【技术实现步骤摘要】
一种基于迁移互学习的小样本电力设备图像分类方法
[0001]本专利技术涉及小样本图像分类
,尤其涉及一种基于迁移互学习的小样本电力设备图像分类方法。
技术介绍
[0002]近年来,深度学习技术在诸如图像分类、目标检测和语义分割等计算机视觉任务中取得突破性发展。然而,在训练样本数目非常少的情况下,深度学习模型往往出现过拟合,其性能远远不能令人满意。相比之下,人类视觉只需要少量示例样本就能识别大量物体,并且具有快速理解新概念并将其泛化的能力。在这种强大学习能力的启发下,小样本学习逐渐成为计算机视觉和机器学习领域中的研究热点。
[0003]为了保证电力设备的安全可靠运行,电力公司需要对电力设备进行定期巡检。为了减轻人工巡检工作量,电力行业目前已投入大量智能巡检设备,通过人工智能图像处理算法代替人工完成设备巡检。
[0004]图像分类任务是电力设备智能巡检的重要一环。传统的人工智能算法需要大量的数据才能训练出较高分类精度的模型。由于电力设备的安全性和敏感性等原因,传统技术很难获得大量的电力设备图像。因此如何通过有限的图像数据集训练出高效的人工智能模型是目前电力设备图像分类的一大挑战。
[0005]目前,基于迁移学习的小样本图像分类方法虽然能够解决训练样本不足的问题,但是研究中发现迁移模型在训练过程中仍然存在过拟合现象。为了进一步提高小样本图像分类的性能,寻求一种具有较好泛化性能且适用于电力设备巡检场景的图像分类算法,显得尤为重要。
技术实现思路
[0006]本专利技术的目的是为了 ...
【技术保护点】
【技术特征摘要】
1.一种基于迁移互学习的小样本电力设备图像分类方法,其特征在于,具体步骤如下:步骤1、对输入电力设备图像数据进行裁剪、旋转扩充预处理;步骤2、构建两个互学习的小样本迁移模型T1和T2,模型T1通过参数为θ1的主干网络提取电力设备图像特征,通过参数为的基类分类器进行基类标签预测,通过参数为τ1的旋转分类器进行旋转标签预测;同样地,对于模型T2,其主干网络、基类分类器以及旋转分类器的参数分别为θ2,τ2;步骤3、将预处理后的电力图像样本输入到模型T1和T2中,经过主干网络提取得到d维的特征张量,然后将特征张量传入基类分类器与旋转分类器得到基类分类值和旋转分类值;步骤4、将T1和T2模型同时进行预训练,计算每个模型对应的交叉熵损失函数L
CE
和自监督损失函数L
SSL
以及它们之间的互信息损失函数L
KD
,从而得到总的损失函数,并基于总损失函数计算梯度分别对T1和T2中的参数进行优化从而完成预训练过程;步骤5、任意选择T1和T2中的一个模型,将模型的主干网络迁移到新的分类器上,对新的电力设备类别的图像样本进行预测。2.根据权利要求1所述的一种基于迁移互学习的小样本电力设备图像分类方法,其特征在于,步骤1的具体步骤如下:步骤1.1、对每个图像分别以图像矩形的四个顶点和中心点为起点,并按图像面积的80%裁剪5次并保存;然后再对扩充后的每个图像分别旋转0
°
,45
°
,90
°
以及180
°
并保存;步骤1.2、对来自同一个图像的裁剪和旋转图像赋予原图相同的基类标签,第m个图像对应基类标签为y
m
,y
m
∈{1,2,
…
,C
b
},C
b
为基类标签类别数量,再根据其旋转角度确定对应旋转标签为旋转标签为3.根据权利要求1所述的一种基于迁移互学习的小样本电力设备图像分类方法,其特征在于,所述步骤2中,主干网络嵌入GLSCA局部空间注意力模块,该模块通过融合图像每个像素点周围5x5的空间向量信息,更有效地提取电力设备轮廓信息。4.根据权利要求1所述的一种基于迁移互学习的小样本电力设备图像分类方法,其特征在于,步骤3的具体步骤如下:步骤3.1、对于模型T1,第m个图像x
m
经过主干网络提取得到d维的特征表示为f
θ1
(x
m
),基类预测分类器和旋转预测分类器对特征的分类分值表示为和分别由下式得到:其中L
φ1
与L
τ1
分别表示基...
【专利技术属性】
技术研发人员:周伯俊,顾菊平,张新松,程天宇,华亮,徐一鸣,赵凤申,赵佳皓,蒋凌,言淳恺,
申请(专利权)人:南通大学,
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。