一种基于元学习的变电站设备缺陷检测方法及系统技术方案

本发明专利技术公开了一种基于元学习的变电站设备缺陷检测方法及系统，方法包括：获取变电站设备的缺陷图像形成数据集；将

【技术实现步骤摘要】
一种基于元学习的变电站设备缺陷检测方法及系统


[0001]本专利技术涉及计算机视觉和缺陷检测领域，具体涉及一种基于元学习的变电站设备缺陷检测方法及系统
。

技术介绍

[0002]对变电站的设备进行实时的缺陷检测是变电站安全稳定运行的重要一环，传统的图像检测方法如基于局部区域的设备边缘检测方法
、
基于尺度不变特征变换
、
霍夫变换和
K
临近算法的检测方法对这些巡检图片进行检测以发现可能存在的缺陷
。
但是传统图像检测算法只能应对单一的缺陷类别，且往往在面对复杂背景图像表现不佳，对成像设备要求较高，难以适应复杂多变的变电站设备环境
。
随着人工智能技术在近些年来的快速发展，出现了许多应用人工智能技术解决变电站设备缺陷检测的研究，这类算法利用数据集中的标签和数据来训练卷积神经网络
(Convolutional Neural Networks
，
CNNs)
，例如中国专利公开号
CN114882005A
公开的基于卷积神经网络的变电站设备缺陷检测方法，该类算法可以分为目标检测
(Object Detection)
和目标分割
(Object Segmentation)
，虽然该类算法相比于传统算法具有较高的检测精度，但是在人工智能应用变电站设备缺陷检测研究过程中，仍存在小样本的问题，限制了人工智能技术的应用
。

