一种元学习小样本输电线缺陷目标检测和告警系统及方法技术方案

本发明专利技术公开了一种元学习小样本输电线缺陷目标检测和告警系统及方法，包括实现电网的缺陷检测、告警和维护过程。该方法主要分为两个部分：离线训练模块和在线检测模块，前者实现基于元学习的小样本目标检测模型的构建和训练过程；后者则将采集的图像输入到训练好的模型中，实现输电线路的缺陷检测，同时确定缺陷的严重等级，利用等级、类别和经纬度生成对应的告警信息，实现输电线缺陷检测

【技术实现步骤摘要】
一种元学习小样本输电线缺陷目标检测和告警系统及方法


[0001]本专利技术涉及计算机视觉、元学习、目标检测和系统安全等领域，具体地说是一种元学习小样本输电线缺陷目标检测和告警系统及方法，应用于电力系统的缺陷检测问题。

技术介绍

[0002]电网的安全涉及到国家、企业的利益，近年来，电网快速发展，输电线设备数量快速增加，存在输电线路老化的情况，同时，输电线路暴露于室外环境中，受恶劣天气影响，输电线路缺陷的情况时有发生，但是如何定位和检测输电线缺陷，目前的方法是依靠人力识别和维护，成本高，速度慢。
[0003]近年来，深度学习在图像分类、目标检测等计算机视觉问题上取得了巨大的成绩，可以考虑利用深度卷积网络识别输电线缺陷，然而，深度学习需要充足的样本训练网络，才能取得很好的效果。但是，在输电线缺陷识别问题中，缺少大量的标注样本，每一类缺陷只有几张或者十几张样本，利用深度学习网络训练，极易造成过拟合。
[0004]因此，针对电网输电线路缺陷检测问题，最大的挑战和困难在于：
[0005]1.采样难；难以取得充足样本数据，数据采集难度大，成本高；
[0006]2.标注难；缺陷检测需要正确的标注，目前的标注方法是人工标注，人力成本高，且样本标注具有主观性，若标准存在偏差，则会导致样本的不统一；
[0007]3.每一类缺陷少；每一类的缺陷图像甚至只有个位数。
[0008]输电线路的缺陷检测问题，实质上属于小样本学习的范畴，元学习为解决该问题提供了思路，该方法基于先验知识，能够从有限样本中学习，从而解决样本不足的问题。因此，本专利技术基于元学习方法识别输电线路的缺陷问题。

