一种用于输电巡检的目标识别方法技术

本发明专利技术涉及图像处理技术领域，本发明专利技术公开了一种用于输电巡检的目标识别方法

【技术实现步骤摘要】
一种用于输电巡检的目标识别方法、系统、介质及设备


[0001]本专利技术涉及图像处理
，具体的说，是涉及一种用于输电巡检的目标识别方法
、
系统
、
介质及设备
。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术
。
[0003]当前输电线路缺陷识别算法在一些类别的识别上已比较准确，但整体上还存在多数缺陷发现率达不到真正实用化的水平，以及整体上误检过高的问题
。
现阶段输电巡检目标检测方法大多基于感知视觉技术的目标检测方法，如
RCNN
（
Rich feature hierarchies for accurate object detection and semantic segmentation
，用于精确物体定位和语义分割的丰富特征层次结构）
、Faster RCNN
（
Towards Real
‑
Time Object Detection with Region Proposal Networks
，用于实时目标检测的区域建议网络）
、YOLO
（
You Only Look Once
，一种基于深度神经网络的对象识别和定位算法）
、SSD
（
Single Shot MultiBox Detector
，采用单个深度神经网络模型实现目标检测和识别的方法）等深度学习算法
。
但是，传统深度学习方法在小样本问题处理上效果不好，实际现场缺陷的发生存在不确定性，缺陷种类间的长尾数据现象普遍
。
并且传统深度学习方法，小目标定位分类困难，导致误检
、
漏检等问题
。
针对以上问题：公开号为
CN114663352A
的专利提出一种输电线路缺陷高精度检测方法，在获取原始巡检图像数据后，通过变换域和空间域对巡检图像自适应去噪，获得性能良好的去噪图像数据，然后采用两阶段目标检测神经网络算法对输电线路缺陷识别训练，为输电线路目标检测算法高精度研判提供高质量巡检图像数据，以提升缺陷检测精度
。
公开号为
CN115937086A
的专利提出一种基于无人机图像识别技术的特高压输电线路缺陷检测方法，通过无人机巡航进行图像采集和图像预处理，对预处理完成后的图像进行输电线路缺陷检测，融合大场景的通道背景，从而提高缺陷巡检效率
。
[0004]随着人工智能技术的发展，传统深度学习目标检测算法，在现阶段发挥了重要作用，但仍存在以下问题：
1、
现有模型结构的精度局限：随着神经网络结构设计技术，逐渐成熟并趋于收敛，想要通过优化神经网络结构从而打破精度局限非常困难；现有数据量较充足的类别中其检测效果达到瓶颈，增加数据量已经没法提升模型的识别精度；
2、
模型感知能力弱：针对较高分辨率的图像，传统深度学习算法所获取的图像特征精细度不够；且传统深度学习预训练模型使用非行业数据进行预训练，网络提取的特征不具备针对性，导致目标分类准确率低；
3、
预训练大模型低效数据问题：在大模型预训练前期，需要对高分辨率数据进行裁剪，裁剪后的数据包括一半以上的背景，导致模型在训练中耗时更长，并一定程度降低了模型对输电线路设备的敏感性
。

