(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 202111529014.9 (22)申请日 2021.12.15 (71)申请人 全球能源互联网研究院有限公司 地址 102209 北京市昌平区未来科技城 滨 河大道18号 申请人 国网山东省电力公司营销服 务中心 （计量中心） 　 国家电网有限公司 (72)发明人 史存存　林龙　朱红霞　李琮琮　 王岳　杨訸　 (74)专利代理 机构 北京三聚阳光知识产权代理 有限公司 1 1250 专利代理师 王娜 (51)Int.Cl. G06V 10/764(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01) (54)发明名称 基于电力数据特征提取的识别模型训练、 识 别方法及装置 (57)摘要 本发明提供了一种基于电力数据特征提取 的识别模型训练、 识别方法及装置， 其中， 基于电 力数据特征提取的识别模型训练方法包括： 获取 训练数据集； 将训练数据集输入优化YOL Ov5模型 中， 对优化YOL Ov5模型进行训练得到图像识别模 型， 优化YOLOv5模型使用YOL Ov5模型作为基础模 型， YOLOv5模型中包括卷积模块和C3模块， C3模 块中包括Bottleneck子模块， 将卷积模块和 Bottleneck子模块中的k ×k(k＞1)卷积替换为 反向 深度可分离卷 积 ， 并 在C3模块中的 Bottleneck子模 块后加入 坐标注意力子模 块， 形 成优化YOLOv5模型。 将卷积替换为 反向深度可分 离卷积， 显著降低了模型的计算量， 并且， 在C3模 块中的Bottleneck子模块之后加入坐标注意力 子模块， 增强了空间融合后的特征图的位置敏 感 性， 通过增加少量的计算量获得精度的显著提 高。 权利要求书2页 说明书9页 附图8页 CN 114693963 A 2022.07.01 CN 114693963 A 1.一种基于电力数据特 征提取的识别模型训练方法， 其特 征在于， 包括： 获取训练数据集； 将所述训练数据 集输入优化YOLOv5模型中， 对所述优化YOLOv5模型进行训练得到图像 识别模型， 所述优化YOLOv5模型使用YOLOv5模型作为基础模型， 所述YOLOv5模型中包括卷 积模块和C3模块， 所述C3模块中包括Bottleneck子模块， 将所述卷积模块和所述 Bottleneck子模块中的k ×k(k＞1)卷积替换为反向深度可分离卷积， 并在C3模块中的 Bottleneck子模块后加入坐标注意力子模块， 形成所述优化YOLOv5模型。 2.根据权利要求1所述的基于电力数据特 征提取的识别模型训练方法， 其特 征在于， 所述反向深度可分离卷积将所述卷积模块和所述Bottleneck子模块中的三维卷积核 分解为逐点卷积和二维深度卷积； 所述逐点卷积用于对输入特征图在通道位置上进行融合， 并将经过通道融合的特征图 输入到二维深度卷积； 所述二维深度 卷积用于对经过通道融合的特征图在空间位置上进行融合， 并输出经过 空间融合的特 征图。 3.根据权利要求2所述的基于电力数据特 征提取的识别模型训练方法， 其特 征在于， 所述注意力子模块用于对经过空间融合的特征图在空间位置上对X方向和Y方向的特 征进行局部融合。 4.根据权利要求1所述的基于电力数据 特征提取的识别模型训练方法， 其特征在于， 将 所述训练数据集输入优化YOLOv5模 型中， 对所述优化YOLOv5模 型进行训练得到图像识别模 型， 包括： 将所述训练数据 集输入优化YOLOv5模型中对所述优化YOLOv5模型进行训练， 得到当前 优化YOLOv5模型； 迭代一个epoch后， 将m值加1， 将验证数据集输入所述当前优化YOLOv5模型中， 根据所 述当前优化YOLOv5模型的输出 结果计算所述当前优化YOLOv5模型的识别精度； 若所述当前优化YOLOv5模型的识别精度高于预存最 高精度， 保留所述当前优化YOLOv5 模型， 以所述当前优化YOLOv5模型的识别精度代替所述预存最高精度； 若所述当前优化YOLOv5模型的当前损失函数 大于或等于预存损失函数， 将n 值加1； 若m值大于或等于第一预设值， 或， n值大于或等于第二预设值， 将所述当前优化YOLOv5 模型确定为所述图像识别模型。 5.根据权利要求 4所述的基于电力数据特 征提取的识别模型训练方法， 其特 征在于， 若所述当前优化YOLOv5模型的识别精度小于或等于所述预存最 高精度， 执行若所述当 前优化YOLOv5模型的当前损失函数 大于或等于预存损失函数， 将n 值加1的步骤。 6.根据权利要求4或5所述的基于电力数据特征提取的识别模型训练方法， 其特征在 于， 若m值小于所述第一预设值， 且， n值小于所述第 二预设值， 返回将所述训练数据集输入 优化YOLOv5模型中对所述优化YOLOv5模型进行训练， 得到当前优化YOLOv5模型的步骤。 7.一种基于电力数据特 征提取的识别方法， 其特 征在于， 包括： 获取待识别图像； 将所述待识别图像输入图像识别模型， 生成识别结果， 所述图像识别模型通过如权利权　利　要　求　书 1/2 页 2 CN 114693963 A 2要求1‑6中任一项所述的基于电力数据特 征提取的识别模型训练方法训练得到 。 8.一种基于电力数据特 征提取的识别模型训练装置， 其特 征在于， 包括： 训练数据获取模块， 用于获取训练数据集； 模型训练模块， 用于将所述训练数据集输入优化YOLOv5模型中， 对所述优化YOLOv5模 型进行训练得到图像识别模型， 所述优化YOLOv5模型使用YOLOv5模型作为基础模型， 所述 YOLOv5模型中包括卷积模块和C3模块， 所述C3模块中包括Bottleneck子模块， 将所述卷积 模块和所述Bottleneck子模块中的k ×k(k＞1)卷积替换为反向深度可分离卷积， 并在C3模 块中的Bot tleneck子模块后加入坐标注意力子模块， 形成所述优化YOLOv5模型。 9.一种基于电力数据特 征提取的识别装置， 其特 征在于， 包括： 待识别图像获取模块， 用于获取待识别图像； 图像识别模块， 用于将所述待识别图像输入图像识别模型， 生成识别结果， 所述图像识 别模型通过如权利要求 1‑6中任一项 所述的基于电力数据特征提取的识别模型训练方法训 练得到。 10.一种计算机设备， 其特 征在于， 包括： 至少一个处理器： 以及与所述至少一个处理器通信连接的存储器； 其中， 所述存储器存 储有可被所述至少一个处理器执行 的指令， 所述指令被所述至少一个处理器执行， 从而执 行如权利要求 1‑6中任一项 所述的基于电力数据特征提取的识别模型训练方法， 或， 如权利 要求7所述的基于电力数据特 征提取的识别方法。权　利　要　求　书 2/2 页 3 CN 114693963 A 3