一种输电线路中不同材质绝缘子的识别方法及存储介质技术

技术编号:37154455 阅读:21 留言:0更新日期:2023-04-06 22:14
本发明专利技术公开了一种输电线路中不同材质绝缘子的识别方法及存储介质,包括特征提取模块和检测模块,该方法包括:步骤1、输电线路绝缘子图片标注、使用YOLOV3进行绝缘子识别;步骤2,源域绝缘子有监督地预训练网络,针对源域绝缘子进行训练;步骤3,目标域绝缘子测试网络并生成软标签、并根据预测框面积和置信度阈值筛选软标签;步骤4,自训练;步骤5,对抗训练并生成针对不同材质绝缘子的识别模型。本发明专利技术采用不同材质的绝缘子样本对深度神经网络进行两个阶段的训练,在有效降低模型训练样本标注量的同时,解决了跨域识别不同材质的绝缘子的问题。题。题。

【技术实现步骤摘要】
一种输电线路中不同材质绝缘子的识别方法及存储介质


[0001]本专利技术涉及目标识别方法,具体涉及一种输电线路中不同材质绝缘子的识别方法及存储介质。

技术介绍

[0002]绝缘子是电力输电线路中进行绝缘的关键部件,起着非常重要的作用,为了确保电力的稳定运行,需要对电力输电线路进行定期巡检。经巡检后,可收集到电力输电线路关键部件的图片,对巡检图片进行检测可快速判断所巡检路线是否存在缺陷在巡视中,在巡检绝缘子是重点进行巡视的重要线路部件,针对绝缘子的巡视、发现缺陷进行上报,更换等工作,在线路的运维工作中,非常重要。
[0003]目前使用人工智能对象检测算法能够快速定位绝缘子缺陷,能够提高人工工作效率,但是由于绝缘子的制造材质不同,分为玻璃绝缘子、复合绝缘子,由于在自然界图形背景复杂,识别不同材质的绝缘子容易出现误判,但是根据不同材质的绝缘子训练模型,训练样本有限,工作量巨大,因此针对不同材质的绝缘子的对象识别,需要解决跨域问题目标检测问题。
[0004]由于电力输电线路的绝缘子根据制造材质的不同,分为玻璃绝缘子和复合绝缘子,在拍摄的绝缘子照片中,在自然界图像的背景复杂,类似的绝缘子的物体非常多,如果直接使用YOLOV3上进行训练,会因绝缘子数据分布差异过大造成误检率过高,因此要统一复合绝缘子和玻璃绝缘子的数据分布,减小其他异物的影响,提取玻璃绝缘子和复合绝缘子一致的特征。而现有域自适应算法适用于物体类别多、数据分布广泛的数据集,如果将其直接应用到不同类型的绝缘子检测上,会产生将类似绝缘子的物体误识别为绝缘子的问题。

技术实现思路

[0005]本专利技术要解决的技术问题在于克服上述不足,提供一种输电线路中不同材质绝缘子的识别方法及存储介质。
[0006]本专利技术的技术方案为:
[0007]一种输电线路中不同材质绝缘子的识别方法,包括以下步骤:
[0008]第一阶段:输电线路绝缘子图片标注、使用YOLOV3进行绝缘子识别;
[0009]第二阶段:源域绝缘子有监督地预训练网络,针对源域绝缘子进行训练。
[0010]第三阶段:目标域绝缘子测试网络并生成软标签、并根据预测框面积和置信度阈值筛选软标签,并进行排序。
[0011]第四阶段:输入到自训练网络阶段;
[0012]第五阶段:输入到对抗训练阶段,并生成针对不同材质绝缘子的识别模型。
[0013]本专利技术还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序能够被处理器执行以实现本专利技术所述的输电线路中不同材质绝缘子的识别
方法的步骤。
[0014]本专利技术的有益效果:
[0015]本专利技术采用不同材质的绝缘子样本对深度神经网络进行两个阶段的训练,在有效降低模型训练样本标注量的同时,解决了跨域识别不同材质的绝缘子的问题。
附图说明
[0016]图1:本专利技术的输电线路中不同材质绝缘子的识别方法流程图。
[0017]图2:有多个绝缘子时检测时生成的预测框大小不一的图示。
[0018]图3:对抗学习网络示意图。
[0019]图4:模型训练过程流程图。
具体实施方式
[0020]一种输电线路中不同材质绝缘子的识别方法,该方法分为四个阶段:
[0021]第一阶段:输电线路绝缘子图片标注、使用YOLOV3进行绝缘子识别;
[0022]第二阶段:源域绝缘子有监督地预训练网络;
[0023]第三阶段:目标域绝缘子测试网络并生成软标签、并根据预测框面积和置信度阈值筛选软标签;
[0024]第四阶段:自训练网络阶段;
[0025]第五阶段:对抗训练阶段。
[0026]实施例1
[0027]一种输电线路中不同材质绝缘子的识别方法,具体包括以下步骤:
[0028]步骤1,使用输电线路绝缘子图片标注,并使用YOLOV3模型对绝缘子识别图像识别,如图1所示;
[0029]步骤2,预训练网络阶段
[0030]如图1所示,基础网络如图1中的第一阶段所示,可总结为两个模块:特征提取模块(Darknet

