一种用于极寒灾害下输电线路金具缺陷的态势感知方法技术

本发明专利技术提供了一种用于极寒灾害下输电线路金具缺陷的态势感知方法，建立第一级检测模型及第二级分类模型，获取极寒灾害下金具目标数据集及缺陷数据集，通过极寒灾害下金具目标数据集及缺陷数据集训练第一级检测模型及第二级分类模型，将第一级检测模型及第二级分类模型级联；将待检测的输电线路航拍图像输入训练后的第一级检测模型中，得到金具图像和标签，将金具图像和标签同时输入训练后的第二级分类模型中，得到金具的缺陷情况。本发明专利技术提供的用于极寒灾害下输电线路金具缺陷的态势感知方法，实现了模型的可持续学习，节约了模型占用空间，保证了模型在学习新的分类任务的同时不会忘记旧分类任务，提高了模型对不同缺陷程度的金具的识别能力。程度的金具的识别能力。程度的金具的识别能力。

【技术实现步骤摘要】
一种用于极寒灾害下输电线路金具缺陷的态势感知方法


[0001]本专利技术涉及输电线路缺陷检测
，特别是涉及一种用于极寒灾害下输电线路金具缺陷的态势感知方法。

技术介绍

[0002]输电线路上的金具是否存在缺陷将直接影响输电线路的运行安全，尤其是极寒灾害下输电线路金具出现缺陷的可能性更高，且人工巡检更加困难。输电线路上的金具是逐渐从正常状态转化为缺陷状态，同时同一缺陷也有其不同的缺陷程度，并且是在不断演化的。对于同一金具的同一缺陷而言，其不同的缺陷状态对于输电线路的影响程度也是不同的。因此，为了保障极寒灾害下输电线路的安全运行，需要对输电线路上的大量金具缺陷进行态势感知，以获取金具目前处于何种状态并有针对的进行维护。
[0003]态势感知指的是在特定的时空背景下，对系统中各元素进行觉察、理解并对未来运行状态进行预测，这三步分别对应了态势感知过程的三个阶段：态势要素采集、实时态势理解和未来态势预测。输电线路态势感知的对象是线路上的金具，在感知到金具的状态后再对其接下来的转化状态进行预测，用于辅助巡检人员做出决策。
[0004]由于极寒灾害下人工巡检作业极为困难，因此通过无人机航拍获得输电线路图像，再使用基于深度学习的分类模型对航拍图像进行缺陷态势感知的巡检方式可减少运维人员登杆检查工作量，保障巡检人员安全，快速且准确判断缺陷状态。该工作对应的是态势感知中的态势要素采集阶段，为态势感知下一步提供基础数据信息，此阶段是态势感知的基础环节。
[0005]但是，目前的深度学习模型在训练时需要使用所有种类的金具及其缺陷图像，并且训练完成后的模型可感知的金具及缺陷种类不可增加，当需要增加新的待分类缺陷时，如果直接使用新的待分类数据集对原模型进行训练，会导致模型对旧任务的处理能力呈现断崖式下降，这种现象称之为灾难性遗忘。因此只能放弃原模型，将新数据集混入旧数据集从新训练模型，但是这样会耗费大量时间。
[0006]为了使模型可以在不重新训练的前提下减小灾难性遗忘的影响，持续学习的概念被提出。现阶段的持续学习主要通过三种方式来实现：第一种是基于正则化的方法，通过限制模型参数偏离先前的解太远来防止遗忘，但是这样也会限制模型适应新任务的能力，导致模型无法找到最优解；第二种是基于数据集重放的方法，通过对以前任务保存的数据进行多次重放来使模型记住曾经学习过的任务的特征，该方法虽然在防止遗忘方面很有效，但基于重放的方法的性能高度依赖于内存缓冲区的大小和重放内容的选择，在某些严格的设置中，保存任何数据可能都不是一个最佳选项，在大规模环境中随着任务数量的增加，性能会迅速下降；第三种方法是基于模型扩增的方法，通过在每个任务中设置增长模型来对抗遗忘，该方法可以减轻灾难性遗忘，并且可以容易地添加额外的必要容量来容纳新任务，这种不需要保存任何数据就能任意扩展的能力给扩展方法提供了在大规模数据环境设置中成功的可能性。但是随着任务量的增加，如何将模型参数数量的增长量保持在可接受范
围的依然是需要首先考虑的问题。
[0007]由于输电线路上金具及其缺陷种类众多，且输电线路分布广泛，每一个省份地区的输电线路都不尽相同，使用的部件材质、部件形状、安装规范以及所处的地理环境都存在极大的区别，并且极寒灾害下金具缺陷数据难以收集，数据较少，一次性收集所有种类数据面临巨大困难。目前的检测模型受限于金具缺陷数据集分布不平衡的问题，对某些数据集较少的缺陷检测精度较低，且不具备持续学习的能力。
[0008]因此，将对抗性持续学习应用于极寒灾害下输电线路上金具缺陷的态势感知，将有效提高巡检效率。但目前的对抗性持续学习模型只能用于分类任务，并且对类间差异较小的各种不同程度的金具缺陷进行分类时并不能达到很好的效果。因此，设计一种用于极寒灾害下输电线路金具缺陷的态势感知方法是十分有必要的。

