一种基于动态自适应权重损失的防震锤缺陷检测方法技术

本发明专利技术公开了一种基于动态自适应权重损失的防震锤缺陷检测方法，具体包括：制作防震锤及其缺陷训练数据集和测试数据集；构建动态自适应权重网络获取动态自适应损失函数权重系数，在该权重系数基础上构建基于动态自适应损失函数权重的防震锤缺陷目标检测算法模型；根据训练数据集，对基于动态自适应损失函数权重的防震锤及缺陷目标检测算法模型进行训练，得到训练后的防震锤缺陷目标检测算法模型；将测试数据集依次通过训练后的防震锤缺陷目标检测算法模型，获取防震锤缺陷检测结果；该方法通过一个模型就可同时实现端到端的防震锤及其缺陷检测，提高了检测效率，且在训练过程中仅引入少量参数，在测试过程中未引入参数，大幅提高了检测精度。大幅提高了检测精度。大幅提高了检测精度。

【技术实现步骤摘要】
一种基于动态自适应权重损失的防震锤缺陷检测方法


[0001]本专利技术涉及电力系统设备检测领域，特别是涉及到一种基于动态自适应权重损失的防震锤缺陷检测方法。

技术介绍

[0002]作为电力能源输送的载体，架空输电线路长期暴露在野外，其各个组成部分均易受自然环境侵袭。防振锤是架空输电线路的重要组成部分，其通过吸收架空线路因风力振动时的能量而对架空线路起到的保护作用。因此，对防振锤进行巡检是对架空输电线路定期巡检的重要内容，但由于高压、特高压架空输电线路多分布于野外地形复杂地区，且防振锤尺寸较小，对其进行人工巡检效率低、成本高、难度大。随着无人机平台及人工智能等技术的发展，基于航拍图像的防振锤检测已成为架空输电线路运行管理中新的研究热点。
[0003]传统的基于视觉的防振锤检测一般均采用滑动窗口的方法，该类方法将滑动窗口作为候选区域，首先提取其视觉特征，然后再利用分类器对滑动窗口的视觉特征进行识别。该类方法的视觉特征由人工选定，限制了算法的鲁棒性，另外，在防震锤的检测过程中，为保证其精度，其窗口冗余度过大，计算效率较低。
[0004]另一种基于卷积神经网络的防震锤检测方法，由算法自主地学习最佳的视觉特征，其特征表达的泛化能力强，其检测性能要明显优于传统的滑动窗口的方法。但由于防振锤的尺寸较小、自然环境的背景复杂，且航拍图像中存在仿射变换，对防震锤采用经典的卷积神经网络进行检测，其性能仍不够理想，还有较大的提升空间。
[0005]为提升防震锤的检测效果，目前有技术人员采用加大网络规模或者添加注意力机制等方法来提升算法的特征表征能力。但不论加大网络规模或者添加注意力机制都会增大算法模型的计算复杂度，同时也会在模型训练和测试过程中引入一定的参数量，因此耗用了较多的计算资源。

