电力基建智能监控方法、装置、系统和电子设备

技术领域

本发明涉及电力工程技术领域，具体地涉及一种电力基建智能监控方法、一种电力基建智能监控装置、一种电力基建智能监控系统和一种电子设备。

背景技术

随着电能需求不断增加，电力基建工程进入大规模建设时代。作业现场点多面广，设备种类繁杂，施工队伍众多，管控要求也越来越细，这无疑给基建工程管理带来诸多挑战。传统的人工巡视、手工纸质记录等监管手段存在施工效率及质量管控不到位，安全隐患突出等管理难题，已难以满足新形势下的管理需求。

现有方法(申请号为202011601491.7的中国发明专利)中提出一种电力基建施工现场违章管控辅助系统，包括智能视频监控采集终端、智能移动监控平台和远程监控中心。获取电力基建施工现场视频图像数据，采用Faster-RCNN和ImageNet深度学习算法实现了对电力基建施工现场各类违章进行识别。该方法基于深度学习的违章识别方法实现了对电力基建施工现场各类违章的快速识别，提高了违章操作的识别效率和准确率，但是该方法采用的深度学习算法模型结构复杂度高，导致功耗大，图像识别速度慢。

发明内容

本发明实施例的目的是提供一种电力基建智能监控方法、一种电力基建智能监控装置、一种电力基建智能监控系统和一种电子设备，用以解决现有的电力基建监控方法采用的深度学习算法模型结构复杂度高，导致功耗大，图像识别速度慢的缺陷。

