【技术实现步骤摘要】
本专利技术属于电力系统，特别涉及一种基于选择搜索算法的输电巡检小样本场景识别方法。
技术介绍
1、深度学习是以数据作为驱动的技术，深度学习技术之所以在过去10年得到快速发展主要得益于大规模数据集的建立。目标检测算法的发展同样也离不开数据集的贡献，数据集不仅是衡量和比较目标检测算法性能的常用依据，同时也是推动目标检测向前发展的强大动力。由于电力巡检数据集涉及到一些机密或敏感信息，目前暂时没有公开的电力巡检数据集。
2、另一方面，深度学习能够实现的前提是基于大量经过标注的数据。在电力领域，数据集的标记还需要相关专业人员花费大量的时间与精力进行标注。nguyen等通过手工标记图像从头创建一个带有54个类的30000张图像创建了一个中型的电力巡检数据集，平均标记速度是每小时40张图片，这使得电力巡检数据集构建更加困难。所以大多数研究团队都是通过自己建立的小型数据集进行研究。因此，有必要开展面向输电巡检小样本场景下的关键信息提取技术研究，通过研究面向开源大规模目标检测通用数据集的电力视觉大模型构建技术与面向输电巡检场景小样本数据的大模型高效微调方法，实现图像信息提取和模型预训练，并利用大量图像先验知识提升小样本场景下的模型精度，实现高效、低成本的输电巡检模型开发，显著提升缺陷检测能力，减轻查缺工作强度，保障输电系统安全稳定运行。同时，自监督学习方法在自然语言处理领域和图片分类领域取得了巨大的成功，但是这些方法也都无法直接迁移到目标检测技术上，因此亟需一种适合目标检测的自监督学习方法。
3、公开号为cn1136742
技术实现思路
1、本专利技术提供一种基于选择搜索算法的输电巡检小样本场景识别方法，旨在解决电力巡检中的数据稀缺、标注困以及难以高效检测的问题。
2、为解决上述技术问题，本专利技术提供一种基于选择搜索算法的输电巡检小样本场景识别方法，包括以下步骤：
3、s1：采集输电线路巡检的原始图像，通过选择搜索算法根据原始图像生成候选区域，并根据候选区域的坐标信息从原始图像中提取出对应的候选区域作为训练样本。
4、s2：建立dert模型，利用选择搜索算法生成的候选区域对dert模型进行自监督学习预训练，在自监督学习的基础上通过少量标注样本对dert模型进行微调训练，得到训练完成的dert模型。
5、s3：实时采集待检测的输电线路巡检图像，利用训练完成的dert模型进行输电线路巡检目标检测。
6、优选的，所述步骤s1中通过择搜索算法根据原始图像生成候选框具体为：
7、s11：对原始图像进行超像素分割，将原始图像划分为多个区域。
8、s12：对于每一对相邻的区域，计算区域间颜色、纹理、尺寸相似度的总相似度。
9、s13：根据相似度合并相邻的区域，生成新的候选区域。
10、s14：重复合并过程，直到生成的候选区域数量达到预设的目标数量时停止合并，输出生成的所有候选区域。
11、优选的，所述步骤s12中计算区域间的颜色、纹理、尺寸相似度的总相似度表示为：
12、s(ri，rj)＝ω1scolor(ri，rj)+ω2stexture(ri，rj)+ω3ssize(ri，rj)
13、式中，s(ri,rj)为总相似度；ri、rj为每一对相邻区域；scolor(ri,rj)为基于颜色特征的相似度度量；stexture(ri,rj)为基于纹理特征的相似度度量；ssize(ri,rj)为基于区域尺寸的相似度度量；ω1、ω2、ω3为权重系数，每个特征对总相似度的贡献。
14、颜色相似度的计算公式具体为：
15、
16、式中，为区域ri的颜色均值；为区域rj的颜色均值。
17、纹理相似度的计算公式具体为：
18、
19、式中，分别为区域ri、rj在纹理直方图中的第k个桶的值。
20、尺寸相似度的计算公式具体为：
21、
22、式中，|ri|、|rj|分别为区域ri、rj的面积。
23、优选的，所述步骤s2中利用选择搜索算法生成的候选区域图像对改进dert模型进行自监督学习预训练，在自监督学习的基础上通过少量标注样本对dert模型进行微调训练具体为：
24、s21：根据候选区域的特征将候选区域划分为正负样本，并对每个候选区域进行标准化处理。
25、s22：设计包括区域重建、目标推断、对比学习的自监督学习任务，并将其加入dert模型。
26、s23：将经过标准化处理的候选区域输入dert模型进行训练，dert模型根据自监督任务进行学习，逐步调整参数，使dert模型能够捕捉到候选区域中的目标信息。
27、s24：将标注样本输入到已经通过自监督学习预训练的dert模型中，采用小批量学习策略，利用少量的标注数据来微调dert模型。
