CN113255590A - 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 - Google Patents

一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 Download PDF

Info

Publication number
CN113255590A
CN113255590A CN202110707315.XA CN202110707315A CN113255590A CN 113255590 A CN113255590 A CN 113255590A CN 202110707315 A CN202110707315 A CN 202110707315A CN 113255590 A CN113255590 A CN 113255590A
Authority
CN
China
Prior art keywords
defect detection
model
defect
prediction
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110707315.XA
Other languages
English (en)
Inventor
戴永东
王茂飞
蒋中军
翁蓓蓓
刘玺
鞠玲
宋旭琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Zhongxin Hanchuang Beijing Technology Co Ltd
Original Assignee
Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Zhongxin Hanchuang Beijing Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd, Zhongxin Hanchuang Beijing Technology Co Ltd filed Critical Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202110707315.XA priority Critical patent/CN113255590A/zh
Publication of CN113255590A publication Critical patent/CN113255590A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30144—Printing quality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Biomedical Technology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种缺陷检测模型训练方法、缺陷检测方法、装置及系统，方法包括：建立神经网络模型；采集多种类型线路缺陷的样本图像并进行处理；将处理后的样本图像输入至所述神经网络模型进行训练，获得缺陷检测模型；通过测试图片对所述缺陷检测模型评估；对评估满足预设条件的各缺陷类型的缺陷检测模型进行容器化存储；该方法能够适用于不同背景场景下的缺陷识别。