技术实现思路

[0005]本专利技术为了解决上述问题，本专利技术提供一种用于输电巡检的目标识别方法
、
系统
、
介质及设备，创新性提出在教师模型预训练阶段加入前景背景分类模型，压缩了运用掩码自编码器模型架构对教师模型进行预训练的时间，且更有效的引导教师模型对输电设备的特征学习，提高特征提取的鲁棒性，进而提高输电设备缺陷的识别精度
。
[0006]为了实现上述目的，本专利技术采用如下技术方案：本专利技术的第一个方面提供一种用于输电巡检的目标识别方法，其包括：获取巡检图像；基于所述巡检图像，通过业务模型，得到输电设备缺陷；其中，业务模型的获取步骤包括：获取虚拟可视化巡检图像，并进行图像分块后，划分为前景图和背景图，基于所述前景图和背景图，训练得到前景背景分类模型；采用所述前景背景分类模型，对无标签数据集中的巡检图像分类，得到前景图和背景图；基于分类得到的前景图和背景图，运用掩码自编码器模型架构对教师模型进行预训练，并通过知识蒸馏，得到学生模型后，使用标签数据集对学生模型进行迁移学习，得到业务模型
。
[0007]进一步地，所述虚拟可视化巡检图像通过建模搭配随机背景的方式生成
。
[0008]进一步地，所述图像分块采用滑动窗口，且滑动窗口的尺寸通过宽
、
高和滑窗重叠比限定
。
[0009]进一步地，所述划分为前景图和背景图的方法为：对虚拟可视化巡检图像对应的掩膜图进行所述图像分块，提取分块后的掩膜图中的前景区域的外接矩形，比较所述前景区域的外接矩形的宽与所述滑动窗口的宽，将比较结果符合要求的外接矩形对应的虚拟可视化图像块，作为前景图
。
[0010]进一步地，所述划分为前景图和背景图的方法为：对虚拟可视化巡检图像对应的掩膜图进行所述图像分块，提取分块后的掩膜图中的前景区域的外接矩形，比较所述前景区域的外接矩形的高与所述滑动窗口的高，将比较结果符合要求的外接矩形对应的虚拟可视化图像块，作为前景图
。
[0011]进一步地，所述迁移学习中的池化操作采用感兴趣区域池化，使用双线性插值的方法获得坐标为浮点数的像素点上的图像数值
。
[0012]进一步地，所述教师模型编码器包括若干结构块，且结构块之间通过残差连接，每个结构块包括：多头自注意力
、
多层感知机和层归一化本专利技术的第二个方面提供一种用于输电巡检的目标识别系统，其包括：模型训练模块，其被配置为：获取虚拟可视化巡检图像，并进行图像分块后，划分为前景图和背景图，基于所述前景图和背景图，训练得到前景背景分类模型；采用所述前景背景分类模型，对无标签数据集中的巡检图像分类，得到前景图和背景图；基于分类得到的前景图和背景图，运用掩码自编码器模型架构对教师模型进行预训练，并通过知识蒸馏，得到学生模型后，使用标签数据集对学生模型进行迁移学习，得到业务模型；数据获取模块，其被配置为：获取巡检图像；目标识别模块，其被配置为：基于所述巡检图像，通过业务模型，得到输电设备缺陷
。
[0013]进一步地，所述虚拟可视化巡检图像通过建模搭配随机背景的方式生成
。
[0014]进一步地，所述图像分块采用滑动窗口，且滑动窗口的尺寸通过宽
、
高和滑窗重叠比限定
。
[0015]进一步地，所述划分为前景图和背景图的方法为：对虚拟可视化巡检图像对应的掩膜图进行所述图像分块本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于输电巡检的目标识别方法，其特征在于，包括：获取巡检图像；基于所述巡检图像，通过业务模型，得到输电设备缺陷；其中，业务模型的获取步骤包括：获取虚拟可视化巡检图像，并进行图像分块后，划分为前景图和背景图，基于所述前景图和背景图，训练得到前景背景分类模型；采用所述前景背景分类模型，对无标签数据集中的巡检图像分类，得到前景图和背景图；基于分类得到的前景图和背景图，运用掩码自编码器模型架构对教师模型进行预训练，并通过知识蒸馏，得到学生模型后，使用标签数据集对学生模型进行迁移学习，得到业务模型
。2.
如权利要求1所述的一种用于输电巡检的目标识别方法，其特征在于，所述虚拟可视化巡检图像通过建模搭配随机背景的方式生成
。3.
如权利要求1所述的一种用于输电巡检的目标识别方法，其特征在于，所述图像分块采用滑动窗口，且滑动窗口的尺寸通过宽
、
高和滑窗重叠比限定
。4.
如权利要求1所述的一种用于输电巡检的目标识别方法，其特征在于，所述划分为前景图和背景图的方法为：对虚拟可视化巡检图像对应的掩膜图进行所述图像分块，提取分块后的掩膜图中的前景区域的外接矩形，比较所述前景区域的外接矩形的宽与所述滑动窗口的宽，将比较结果符合要求的外接矩形对应的虚拟可视化图像块，作为前景图
。5.
如权利要求1所述的一种用于输电巡检的目标识别方法，其特征在于，所述划分为前景图和背景图的方法为：对虚拟可视化巡检图像对应的掩膜图进行所述图像分块，提取分块后的掩膜图中的前景区域的外接矩形，比较所述前景区域的外接矩形的高与所述滑动窗口的高，将比较结果符合要求的外接矩形对应的虚拟可视化图像块，作为前景图
。6.
如权利要求1所述的一种用于输电巡检的目标识别方法，其特征在于，所述迁移学习中的池化操作采用感兴趣区域池化，使用双线性插值的方法获得坐标为浮点数的像素点上的图像数值
。7.
如权利要求1所述的一种用于输电巡检的目标识别方法，其特征在于，所述教师模型编码器包括若干结构块，且结构块之间通过残差连接，每个结构块包括：多头自注意力
、
多层感知机和层归一化
。8.
一种用于输电巡检的目标识别系统，其特征在于，包括：模型训练模块，其被配置为：获取虚拟可视化巡检图像，并进行图像分块后，划分为前景图和背景图，基于所述前景图和背景图，训练得到前景背景分类模型；采用所述前景背景分类模型，对无标签数据集中的巡检图像分类，得到前...

【专利技术属性】
技术研发人员：刘广秀，王万国，李振宇，王童，许荣浩，王勇，刘晗，徐康，陈霞，梁栋，张纪伟，邱镇，卢大玮，王晓辉，郭鹏天，李黎，陈勇，周飞，张国梁，王博，宋明黎，宋杰，
申请(专利权)人：国网山东省电力公司济南供电公司，
类型：发明
国别省市：