基于小样本目标对象缺陷检测的方法、装置、电子设备制造方法及图纸

本申请实施例提供了一种基于小样本目标对象缺陷检测的方法、装置、电子设备，其中，该方法包括：待检测的目标对象的目标图像信息；将目标图像信息输入目标检测模型中，得到目标对象对应缺陷的检测结果，其中，目标检测模型用于对目标对象缺陷类别进行检测，目标检测模型是通过对中间检测模型的模型参数进行调整后得到的，中间检测模型是通过对初始检测模型的初始模型参数进行调整后得到的，检测结果内包含目标对象所属缺陷类别和缺陷相应的位置信息。通过本申请实施例，解决了相关技术中存在的电力器件的正负样本严重失衡，导致电力设备缺陷检测的精度较低且定位不准的问题。备缺陷检测的精度较低且定位不准的问题。备缺陷检测的精度较低且定位不准的问题。

【技术实现步骤摘要】
基于小样本目标对象缺陷检测的方法、装置、电子设备


[0001]本申请涉及机器学习领域，尤其涉及一种基于小样本目标对象缺陷检测的方法、装置、电子设备。

技术介绍

[0002]电力设备中的各个部件，如变压器，其正常运转与稳定供电是电力系统的基础保障。然而，在自身质量或外界条件影响下，变压器中常会出现漏油、锈蚀等缺陷，直接威胁到变压器的稳定运行。而在变电站实际维修巡检中，常常通过人工定期巡检来监测变压器的异常，耗费人力成本且容易产生安全事故，不能很好满足高效且精准的检测需求。
[0003]随着人工智能技术的发展，数据驱动型的智能化检测技术由于其安全且可靠的检测结果逐渐占据了电力设备检测的主导地位。然而，在工业生产中，在工业生产中，研究人员往往很难获得大量用于模型训练学习的变压器缺陷样本，即正样本，大部分样本都是无缺陷的正常样本，即负样本，这就带来了正负样本严重失衡的问题，进而限制了智能检测，比如电力设备缺陷检测的精度和定位。
[0004]因此，相关技术中存在针对某一电力器件的正负样本严重失衡，导致电力设备缺陷检测的精度较低且定位不准的问题。

