【技术实现步骤摘要】
本专利技术涉及图像识别，特别涉及一种电力设备域适应语义分割方法。
技术介绍
1、我国国土面积辽阔，人口众多，对于能源的消耗十分巨大，其中电力便是其一，为了保证全国电力的供给，电力设备遍布全国各处，但电力设备随着使用年限便有损坏故障的风险，我国目前每年需要花费大量人力物力对电力设备进行维护，缺乏智能化、高精尖技术手段，因此自动化维护技术对于我国而言是十分重要的。
2、近年来，随着人工智能技术的发展，各种电力设备维护机器人也随之诞生。虽然特种机器人维护已经有了初步的雏形，然而却还存在着许多的缺陷，例如存在光照不均匀，白天午间图像差异巨大的情况，将导致电力设备维护机器人无法正确识别电力设备，如果利用午间图像再次训练的方式，电力设备维护机器人的识别模型可能对于白天图像效果又会变差，并且还需要耗费人力成本进行数据标注，因此需要研究一种提高模型泛性并且无需标注数据的技术，以增强模型鲁棒性。
技术实现思路
1、本专利技术提供了一种电力设备域适应语义分割方法，以解决现有图像识别技术在光照不均匀等情况下无法正常识别电力设备的技术问题。
2、为达到上述目的，本专利技术的技术方案是这样实现的：
3、本专利技术提供了一种电力设备域适应语义分割方法，包括如下步骤：
4、s1、获取多张带有标注的电力设备图像、多张带有标注的午间电力设备图像和多张无标注的午间电力设备图像，并分别构建源域数据集xs、测试图像数据集和目标域数据集xt；
5、s2、构建学生模
6、s3、利用源域数据集xs中的图像对学生模型进行有监督训练，得到训练后的学生模型，将目标域数据集xt中的图像输入到教师模型中，得到目标域伪标签利用目标域数据集xt中的图像和对应的目标域伪标签对训练后的学生模型进行有监督训练，得到二次训练后的学生模型；同时利用源域数据集xs或者目标域数据集xt对原型提取辅助模块θ进行有监督训练，得到训练后的原型提取辅助模块θ；
7、s4、将源域数据集xs中的图像和目标域数据集xt中的图像均分别输入到教师模型和训练后的原型提取辅助模块θ中，最终分别获得多个源域特征原型和多个目标域特征原型
8、s5、利用源域特征原型对源域数据集xs中的图像上的特征进行特征级聚类，利用目标域特征原型对目标域数据集xt中的图像上的特征进行特征级聚类，利用源域特征原型和目标域特征原型分别对目标域数据集xt中的图像和源域数据集xs中的图像进行交叉一致性聚类；
9、s6、重复s3至s5，直至迭代的次数达到设定的次数，在迭代过程中使用测试图像数据集进行验证，然后选择一个分割效果最好的权重，作为二次训练后的学生模型的最终权重，得到最终的学生模型；
10、s7、利用最终的学生模型对目标域数据集xt中的图像进行语义分割。
11、进一步地，所述s1包括如下步骤：
12、s11、获取多张带有标注的电力设备图像、多张带有标注的午间电力设备图像和多张无标注的午间电力设备图像，带有标注的电力设备图像称为源域图像源域图像上的标签为源域标签带有标注的午间电力设备图像称为测试图像，无标注的午间电力设备图像称为目标域图像
13、s12、利用多张带有标注的电力设备图像、多张带有标注的午间电力设备图像和多张无标注的午间电力设备图像分别构建源域数据集xs、测试图像数据集和目标域数据集xt，其中且表示第i张源域图像，c表示源域图像数据通道，h和w分别表示图像的长度和宽度，ns表示源域图像总张数；且表示第i张目标域图像，nt表示目标域图像总张数。
14、进一步地，所述s2中的学生模型、教师模型的结构相同。
15、进一步地，所述学生模型包含编码器和解码器g，教师模型包含编码器和解码器gema；教师模型中的编码器φema和学生模型中的编码器均采用segformer模型，用于对图像进行特征提取；教师模型中的解码器gema和学生模型中的解码器g采用空洞空间卷积池化金字塔，用于对特征进行映射，形成分割图。
16、进一步地，所述s2中的原型提取辅助模块包括四个映射卷积层和一个分类卷积层，四个映射卷积层和一个分类卷积层依次连接，映射卷积层用于对特征进行提取，分类卷积层用于对提取出来的特征进行分类。
17、进一步地，所述s4具体包含如下步骤：
18、s41、将源域图像输入到教师模型的编码器φema中，获得多个源域中间特征将多个源域中间特征输入到训练后的原型提取辅助模块θ的四个映射卷积层中，将输出叠加形成源域层次特征并将源域层次特征输入到训练后的原型提取辅助模块θ的分类卷积层中，得到多个源域特征原型和源域特征个数其中代表源域第c类的源域特征原型，代表该张源域图像中一共有u个c类特征；
