CN109614888B - 基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法 - Google Patents

Abstract

本发明公开了一种基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法，步骤如下：S1、参照无人机航拍图，构建实物模型并模拟缺陷；S2、拍摄装置采集缺陷数据样本，随后进行筛选，将符合要求的数据作为辅助数据集，记作A；S3、将无人机拍摄得到的目标数据集B与迁移辅助数据集混合，得到训练集T；S4、将训练集作为目标检测算法的输入，每经过预先设定的几轮训练后，使用A进行测试，如果测试的结果与真实标签相同，则保留该样本，否则剔除该数据样本；S5、将经过裁剪的数据集A与目标数据集B混合，用于下一轮训练，重复上述步骤直至经过剔除的A剩下的样本占整个训练集的比例小于比例下限或者测试结果全部正确为止。

Description

基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型 训练方法

技术领域

本发明涉及机器学习技术领域，具体涉及一种基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法。

背景技术

为确保电力系统安全、稳定运行，工作人员必须定期对架空输电线路进行检修。传统检测方式主要依靠人工进行，在其存在误检或者漏检问题的同时，又耗费了大量的人力和物力。针对这一问题，无人机巡检技术得到了广泛的应用，它们搭载拍摄装置沿输电线路走廊飞行，近距离拍摄线路，获取航拍图像，人工标注航拍图像中架空输电线路的缺陷部位。

传统的图像标注是人工完成的，在数据量不是很多的情况下，对图像的理解与标注相对准确，但在大数据环境下，人工标注工作量巨大，并且容易受到主观经验的影响，对同一幅图像的标注不一致。近几年，深度学习在目标检测上优异的表现，于是有学者提出了利用计算机实现电力缺陷的自动标注。智能检测方法因其优良的性能、广泛的适应范围、符合现代智能化和自动化的要求等优点作为新的线路巡检方式而逐渐受到重视。然而，基于深度学习的缺陷检测技术仍然存在不少的关键问题有待于解决，其中较为突出的当属于类别不平衡问题。

传统的目标检测算法把不同类型的数据同等看待，致力于提高整体的分类准确度。但现实中，电力系统中的异常数据较正常数据少得多，异常数据(少数)和正常数据类(多数)分布不平衡，甚至极度不平衡。传统目标检测大多以数据分布均衡作为前提，以样本总体的分类准确率作为目标，这对不平衡分类问题并不适用。当数据分布不平衡时，正确区分少数类样本的意义高于整体分类准确率。而少数类样本或者是较少出现，或者是收集代价高，这部分样本的严重缺乏给不平衡分类增加了难度。因此，为了进一步提升模型泛化能力、解决网络训练时无人机巡检航拍图中的不平衡样本处理问题，在原有深度学习算法模型做出相应的改进，才能满足现代智能巡检要求。

针对不平衡的电力巡检数据，采用相关的辅助数据集对不平衡的目标数据集进行迁移学习，能够解决目标数据集中少数样本的稀缺问题，然而该方法也存在以下问题：辅助数据中往往存在大量冗余数据，这些数据可能与目标数据集很不相似，他们的存在不但会影响模型的训练速度，还会导致分类精度的下降。针对这个问题，提出一种基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法，优化辅助数据集样本，动态剔除辅助数据集中不相关数据样本，不断优化电力缺陷检测中的辅助训练数据集。

发明内容

本发明的目的是为了解决基于深度学习的电力缺陷检测中正负数据样本不平衡这一问题，提供一种基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法，在获取迁移辅助数据样本后，优化辅助数据集样本，动态剔除辅助数据集中不相关数据样本，不断优化电力缺陷检测中的辅助训练数据集，能够有效缓解电力缺陷检测中缺陷数据样本不足导致的模型泛化能力差这一问题。