技术实现思路

[0009]本专利技术的目的是提供一种用于极寒灾害下输电线路金具缺陷的态势感知方法，实现了金具缺陷检测模型的可持续学习，能够缓解由于金具缺陷数据集不平衡导致的某些金具缺陷检测精度过低的问题，提高了极寒灾害下金具检测的精度，节约了模型占用空间，保证了模型在学习新的分类任务的同时不会忘记旧分类任务，提高了模型对不同缺陷程度的金具的识别能力。
[0010]为实现上述目的，本专利技术提供了如下方案：
[0011]一种用于极寒灾害下输电线路金具缺陷的态势感知方法，包括如下步骤：
[0012]步骤1：建立第一级检测模型，获取极寒灾害下金具目标数据集，通过该数据集训练第一级检测模型；
[0013]步骤2：建立第二级分类模型，获取极寒灾害下金具缺陷数据集，并将其进行分类，通过分类后的金具缺陷数据集训练第二级分类模型；
[0014]步骤3：将第一级检测模型及第二级分类模型级联，并在第二级分类模型中引入注意力机制；
[0015]步骤4：将待检测的输电线路航拍图像输入步骤1中训练后的第一级检测模型中，得到金具图像和标签，将金具图像和标签同时输入步骤2中训练后的第二级分类模型中，得到金具的缺陷情况。
[0016]可选的，步骤1中，建立第一级检测模型，获取极寒灾害下金具目标数据集，通过该数据集训练第一级检测模型，具体为：
[0017]建立YOLOv4模型作为级联的第一级检测模型，获取极寒灾害下金具目标数据集，通过该数据集训练第一级检测模型，使其能够在输电线路航拍图像上检测金具目标，并将检测得到的金具图像及标签裁剪下来，作为第二级分类模型的输入，其中令输入的输电线路航拍图像为x
global
，被裁剪的金具图像为x，各类金具的标签为y，得到利用YOLOv4模型检测金具的公式F
yolov4
为：
[0018]F
yolov4
(x
global
)＝(x,y)
ꢀꢀꢀ
(1)
[0019]可选的，步骤2中，获取极寒灾害下金具缺陷数据集，并将其进行分类，具体为：
[0020]获取极寒灾害下金具缺陷数据集，按照不同种类的金具对其进行划分，划分完成后，以各金具的具体缺陷为子类再次进行划分，
[0021]D＝{D1,D2,
………
,D
T
}
ꢀꢀꢀ
(2)
[0022][0023]式中，D为所有金具缺陷数据集的集合，D
k
为某类金具缺陷数据，x
ik
为输入图像，y
ik
为输出标签，t
ik
为任务标签，n
k
为训练集的数量，i为金具缺陷类别。
[0024]可选的，在步骤2中所述的第二级分类模型中，将深度学习网络学习到的特征知识划分为共享知识模块和特有知识模块，其中共享知识模块采用对抗性训练的方式学习所有分类任务中的所有训练集的共有图像特征，特有知识模块只学习序列分类任务中的特有特征，采用正交约束方法使共享知识模块与特有知识模块学习到的特征知识不尽相同。