一种输电本体缺陷识别方法和系统技术方案

本发明专利技术提出了一种输电本体缺陷识别方法和系统，该方法包括：获取输电线路杆塔本体缺陷图像，构建缺陷图像中金具数据集；根据金具类别样本数量将金具数据集划分为第一金具数据集和第二金具数据集；采用第一金具数据集训练第一教师模型，采用第二金具数据集训练第二教师模型；然后将两个教师模型进行蒸馏训练得到第三教师模型；增加类别蒸馏损失，利用第三教师模型训练目标学生模型，然后进行梯度更新计算得到输电本体缺陷识别模型；采用输电本体缺陷识别模型对当前输电本体缺陷图像进行识别

【技术实现步骤摘要】
一种输电本体缺陷识别方法和系统


[0001]本专利技术属于输电线路智能检测
，特别涉及一种输电本体缺陷识别方法和系统
。

技术介绍

[0002]随着电网建设的不断深入，输电线路架设的需求多与高人工运维成本之间的矛盾逐渐增大
。
无人机巡检能够有效缓解电网建设需求和人工运维成本之间的矛盾，具有成本低廉
、
操作简单
、
不受环境影响的优点
。
在无人机拍摄的输电线路图像中，要巡检的缺陷种类众多
。
[0003]涉及到杆塔本体金具的一些缺陷类别，比如杆塔鸟巢
、
绝缘子自爆
、
销钉缺失等多种隐患类型，缺陷类别数量可达上百种
。
但是由于出现频率和采集难度的影响，部分类别样本收集困难，无法提供充足的样本去进行深度学习算法的训练，并且输电场景复杂，类别特征多变，因此基于无人机图像的输电线路巡检仍面临着巨大的挑战
。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提出了一种输电本体缺陷识别方法和系统，通过知识蒸馏策略提高基线模型的能力，减少样本不平衡带来的影响，提高特定类别的识别能力，保障了电力的安全运输
。
[0005]为实现上述目的，本专利技术采用以下技术方案：
[0006]一种输电本体缺陷识别方法，包括以下步骤：
[0007]获取输电线路杆塔本体缺陷图像，构建杆塔本体缺陷图像中金具数据集；根据金具类别样本数量将所述金具的数据集划分为第一金具数据集和第二金具数据集；
[0008]采用第一金具数据集训练第一教师模型，采用第二金具数据集训练第二教师模型；然后将第一教师模型和第二教师模型进行蒸馏训练得到第三教师模型；
[0009]增加类别蒸馏损失，利用第三教师模型训练目标学生模型，然后进行梯度更新计算得到输电本体缺陷识别模型；采用所述输电本体缺陷识别模型对当前输电本体缺陷图像进行识别
。
[0010]进一步的，所述第一金具数据集的样本数量小于第二金具数据集的样本数量；且第一金具数据集的样本数量
+
第二金具数据集的样本数量＝金具数据集的样本数量
。
[0011]进一步的，所述第一金具数据集的样本数量低于预设数量或者样本数量占比小于总样本数量的预设比例
。
[0012]进一步的，所述将第一教师模型和第二教师模型进行蒸馏训练得到第三教师模型的过程包括：将第一教师模型类别信息赋值到第二教师模型对应维度的类别信息得到集成第一教师模型和第二教师模型的第三教师模型
。
[0013]进一步的，所述预设学生模型的训练过程为：采用金具数据集训练目标学生模型
。
[0014]进一步的，采用
yolov5s
网络架构训练第一教师模型
、
第二教师模型和目标学生模
型
。
[0015]进一步的，所述蒸馏损失采用
KL
散度损失函数，其中
KL
散度损失函数表示为：
[0016][0017]其中，
T(cls)
代表的是第三教师模型输出的类别预测概率值，
S(cls)
代表的是目标学生模型输出的类别预测概率值；所述
N
为金具数据集
。
[0018]进一步的，所述方法还包括对类别蒸馏损失增加权重系数用于增强蒸馏的效果
。
[0019]本专利技术还提出了一种输电本体缺陷识别系统，包括构建模块
、
训练模块和识别模块；
[0020]所述构建模块用于获取输电线路杆塔本体缺陷图像，构建杆塔本体缺陷图像中金具数据集；根据金具类别样本数量将所述金具的数据集划分为第一金具数据集和第二金具数据集；
[0021]所述训练模块用于采用第一金具数据集训练第一教师模型，采用第二金具数据集训练第二教师模型；然后将第一教师模型和第二教师模型进行蒸馏训练得到第三教师模型；
[0022]所述识别模块用于增加类别蒸馏损失，利用第三教师模型训练目标学生模型，然后进行梯度更新计算得到输电本体缺陷识别模型；采用所述输电本体缺陷识别模型对当前输电本体缺陷图像进行识别
。