技术实现思路

[0006]为克服现有技术中的不足，简化算法模型的训练和推理过程，本专利技术将防震锤的目标检测问题转化多目标优化问题，并在此基础上，根据输入图像来动态自适应调整损失函数权重，提出了一种基于动态自适应权重损失的防震锤缺陷检测方法。该方法通过对损失函数权重的动态调整，来自适应的引导防震锤缺陷目标检测算法模型参数的优化过程，在训练过程中，仅引入了少量参数，在测试过程中，未引入任何参数，也未增加任何计算负担，但大幅提高了检测精度。
[0007]本专利技术的目的可以通过以下技术方案来实现：
[0008]一种基于动态自适应权重损失的防震锤缺陷检测方法，具体包括以下步骤：
[0009]制作防震锤及其缺陷数据集，所述防震锤及其缺陷数据集至少包括训练数据集和测试数据集；
[0010]构建动态自适应权重网络，获取动态自适应损失函数权重系数，在所述动态自适
{AB1...AB
i
...AB
N
}，所述CR
i
表示第i分类和回归子网络，所述AB
i
表示第i动态自适应权重子网络，所述第i分类和回归子网络包括第i分类子网络CLS
i
和第i回归子网络REG
i
，所述第i动态自适应权重子网络AB
i
包括第i分类动态权重子网络CA
i
和第i回归动态权重子网络RB
i
，所述第i分类子网络CLS
i
以特征金字塔网络中P
i
作为输入，且分别经过k1次卷积后产生T1个分类输出将所述k1次卷积中作为所述第i分类动态权重子网络CA
i
的输入产生第i分类动态权重向量
[0027]所述第i回归子网络REG
i
以特征金字塔网络中P
i
作为输入，且经过k2次卷积后产生T2个回归输出将所述k2次卷积中作为所述第i回归动态权重子网络RB
i
的输入产生第i回归动态权重向量
[0028]所述目标分类和回归网络中其他分类和回归子网络如第N分类和回归子网络CR
N
按所述第i分类和回归子网络所采用的上述方法产生T1个分类输出和T2个回归输出第N分类和回归动态权重子网络AB
N
按所述第i动态自适应权重子网络所采用的上述方法产生相应的分类动态权重向量和回归动态权重向量
[0029]进一步的，对所述第i分类动态权重子网络CA
i
获取第i分类动态权重向量的具体步骤如下：
[0030]S1：对进行全局平均池化得到分类全局平均池化运算结果所述分类全局平均池化运算结果的计算过程如式(1)所示：
[0031][0032]式(1)中表示的像素个数，表示的通道数，表示坐标为(h，w)处的像素值；
[0033]S2：对所述分类全局平均池化运算结果进行全链接运算，将的通道数压缩为个，然后再进行RELU激活运算，获取分类RELU激活运算结果所述分类RELU激活运算结果的计算过程如式(2)所示：
[0034][0035]式(2)中r
icls
表示通道压缩数，g表示先进行全链接运算再进行RELU 激活运算；
[0036]S3：对所述分类RELU激活运算结果进行全链接运算，将S2中个通道数恢复为个，然后再进行Sigmoid激活运算，获取分类Sigmoid激活运算结果所述分类Sigmoid激活运算结果的计算过程如式(3)所示：
[0037][0038]式(3)中f表示先进行全链接运算再进行Sigmoid激活运算；
[0039]S4：将所述分类Sigmoid激活运算结果由个数值按顺序平均分成 T1组，每组包含个数值，对每一组求平均值分别获取第i分类动态权重向量中各元素，获取的计算过程如式(4)所示：
[0040][0041]式(4)中t1表示T1组的分组索引，j表示第t1分组中元素的索引。
[0042]进一步的，对所述第i回归动态权重子网络RB
i
获取第i回归动态权重向量的具体步骤如下：
[0043]S1：对进行全局平均池化得到回归全局平均池化运算结果所述回归全局平均池化运算结果的计算过程如式(5)所示：
[0044][0045]式(5)中表示的像素大小，表示的通道数，表示坐标为(h，w)处的像素值；
[0046]S2：对所述回归全局平均池化参数进行全链接运算，将的通道数压缩为个，然后再进行RELU激活运算，获取回归RELU激活运算结果所述回归RELU激活运算结果的计算过程如式(6)所示：
[0047][0048]式(6)中r
ireg
表示通道压缩数，
[0049]S3：对所述回归RELU激活运算结果进行全链接运算，将S2中个通道数恢复为个，然后再进行Sigmoid激活运算，获取回归Sigmoid激活运算结果所述回归Sigmoid激活运算结果的计算过程如式(7)所示：