为了实现上述目的，本发明实施例提供一种电力基建智能监控方法包括：

获取对电力基建现场采集的现场图像；

将所述现场图像输入至目标检测模型，得到所述目标检测模型输出的所述现场图像中危险行为的检测结果；

其中，所述目标检测模型的检测网络中的卷积层用于基于输入特征图得到的本征特征图以及幻影特征图进行局部特征提取；所述幻影特征图是所述本征特征图通过廉价操作得到的；

所述目标检测模型是基于对电力基建现场采集的样本图像以及所述样本图像对应的样本标签训练得到的。

可选的，所述卷积层包括：

第一卷积层，用于通过预设数量的卷积核对所述输入特征图进行卷积操作，得到本征特征图；

线性变换层，用于对所述本征特征图进行线性变换操作，得到幻影特征图；

拼接层，用于拼接所述本征特征图以及所述幻影特征图，以生成最终特征图。

可选的，所述目标检测模型通过以下步骤进行训练：

重复执行以下步骤，直至所述目标检测模型的损失函数收敛：

将所述样本图像输入所述目标检测模型，得到样本检测结果；

基于所述样本检测结果和所述样本标签，计算损失函数；

基于所述损失函数调整所述目标检测模型的模型参数。

可选的，所述损失函数通过以下公式计算：

L＝w

其中，L为损失函数，L

可选的，所述定位损失通过以下公式计算：

其中，N为检测分支的数量，S

可选的，所述置信度损失通过以下公式计算：

其中，N为检测分支的数量，S

可选的，所述分类损失通过以下公式计算：

其中，N为检测分支的数量，S

可选的，所述检测网络的重参数化卷积层与检测头层之间通过简单注意力机制层连接。

另一方面，本发明实施例还提供一种电力基建智能监控装置，包括：

数据获取模块，用于获取对电力基建现场采集的现场图像；

检测模块，用于将所述现场图像输入至目标检测模型，得到所述目标检测模型输出的所述现场图像中危险行为的检测结果；

其中，所述目标检测模型的检测网络中的卷积层用于基于输入特征图得到的本征特征图以及幻影特征图进行局部特征提取；所述幻影特征图是所述本征特征图通过廉价操作得到的；

所述目标检测模型是基于对电力基建现场采集的样本图像以及所述样本图像对应的样本标签训练得到的。

可选的，所述卷积层包括：

第一卷积层，用于通过预设数量的卷积核对所述输入特征图进行卷积操作，得到本征特征图；

线性变换层，用于对所述本征特征图进行线性变换操作，得到幻影特征图；

拼接层，用于拼接所述本征特征图以及所述幻影特征图，以生成最终特征图。

可选的，所述电力基建智能监控装置还包括：

数据输入模块，用于将所述样本图像输入所述目标检测模型，得到样本检测结果；

损失函数计算模块，用于基于所述样本检测结果和所述样本标签，计算损失函数；

模型参数调整模块，用于基于所述损失函数调整所述目标检测模型的模型参数；

第一控制模块，用于控制所述数据输入模块、损失函数计算模块和模型参数调整模块重复执行，直至所述目标检测模型的损失函数收敛。

可选的，所述损失函数通过以下公式计算：

L＝w

其中，L为损失函数，L

可选的，所述定位损失通过以下公式计算：

其中，N为检测分支的数量，S

可选的，所述置信度损失通过以下公式计算：

其中，N为检测分支的数量，S

可选的，所述分类损失通过以下公式计算：

其中，N为检测分支的数量，S

可选的，所述检测网络的重参数化卷积层与检测头层之间通过简单注意力机制层连接。

另一方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述电力基建智能监控方法。

另一方面，本发明还提供一种电力基建智能监控系统，包括：

数据采集设备，用于采集电力基建现场的现场图像；

所述的电子设备，与所述数据采集设备通信连接，用于通过目标检测模型对所述现场图像进行目标检测，以通过检测结果监控所述现场图像中的危险行为；

远程监控设备，与所述电子设备通信连接，以基于所述检测结果监控电力基建现场。

另一方面，本发明还提供一种机器可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述电力基建智能监控方法。

通过上述技术方案，本发明的目标检测模型的检测网络中的卷积层基于输入特征图得到的本征特征图以及幻影特征图进行局部特征提取，相比现有卷积层对输入特征图中所有的通道进行卷积映射操作，本发明的目标检测模型的检测网络中的卷积层通过本征特征图提取丰富的特征信息，以及通过对本征特征图利用廉价操作得到的幻影特征图提取冗余的特征信息。本发明实现降低非关键特征的学习成本，有效地降低模型所需计算资源，降低模型结构复杂度，进而降低功耗，提高图像识别速度。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1是本发明提供的电力基建智能监控方法的流程示意图之一；

图2是本发明提供的目标检测模型的检测网络中的卷积层的结构示意图；

图3是本发明提供的简单注意力机制层的结构示意图；

图4是本发明提供的电力基建智能监控方法的流程示意图之二；

图5是本发明提供的电力基建智能监控装置的结构示意图；

图6是本发明提供的电子设备的结构示意图；

图7是本发明提供的电力基建智能监控系统的结构示意图。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

方法实施例

请参照图1，本发明实施例提供一种电力基建智能监控方法，包括：

步骤100、获取对电力基建现场采集的现场图像。

电子设备获取电力基建现场采集的现场图像。其中现场图像可以是对电力基建现场采集的各种图像。例如，现场图像可以是拍摄有施工人员未佩戴安全帽的图像、拍摄有施工人员安全带挂钩未挂到结实构件上的图像、拍摄有施工人员抽烟的图像、拍摄有施工人员违规翻越行为的图像以及拍摄有施工人员高空作业打电话的图像等。

步骤200、将所述现场图像输入至目标检测模型，得到所述目标检测模型输出的所述现场图像中危险行为的检测结果。

电子设备将所述现场图像输入至目标检测模型，得到所述目标检测模型输出的所述现场图像中危险行为的检测结果。其中危险行为包括施工人员未佩戴安全帽、施工人员安全带挂钩未挂到结实构件上、施工人员抽烟、施工人员违规翻越行为以及施工人员高空作业打电话等。

具体的，本发明实施例的目标检测模型包括用于对现场图像进行特征提取的骨干网络以及对特征提取结果进行目标检测的检测网络(Head网络)。需要说明的是，本发明实施例的目标检测模型可基于YOLO系列的网络模型构建，例如YOLOv1，YOLOv2，YOLOv3，……，YOLOv6，YOLOv7等。在一个实施例中，本发明实施例的目标检测模型可基于YOLOv7的网络模型构建。

