一种基于增量学习技术的输电线路缺陷识别方法和系统技术方案

本申请涉及设备维护技术领域，本申请提供一种基于增量学习技术的输电线路缺陷识别方法和系统，所述方法包括获取原始巡检图像数据；基于元胞自动机算法剔除原始巡检图像数据中的背景冗余，得到抑制冗余背景的目标物体图像数据；采用基于特征提取的增量学习方式，在已知图像识别网络结构中新增识别部件，优化输电线路缺陷检测模型，通过输电线路缺陷检测模型提取目标物体图像数据中的图像特征，识别输电线路缺陷。本申请在获取原始巡检图像数据后，利用元胞自动机算法对巡检图像进行显著性检测，剔除冗余背景，然后采用增量学习方式在原有目标检测算法基础上改变网络结构实现增量学习，提高输电线路目标检测模型的识别准确率和泛化能力。率和泛化能力。率和泛化能力。

【技术实现步骤摘要】
一种基于增量学习技术的输电线路缺陷识别方法和系统


[0001]本申请涉及设备维护
，尤其涉及一种基于增量学习技术的输电线路缺陷识别方法和系统。

技术介绍

[0002]目前电网输电线路的巡检方式主要是人工方式、无人机巡检和直升机巡检手段，在大雾大雨大风等恶劣天气条件下拍摄的输电杆塔、关键输电设备、杆塔标识牌等输电设备巡检图像不清晰，噪点高，难以直接用于智能化输电线路巡检技术应用中。此外，巡检图像中往往包含多个输电线路部件，且存在关键输电部件被遮挡的情况，目标部件的快速识别存在困难的情况，一线线路运维人员需要重复巡检输电线路，增加工作负担和线路运维成本，因此开展针对巡检线路中关键部件的图像显著性检测工作十分有必要。