[0050][0051]S4：将所述回归Sigmoid激活运算结果由个数值平均分成T2组，再对每一组求平均值分别获取第i回归动态权本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态自适应权重损失的防震锤缺陷检测方法，其特征在于，所述检测方法具体包括以下步骤；制作防震锤及其缺陷数据集，所述防震锤及其缺陷数据集至少包括训练数据集和测试数据集；构建动态自适应权重网络，获取动态自适应损失函数权重系数，在所述动态自适应损失函数权重系数基础上构建基于动态自适应损失函数权重的防震锤缺陷目标检测算法模型；根据所述训练数据集，对所述基于动态自适应损失函数权重的防震锤及缺陷目标检测算法模型进行训练，得到训练后的防震锤缺陷目标检测算法模型；将所述测试数据集依次通过所述训练后的防震锤缺陷目标检测算法模型，获取防震锤缺陷检测结果。2.根据权利要求1所述基于动态自适应权重损失的防震锤缺陷检测方法，其特征在于，所述训练数据集和测试数据集是根据无人机航拍图像制作而成，制作步骤包括：S1：对不同无人机平台航拍的防震锤原始图像进行尺寸归一化降采样处理，通过所述尺寸归一化降采样处理后的防震锤图像尺寸为800
×
1333像素；S2：对所述尺寸归一化降采样处理后的防震锤图像中的防震锤本体、左锤体、右锤体和夹具进行标注；S3：将S2中标注后的防震锤图像数据集按比例划分为训练数据集和测试数据集；其中，所述防震锤本体、左锤体、右锤体和夹具采用LabelImg标注工具进行标注，其标注内容包括标注框类别信息以及标注框位置信息，所述标注框类别信息包括防震锤、锤体正常、锤体异常，夹具正常以及夹具异常，所述标注框位置信息包括标注框中心点纵坐标、标注框中心点横坐标、标注框长度以及标注框宽度。3.根据权利要求2所述基于动态自适应权重损失的防震锤缺陷检测方法，其特征在于，所述基于动态自适应损失函数权重的防震锤缺陷目标检测算法模型包括特征提取网络、特征金字塔网络、目标分类和回归网络以及动态权重网络；输入所述防震锤图像至所述特征提取网络中，所述特征提取网络采用卷积神经网络，由若干卷积块{C1...C
i
...C
N
}构成，所述卷积块包括若干卷积层和1个池化层，并以步长为2的池化操作为间隔。4.根据权利要求3所述基于动态自适应权重损失的防震锤缺陷检测方法，其特征在于，所述特征提取网络可采用的卷积神经网络包括ResNet(ResNet
‑
18、ResNet
‑
34、ResNet
‑
50、ResNet
‑
101)网络、VGG(VGG
‑
11、VGG
‑
13、VGG
‑
16、VGG
‑
19)网络、Inceptron网络以及MobileNet网络；所述特征金字塔网络对所述特征提取网络中的所有卷积块{C1...C
i
...C
N
}分别进行卷积得到{P1...P
i
...P
N
}，以实现所述特征提取网络中各个不同输出的尺寸特征融合，实现步骤包括：S1：对卷积块C
N
进行一次卷积得到P
N
；S2：对卷积块C
N
‑1进行一次卷积；S3：对所述P
N
进行上采样；S4：将S2得到的结果与S3得到的结果相加；S5：对S4得到的结果进行卷积得到P
N
‑1；S6：按S1～S5步骤所述方法依次得到P
N
‑2、P
N
‑3、...、P
i
、...P1。
5.根据权利要求4所述基于动态自适应权重损失的防震锤缺陷检测方法，其特征在于，所述目标分类和回归网络包括若干个分类和回归子网络{CR1...CR
i
...CR
N
}，所述动态权重网络包括若干个动态自适应权重子网络{AB1...AB
i
...AB
N
}，所述CR
i
表示第i分类和回归子网络，所述AB
i
表示第i动态自适应权重子网络，所述第i分类和回归子网络包括第i分类子网络CLS
i
和第i回归子网络REG
i
，所述第i动态自适应权重子网络AB
i
包括第i分类动态权重子网络CA
i
和第i回归动态权重子网络RB
i
，所述第i分类子网络CLS
i
以特征金字塔网络中P
i
作为输入，且分别经过k1次卷积后产生T1个分类输出将所述k1次卷积由作为所述第i分类动态权重子网络CA
i
的输入产生第i分类动态权重向量所述第i回归子网络REG
i
以特征金字塔网络中P
i
作为输入，且经过k2次卷积后产生T2个回归输出将所述k2次卷积中作为所述第i回归动态权重子网络RB
...

【专利技术属性】
技术研发人员：李冰锋，徐清华，杨艺，吴桐，钱伟，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：