YOLOv7的检测网络(或称Head网络，头网络)包括SPPCSPC层、若干卷积层(convolution)，MP层(Max Pooling,最大值池化)、重参数化卷积层(ReparameterizedConvolution)。其中，SPPCSPC层是一种空间金字塔池化模块，由SPP(spatial pyramidpooling，空间金字塔池化)模块和CSP(Cross Stage Partial Network，跨阶段局部网络)模块结合而成。

为了进一步减少参数数量和计算成本，使得电子设备便于边缘侧部署，本发明实施例的目标检测模型的检测网络中的卷积层用于基于输入特征图得到的本征特征图以及幻影特征图进行局部特征提取；所述幻影特征图是所述本征特征图通过廉价操作得到的。

现有的普通卷积层利用多个卷积核对输入特征图中所有的通道进行卷积映射操作。然而，在深层网络中，堆叠大量的卷积层需要耗费巨大的参数量和计算量。对电力基建现场图像使用普通卷积层也会产生许多丰富甚至冗余的特征图。

本发明实施例的卷积层通过使用少量的卷积核对输入特征图进行特征提取得到本征特征图，然后使用廉价操作来从本征特征图得到幻影特征图，从而降低非关键特征的学习成本。其中，廉价操作指的是相比非线性变换通过更少量计算的操作。例如廉价操作可包括深度可分离卷积、线性变换等。

目标检测模型是基于对电力基建现场采集的样本图像以及所述样本图像对应的样本标签训练得到的。

本发明的目标检测模型的检测网络中的卷积层基于输入特征图得到的本征特征图以及幻影特征图进行局部特征提取，相比现有卷积层对输入特征图中所有的通道进行卷积映射操作，本发明的目标检测模型的检测网络中的卷积层通过本征特征图提取丰富的特征信息，以及通过对本征特征图利用廉价操作得到的幻影特征图提取冗余的特征信息。本发明实现降低非关键特征的学习成本，有效地降低模型所需计算资源，降低模型结构复杂度，进而降低功耗，提高图像识别速度。

在本发明实施例的其他方面，本发明目标检测模型的检测网络中的卷积层可使用幻影卷积层(Ghost convolution)。需要说明的是，一方面本发明可使用幻影卷积层代替检测网络(Head网络)中的卷积层(convolution)；另一方面由于MP层由最大池化层和卷积层组成,这里也可采用幻影卷积层代替MP层中的卷积层。

请参照图2，本发明实施例的卷积层包括：第一卷积层、线性变换层以及拼接层。

第一卷积层用于通过预设数量的卷积核对所述输入特征图进行卷积操作，得到本征特征图。其中，预设数量的卷积核少于普通卷积层的卷积核数量，通过少量的卷积核对输入特征图进行特征提取得到本征特征图。线性变换层用于对所述本征特征图进行线性变换操作，得到幻影特征图。通过使用廉价的线性变换来降低非关键特征的学习成本。拼接层用于拼接所述本征特征图以及所述幻影特征图，以生成最终特征图便于提取局部特征。

本发明实施例检测网络中的卷积层选用幻影卷积层，通过使用少量的卷积核对输入特征图进行特征提取得到本征特征图，然后使用廉价的线性变换从本征特征图得到幻影特征图来，通过结合少量卷积核和廉价的线性变换方式替换普通卷积操作，从而降低非关键特征的学习成本，有效地降低模型所需计算资源，降低模型结构复杂度，进而降低功耗，提高图像识别速度。

在本发明实施例的其他方面，所述目标检测模型通过以下步骤进行训练：

重复执行以下步骤，直至所述目标检测模型的损失函数收敛：

步骤10、将所述样本图像输入所述目标检测模型，得到样本检测结果。

步骤20、基于所述样本检测结果和所述样本标签，计算损失函数。

步骤30、基于所述损失函数调整所述目标检测模型的模型参数。

其中，样本图像可以是对电力基建现场采集的各种图像。例如，现场图像可以是拍摄有施工人员未佩戴安全帽的图像、拍摄有施工人员安全带挂钩未挂到结实构件上的图像、拍摄有施工人员抽烟的图像、拍摄有施工人员违规翻越行为的图像以及拍摄有施工人员高空作业打电话的图像等。本发明实施例可使用Labelme开源标注工具对样本图像中的施工人员未佩戴安全帽、施工人员安全带挂钩未挂到结实构件上、施工人员抽烟、施工人员违规翻越行为以及施工人员高空作业打电话等危险行为进行标注，生成XML格式标准文件作为样本标签。