技术实现思路

[0003]为了解决上述现有技术中的不足,本申请的主要目的在于提供一种基于增量学习技术的输电线路缺陷识别方法、装置、设备及计算机可读存储介质，通过元胞自动机算法实现巡检图像的显著性检测，然后再进行训练，在原有目标检测算法基础上改变网络结构实现增量学习，提升输电线路缺陷检测模型的泛化能力。
[0004]为实现上述目的，本申请提供一种基于增量学习技术的输电线路缺陷识别方法，通过元胞自动机算法对巡检图像数据提升目标显著性，抑制冗余背景信息对模型的干扰,所述基于增量学习技术的输电线路缺陷识别方法包括：
[0005]获取原始巡检图像数据；
[0006]基于元胞自动机算法剔除所述原始巡检图像数据中的背景冗余，得到抑制冗余背景的目标物体图像数据；
[0007]采用基于特征提取的增量学习方式，在已知图像识别网络结构中新增识别部件，优化输电线路缺陷检测模型，通过输电线路缺陷检测模型提取所述目标物体图像数据中的图像特征，识别输电线路缺陷。
[0008]可选的，所述原始巡检图像数据为输电线路上的直升机巡检视频图像数据。
[0009]可选的，所述基于元胞自动机算法剔除所述原始巡检图像数据中的背景冗余的方法，包括：
[0010]利用SLIC超像素分割方法分割原始巡检图像数据，获得N个超像素；
[0011]基于色空间颜色特征，采用k
‑
means聚类方法，对超像素在边界上的CIE
‑
Lab色空间颜色特征聚类；
[0012]根据聚类簇划分成多个不同的全局颜色差异图，构建GSD图；
[0013]基于元胞在色空间中的欧式距离衡量相似度，构建影响因子矩阵；
[0014]构建置信度矩阵优化元胞进化过程，并进行迭代更新，得到原始巡检图像数据检测的效果图。
[0015]可选的，基于元胞自动机算法对直升机巡检视频图像数据剔除背景冗余，对直升机巡检视频图像数据显著性检测，包括：
[0016]利用SLIC超像素分割算法分割输入图像，得到N个超像素；
[0017]基于每个边界上的超像素的CIE
‑
Lab色空间颜色特征，进行K
‑
means聚类，聚成K＝3类，属于第k类的超像素个数为p
k
。根据这K个聚类簇，得到K幅不同的全局颜色差异GCD图，其中，所述GCD图中的GCD矩阵S＝[s
kj
]K
×
N
，式中的元素s
kj
,代表超像素i在第k幅GCD图中的显著值；
[0018]构建一个全局空间距离GSD矩阵W＝[w
ki
]K
×
N
，式中w
ki
代表超像素i与所有第k类聚类簇中的边界超像素的空间距离；
[0019]将每个超像素作为一个元胞，采用元胞在CIE
‑
Lab色空间上的欧式距离衡量两个元胞的相似度，构建影响因子矩阵；
[0020]构建一个置信度矩阵优化元胞的进化过程。
[0021]可选的，所述边界超像素的空间距离为：式中，r
i
和r
j
分别是超像素i,j的空间坐标，σ1是固定的权重系数，通过融合距离信息w
kj
和颜色信息s
kj
得到基于背景的显著图。
[0022]可选的，融合距离信息w
kj
和颜色信息s
kj
得到基于背景的显著图的公式为：
[0023]。
[0024]可选的，构建影响因子矩阵F＝[f
ij
]N
×
N
，其中：
[0025]式中，NB(i)是元胞i的邻居，为归一化F，引入次数矩阵D＝diag{d1,d2,
……
d
N
}，归一化后的影响因子矩阵为：
[0026]F
*
＝D
‑1F。
[0027]可选的，在元胞自动机算法中，根据更新原则，所有元胞同时如下公式进化：
[0028]S
t+1
＝C
*
S
t
+(I
‑
C
*
)F
*
S
t
[0029]式中，I是单位矩阵，当初始时刻t＝0时，S0即为S
bg
，经过N次更新得到最终的显著图。
[0030]可选的，采用基于特征提取的增量学习方式，包括：
[0031]保留原有识别部件类别在网络结构计算通路中的参数；
[0032]在已知图像识别网络结构中为新增识别部件类别添加分类层和回归层；
[0033]基于新增识别部件的图像识别网络结构提取所述目标物体图像数据中的图像特征。
[0034]可选的，所述在已知图像识别网络结构中为新增识别部件类别添加分类层和回归层，包括：
[0035]在RPN模块的隐层后，为新类别添加一个RPN_cls分类层和RPN_reg回归层；在CLS模块的两层全连接后，为新类别添加CLS_cls层和CLS_reg层；其中，与原版FPN相同，所述
RPN模块中添加的RPN_cls层和RPN_reg层是卷积层，CLS模块中添加的CLS_cls层和CLS_reg层是全连接层。
[0036]可选的，所述输电线路缺陷识别方法中的增量学习技术基于保留损失函数，保留损失函数改动了网络在测试时，图片从输入网络到输出关于旧类别预测值的计算通路上的参数；所述保留损失函数在训练时在RPN模块和CLS模块中分别添加了检测新类别物体用的cls层和reg层。
[0037]此外，为实现上述目的，本申请还提供一种基于增量学习技术的输电线路缺陷识别系统，所述基于增量学习技术的输电线路缺陷识别系统包括：数据获取模块，用于获取原始巡检图像数据；图像优化模块，用于基于元胞自动机算法剔除所述原始巡检图像数据中的背景冗余，得到抑制冗余背景的目标物体图像数据；特征识别模块，用于采用基于特征提取的增量学习方式，在已知图像识别网络结构中新增识别部件，优化输电线路缺陷检测模型，通过输电线路缺陷检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于增量学习技术的输电线路缺陷识别方法，其特征在于，所述基于增量学习技术的输电线路缺陷识别方法包括以下步骤：获取原始巡检图像数据；基于元胞自动机算法剔除所述原始巡检图像数据中的背景冗余，得到抑制冗余背景的目标物体图像数据；采用基于特征提取的增量学习方式，在已知图像识别网络结构中新增识别部件，优化输电线路缺陷检测模型，通过输电线路缺陷检测模型提取所述目标物体图像数据中的图像特征，识别输电线路缺陷。2.根据权利要求1所述的基于增量学习技术的输电线路缺陷识别方法，其特征在于，所述原始巡检图像数据为输电线路上的直升机巡检视频图像数据。3.根据权利要求2所述的基于增量学习技术的输电线路缺陷识别方法，其特征在于，所述基于元胞自动机算法剔除所述原始巡检图像数据中的背景冗余的方法，包括：利用SLIC超像素分割方法分割原始巡检图像数据，获得N个超像素；基于色空间颜色特征，采用k
‑
means聚类方法，对超像素在边界上的CIE
‑
Lab色空间颜色特征聚类；根据聚类簇划分成多个不同的全局颜色差异图，构建GSD图；基于元胞在色空间中的欧式距离衡量相似度，构建影响因子矩阵；构建置信度矩阵优化元胞进化过程，并进行迭代更新，得到原始巡检图像数据检测的效果图。4.根据权利要求3所述的基于增量学习技术的输电线路缺陷识别方法，其特征在于，基于元胞自动机算法对直升机巡检视频图像数据剔除背景冗余，对直升机巡检视频图像数据显著性检测，包括：利用SLIC超像素分割算法分割输入图像，得到N个超像素；基于每个边界上的超像素的CIE
‑
Lab色空间颜色特征，进行K
‑
means聚类，聚成K＝3类，属于第k类的超像素个数为p
k
；根据这K个聚类簇，得到K幅不同的全局颜色差异GCD图，其中，所述GCD图中的GCD矩阵S＝[s
kj
]
K
×
N
，式中的元素s
kj
,代表超像素i在第k幅GCD图中的显著值；构建一个全局空间距离GSD矩阵W＝[w
ki
]
K
×
N
，式中w
ki
代表超像素i与所有第k类聚类簇中的边界超像素的空间距离；将每个超像素作为一个元胞，采用元胞在CIE
‑
Lab色空间上的欧式距离衡量两个元胞的相似度，构建影响因子矩阵；构建一个置信度矩阵优化元胞的进化过程。5.根据权利要求4所述的基于增量学习技术的输电线路缺陷识别方法，其特征在于，所述边界超像素的空间距离为：式中，r
i
和r
...

【专利技术属性】
技术研发人员：武艺，杜伟，郭晓冰，白云灿，刘宁，晏武，郭峻崧，孙鸿博，孔令宇，李源源，高鹏飞，周立存，
申请(专利权)人：国网通用航空有限公司，
类型：发明
国别省市：