本发明的目的可以通过采取如下技术方案达到：

一种基于架空输电线路辅助数据集的深度学习缺陷检测模型训练方法，所述的训练方法包括以下步骤：

S1、参照无人机巡检航拍图，针对架空输电线路某种特定缺陷类型，构建实物模型并模拟缺陷；

S2、采用拍摄装置采集缺陷数据样本，随后进行筛选，将筛选后的数据样本作为迁移辅助数据集，记作A；

S3、将无人机巡检拍摄得到的目标数据集B与上述采集到的迁移辅助数据集A按比例抽取混合，得到用于模型训练的数据集T；

S4、将数据集T作为目标检测算法的输入，每经过指定的训练轮数后，使用迁移辅助数据集A进行测试，如果测试的结果与真实标签相同，则保留该数据样本，否则剔除该数据样本；

S5、将经过裁剪的迁移辅助数据集A与目标数据集B混合，作为下一轮训练输入，重复上述步骤直至经过裁剪的迁移辅助数据集A剩下的样本占整个训练集的比例小于比例下限或者测试结果与真实标签全部相同为止。

作为优选的技术方案，步骤S1的具体过程如下：

参照架空输电线路实物，搭建电力元器件的可调节缺陷的实物模型，随后模拟相应缺陷，其中，电力元器件包括绝缘子、线夹、连接金具。

作为优选的技术方案，步骤S2的具体过程如下：

在已搭建的有缺陷的实物模型上，使用拍摄装置在不同角度、不同位置处采集缺陷数据样本，随后从采集到的缺陷数据样本中挑选出清晰并且包含前景物的图片样本，这部分样本即为辅助数据样本。

将筛选后的数据样本作为迁移辅助数据集，记作A。

作为优选的技术方案，步骤S3的具体过程如下：

将步骤S2中的迁移辅助数据集A与无人机拍摄得到的数据混合，为了保证剔除后正常类与缺陷类别平衡，使混合后的数据中缺陷类数据样本多于正常类数据样本。

作为优选的技术方案，步骤S4的具体过程如下：

将数据集T与其对应的标签放到指定路径下，设置训练轮数，经过指定的训练轮数训练后，保存训练完毕的深度学习缺陷检测模型，使用迁移辅助数据集A测试该模型，将测试结果与真实结果进行比较，如果测试的结果与真实标签相同，则保留该样本，否则剔除该数据样本，将裁剪后的迁移辅助数据集A作为新一轮训练的辅助数据样本。

作为优选的技术方案，步骤S5的具体过程如下：

将迁移辅助数据集A与目标数据集打乱顺序随机混合后作为新一轮训练样本，重复上述过程，直至迁移辅助数据样本测试结果全部正确或者剩下的迁移辅助数据集A占整个训练集的比例小于比例下限，保存最终训练完毕的深度学习缺陷检测模型。

本发明相对于现有技术具有如下的优点及效果：

1、本发明方法采用实验的方法构建迁移辅助数据集，使得最终训练用的数据样本中正常类别数据量与缺陷类样本数目相同，有效提高了训练模型的泛化能力；

2、本发明方法为了进一步确保用于训练的辅助样本与真实样本的相似性，动态剔除辅助数据集中不相关数据样本，不断优化电力缺陷检测中的辅助训练数据集。

附图说明

图1是示例搭建的部分实物模型示意图，其中，图1(a)是单片绝缘子与金具示例图，图1(b)是双片绝缘子与金具示例图；

图2是示例拍摄示意图；

图3是本发明公开的基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法的步骤流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

如图1所示搭建的实物模型，其中，图1(a)和图1(b)展示了玻璃绝缘子与金具之间的连接方式，电力金具闭口销有正常与缺陷(缺失、松动)两种状态，图2所示的拍摄示意图，表明在数据采集时为了保证样本数据之间的差异性，拍摄装置应在不同位置、不同角度上采集数据，图3所示的流程图展示了一种基于架空输电线路辅助数据集的深度学习缺陷检测模型训练方法包括以下步骤：

