【技术实现步骤摘要】
本专利技术属于高压输电线路在线监测，更具体地，涉及一种基于增量学习算法的输电通道施工机械识别方法。
技术介绍
1、我国国土面积广阔，电能的使用存在显著的地域性，远距离输电线路成为我国电网的主干。随着我国经济的不断发展，社会对于用电量的需求越来越大，对电网的安全稳定运行也提出了更高的要求。但同时，城镇化的发展极大的压缩的输电线路的安全范围，输电线路附近出现大量的房屋建设、道路建设等施工行为，施工机械的使用给输电线路的安全运行带来了极大的隐患。
2、我国输电线路分布范围广，而施工机械外力破坏的发生在时间、空间上具有极大的随机性，传统的人工巡视方式工作强度大、效率低下，无法对线路通道附近的违章施工行为进行有效的排查。随着技术的不断发展，远程监控设备在输电线路巡视中得到了广泛的应用，通过安装在杆塔上的摄像头，运维人员可以方便的观察线路通道的情况。近年来，基于深度学习的计算机视觉技术得到极大的发展，通过构建输电通道施工机械目标识别模型，可以替代检修人员实时观测各个输电通道的情况，极大的提高输电通道外破监测的有效性。
3、目前输电通道施工机械目标识别模型主要基于全监督目标检测算法实现，训练模型时需要收集大量的样本数据进行标注与训练，但数据标注工作量大，且该方法后期升级难度大，无法有效的利用日常运维中工作人员提供的样本数据进行算法优化。
技术实现思路
1、针对现有技术的缺陷，本专利技术的目的在于提出了一种基于增量学习算法的输电通道施工机械识别方法，旨在解决目前的识别模型的
2、为实现上述目的，本专利技术提供了一种基于增量学习算法的输电通道施工机械识别方法。
3、第一方面，本专利技术提供一种基于增量学习算法的输电通道施工机械识别方法，包括：
4、获取训练完成的施工机械识别模型，以及获取输电通道的待识别的在线监测图像，所述施工机械识别模型包括学生模型和教师模型；
5、基于所述学生模型对所述在线监测图像进行识别分析，得到所述在线监测图像中施工机械的隐患目标的识别结果；
6、其中，所述学生模型是基于输电通道的历史在线监测数据的标注数据和所述标注数据对应的识别标签，以及基于所述历史在线监测数据的无标注数据和所述教师模型生成的伪标签进行有监督训练得到的；
7、所述教师模型是基于历史输电通道在线监测数据的无标注数据进行无监督训练，并结合所述学生模型的模型参数进行ema参数更新得到的。
8、在一些实施例中，所述学生模型的训练方法包括：
9、将所述标注数据进行强数据增强，得到第一增强数据，将所述无标注数据进行强数据增强，得到第二增强数据；
10、将所述第一增强数据输入待训练的学生模型中，得到第一学习结果，并根据所述第一学习结果和所述识别标签的第一监督损失，以及根据所述教师模型输出的伪标签和第二增强数据得到第二监督损失；
11、将所述第一监督损失和第二监督损失通过损失函数得到训练损失值，基于所述训练损失值对所述学生模型进行参数迭代和模型更新，直至得到训练完成的学生模型。
12、在一些实施例中，所述教师模型的训练方法包括：
13、基于经弱数据增强的标注数据对待训练的教师模型进行有监督训练；
14、将所述无标注数据进行弱数据增强，得到第三增强数据，将所述第三增强数据输入值有监督训练后的教师模型中进行无监督训练，得到所述第三增强数据对应的伪标签，以使所述学生模型基于所述伪标签进行训练；
15、根据训练完成的学生模型的模型参数对教师模型进行ema参数更新，直至得到训练完成的教师模型。
16、在一些实施例中，所述得到所述第三增强数据对应的伪标签，还包括：
17、获取所述伪标签和全部真实值的候选框之间的匹配损失；
18、在所述匹配损失中选取k个候选框作为正候选框，对根据匹配损失对所述正候选框进行分配，k为小于10的正整数。
19、在一些实施例中，所述教师模型包括3d特征对齐子模块；
20、所述3d特征对齐子模块用于：确定所述第三增强数据的预测目标对应位置的偏移，提取所述第三增强数据对应的施工机械的关键点信息，并对所述关键点信息进行校准，以使所述教师模型生成所述伪标签可获取最优的特征区域。
21、在一些实施例中，所述得到所述第三增强数据对应的伪标签之后，还包括：
22、获取所述伪标签的置信度得分，根据所述置信度得分和确定n个样本的置信度概率分布，n为正整数；
23、在所述n个样本的置信度概率分布中选取概率最高的样本作为目标样本，并根据所述目标样本的置信度概率分布确定所述伪标签的筛选阈值。