53)和检测模块(YOLO detection)。
[0031]基础网络的训练使用有标签的源域,目的是使特征提取模块Darknet

53能很好地提取到玻璃绝缘子的特征,并且检测模块YOLO detection能够正确预测出绝缘子类别和位置信息。因为是在有监督的方式下训练的,所以特征提取模块能够提取源域绝缘子的特征,检测模块能够做到正确分类。
[0032]预训练损失函数如公式:
[0033]L
YOLOv3
=L
xy
+L
wh
+L
c
+L
class
ꢀꢀꢀ
(1)
[0034]其中,L
YOLOv3
为YOLOv3的原损失函数;L
xy
是通过交叉熵计算的中心损失;L
wh
是通过均方差函数计算的检测框的尺寸损失;L
c
是通过交叉熵计算的置信度损失,L
class
是通过交叉熵函数计算的类别损失。
[0035]步骤3,软标签生成阶段
[0036]自训练前,将目标域输入训练好的基础网络做测试,测试结果显示预训练模型能够识别部分目标域绝缘子,把预测结果作为目标域绝缘子的软标签,记为预
测的软标签与真实标签越接近,自训练的性能越好。然而并不是将所有预测结果都作为自训练的软标签,而是按照以下两项标准对软标签进行挑选:
[0037]标准1:预测框面积s
[0038]由于拍摄距离、视角的影响,图像上绝缘子的大小、形状、位置各不相同,检测时生成的预测框大小也各不相同,如图2所示,太小的检测框内的对象可能不是绝缘子。如果挑选了预测框的面积过于渺小的,对提升网络性能是没有作用的。因此,模型设置丢弃预测框面积小于图像面积1%的预测结果,不将其作为软标签。
[0039]标准2:置信度α
[0040]在检测过程中,分类器会预测每一个预测框分类正确的概率,即置信度。置信度的范围是[0,1],为选择更有效的软标签,将丢弃置信度小于α的预测结果,不将其作为软标签。
[0041]步骤4,自训练网络阶段
[0042]软标签不等同真实标签,具有不准确性,不准确的软标签会对模型进行错误引导,为了提高模型的泛化能力和准确性,自训练使用软标签的同时,把源域绝缘子及真实标签也加入训练。
[0043]自训练一轮后,Darknet

53的权重参数得到更新。之后重复步骤2的操作,并继续自训练,直至训练M次。自训练网络阶段分为源域绝缘子的真实标签训练和目标域绝缘子的软标签训练,训练好的Darknet

53能够同时检测到源域和目标域绝缘子。
[0044]步骤5,对抗训练本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种输电线路中不同材质绝缘子的识别方法,包括特征提取模块和检测模块,其特征在于,包括以下步骤:步骤1,输电线路绝缘子图片标注、使用YOLOV3进行绝缘子识别;步骤2,源域绝缘子有监督地预训练网络,针对源域绝缘子进行训练;步骤3,目标域绝缘子测试网络并生成软标签,根据预测框面积和置信度阈值筛选软标签并进行排序;步骤4,自训练网络;步骤5,对抗训练,生成针对不同材质绝缘子的识别模型。2.根据权利要求1所述的识别方法,其特征在于,所述步骤2还包括:预训练网络的训练使用有标签的源域,使特征提取模块能够提取到玻璃绝缘子的特征,并且检测模块能够正确预测出绝缘子类别和位置信息。3.根据权利要求2所述的识别方法,其特征在于,所述步骤2还包括:预训练损失函数为:L
YOLOv3
=L
xy
+L
wh
+L
c
+L
class
ꢀꢀꢀꢀꢀꢀ
(1)其中:L
YOLOv3
为YOLOv3的原损失函数;L
xy
是通过交叉熵计算的中心损失;L
wh
是通过均方差函数计算的检测框的尺寸损失;L
c
是通过交叉熵计算的置信度损失,L
class
是通过交叉熵函数计算的类别损失。4.根据权利要求4所述的识别方法,其特征在于,所述步骤3还包括:自训练前,将目标域输入训练好的基础网络做测试,测试结果显示预训练模型能够识别部分目标域绝缘子,把预测结果作为目标域绝缘子的软标签,记为预测的软标签与真实标签越接近,自训练的性能越好;然而并不是将所有预测结果都作为自训练的软标签,而是按照以下两项标准对软标签进行挑选:标准1:预测框面积s设置丢弃预测框面积小于图像面积1%的预测结果,不将其作为软标签;标准2:置信度α在检测过程中,分类器会预测每一个预测框分类正确的概率,即置信度;置信度的范围是[0,1],丢弃置信度小于α的预测结果,不将其作为软标签。5.根据权利要求4所述的识别方法,其特征在于,所述步骤4还包括:自训练使用软标签的同时,把源域绝缘子及真实标签也加入训练;自训练一轮后,特征提取模块的权重参数得到更新;之后重复步骤3的操作,并继续自训练,直至训练M次;自训练网络阶段分为源域绝缘子的真实标签训练和目标域绝缘子的软标签训练,训练好的特征提取模块能够同时检测到源域和目标域绝缘子。6.根据权利要求5所述的识别方法,其特征在于,所述步骤5中:还包括一个用于与特征提取模块进行对抗训练来提升模型的域自适应能力的输出维度为3域分类器D以及自训练阶段的特征提取器G,域分类器D预测的三个类别分别表示源域、目标域、源域和目标域公共特征。7.根据权利要求6所述的识别方法,其特征在于,所述步骤5中:训练时,将源域图像特征和目标域图像特征输入域分类器D,训练分类器能够区分源域
和目标域的公式如下:和目标域的公式如下:式中:L
S
(D)为源域结果,L
T
...

【专利技术属性】
技术研发人员:高雪林任莹师智良陈恩邦
申请(专利权)人:昆明能讯科技有限责任公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1