一种电力设备域适应语义分割方法技术

一种电力设备域适应语义分割方法，包括：1、构建源域数据集、测试数据集和目标域数据集；2、构建三个模块；3、对学生模型进行训练，并获取伪标签，利用目标域数据集和伪标签对学生模型进行训练；对原型提取辅助模块进行训练；4、获取域特征、目标域特征原型；5、利用源域、目标域特征原型分别对源域数据集、目标域数据集中的特征进行特征级聚类，利用源域、目标域特征原型分别对目标域、源域数据集的图像进行交叉一致性聚类；6、重复3至5，迭代设定次数后，选择最好的权重，得到最终学生模型。本发明专利技术通过特征级聚类和交叉一致性聚类改善了特征聚集性和模型的泛化能力以及分类能力，使得模型在午间的电力设备图像上也能获得很好的效果。

【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...

【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：