编码器和模型的训练方法、故障检测方法及相关设备技术

本发明专利技术公开了一种图像编码器训练方法，属于图像数据处理技术领域，其中所述方法包括获取数据集利用编码器进行目标图像和背景图像的特征提取，利用预设损失函数获取所述特征的损失值和一个预设值调整第一、第二编码器，并返回特征提取步骤，当损失值下降到一定值时所述编码器训练完成。本发明专利技术还公开了一种U

【技术实现步骤摘要】
编码器和模型的训练方法、故障检测方法及相关设备


[0001]本专利技术涉及计算机图像数据处理领域，尤其涉及一种编码器和模型的训练方法、故障检测方法及相关设备。

技术介绍

[0002]风能作为可持续的清洁能源，由于其安全性、稳定性及低成本，在可再生能源的未来发展中发挥着重要作用。风机叶片是风电机组进行能量转换的核心部件之一，极易受环境影响而造成叶片故障。对风机叶片进行及时准确的故障诊断，可以提高风电场的发电效率和风电机组的运行寿命。目前，风机叶片故障诊断常采用深度学习目标检测技术，如传统的一种将图像划分为网络并进行目标检测的算法和一种快速将深度学习应用到目标检测上的算法。
[0003]传统的目标检测算法在检测过程中会产生大量anchor，anchor是一种预定义的固定大小和宽高比的边界框，传统的目标检测算法将待检测的图像划分为如图1所示多个框，进而产生大量anchor，anchor用于在图像中捕捉不同尺度和形状的目标，这种机制导致在后续对结果后处理过程中会进行大量的非极大值抑制计算，产生很大的计算量，进而使得图像的检测效率低下。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像编码器的训练方法，其特征在于，所述图像编码器的训练方法包括：获得图像数据集和检测区域数据集，所述检测区域数据集中各数据与所述图像数据集中存在损失区域的图像一一对应；根据所述图像数据集和检测区域数据集将所述图像数据集中的图像划分为目标图像和背景图像；利用第一编码器对所述目标图像进行特征提取获得目标特征，并利用第二编码器对所述背景图像进行特征提取获得背景特征；利用预设第一损失函数获取所述目标特征和所述背景特征之间的损失值；根据所述损失值调整所述第一编码器，根据预设值逐步调整所述第二编码器，所述预设值接近0，并返回：利用第一编码器对所述目标图像进行特征提取获得目标特征，并利用第二编码器对所述背景图像进行特征提取获得背景特征，直到所述损失值小于或者等于预设损失值；根据所述损失值小于或者等于预设损失值对应的第一编码器和第二编码器获得图像编码器。2.如权利要求1所述的训练方法，其特征在于，所述根据所述损失值调整所述第一编码器，根据预设值逐步调整所述第二编码器，所述预设值接近0，并返回：利用第一编码器对所述目标图像进行特征提取获得目标特征，并利用第二编码器对所述背景图像进行特征提取获得背景特征，直到所述损失值小于或者等于预设损失值的步骤，包括：将所述目标图像与所述背景图像划分为多个队列，其中各队列中图像总数相同，且各队列中的所述目标图像与所述背景图像的数量比为预设比；将第一队列中的所述目标图像输入第一编码器获得第一目标特征，将第一队列中的所述背景图像输入第二编码器获得第一背景特征，其中第一队列为多个队列中的一个；根据预设第一损失函数获取所述第一目标特征与所述第一背景特征的第一损失值；若第一损失值大于预设损失值，将所述第一损失值反向传播至第一编码器进行梯度下降得到更新后的第一编码器，并通过预设值逐步调整第二编码器，同时将第二队列中的所述目标图像输入所述更新后的第一编码器获得第二目标特征，将第二队列中的所述背景图像输入调整后的所述第二编码器获得第二背景特征，其中第二队列为多个队列中任一队列，且第一队列和第二队列为不同队列；根据所述第二目标特征和所述第二背景特征计算损失值，以此类推直到所述损失值小于或者等于预设损失值。3.如权利要求2所述的训练方法，其特征在于，每个队列中目标图像位于队首，背景图像位于队尾。4.如权利要求2所述的训练方法，其特征在于，所述将所述目标图像与所述背景图像划分为多个队列，其中各队列中图像总数相同，且各队列中的所述目标图像与所述背景图像的数量比为预设比，替换为：每次从目标图像选取第一数量目标图像与从背景图像选取第二数量背景图像作为一队列，其中每次队列选择的图像均不完全相同。5.一种U
‑
Net神经网络模型的训练方法，特征在于，所述训练方法包括：获取训练集图像与掩码操作后的训练集图像的标注框；
根据所述训练集图像和所述掩码操作后的训练集图像的标注框对U
‑
Net神经...

【专利技术属性】
技术研发人员：王炼红，邱浩轩，张英杰，李蒲德，李明，丁晨，
申请(专利权)人：湖南大学，
类型：发明
国别省市：