一种架空线路机器人障碍物识别方法技术

本申请公开了一种架空线路机器人障碍物识别方法，首先基于具有严格封闭形式保证的层间压缩公式进行部署，然后进行重新学习，以使原始网络和压缩网络之间的响应保持一致。本申请的方法提出了一种新的基于低阶分解的压缩方案，它同时加速卷积层并用精确的闭合解压缩完全连通层。为了进一步降低阶分解的压缩方案在高压缩率下造成的精度损失，本申请的方法进一步提出了一种有效的知识转移方案，将原始网络的输出和中间响应与压缩网络“显式”对齐。所提出的知识转移方案格式在所有层内和层间操作非线性变换函数，并以统一的方式最小化“局部”和“全局”重建误差。

【技术实现步骤摘要】
一种架空线路机器人障碍物识别方法
本申请涉及电器设备
，尤其涉及一种架空线路机器人障碍物识别方法。
技术介绍
高压架空输电线路的运行状况直接影响着电力系统的配送状况，对电力系统的安全稳定运行起着关键作用，因此，需要对高压架空输电线路的运行情况进行定期巡检。近年来，移动机器人技术的发展为架空电力线路巡检提供了新的思路，高压架空输电线路的巡检方式已由人工巡检向特种机器人巡检转化。架空线路巡检机器人(以下简称为架空线路机器人)用于线路缺陷的检测以及修复，实际使用时，架空线路机器人以一定速度沿输电线路爬行时，需要识别高压导线上的各种障碍物类型，例如防振锤、耐张线夹等，并能采取相应措施跨越该障碍。目前，架空线路机器人在进行巡线作业时，利用安装在其上的摄像头实时捕捉高压线路上的图像信息，再通过卷积神经元网络模型进行障碍物识别。但是，卷积神经元网络模型训练的过程中，通常会消耗大量的处理器运行内存和计算量，影响卷积神经元网络模型的快速更新，从而影响架空线路机器人对障碍物的识别效率。
技术实现思路
本申请提供了一种架空线路机器人障碍物识别方法，以解决现有的用于识别高压架空输电线路上障碍物的卷积神经元网络模型在训练过程中，消耗大量的处理器运行内存和计算量，影响卷积神经元网络模型的快速更新，从而影响架空线路机器人对障碍物的识别效率的问题。本申请提供了一种架空线路机器人障碍物识别方法，包括：构建卷积神经元网络识别模型；获取训练集，所述训练集为高压架空输电线路上的障碍物图像样本；>采用具有知识转移的低阶分解学习方法，利用训练集对卷积神经元网络识别模型进行训练；架空线路巡检机器人利用其携带的摄像头实时捕捉高压架空输电线路上的线况图像信息，并发送至训练后的卷积神经元网络识别模型中；训练后的卷积神经元网络识别模型根据线况图像信息，对高压架空输电线路上的障碍物进行识别。可选地，采用具有知识转移的低阶分解学习方法，利用训练集对卷积神经元网络识别模型进行训练，包括，构造一组空间域中秩为1的低秩滤波器基，利用低秩滤波器基，将卷积神经元网络识别模型的每个卷积层被分解为两个带矩形滤波器的新卷积层，带矩形滤波器的新卷积表示为：式中，Ki,j,c,n为一个大小为d×d×C×N的张量；利用公式求解滤波器的基Γ和V的近似解，求解得到的(Γ,V)为一组低阶约束滤波器，式中，Tn为一个滤波器组；利用公式求解优化问题获得近似的低秩子空间；利用低秩分解，在卷积层用两个小的卷积核代替大的卷积核，在全连通层用两个小的矩阵权代替大的矩阵权，卷积层中的相应加速比Sr和全连接层中的压缩比Cr为：采用知识转移方法，在原始网络和压缩网络之间转让整体和局部知识。可选地，采用知识转移方法，在原始网络和压缩网络之间转让整体和局部知识，包括，使用神经元网络第i层导块和基块输出之间的欧几里德距离建立局部损失函数；利用局部损失函数抑制消失梯度；从固定的原始网络中学习压缩网络的参数，形成不同深度的原始网络和压缩网络的不对称连接，对于分解后的低秩网络，损耗函数为：式中，分别为第i层神经元导块和基块的输出，尺寸为mi；将整体知识与上述局部知识相结合，通过最小化总体损失函数来训练压缩网络，如下式所示：式中，H代表知识转移中的交叉熵损失，L代表导块和基块，λi是一组用于平衡全局损失和每个局部损失的惩罚参数；基于式(6)和式(8)训练得到神经元网络，在网络全连接层中，利用矩阵乘运算，将输入矩阵与权重矩阵相乘，得到输出矩阵Z＝WX(9)。可选地，获取障碍物图像样本的过程为：架空线路机器人上的障碍物识别定位相机获取障碍物图像样本。可选地，高压架空输电线路的障碍物包括有防振锤、耐张夹具、绝缘子、悬垂线夹。本申请的架空线路机器人障碍物识别方法，提出了一个统一的整体和显式卷积神经网络压缩框架，该方法的目标是联合压缩卷积层和完全连接层，以同时加速在线推理和减少内存消耗。本申请的方法首先基于具有严格封闭形式保证的层间压缩公式进行部署，然后进行重新学习，以使原始网络和压缩网络之间的响应保持一致。本申请的方法提出了一种新的基于低阶分解的压缩方案，它同时加速卷积层并用精确的闭合解压缩完全连通层。为了进一步降低阶分解的压缩方案在高压缩率下造成的精度损失，本申请的方法进一步提出了一种有效的知识转移方案，将原始网络的输出和中间响应与压缩网络“显式”对齐。所提出的知识转移方案格式在所有层内和层间操作非线性变换函数，并以统一的方式最小化“局部”和“全局”重建误差。附图说明为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请架空线路机器人障碍物识别方法的流程图。具体实施方式本申请提供一种架空线路机器人障碍物识别方法，用于架空线路机器人对高压架空输电线路上障碍物进行识别。图1为本申请架空线路机器人障碍物识别方法的流程图,架空线路机器人障碍物识别方法包括：步骤S100，构建卷积神经元网络识别模型。步骤S200，获取训练集，所述训练集为高压架空输电线路上的障碍物图像样本。本申请中，获取障碍物图像样本的过程为：架空线路机器人上的障碍物识别定位相机获取障碍物图像样本。高压架空输电线路的障碍物包括有防振锤、耐张夹具、绝缘子、悬垂线夹。步骤S300，采用具有知识转移的低阶分解学习方法，利用训练集对卷积神经元网络识别模型进行训练。本申请中，采用具有知识转移的低阶分解学习方法，利用训练集对卷积神经元网络识别模型进行训练，包括，步骤S310，构造带滤波器的神经元网络卷积层，具体包括一下步骤。步骤S311，构造一组空间域中秩为1的低秩滤波器基，利用低秩滤波器基，将卷积神经元网络识别模型的每个卷积层被分解为两个带矩形滤波器的新卷积层，带矩形滤波器的新卷积表示为：式中，Ki,j,c,n为一个大小为d×d×C×N的张量。卷积神经元网络可以看作是一种前向多层网络结构，它将输入图像映射到特定的输出矢量。卷积神经元网络中的单元被组织成一系列具有两个空间维度和第三个“地图”或“渠道”平方纬度的立体张量。步骤S312，对于公式采用低阶分解学习方法构造了一组空间域中的低秩滤波器基，每个卷积层被分解为两个带矩形滤波器的新卷积层。将带滤波器的卷积表示为：式中，Tn为一个滤波器组。步骤S313，利用公式求解滤波器的基Γ和V的近似解，求解得到的(Γ,V)为一组低阶约束滤波器，式中，Tn为一个滤波器组；利用公式求解优化问题获得近似的低秩子空间；步骤S320，利用低秩分解，在卷积层用两个小的卷积核代替大的卷积本文档来自技高网...