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于极寒灾害下输电线路金具缺陷的态势感知方法，其特征在于，包括如下步骤：步骤1：建立第一级检测模型，获取极寒灾害下金具目标数据集，通过该数据集训练第一级检测模型；步骤2：建立第二级分类模型，获取极寒灾害下金具缺陷数据集，并将其进行分类，通过分类后的金具缺陷数据集训练第二级分类模型；步骤3：将第一级检测模型及第二级分类模型级联，并在第二级分类模型中引入注意力机制；步骤4：将待检测的输电线路航拍图像输入步骤1中训练后的第一级检测模型中，得到金具图像和标签，将金具图像和标签同时输入步骤2中训练后的第二级分类模型中，得到金具的缺陷情况。2.根据权利要求1所述的用于极寒灾害下输电线路金具缺陷的态势感知方法，其特征在于，步骤1中，建立第一级检测模型，获取极寒灾害下金具目标数据集，通过该数据集训练第一级检测模型，具体为：建立YOLOv4模型作为级联的第一级检测模型，获取极寒灾害下金具目标数据集，通过该数据集训练第一级检测模型，使其能够在输电线路航拍图像上检测金具目标，并将检测得到的金具图像及标签裁剪下来，作为第二级分类模型的输入，其中令输入的输电线路航拍图像为x
global
，被裁剪的金具图像为x，各类金具的标签为y，得到利用YOLOv4模型检测金具的公式F
yolov4
为：F
yolov4
(x
global
)＝(x,y)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)3.根据权利要求1所述的用于极寒灾害下输电线路金具缺陷的态势感知方法，其特征在于，步骤2中，获取极寒灾害下金具缺陷数据集，并将其进行分类，具体为：获取极寒灾害下金具缺陷数据集，按照不同种类的金具对其进行划分，划分完成后，以各金具的具体缺陷为子类再次进行划分，D＝{D1,D2,
···
,D
T
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中，D为所有金具缺陷数据集的集合，D
k
为某类金具缺陷数据，x
ik
为输入图像，y
ik
为输出标签，t
ik
为任务标签，n
k
为训练集的数量，i为金具缺陷类别。4.根据权利要求1所述的用于极寒灾害下输电线路金具缺陷的态势感知方法，其特征在于，在步骤2中所述的第二级分类模型中，将深度学习网络学习到的特征知识划分为共享知识模块和特有知识模块，其中共享知识模块采用对抗性训练的方式学习所有分类任务中的所有训练集的共有图像特征，特有知识模块只学习序列分类任务中的特有特征，采用正交约束方法使共享知识模块与特有知识模块学习到的特征知识不尽相同。5.根据权利要求4所述的用于极寒灾害下输电线路金具缺陷的态势感知方法，其特征在于，特有知识模块只学习序列分类任务中的特有特征，具体为：学习同一序列分类任务中不同类别图像的不相似的特征，并为每一个序列分类任务单独保存一个子模型P，对于一个包含c种类别图像的序列分类任务而言，实际上就是一个c类的分类任务，其中损失函数为：
式中，x
k
表示输入数据，y
k
...

【专利技术属性】
技术研发人员：赵振兵，蒋志刚，刘庆时，王东升，李信，席嫣娜，李坚，韦凌霄，王舒，刘若诗，张少军，娄竞，彭柏，肖娜，
申请(专利权)人：国网北京市电力公司国网冀北电力有限公司国网冀北电力有限公司信息通信分公司国家电网有限公司，
类型：发明
国别省市：