技术实现思路

[0009]本专利技术的目的是根据现有技术的不足，提供一种元学习小样本输电线缺陷目标检测和告警系统，实现输电线的缺陷检测，然后告警信息发送给维护工作人员，实现输电线缺陷检测、告警和维护。
[0010]为实现上述目的，本专利技术采取的技术方案为：设计一种元学习小样本输电线缺陷目标检测和告警系统，该方法分为两个部分：离线训练模块和在线检测模块；
[0011]所述离线训练模块用于训练基于元学习的目标检测模型，用于实现从有限图像样本中学习准确分类和精准定位；该模型基于元学习的思想，利用先验知识，从有限的样本中学习，并能够快速泛化到新任务中。
[0012]进一步地，所述离线训练模块主包括的训练步骤为：
[0013]步骤一，在样本充足的基类C
base
上进行训练，样本包括图像信息以及对应的标注信息；
[0014]步骤二，在C
base
和带有标签的输电线路缺陷C
defect
上同时训练，由于输电线路缺陷图像样本数量少，第二阶段的训练需要配合C
defect
，为了避免类别不均衡，基类C
base
和C
defect
均对应使用N个类别中k个bbox，满足N
class
‑
K
bbox
。
[0015]进一步地，所述离线训练模块中基于元学习的目标检测模型包括三个模块：特征提取模块、元学习模块和目标检测子网络；
[0016]所述特征提取模块采用了ResNet，实现query图像的特征提取，生成对应的特征向量：F
query
＝D(I)，其中D代表特征提取网络，I代表输入图像，F代表特征向量。
[0017]所述元学习模块用于生成具有权重系数的权重向量，N个类别中每一类随机抽取一张图像组成support set，每张图像包括图像信息以及对应的标注信息，元学习模块学习预测系数α
i
，调整特定类图像特征的权重，推理query图像中更重要的部分，得到特定类的特征F
i
。
[0018]所述目标检测子网络获取元学习模块得到的特定类的特征，对bbox位置偏移量和分类分数进行回归，得到输入图像中目标的类别以及位置信息。
[0019]进一步地，所述在线部分采集输电线路缺陷图像，将图像传输给训练好的目标检测模型进行缺陷检测，获得输电线路缺陷的类别和位置信息，然后根据缺陷类别对应的等级，发送相应的告警信息。
[0020]进一步地，所述在线检测模块主要分为图像采集模块、输电线缺陷检测模块和告警模块。
[0021]进一步地，所述图像采集模块用于采集输电线路缺陷图像数据，并且图像以拍摄位置的经纬度和采集时间作为图像名称。
[0022]进一步地，所述输电线缺陷检测模块即离线训练的基于元学习的目标检测模块，将采集的实时图像输入训练好的模型，得到输电线路缺陷的类别和位置信息，并将信息传递给告警模块。
[0023]进一步地，所述输电线检测模块同样包括离线训练中的三个模块，特征提取模块、元学习模块和目标检测子网络，特征提取模块提取待测图像的特征，元学习模块调整权重系数，得到特定类别的特征，传输给目标检测子网络，预测待测图像的目标类别和位置信息。
[0024]一种元学习小样本输电线缺陷目标检测和告警方法，包括告警模块方法步骤为：步骤一：告警模块首先获取待测图像的名称，名称中包括拍摄图像的经纬度信息I
loc
以及拍摄图像的时间I
time
，其次，获取模型推断的结果
‑
检测目标的类别I
cls
以及位置信息，根据目标类别判断输电线缺陷等级I
grade
，输电线路缺陷等级共分为三类：一般缺陷、严重缺陷和紧急缺陷，从左到右，严重程度递增：G
defect
＝{g1，g2，g3}；
[0025]步骤二：生成对应的告警信息，告警信息由拍摄图像的经纬度信息、缺陷类别以及缺陷等级三个信息组成：Assert＝I
loc
+I
grade
+I
cls
；
[0026]步骤三：判断告警信息是否冲突，若无冲突，则直接将告警信息发送给工作人员；若告警信息冲突，则比较缺陷等级，缺陷等级越高优先级越高，按照优先级顺序发送告警信息，告警信息由拍摄图像的经纬度信息、采集时间以及缺陷等级三个信息组成，时间冲突的情况下，按照缺陷等级进行判断依据，缺陷等级越高，优先级越高，优先反馈给维护工作人员。
[0027]本专利技术的有益效果在于：
[0028]1.将元学习与目标检测模型结合，基于先验知识，从有限样本中学习知识，并且能
够快速泛化到新任务中，处理小样本学习问题。
[0029]2.利用基于元学习的目标检测方法，能够从少量的样本中学习输电线路缺陷的特征，实现输电线路的缺陷检测。
[0030]3.将输电线路缺陷等级分为三类：一般缺陷、严重缺陷和紧急缺陷，实现了缺陷的分级管理；为缺陷的优先级判断提供依据。
附图说明
[0031]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种元学习小样本输电线缺陷目标检测和告警系统，其特征在于，所述目标检测和告警系统包括离线训练模块和在线检测模块：所述离线训练模块包括用于训练基于元学习的目标检测模型，该模型实现从有限图像样本中学习准确分类和精准定位；所述在线检测模块采集输电线路缺陷图像，将图像传输给训练好的目标检测模型进行缺陷检测，根据缺陷类别等级，发送对应的告警信息。2.根据权利要求1所述的一种元学习小样本输电线缺陷目标检测和告警系统，其特征在于，所述离线训练模块包括的训练步骤为：步骤一，在样本充足的基类上进行训练，样本包括标注信息；步骤二，在和带有标签的输电线路缺陷上同时训练，由于输电线路缺陷图像样本数量少，步骤二的训练需要配合，满足。3.根据权利要求2所述的一种元学习小样本输电线缺陷目标检测和告警系统，其特征在于，所述基于元学习的目标检测模型包括三个模块：特征提取模块、元学习模块和目标检测子网络：所述特征提取模块以ResNet网络为主体，实现query图像的特征提取，生成对应的特征向量,其中D代表特征提取网络，I代表输入图像，F代表特征向量；所述元学习模块用于生成具有权重系数的权重向量，元学习模块N个类别中每一类随机抽取一张图像组成support set,学习预测系数,调整特定类图像特征的权重，推理query图像中更重要的部分，得到特定类的特征；所述目标检测子网络接收元学习模块得到的特定类的特征，对bbox位置偏移量和分类分数进行回归，得到输入图像中目标的类别以及位置信息。4.根据权利要求1所述的一种元学习小样本输电线缺陷目标检测和告警系统，其特征在于，所述在线检测模块包括图像采集模块、输电线缺陷检测模块和告警模块。5.根据权利要求4所述的一种...

【专利技术属性】
技术研发人员：琚小明，
申请(专利权)人：浙江捷瑞电力科技有限公司，
类型：发明
国别省市：