【技术保护点】
1.一种架空线路机器人障碍物识别方法，其特征在于，包括：/n构建卷积神经元网络识别模型；/n获取训练集，所述训练集为高压架空输电线路上的障碍物图像样本；/n采用具有知识转移的低阶分解学习方法，利用训练集对卷积神经元网络识别模型进行训练；/n架空线路巡检机器人利用其携带的摄像头实时捕捉高压架空输电线路上的线况图像信息，并发送至训练后的卷积神经元网络识别模型中；/n训练后的卷积神经元网络识别模型根据线况图像信息，对高压架空输电线路上的障碍物进行识别。/n

【技术特征摘要】
1.一种架空线路机器人障碍物识别方法，其特征在于，包括：
构建卷积神经元网络识别模型；
获取训练集，所述训练集为高压架空输电线路上的障碍物图像样本；
采用具有知识转移的低阶分解学习方法，利用训练集对卷积神经元网络识别模型进行训练；
架空线路巡检机器人利用其携带的摄像头实时捕捉高压架空输电线路上的线况图像信息，并发送至训练后的卷积神经元网络识别模型中；
训练后的卷积神经元网络识别模型根据线况图像信息，对高压架空输电线路上的障碍物进行识别。


2.根据权利要求1所述的架空线路机器人障碍物识别方法，其特征在于，
采用具有知识转移的低阶分解学习方法，利用训练集对卷积神经元网络识别模型进行训练，包括，
构造一组空间域中秩为1的低秩滤波器基，利用低秩滤波器基，将卷积神经元网络识别模型的每个卷积层被分解为两个带矩形滤波器的新卷积层，带矩形滤波器的新卷积表示为：



式中，Ki,j,c,n为一个大小为d×d×C×N的张量；
利用公式求解滤波器的基Γ和V的近似解，求解得到的(Γ,V)为一组低阶约束滤波器，式中，Tn为一个滤波器组；



利用公式求解优化问题获得近似的低秩子空间；
利用低秩分解，在卷积层用两个小的卷积核代替大的卷积核，在全连通层用两个小的矩阵权代替大的矩阵权，卷积层中的相应加速比Sr和全连接层中的压缩比Cr为：

【专利技术属性】
技术研发人员：刘荣海，郑欣，郭新良，蔡晓斌，杨迎春，许宏伟，周静波，虞鸿江，陈国坤，焦宗寒，代克顺，何运华，孔旭晖，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：云南;53