 再通过ReLU激活函 数进行激活； 然后将融合后的特征再次进行卷积运算后经过Sigmoid激活函数进 行激活， 得 到注意力系数。 6.根据权利要求1所述的变压器漏油识别方法， 其特征在于， 步骤S2中对构建的基于 融 合注意力机制的残差U ‑Net深度学习网络模型进行模型训练具体包括： 将获取的漏油图像数据集划分为训练集、 验证集和测试集， 并对训练集进行标注生成 标注集； 利用ImageNet数据集预训练模型的编码器中各个残差 网络模块， 得到各个残差 网络模 块的网络 权重； 利用标注集、 验证集和得到的各个残差网络模块的网络权重， 采用随机梯度下降法对 基于融合注意力机制的残差U ‑Net深度学习网络模型进行优化 修正训练； 根据设定的损失函数确定停止训练条件， 当达到停止训练条件时输出模型的权重集 合。 7.根据权利要求6所述的变压器漏油识别方法， 其特征在于， 步骤S2中进行模型训练 时， 具体采用焦点损失函数。 8.一种变压器漏油识别系统， 其特 征在于， 包括： 图像采集模块， 用于获取变压器漏油图像； 模型训练模块， 用于构 建基于融合注意力机制的残差U ‑Net深度学习网络模型， 并进行 模型训练； 图像识别模块， 用于利用训练后的基于融合注意力机制的残差U ‑Net深度学习网络模 型对获取的变压器漏油图像进行识别， 得到漏油区域的分割结果。权　利　要　求　书 2/2 页 3 CN 114757938 A 3