技术实现思路

[0003]本专利技术所要解决的技术问题在于现有技术变电站设备缺陷检测方法存在小样本的问题，检测结果不够准确
。
[0004]本专利技术通过以下技术手段解决上述技术问题的：一种基于元学习的变电站设备缺陷检测方法，包括以下步骤：
[0005]获取变电站设备的缺陷图像形成数据集，数据集分为训练集
、
验证集
、
测试集；
[0006]将
DarkNet
‑
53
作为检测框架，在其网络最后一层增加用于提取到不同细粒度的全局目标信息的
GCB
模块，将网络最后两层
CSP
模块增加注意力机制形成
ACSP
模块，最后将元学习算法
MAML
算法融合到检测框架的训练流程中，得到基于元学习的缺陷检测模型，利用训练集训练缺陷检测模型，得到最终的缺陷检测模型；
[0007]获取待检测的变电站设备缺陷图像并预处理，作为输入图像，利用最终的缺陷检测模型对输入图像进行缺陷物体
、
位置识别，得到最终的变电站设备缺陷检测结果
。
[0008]进一步地，所述数据集的获取过程为：
[0009]利用可见光摄像头采用不同角度
、
高度
、
距离对变电站内部设备进行拍摄，从拍摄图像中选取具有缺陷目标的图像进行标定，并且在网络上下载开源的相关数据集并进行筛选，经过扩增筛选后，数据集一共有绝缘子缺失
、
漏油
、
鸟巢
、
悬浮物
、
表盘破损
、
绝缘子破损这6类变电站设备缺陷图片，按照7：1：2的比例划分成训练集
、
验证集
、
测试集
。
[0010]进一步地，所述
ACSP
模块的工作过程为：
[0011]输入经过两个分支，第一个分支经过
CBL
层
、RexX
层
、Conv
层，第二个分支经过
CBL
层
、Conv
层后与第一个分支的输出进行拼接后再经过
BN
层
、L
‑
Relu
层和
CBL
层后输出，
ResX
层表示一个残差过程，其中包含了若干个
CBL
模块，之后和输入进行跳接
。
[0012]更进一步地，所述
GCB
模块的工作过程为：
[0013]通过多尺度池化
、CBR
层以及上采样以后进行卷积操作提取到不同细粒度的全局目标信息，得到的输出为二维的权重图
。
[0014]更进一步地，所述
DarkNet
‑
53
的工作过程为：
[0015]输入经过
Focus
模块后经过一系列
CBL
层和
CSP
层，其中三个
CSP
层输出三种不同尺度的
A
级特征，分别为第一
A
级特征至第三
A
级特征；第一
A
级特征通过一个
CBL
层分成两路输出，一路输出获得第一
B
级特征，另一路输出经过上采样以后与第二
A
级特征进行融合，然后经过一个
CSP
层以及一个
CBL
层分成两路输出，一路输出得到第二
B
级特征，另一路输出经过上采样以后与第三
A
级特征融合得到第三
B
级特征，第三
B
级特征经过一个
CSP
层以后分成两路输出，一路输出作为一个检测输出端，另一路输出经过一个
CBL
层以后与第二
B
级特征融合，然后经过一个
ACSP
模块以后分成两路输出，一路输出作为另一个检测输出端，另一路输出经过一个
CBL
模块与第一
B
级特征融合然后输入到另一个
ACSP
模块中，该
ACSP
模块的输出作为又一个检测输出端；
GCB
模块的输入端与第一
A
级特征前面对应的
CSP
层连接，
GCB
模块的输出端分别与两个
ACSP
模块连接；三个检测输出端连接
MAML
算法模块进行模型训练
。
[0016]更进一步地，利用检测框架对变电站设备缺陷图像进行目标提取和检测，将输入图片划分成
N
×
M
的网格，并且对每个网格中心进行预测；每个单元格都会产生
K
个预测值，该预测值包含物体的中心坐标
、
相对单元格中心的偏移量以及预测框的长和宽和置信度评分；对每个单元格输出
C
个类别的概率值，表示该单元格输出可能包含目标的预测框中各类别的概率大小，单元格中存在目标的条件概率为
P
r
(class|object)
，
P
r
(object)
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于元学习的变电站设备缺陷检测方法，其特征在于，包括以下步骤：获取变电站设备的缺陷图像形成数据集，数据集分为训练集
、
验证集
、
测试集；将
DarkNet
‑
53
作为检测框架，在其网络最后一层增加用于提取到不同细粒度的全局目标信息的
GCB
模块，将网络最后两层
CSP
模块增加注意力机制形成
ACSP
模块，最后将元学习算法
MAML
算法融合到检测框架的训练流程中，得到基于元学习的缺陷检测模型，利用训练集训练缺陷检测模型，得到最终的缺陷检测模型；获取待检测的变电站设备缺陷图像并预处理，作为输入图像，利用最终的缺陷检测模型对输入图像进行缺陷物体
、
位置识别，得到最终的变电站设备缺陷检测结果
。2.
根据权利要求1所述的一种基于元学习的变电站设备缺陷检测方法，其特征在于，所述数据集的获取过程为：利用可见光摄像头采用不同角度
、
高度
、
距离对变电站内部设备进行拍摄，从拍摄图像中选取具有缺陷目标的图像进行标定，并且在网络上下载开源的相关数据集并进行筛选，经过扩增筛选后，数据集一共有绝缘子缺失
、
漏油
、
鸟巢
、
悬浮物
、
表盘破损
、
绝缘子破损这6类变电站设备缺陷图片，按照7：1：2的比例划分成训练集
、
验证集
、
测试集
。3.
根据权利要求1所述的一种基于元学习的变电站设备缺陷检测方法，其特征在于，所述
ACSP
模块的工作过程为：输入经过两个分支，第一个分支经过
CBL
层
、RexX
层
、Conv
层，第二个分支经过
CBL
层
、Conv
层后与第一个分支的输出进行拼接后再经过
BN
层
、L
‑
Relu
层和
CBL
层后输出，
ResX
层表示一个残差过程，其中包含了若干个
CBL
模块，之后和输入进行跳接
。4.
根据权利要求3所述的一种基于元学习的变电站设备缺陷检测方法，其特征在于，所述
GCB
模块的工作过程为：通过多尺度池化
、CBR
层以及上采样以后进行卷积操作提取到不同细粒度的全局目标信息，得到的输出为二维的权重图
。5.
根据权利要求4所述的一种基于元学习的变电站设备缺陷检测方法，其特征在于，所述
DarkNet
‑
53
的工作过程为：输入经过
Focus
模块后经过一系列
CBL
层和
CSP
层，其中三个
CSP
层输出三种不同尺度的
A
级特征，分别为第一
A
级特征至第三
A
级特征；第一
A
级特征通过一个
CBL
层分成两路输出，一路输出获得第一
B
级特征，另一路输出经过上采样以后与第二
A
级特征进行融合，然后经过一个
CSP
层以及一个
CBL
层分成两路输出，一路输出得到第二
B
级特征，另一路输出经过上采样以后与第三
A
级特征融合得到第三
B
级特征，第三
B
级特征经过一个
CSP
层以后分成两路输出，一路输出作为一个检测输出端，另一路输出经过一个
CBL
层以后与第二
B
级特征融合，然后经过一个
ACSP
模块以后分成两路输出，一路输出作为另一个检测输出端，另一路输出经过一个
CBL
模块与第一
B
级特征融合然后输入到另一个
ACSP
模块中，该
ACSP
模块的输出作为又一个检测输出端；
...

【专利技术属性】
技术研发人员：刘善峰，毛万登，袁少光，田杨阳，李苗苗，姜亮，李哲，智海燕，张小斐，张卓，郑伟，从阔晨，鲍华，
申请(专利权)人：国网河南省电力公司安徽大学，
类型：发明
国别省市：