本发明实施例的损失函数可基于YOLOv7网络的损失函数进行改进。具体的，本发明实施例改进的YOLOv7网络的损失函数包括三部分组成，分别为定位损失，置信度损失以及分类损失。

进一步地，本发明实施例的损失函数通过以下公式计算：

L＝w

其中，L为损失函数，L

在本发明实施例的其他方面，所述定位损失通过以下公式计算：

其中，N为检测分支的数量，S

对于定位损失，本发明实施例将YOLOv7网络原生的CIOU损失函数替换为SIOU损失函数，并引入边界框权重因子。通过使用SIOU损失函数替换YOLOv7网络原生的CIOU损失函数，考虑到所需回归之间的向量角度，使预测框很快地移动到最近的轴，有效地减少了损失的总自由度。另外，边界框权重因子的引入可以增加小边界框的权重，使得网络模型更重视小尺寸预测边界框训练存在的问题。

在本发明实施例的其他方面，所述置信度损失通过以下公式计算：

其中，N为检测分支的数量，S

所述分类损失通过以下公式计算：

其中，N为检测分支的数量，S

对于置信度损失和分类损失，本发明实施例可采用Focal loss损失函数，通过采用Focal loss损失函数来解决正负样本不均衡问题。

本发明实施例通过定位损失、置信度损失和分类损失构建损失函数，基于该损失函数对目标检测模型进行训练，在不降低检测速度的情况下，提高了模型的检测精度。

在本发明实施例的其他方面，请参见图3，所述检测网络的重参数化卷积层与检测头层之间通过简单注意力机制层连接。具体的，本发明实施例可在YOLOv7网络的检测网络(Head网络)的三个重参数化卷积(RepConv层)和检测头层之间分别添加SimAM注意力机制。其中，检测头层通常一个conv卷积层。另外，检测头层还会有一些相关算法，进行响应矩阵的解码，以及进行边界框坐标、置信度、类别的预测。

相比于通道注意力机制和空间注意力机制，简单注意力机制直接在网络层中推理出三维的注意力权重，在考虑空间和通道维度相关性的同时，不会增加多余的参数量，有利于模型的边缘侧部署。从而本发明实施例检测网络的重参数化卷积层与检测头层之间设置简单注意力机制层能够在不降低模型检测速度的基础上，大大提高模型的检测精度。

在本发明实施例的其他方面，现有的YOLOv7的骨干网络主要由ELAN(EfficientLayer Aggregation Network,高效层聚合网络)层和MP层(Max Pooling,最大值池化)组成。为了便于在边缘设备上部署，本发明的目标检测模型的骨干网络可使用EfficientNet网络(例如EfficientNet-B3)替换YOLOv7原有的骨干网络，可有效降低模型参数量，降低了模型的复杂度，实现提高检测速度，以及降低功耗。

具体的，EfficientNet-B3由多个模块堆叠而成，首先是一个包含BN和Swish激活函数的3x 3卷积层，然后是7个MBConv模块，最后是1x 1卷积层和平均池化层。MBConv模块采用深度可分离卷积，相比传统卷积可以大大减少参数量，降低模型的复杂度。

请参照图4，下面通过一个实施例说明本发明的电力基建智能监控方法。

步骤1、获取布控球、枪机摄像头、无人机等设备拍摄的关于电力基建现场的样本图像，组成样本图像数据集。

步骤2、人工使用Labelme开源标注工具对样本图像数据集中的施工人员未佩戴安全帽、施工人员安全带挂钩未挂到结实构件上、施工人员抽烟、施工人员违规翻越行为以及施工人员高空作业打电话等进行标注，生成XML格式标准文件。