24、在一些实施例中，还包括：
25、将实际运维中识别正确或置信度达到目标值的历史在线监测数据作为所述标注数据，将实际运维中识别错误或置信度未达到目标值的历史在线监测数据作为所述无标注数据；
26、在所述施工机械识别模型训练完成后，对所述无标注数据中进行识别，将达到置信度阈值的图片记录到伪标签数据中，并在确定伪标签满足运维需求时，将所述伪标签加入所述标注数据中；
27、对所述标注数据中相似度高的样本进行去除，以维持所述标注数据的数据集平衡。
28、第二方面，本专利技术提供一种基于增量学习算法的输电通道施工机械识别系统，包括：
29、获取单元，用于获取训练完成的施工机械识别模型，以及获取输电通道的待识别的在线监测图像，所述施工机械识别模型包括学生模型和教师模型；
30、识别分析单元，用于基于所述学生模型对所述在线监测图像进行识别分析，得到所述在线监测图像中施工机械的隐患目标的识别结果；
31、其中，所述学生模型是基于输电通道的历史在线监测数据的标注数据和所述标注数据对应的识别标签，以及基于所述历史在线监测数据的无标注数据和所述教师模型生成的伪标签进行有监督训练得到的；
32、所述教师模型是基于历史输电通道在线监测数据的无标注数据进行无监督训练，并结合所述学生模型的模型参数进行ema参数更新得到的。
33、第三方面，本专利技术提供一种电子设备，包括：至少一个存储器，用于存储程序；至少一个处理器，用于执行存储器存储的程序，当存储器存储的程序被执行时，处理器用于执行第一方面或第一方面的任一种可能的实现方式所描述的方法。
34、第四方面，本专利技术提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，当计算机程序在处理器上运行时，使得处理器执行第一方面或第一方面的任一种可能的实现方式所描述的方法。
35、第五方面，本专利技术提供一种计算机程序产品，当计算机程序产品在处理器上运行时，使得处理器执行第一方面或第一方面的任一种可能的实现方式所描述的方法。
36、可以理解的是，上述第二方面至第五方面本文档来自技高网...
【技术保护点】
1.一种基于增量学习算法的输电通道施工机械识别方法，其特征在于，包括：
2.根据权利要求1所述的基于增量学习算法的输电通道施工机械识别方法，其特征在于，所述学生模型的训练方法包括：
3.根据权利要求2所述的基于增量学习算法的输电通道施工机械识别方法，其特征在于，所述教师模型的训练方法包括：
4.根据权利要求3所述的基于增量学习算法的输电通道施工机械识别方法，其特征在于，所述得到所述第三增强数据对应的伪标签，还包括：
5.根据权利要求3所述的基于增量学习算法的输电通道施工机械识别方法，其特征在于，所述教师模型包括第一3D特征对齐子模块，所述学生模型包括第二3D特征对齐子模块；
6.根据权利要求3所述的基于增量学习算法的输电通道施工机械识别方法，其特征在于，所述得到所述第三增强数据对应的伪标签之后，还包括：
7.根据权利要求1-6任一项所述的基于增量学习算法的输电通道施工机械识别方法，其特征在于，还包括：
8.一种电子设备，其特征在于，包括：
9.一种计算机可读存储介质，所述计算机可读存储
10.一种计算机程序产品，其特征在于，当所述计算机程序产品在处理器上运行时，使得所述处理器执行如权利要求1-7任一所述的方法。
...【技术特征摘要】
1.一种基于增量学习算法的输电通道施工机械识别方法，其特征在于，包括：
2.根据权利要求1所述的基于增量学习算法的输电通道施工机械识别方法，其特征在于，所述学生模型的训练方法包括：
3.根据权利要求2所述的基于增量学习算法的输电通道施工机械识别方法，其特征在于，所述教师模型的训练方法包括：
4.根据权利要求3所述的基于增量学习算法的输电通道施工机械识别方法，其特征在于，所述得到所述第三增强数据对应的伪标签，还包括：
5.根据权利要求3所述的基于增量学习算法的输电通道施工机械识别方法，其特征在于，所述教师模型包括第一3d特征对齐子模块，所述学生模型包括第二3d特征对齐子模块...
【专利技术属性】
技术研发人员：胡江华，罗鹏，叶钜芬，刘承锡，谭珺元，王波，沈志明，周粤，刘志阳，梁勋云，张程，邱秋辉，
申请(专利权)人：广东电网有限责任公司东莞供电局，
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。