S1、针对架空输电线路连接金具闭口销缺陷，搭建连接金具实物模型，分别模拟闭口销松动、缺失(脱落)状态，分别在以上两种缺陷状态下借助拍摄设备在不同位置上多角度拍摄，获取闭口销松动样本与缺失样本各800张；

S2、从步骤S1拍摄得到的数据挑选出清晰且包含金具前景物的数据样本，经筛选后的数据包括闭口销缺失样本708份，松动图片768张，筛选后的数据即为迁移辅助数据集；

S3、将无人机采集到的数据(正常样本780张，闭口销缺失图片96张，闭口销松动图片88张)与步骤S2中的迁移辅助数据集混合在一起作为最初一轮的用于模型训练的数据集T；

S4、调用Faster R-CNN算法模型，输入用于模型训练的数据集T以及相应的标签，经过3轮训练后，保存训练模型，并将迁移辅助数据样本作为测试集，测试该模型，根据测试结果剔除测试结果与实际标签不一致的辅助数据样本，将经过裁剪后的辅助数据与原先目标数据混合，计算辅助数据集所占比例为52％，超过设置的下限比例42％；

S5、混合数据集作为训练集，重复步骤S4，直至辅助数据集所占比例低于42％，保存相应训练模型。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (4)

1.一种基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法，其特征在于，所述的训练方法包括以下步骤：

S1、参照无人机巡检航拍图，针对架空输电线路某种特定缺陷类型，构建实物模型并模拟缺陷；

S2、采用拍摄装置采集缺陷数据样本，随后进行筛选，将筛选后的数据样本作为迁移辅助数据集，记作A；所述的步骤S2具体为：

在已搭建的有缺陷的实物模型上，使用拍摄装置在不同角度、不同位置处采集缺陷数据样本，随后从采集到的缺陷数据样本中挑选出清晰并且包含前景物的图片样本，将筛选后的数据样本作为迁移辅助数据集，记作A；

S3、将无人机巡检拍摄得到的目标数据集B与上述采集到的迁移辅助数据集A按比例抽取混合，得到用于模型训练的数据集T；

S4、将数据集T作为目标检测算法的输入，每经过指定的训练轮数后，使用迁移辅助数据集A进行测试，如果测试的结果与真实标签相同，则保留该数据样本，否则剔除该数据样本；

所述的步骤S4具体为：

将数据集T与其对应的标签放到指定路径下，设置训练轮数，经过指定的训练轮数训练后，保存训练完毕的深度学习缺陷检测模型，使用迁移辅助数据集A测试该模型，将测试结果与真实结果进行比较，如果测试的结果与真实标签相同，则保留该样本，否则剔除该数据样本，将裁剪后的迁移辅助数据集A作为新一轮训练的辅助数据样本；

S5、将经过裁剪的迁移辅助数据集A与目标数据集B混合，作为下一轮训练输入，重复上述步骤直至经过裁剪的迁移辅助数据集A剩下的样本占整个训练集的比例小于比例下限或者测试结果与真实标签全部相同为止。

2.根据权利要求1所述的基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法，其特征在于，所述的步骤S1具体为：

参照架空输电线路实物，搭建电力元器件的可调节缺陷的实物模型，随后模拟相应缺陷，其中，电力元器件包括绝缘子、线夹、连接金具。

3.根据权利要求1所述的基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法，其特征在于，所述的步骤S3具体为：

将迁移辅助数据集A与无人机拍摄得到的数据混合，并使混合后的数据中缺陷类数据样本多于正常类数据样本。

4.根据权利要求1所述的基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法，其特征在于，所述的步骤S5具体为：

将迁移辅助数据集A与目标数据集打乱顺序随机混合后作为新一轮训练样本，重复上述过程，直至迁移辅助数据样本测试结果全部正确或者剩下的迁移辅助数据集A占整个训练集的比例小于比例下限，保存最终训练完毕的深度学习缺陷检测模型。