一种电网设备缺陷识别方法、装置、电子设备和存储介质制造方法及图纸

本申请提供了一种电网设备缺陷识别方法、装置、电子设备和存储介质，该方法包括：初始化两个学生模型和两个老师模型；根据第一老师模型生成第一伪标签数据；根据第一伪标签数据和有标签数据对第二学生模型进行训练；将训练后的第二学生模型中的参数更新到第二老师模型中；根据第二老师模型生成第二伪标签数据；根据第二伪标签数据和有标签数据对第一学生模型进行训练；将训练后的第一学生模型中的参数更新到第一老师模型中；循环伪标签数据生成、训练以及参数更新过程，输出循环后的老师模型；根据循环后的老师模型对电网设备缺陷进行识别。通过本申请，模型之间交叉生成伪标签，解决了学生模型与老师模型之间耦合度过高的问题。题。题。

【技术实现步骤摘要】
一种电网设备缺陷识别方法、装置、电子设备和存储介质


[0001]本申请涉及计算机视觉领域，尤其涉及一种电网设备缺陷识别方法、装置、电子设备和存储介质。

技术介绍

[0002]使用机器学习对电网设备缺陷进行识别能够避免消耗大量的人力并且更加智能和高效。目前主流的半监督目标检测方法是基于伪标签的，它利用带标签数据和无标签数据联合训练检测器。基于伪标签的模型一般由老师模型和学生模型两个部分组成，老师模型生成伪标签来训练学生模型，学生模型将学到的知识更新给老师模型。然而，由于老师模型是利用指数滑动平均(EMA)从学生模型那里更新知识，所以老师模型与学生模型之间是紧密耦合的。此外，由于目标检测数据集中每个类别的样本数量是不同的，老师模型倾向于给一张图像打上占主导地位类别的伪标签，导致学生模型偏差，这些偏差最终被老师模型所积累，使错误不可逆转，最终导致确认偏差。
[0003]因此，相关技术中存在学生模型与老师模型之间耦合度过高以及老师模型从学生模型中积累的预测偏差进一步累积到学生模型上的问题。

技术实现思路

[0004]本申请提供了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电网设备缺陷识别方法，其特征在于，所述方法包括：初始化第一老师模型、第二老师模型、第一学生模型以及第二学生模型；根据第一老师模型生成第一伪标签数据；根据所述第一伪标签数据和有标签数据对第二学生模型进行训练；将训练后的第二学生模型中的参数更新到第二老师模型中；根据所述第二老师模型生成第二伪标签数据；根据所述第二伪标签数据和有标签数据对第一学生模型进行训练；将训练后的第一学生模型中的参数更新到所述第一老师模型中；循环伪标签数据生成、训练以及参数更新过程，输出循环后的第一老师模型和第二老师模型；根据所述循环后的第一老师模型和第二老师模型对电网设备缺陷进行识别。2.根据权利要求1所述的方法，其特征在于，所述伪标签包括检测框及其对应的分类分布，所述方法还包括：获取第一老师模型生成的第一伪标签数据和第二老师模型生成的第二伪标签数据；根据所述第一伪标签数据中的分类分布和所述第二伪标签数据中的分类分布确定一致性分数，其中，所述一致性分数用于表示所述第一老师模型和所述第二老师模型对同一个伪检测框的预测结果的一致程度；根据所述一致性分数和分类损失生成无标签数据的损失函数；在第一学生模型和第二学生模型训练过程中根据所述无标签数据的损失函数更新所述第一学生模型或第二学生模型的参数。3.根据权利要求2所述的方法，其特征在于，所述根据所述第一伪标签数据中的分类分布和所述第二伪标签数据中的分类分布确定一致性分数包括：确定所述第一伪标签数据中的分类分布和所述第二伪标签数据中的分类分布差值的曼哈顿距离；根据所述差值的曼哈顿距离和激活函数确定所述一致性分数。4.根据权利要求2所述的方法，其特征在于，所述根据所述一致性分数和分类损失生成无标签数据的损失函数包括：获取伪前景框特征、伪背景框特征、伪前景框分类标签、伪背景框分类标签、前景框数量和背景框数量；根据所述伪前景框特征和所述伪前景框分类标签确定伪前景框的分类损失，根据所述伪背景框特征和所述伪背景框分类标签确定伪背景框的分类损失，其中，所述分类损失根据交叉熵损失确定；根据所述前景框数量、所述背景框数量、采用一致性分数对伪前景框的分类损失重加权后的分类损失和所述伪背景框的分类损失生成无标签数据的损失函数。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：生成有标签数据的损失函数，其中，所述有标签数据的损失函数包括有标签数据的分类损失和有...

【专利技术属性】
技术研发人员：刘浩，张屹，甘津瑞，吴鹏，周飞，邱镇，
申请(专利权)人：国网信息通信产业集团有限公司国家电网有限公司，
类型：发明
国别省市：