技术实现思路

[0005]本申请提供了一种基于小样本目标对象缺陷检测的方法、装置、电子设备，以至少解决相关技术中存在针对某一电力器件的正负样本严重失衡，导致电力设备缺陷检测的精度较低且定位不准的问题。
[0006]根据本申请实施例的一个方面，提供了一种基于小样本目标对象缺陷检测的方法，该方法包括：获取待检测的目标对象的目标图像信息；将所述目标图像信息输入目标检测模型中，得到所述目标对象对应缺陷的检测结果，其中，所述目标检测模型用于对所述目标对象缺陷类别进行检测，所述目标检测模型是通过对中间检测模型的模型参数进行调整后得到的，所述中间检测模型是通过对初始检测模型的初始模型参数进行调整后得到的，所述检测结果内包含所述目标对象所属缺陷类别和所述缺陷相应的位置信息。
[0007]根据本申请实施例的另一个方面，还提供了一种基于小样本目标对象缺陷检测的装置，该装置包括：第一获取单元，用于获取待检测的目标对象的目标图像信息；输入单元，用于将所述目标图像信息输入目标检测模型中，得到所述目标对象对应缺陷的检测结果，其中，所述目标检测模型用于对所述目标对象缺陷类别进行检测，所述目标检测模型是通过对中间检测模型的模型参数进行调整后得到的，所述中间检测模型是通过对初始检测模型的初始模型参数进行调整后得到的，所述检测结果内包含所述目标对象所属缺陷类别和所述缺陷相应的位置信息。
[0008]可选地，该装置还包括：第二获取单元，用于在所述将所述目标对象输入目标检测模型中之前，获取初始对象的初始图像信息，其中，所述初始图像信息为训练所述初始检测
模型的样本集；处理单元，用于利用预设缺陷处理方案对所述初始图像信息进行处理，得到初始样本数据集，其中，所述初始样本数据集内包含所述初始图像信息属于第一缺陷类别的标注信息和所述初始对象上对应的缺陷所处在的目标位置；划分单元，用于将所述初始样本数据集划分为第一数据集和第二数据集；生成单元，用于利用所述第一数据集训练所述初始检测模型，生成所述中间检测模型，其中，所述第一数据集中不包含目标类别缺陷数据；测试单元，用于利用所述第二数据集对所述中间检测模型进行测试，生成所述目标检测模型，其中，所述第二数据集中包含所述目标类别缺陷数据。
[0009]可选地，处理单元包括：获取模块，用于获取多个预设缺陷图片大小和预设缺陷标定方案；第一处理模块，用于根据所述预设缺陷图片大小和所述预设缺陷标定方案对所述初始图像信息进行位置标定和类别划分处理，得到所述初始样本数据集。
[0010]可选地，生成单元包括：选取模块，用于从所述第一数据集中选取预设个类别数量的第一子数据集和除了所述预设个类别数量之外的第二子数据集，其中，所述第一子数据集和所述第二子数据集均为所述第一数据集的子集；第一输入模块，用于将所述第一子数据集输入第一模型，得到所述预设个类别的区域特征，其中，所述第一模型用于对所述第一子数据集内属于每个类别下的感兴趣区域的框选；第一计算模块，用于对所述每个类别下的所述区域特征计算均值，得到所述预设个类别对应的类别模板集；第二输入模块，用于将所述第二子数据集输入第二模型，得到原始特征图，其中，所述第二模型用于图像特征提取；第二计算模块，用于利用注意力机制对目标类别模板集执行激活函数的运算，并将运算后的目标类别模板集与所述原始特征图进行元素乘法计算，得到目标类特征图，其中，所述目标类别模板集为所述类别模板集的子集，所述目标类别模板集包含至少一种类别模板，所述目标类特征图为利用所述注意力机制增强所述目标类别模板集内的类别模板的关键区域后，所得到的特征图；第二处理模块，用于利用区域生成网络、池化层对所述目标类特征图进行特征向量处理，得到目标特征向量；第三处理模块，用于利用全连接层对所述类别模板集进行处理，得到参考特征向量；结合模块，用于将所述注意力机制与所述参考特征向量相结合，得到结合后的特征向量；增强模块，用于将结合后的特征向量增强所述目标特征向量，得到增强后的目标特征向量；第四处理模块，用于利用所述全连接层对所述增强后的目标特征向量进行处理，得到所述中间检测模型。
[0011]可选地，第二处理模块包括：第一生成子单元，用于利用区域生成网络从所述目标类特征图中生成目标区域框；处理子单元，用于将所述目标区域框与所述原始特征图结合后利用所述池化层进行池化处理，得到所述目标特征向量。