19、s42、将目标域图像输入到教师模型的编码器φema中，获得多个目标域中间特征将多个目标域中间特征分别输入到教师模型的解码器gema和训练后的原型提取辅助模块θ的四个映射卷积层中，将输出叠加形成目标域层次特征并将目标域层次特征输入到训练后的原型提取辅助模块θ的分类卷积层中，获得多个目标域伪标签多个目标域像素得分和原型特征图，其中表示目标域图像第i个像素属于c类，表示第i个像素得分；设置阈值，将目标域像素得分大于阈值的像素及对应的目标域伪标签取出，根据目标域像素得分留下的目标域伪标签和原型特征图获得多个目标域特征原型
20、进一步地，所述s5具体包含如下步骤：
21、s51、利用源域层次特征和对应的源域标签及多个源域原型进行对比损失学习，实现源域的特征集聚类；
22、s52、利用目标域层次特征和对应的目标域伪标签及多个目标域原型进行对比损失学习，实现目标域的特征集聚类；
23、s53、利用源域特征原型和目标域特征原型分别对目标域图像和源域图像进行交叉一致性对比损失学习，实现交叉一致性聚类。
24、进一步地，所述s51中的对比损失学习是源域图像所有像素点的源域中间特征和源域特征原型的对比损失求和取平均；
25、所述s52中的对比损失学习是目标域图像所有像素点的目标域中间特征和目标域特征原型的对比损失求和取平均，具体如下：
26、
27、其中，pc代表第c类的源域特征原型或目标域特征原型fi代表第i个像素点的源域层次特征或目标域层次特征yi，c代表第i个像素点的真实分类，τ表示温度系数，其中h*w表示特征圆形源域特征总个数，即包含第c类源域特征个数在内的所有类别的源域特征总个数。
28、进一步地，所述s53中的交叉一致性对比损失学习具体如下：
29、
30、其中，指的是源域图像的交叉一致性对比损失，α为第一抑制系数，为源域图像中第i个像素点的真实分类；
31、
32、其中，指的是目标域图像的交叉一致性对比损失，β为第二抑制系数，为目标域图像中第i个像素点的真实分类。本文档来自技高网...
【技术保护点】
1.一种电力设备域适应语义分割方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的电力设备域适应语义分割方法，其特征在于，所述S1包括如下步骤：
3.根据权利要求2所述的电力设备域适应语义分割方法，其特征在于，所述S2中的学生模型、教师模型的结构相同。
4.根据权利要求3所述的电力设备域适应语义分割方法，其特征在于，所述学生模型包含编码器和解码器g，教师模型包含编码器和解码器gEMA，教师模型中的编码器φEMA和学生模型中的编码器均采用Segformer模型，用于对图像进行特征提取；教师模型中的解码器gEMA和学生模型中的解码器g采用空洞空间卷积池化金字塔，用于对特征进行映射，形成分割图。
5.根据权利要求4所述的电力设备域适应语义分割方法，其特征在于，所述S2中的原型提取辅助模块包括四个映射卷积层和一个分类卷积层，四个映射卷积层和一个分类卷积层依次连接，映射卷积层用于对特征进行提取，分类卷积层用于对提取出来的特征进行分类。
6.根据权利要求5所述的电力设备域适应语义分割方法，其特征在于，所述S4具体包含如下步骤：
7.根据权利要求6所述的电力设备域适应语义分割方法，其特征在于，所述S5具体包含如下步骤：
8.根据权利要求7所述的电力设备域适应语义分割方法，其特征在于，所述S51中的对比损失学习是源域图像所有像素点的源域层次特征和源域特征原型的对比损失求和取平均；
9.根据权利要求8所述的电力设备域适应语义分割方法，其特征在于，所述S53中的交叉一致性对比损失学习具体如下：
10.根据权利要求1所述的电力设备域适应语义分割方法，其特征在于，所述教师模型的参数根据学生模型参数进行动量更新：
...【技术特征摘要】
1.一种电力设备域适应语义分割方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的电力设备域适应语义分割方法，其特征在于，所述s1包括如下步骤：
3.根据权利要求2所述的电力设备域适应语义分割方法，其特征在于，所述s2中的学生模型、教师模型的结构相同。
4.根据权利要求3所述的电力设备域适应语义分割方法，其特征在于，所述学生模型包含编码器和解码器g，教师模型包含编码器和解码器gema，教师模型中的编码器φema和学生模型中的编码器均采用segformer模型，用于对图像进行特征提取；教师模型中的解码器gema和学生模型中的解码器g采用空洞空间卷积池化金字塔，用于对特征进行映射，形成分割图。
5.根据权利要求4所述的电力设备域适应语义分割方法，其特征在于，所述s2中的原型提取辅助模块包括四个映射卷积层...
【专利技术属性】
技术研发人员：毛建旭，夏浩男，王耀南，刘彩苹，张辉，朱青，代扬，易俊飞，陶梓铭，
申请(专利权)人：湖南大学，
类型：发明
国别省市：
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。