步骤3、通过数据增强操作来补充样本图像数据集，以便提高网络的鲁棒性。具体可采用色调、饱和度、明度等颜色空间数据增强方式，及随机平移、随机翻转、随机裁剪、随机缩放、Mosaic(将多张样本图像随机拼接成一张大图)等几何空间数据增强方法。

步骤4、为了满足网络的输入标准，需要对样本图像进行前处理，包括图像等比例缩放和填充等。

步骤5、构建本发明实施例的目标检测模型，具体包括：使用EfficientNet-B3骨干网络替换YOLOv7原有的骨干网络；使用幻影卷积层代替YOLOv7的Head网络中的卷积层Conv；采用幻影卷积层代替MP模块中的卷积层Conv；在YOLOv7的Head网络的三个重参数化卷积层和检测头层之间分别添加简单注意力机制层；以及构建基于定位损失，置信度损失以及分类损失的损失函数。

步骤6、在服务器上训练本发明基于YOLOv7网络改进的目标检测模型。利用样本图像数据集对目标检测模型进行训练直至网络收敛，保存最佳网络权重。同时将最佳网络权重载入网络，利用测试集测试目标检测效果。

步骤7、获取布控球、枪机摄像头、无人机等设备拍摄的电力基建现场图像。

步骤8、对获取的电力基建现场图像进行数据前处理，使其适配网络结构的要求。

步骤9、将训练好的基于YOLOv7模型改进的目标检测模型载入电子设备。

步骤10、利用运行在电子设备中的目标检测模型对施工人员未佩戴安全帽、施工人员安全带挂钩未挂到结实构件上、施工人员抽烟、施工人员违规翻越行为以及施工人员高空作业打电话等危险行为进行检测。

步骤11、采用DIoU_NMS去除多余的检测框。即通过非极大值抑制，删除掉跟极大值框IoU大于设定阈值的检测框，最终极大值框保留。

步骤12、输出施工人员未佩戴安全帽、施工人员安全带挂钩未挂到结实构件上、施工人员抽烟、施工人员违规翻越行为以及施工人员高空作业打电话等危险行为的预测框，类别以及置信度信息。

本发明实施例的目标检测模型通过采用EfficientNet-B3作为YOLOv7的骨干网络，采用幻影卷积层代替Head网络中的卷积层来降低网络结构的复杂度。同时通过引入添加简单注意力机制层，并且改进损失函数，在不降低模型检测速度的条件下，提高模型检测精度。利用本发明提出的电力基建智能监控方法在保证检测精度基本不变的情况下，减少了模型参数量，提高了检测速度，降低了功耗。