[0012]可选地，第四处理模块包括：输出子单元，用于利用所述全连接层对所述增强后的目标特征向量进行处理，并利用二分类器输出属于所述第一缺陷类别的概率值，利用边界框回归器输出预测所述初始对象中出现缺陷对应的参考位置；得到子单元，用于根据所述概率值和所述参考位置调整所述初始模型参数，直到所述概率值大于或者等于预设阈值，且所述参考位置为所述目标位置之后，则停止调整所述初始模型参数，得到所述中间检测模型，其中，所述预设阈值为利用所述中间检测模型对所述初始图像信息进行处理后，能够输出所述标注信息的最小数值。
[0013]可选地，第一输入模块包括：选取子单元，用于从所述初始样本数据集中选取出不同缺陷类别对应的目标区域；第二生成子单元，用于将所述目标区域分别设置在多个所述
初始对象上，生成多个参考图像信息；增加子单元，用于将所述参考图像信息增加到所述第一子数据集中，得到扩充样本数据后的第三子数据集；输入子单元，用于将所述第三子数据集输入所述第一模型，得到所述预设个类别的区域特征。
[0014]可选地，测试单元包括：第三输入模块，用于将所述第二数据集输入所述中间检测模型，得到输出结果；调整模块，用于基于所述输出结果调整所述中间检测模型的所述模型参数，得到调整后的目标检测模型。
[0015]根据本申请实施例的又一个方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；其中，存储器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小样本目标对象缺陷检测的方法，其特征在于，所述方法包括：获取待检测的目标对象的目标图像信息；将所述目标图像信息输入目标检测模型中，得到所述目标对象对应缺陷的检测结果，其中，所述目标检测模型用于对所述目标对象缺陷类别进行检测，所述目标检测模型是通过对中间检测模型的模型参数进行调整后得到的，所述中间检测模型是通过对初始检测模型的初始模型参数进行调整后得到的，所述检测结果内包含所述目标对象所属缺陷类别和所述缺陷相应的位置信息。2.根据权利要求1所述的方法，其特征在于，在所述将所述目标对象输入目标检测模型中之前，所述方法还包括：获取初始对象的初始图像信息，其中，所述初始图像信息为训练所述初始检测模型的样本集；利用预设缺陷处理方案对所述初始图像信息进行处理，得到初始样本数据集，其中，所述初始样本数据集内包含所述初始图像信息属于第一缺陷类别的标注信息和所述初始对象上对应的缺陷所处在的目标位置；将所述初始样本数据集划分为第一数据集和第二数据集；利用所述第一数据集训练所述初始检测模型，生成所述中间检测模型，其中，所述第一数据集中不包含目标类别缺陷数据；利用所述第二数据集对所述中间检测模型进行测试，生成所述目标检测模型，其中，所述第二数据集中包含所述目标类别缺陷数据。3.根据权利要求2所述的方法，其特征在于，所述利用预设缺陷处理方案对所述初始图像信息进行处理，得到初始样本数据集包括：获取多个预设缺陷图片大小和预设缺陷标定方案；根据所述预设缺陷图片大小和所述预设缺陷标定方案对所述初始图像信息进行位置标定和类别划分处理，得到所述初始样本数据集。4.根据权利要求2所述的方法，其特征在于，所述利用所述第一数据集用于训练所述初始检测模型，生成所述中间检测模型包括：从所述第一数据集中选取预设个类别数量的第一子数据集和除了所述预设个类别数量之外的第二子数据集，其中，所述第一子数据集和所述第二子数据集均为所述第一数据集的子集；将所述第一子数据集输入第一模型，得到所述预设个类别的区域特征，其中，所述第一模型用于对所述第一子数据集内属于每个类别下的感兴趣区域的框选；对所述每个类别下的所述区域特征计算均值，得到所述预设个类别对应的类别模板集；将所述第二子数据集输入第二模型，得到原始特征图，其中，所述第二模型用于图像特征提取；利用注意力机制对目标类别模板集执行激活函数的运算，并将运算后的目标类别模板集与所述原始特征图进行元素乘法计算，得到目标类特征图，其中，所述目标类别模板集为所述类别模板集的子集，所述目标类别模板集包含至少一种类别模板，所述目标类特征图为利用所述注意力机制增强所述目标类别模板集内的类别模板的关键区域后，所得到的特
征图；利用区域生成网络、池化层对所述目标类特征图进行特征向量处理，得到目标特征向量；利用全连接层对所述类别模板集进行处理，得到参考特征向量；将所述注意力机制与所述参考特征向量相结合，得到结合后的特征向量；将结合后的特征向量增强所述目标特征...

【专利技术属性】
技术研发人员：甘津瑞，韩兆刚，杜泽旭，吴春鹏，李冀，王旗，刘鑫，常文婧，王鑫，金雨楠，
申请(专利权)人：国网安徽省电力有限公司超高压分公司国网安徽省电力有限公司电力科学研究院国家电网有限公司，
类型：发明
国别省市：