[0023]进一步的，所述构建模块中采用无人机获取输电线路场景下输电线路杆塔本体缺陷图像
。
[0024]
技术实现思路
中提供的效果仅仅是实施例的效果，而不是专利技术所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
[0025]本专利技术提出了一种输电本体缺陷识别方法和系统，该方法包括以下步骤：获取输电线路杆塔本体缺陷图像，构建杆塔本体缺陷图像中金具数据集；根据金具类别样本数量将所述金具的数据集划分为第一金具数据集和第二金具数据集；采用第一金具数据集训练第一教师模型，采用第二金具数据集训练第二教师模型；然后将第一教师模型和第二教师模型进行蒸馏训练得到第三教师模型；增加类别蒸馏损失，利用第三教师模型训练目标学生模型，然后进行梯度更新计算得到输电本体缺陷识别模型；采用所述输电本体缺陷识别模型对当前输电本体缺陷图像进行识别
。
基于一种输电本体缺陷识别方法，还提出了一种输电本体缺陷识别系统
。
本专利技术基于
yolov5
目标检测算法，通过知识蒸馏策略提高基线模型的能力，减少样本不平衡带来的影响，提高特定类别的识别能力，保障了电力的安全运输
。
[0026]本专利技术提出将数据集按照类别数量进行子集划分，分别训练高精度的教师模型，通过模型集成得到在特定类别上具有更强识别能力的教师模型，利用知识蒸馏去指导学生模型，从而得到更高精度的缺陷识别算法
。
附图说明
[0027]如图1为本专利技术实施例1提出的一种输电本体缺陷识别方法流程图；
[0028]如图2为本专利技术实施例1提出的一种输电本体缺陷识别系统示意图
。
具体实施方式
[0029]为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本专利技术进行详细阐述
。
下文的公开提供了许多不同的实施例或例子用来实现本专利技术的不同结构
。
为了简化本专利技术的公开，下文中对特定例子的部件和设置进行描述
。
此外，本专利技术可以在不同例子中重复参考数字和
/
或字母
。
这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和
/
或设置之间的关系
。
应当注意，在附图中所图示的部件不一定按比例绘制
。
本专利技术省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本专利技术
。
[0030]实施例1[0031]本专利技术实施例1提出了一种输电本体缺陷识别方法，用于弥补输电本体缺陷识别的不足
。
如图1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种输电本体缺陷识别方法，其特征在于，包括以下步骤：获取输电线路杆塔本体缺陷图像，构建杆塔本体缺陷图像中金具数据集；根据金具类别样本数量将所述金具的数据集划分为第一金具数据集和第二金具数据集；采用第一金具数据集训练第一教师模型，采用第二金具数据集训练第二教师模型；然后将第一教师模型和第二教师模型进行蒸馏训练得到第三教师模型；增加类别蒸馏损失，利用第三教师模型训练目标学生模型，然后进行梯度更新计算得到输电本体缺陷识别模型；采用所述输电本体缺陷识别模型对当前输电本体缺陷图像进行识别
。2.
根据权利要求1所述的一种输电本体缺陷识别方法，其特征在于，所述第一金具数据集的样本数量小于第二金具数据集的样本数量；且第一金具数据集的样本数量
+
第二金具数据集的样本数量＝金具数据集的样本数量
。3.
根据权利要求2所述的一种输电本体缺陷识别方法，其特征在于，所述第一金具数据集的样本数量低于预设数量或者样本数量占比小于总样本数量的预设比例
。4.
根据权利要求1所述的一种输电本体缺陷识别方法，其特征在于，所述将第一教师模型和第二教师模型进行蒸馏训练得到第三教师模型的过程包括：将第一教师模型类别信息赋值到第二教师模型对应维度的类别信息得到集成第一教师模型和第二教师模型的第三教师模型
。5.
根据权利要求4所述的一种输电本体缺陷识别方法，其特征在于，所述预设学生模型的训练过程为：采用金具数据集训练目标学生模型
。6.
根据权利要求5所述的一种输电本体缺陷识别方法，其特征在于，采用
yolov5s

【专利技术属性】
技术研发人员：徐鹏翱，王硕，范满，孙绍英，侯良文，汲德昌，
申请(专利权)人：智洋创新科技股份有限公司，
类型：发明
国别省市：