装置实施例

另一方面，请参照图5，本发明实施例还提供一种电力基建智能监控装置，包括：

数据获取模块501，用于获取对电力基建现场采集的现场图像；

检测模块502，用于将所述现场图像输入至目标检测模型，得到所述目标检测模型输出的所述现场图像中危险行为的检测结果；

其中，所述目标检测模型的检测网络中的卷积层用于基于输入特征图得到的本征特征图以及幻影特征图进行局部特征提取；所述幻影特征图是所述本征特征图通过廉价操作得到的；

所述目标检测模型是基于对电力基建现场采集的样本图像以及所述样本图像对应的样本标签训练得到的。

可选的，所述卷积层包括：

第一卷积层，用于通过预设数量的卷积核对所述输入特征图进行卷积操作，得到本征特征图；

线性变换层，用于对所述本征特征图进行线性变换操作，得到幻影特征图；

拼接层，用于拼接所述本征特征图以及所述幻影特征图，以生成最终特征图。

可选的，所述电力基建智能监控装置还包括：

数据输入模块，用于将所述样本图像输入所述目标检测模型，得到样本检测结果；

损失函数计算模块，用于基于所述样本检测结果和所述样本标签，计算损失函数；

模型参数调整模块，用于基于所述损失函数调整所述目标检测模型的模型参数；

第一控制模块，用于控制所述数据输入模块、损失函数计算模块和模型参数调整模块重复执行，直至所述目标检测模型的损失函数收敛。

可选的，所述损失函数通过以下公式计算：

L＝w

其中，L为损失函数，L

可选的，所述定位损失通过以下公式计算：

其中，N为检测分支的数量，S

可选的，所述置信度损失通过以下公式计算：

其中，N为检测分支的数量，S

可选的，所述分类损失通过以下公式计算：

其中，N为检测分支的数量，S

可选的，所述检测网络的重参数化卷积层与检测头层之间通过简单注意力机制层连接。

所述电力基建智能监控装置包括处理器和存储器，上述数据获取模块501和检测模块502等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行电力基建智能监控方法，该方法包括：获取对电力基建现场采集的现场图像；将所述现场图像输入至目标检测模型，得到所述目标检测模型输出的所述现场图像中危险行为的检测结果；其中，所述目标检测模型的检测网络中的卷积层用于基于输入特征图得到的本征特征图以及幻影特征图进行局部特征提取；所述幻影特征图是所述本征特征图通过廉价操作得到的；所述目标检测模型是基于对电力基建现场采集的样本图像以及所述样本图像对应的样本标签训练得到的。

此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，请参照图7，本发明还提供一种电力基建智能监控系统，包括：数据采集设备701、上述电子设备702以及远程监控设备703。数据采集设备701用于采集电力基建现场的现场图像。电子设备702与所述数据采集设备701通信连接，用于通过目标检测模型对所述现场图像进行目标检测，以通过检测结果监控所述现场图像中的危险行为。远程监控设备703与所述电子设备702通信连接，以基于所述检测结果监控电力基建现场。

其中，数据采集设备701可以是布控球、装配有枪机摄像头的安全帽、无人机以及各种类型的传感设备，这些设备将对电力基建现场采集的视频、语音、定位等信息通过Wifi、Lora(Long Range Radio，远距离无线电)等上传到边电子设备702。电子设备702可以是智慧物联移动终端。电子设备702具备对端侧的各类终端设备的集中接入能力，并实现边缘计算、AI智能分析、数据缓存和实时告警等功能。电子设备702实现边缘计算并上传关键数据的策略可以有效地降低传输流量，为用户节省成本。电子设备702与远程监控设备703之间可通过运营商网络进行通信。远程监控设备703可以直接调取数据采集设备701的原始数据，执行相关计算，也可以只获取电子设备702上传的对电力基建现场的现场图像的检测结果，供后台监管人员进行控制调度、命令下发、故障处理等。远程监控设备703可以是个人计算机、智能手机、平板电脑等设备。

例如远程监控设备703接收到电子设备702发送的危险行为的检测结果，发现电力基建现场出现了施工人员未佩戴安全帽，施工人员未佩戴安全帽通过屏幕进行显示告警以告知后台监管人员，后台监管人员及时对该未佩戴安全帽的施工人员进行提醒，实现电力基建现场的远程监控。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在机器可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行电力基建智能监控方法，该方法包括：获取对电力基建现场采集的现场图像；将所述现场图像输入至目标检测模型，得到所述目标检测模型输出的所述现场图像中危险行为的检测结果；其中，所述目标检测模型的检测网络中的卷积层用于基于输入特征图得到的本征特征图以及幻影特征图进行局部特征提取；所述幻影特征图是所述本征特征图通过廉价操作得到的；所述目标检测模型是基于对电力基建现场采集的样本图像以及所述样本图像对应的样本标签训练得到的。

又一方面，本发明还提供一种机器可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行电力基建智能监控方法，该方法包括：获取对电力基建现场采集的现场图像；将所述现场图像输入至目标检测模型，得到所述目标检测模型输出的所述现场图像中危险行为的检测结果；其中，所述目标检测模型的检测网络中的卷积层用于基于输入特征图得到的本征特征图以及幻影特征图进行局部特征提取；所述幻影特征图是所述本征特征图通过廉价操作得到的；所述目标检测模型是基于对电力基建现场采集的样本图像以及所述样本图像对应的样本标签训练得到的。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。