28、另一方面，本专利技术提供一种基于选择搜索算法的输电巡检小样本场景识别系统，包括图像采集与候选区域生成模块、dert模型训练与微调模块与目标检测模块。
29、图像采集与候选区域生成模块，用于采集输电线路巡检的原始图像，通过选择搜索算法根据原始图像生成候选区域，并根据候选区域的坐标信息从原始图像中提取出对应的候选区域作为训练样本。
30、dert模型训练与微调模块，用于建立dert模型，利用选择搜索算法生成的候选区域对dert模型进行自监督学习预训练，在自监督学习的基础上通过少量标注样本对dert模型进行微调训练，得到训练完成的dert模型。
31、目标检测模块，用于实时采集待检测的输电线路巡检图像，利用训练完成的dert模型进行输电线路巡检目标检测。
32、优选的，所述图像采集与候选区域生成模块中通过择搜索算法根据原始图像生成候选框具体为：
33、对原始图像进行超像素分割，将原始图像划分为多个区域。
34、对于每一对相邻的区域，计算区域间颜色、纹理、尺寸相似度的总相似度。
35、根据相似度合并相邻的区域，生成新的候选区域。
36、重复合并过程，直到生成的候选区域数量达到预设的目标数量时停止合并，本文档来自技高网...
【技术保护点】
1.一种基于选择搜索算法的输电巡检小样本场景识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于选择搜索算法的输电巡检小样本场景识别方法，其特征在于，所述步骤S1中通过择搜索算法根据原始图像生成候选框具体为：
3.根据权利要求2所述的基于选择搜索算法的输电巡检小样本场景识别方法，其特征在于，所述步骤S12中计算区域间的颜色、纹理、尺寸相似度的总相似度表示为：
4.根据权利要求1所述的基于选择搜索算法的输电巡检小样本场景识别方法，其特征在于，所述步骤S2中利用选择搜索算法生成的候选区域图像对改进DERT模型进行自监督学习预训练，在自监督学习的基础上通过少量标注样本对DERT模型进行微调训练具体为：
5.一种基于选择搜索算法的输电巡检小样本场景识别系统，其特征在于，包括图像采集与候选区域生成模块、DERT模型训练与微调模块与目标检测模块；
6.根据权利要求5所述的基于选择搜索算法的输电巡检小样本场景识别系统，其特征在于，所述图像采集与候选区域生成模块中通过择搜索算法根据原始图像生成候选框具体为：
7
8.根据权利要求5所述的基于选择搜索算法的输电巡检小样本场景识别系统，其特征在于，所述DERT模型训练与微调模块中利用选择搜索算法生成的候选区域图像对改进DERT模型进行自监督学习预训练，在自监督学习的基础上通过少量标注样本对DERT模型进行微调训练具体为：
9.一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的基于选择搜索算法的输电巡检小样本场景识别方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的基于选择搜索算法的输电巡检小样本场景识别方法。
...【技术特征摘要】
1.一种基于选择搜索算法的输电巡检小样本场景识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于选择搜索算法的输电巡检小样本场景识别方法，其特征在于，所述步骤s1中通过择搜索算法根据原始图像生成候选框具体为：
3.根据权利要求2所述的基于选择搜索算法的输电巡检小样本场景识别方法，其特征在于，所述步骤s12中计算区域间的颜色、纹理、尺寸相似度的总相似度表示为：
4.根据权利要求1所述的基于选择搜索算法的输电巡检小样本场景识别方法，其特征在于，所述步骤s2中利用选择搜索算法生成的候选区域图像对改进dert模型进行自监督学习预训练，在自监督学习的基础上通过少量标注样本对dert模型进行微调训练具体为：
5.一种基于选择搜索算法的输电巡检小样本场景识别系统，其特征在于，包括图像采集与候选区域生成模块、dert模型训练与微调模块与目标检测模块；
6.根据权利要求5所述的基于选择搜索算法的输电巡检小样本场景识别系统，其特征在于，所述图像采集与候选区域生成模...
【专利技术属性】
技术研发人员：钱健，吴飞，何德明，谢炜，杨彦，黄建业，林爽，熊嘉丽，马腾，李扬笛，周晨曦，姚文旭，
申请(专利权)人：国网福建省电力有限公司电力科学研究院，
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。