Description

一种缺陷检测模型训练方法、缺陷检测方法、装置及系统
技术领域
本发明涉及人工智能领域，尤其涉及一种缺陷检测模型训练方法、缺陷检测方法、装置及系统。
背景技术
电网线路以多种类型的架空导线形式存在，此外还有大量的电网电气设备，由于长期暴露在大自然中运行，对安全运行提出了挑战。他们不仅要经受住正常机械载荷和电力负荷的作用，而且还受到各方面外来因素的干扰和复杂自然条件的影响。电网系统规模庞大，设备数量巨大，为了保证高质量的巡检结果，过去大部分设备检测工作，主要靠检修人员采用移动手持设备进行现场带电检测。而经济转型、发展的压力，对电网的稳定、可靠以及电能质量提出了更高的要求，这对已经非常繁重的巡检工作提出了更高的要求。
当前，电网行业开展了缺陷检测智能化推广工作，经过长期的技术攻关和政策推广，检测模型已经在某些场景下具备了可落地使用的能力。例如，专利文献CN108597053A提供了一种基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法，通过建立训练样本库，对BP神经网络进行训练，生成训练模型，通过训练模型进行缺陷检测。但实际应用中发现，现有的神经网络针对全国各电网线路根据线路缺陷检测标准无差别训练呈现出了弊端，面向各地复杂的地理环境、各省市线路图像背景差异巨大。同样的模型部署在不同地区，检测准确性差别较大，如果针对各地区情况依托专业算法工程师配合行业专家进行针对性地模型调优工作，势必会增加巨大的工作量。
发明内容
本发明提供了一种缺陷检测模型训练方法、缺陷检测方法、装置及系统，能够有效提高应用于电网的目标检测模型的准确性。
一种缺陷检测模型训练方法，包括：
建立神经网络模型；
采集多种类型线路缺陷的样本图像并进行处理；
将处理后的样本图像输入至所述神经网络模型进行训练，获得缺陷检测模型；
通过测试图片对所述缺陷检测模型评估；
对评估满足预设条件的各缺陷类型的缺陷检测模型进行容器化存储。
进一步地，对所述神经网络模型的训练包括以下至少之一：
初级训练、二次训练以及增量训练。
进一步地，通过测试图片对所述缺陷检测模型评估，包括：
将测试图片输入至所述缺陷检测模型，获得至少一个预测框；
在所述测试图片上标注目标缺陷的真值框；
计算所述真值框与所述预测框的交并比；
根据所述交并比以及预测框的置信度，确定正确预测框；
根据测试图片数量、预测框的总数、正确预测框数量、目标缺陷数量，计算检出率、预测准确率、误报率以及每图误报率；
根据所述检出率、预测准确率、误报率以及每图误报率评估所述缺陷检测模型是否满足预设条件。
进一步地，根据所述交并比以及预测框的置信度，确定正确预测框，包括：
选择交并比大于预设值、置信度最高且缺陷类型与真值框目标缺陷一致的预测框为正确预测框。
进一步地，所述检出率通过以下公式进行计算：
Figure 555752DEST_PATH_IMAGE001
;
其中，R为检出率、Q为正确预测框的数量，K为测试图片上的缺陷数量；
所述预测准确率通过以下公式进行计算：
Figure 66368DEST_PATH_IMAGE002
;
其中，T为预测准确率，Q为正确预测框的数量，P为预测框总数；
所述误报率通过以下公式进行计算：
Figure 174001DEST_PATH_IMAGE003
;
其中，F为误报率，Q为正确预测框的数量，P为预测框总数；
所述每图误报率通过以下公式进行计算：
Figure 900036DEST_PATH_IMAGE004
;
其中，FPPI为每图误报率，P为预测框总数，Q为正确预测框的数量，N为测试图片的数量；
所述预设条件为所述检出率大于第一预设值；和或，
所述预测准确率大于第二预设值；和/或，
所述误报率低于第三预设值；和/或，
所述每图误报率低于第四预设值。
进一步地，将处理后的样本图像输入至所述神经网络模型进行训练，获得缺陷检测模型，包括：
对所述样本图像进行特征提取，获得特征图；
在每个特征图的锚框当中选出真值框与锚框中心最近的预设数量个锚框作为备选正样本框；
计算选出的锚框与真值框的交并比的均值和标准差；
选择交并比大于均值和标准差之和的备选正样本框，作为正样本框；
根据所述正样本框的类别以及与真值框的偏移量，计算损失函数的损失值，当所述损失值的变化值小于预设值时所述神经网络模型收敛，获得缺陷检测模型。
一种采用上述方法获得的缺陷检测模型的缺陷检测方法，包括：
接收模型选择信号；
根据所述模型选择信号，将待检测图片输入至选中的缺陷检测模型，输出检测结果。
一种缺陷检测模型训练装置，包括：
模型建立模块，用于建立神经网络模型；
预处理模块，用于采集多种类型线路缺陷的样本图像并进行处理；
训练模块，用于将处理后的样本图像输入至所述神经网络模型进行训练，获得缺陷检测模型；
评估模块，用于通过测试图片对所述缺陷检测模型评估；
存储模块，用于对评估满足预设条件的各缺陷类型的缺陷检测模型进行容器化存储。
一种采用上述装置获得的缺陷检测模型的缺陷检测装置，其特征在于，包括：
信号接收模块，用于接收模型选择信号；
检测模块，用于根据所述模型选择信号，将待检测图片输入至选中的缺陷检测模型，输出检测结果。
一种缺陷检测系统，包括上述的缺陷检测模型训练装置以及上述的缺陷检测装置。
本发明提供的缺陷检测模型训练方法、缺陷检测方法、装置及系统，至少包括如下有益效果：
（1）通过多种类型的线路缺陷的样本对模型进行训练，面向不同电网背景和属性、针对不同线路缺陷进行初级训练、二次训练和增量训练，不断丰富有关电力巡检缺陷的类型，持续提升模型精度，并对模型进行评估，选择满足预设条件的缺陷检测模型，适用于不同背景场景下的缺陷识别；
（2）采用自适应锚框正样本分配策略，相较于需要人为设定锚框匹配阈值的方法，准确率更高。
附图说明
图1为本发明提供的缺陷检测模型训练方法一种实施例的流程图。
图2为本发明提供的缺陷检测方法一种实施例的原理图。
图3为本发明提供的缺陷检测模型训练装置一种实施例的结构示意图。
图4为本发明提供的缺陷检测装置一种实施例的结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
参考图1，本实施例提供一种缺陷检测模型训练方法，包括：
S1、建立神经网络模型；
S2、采集多种类型线路缺陷的样本图像并进行处理；
S3、将处理后的样本图像输入至所述神经网络模型进行训练，获得缺陷检测模型；
S4、通过测试图片对所述缺陷检测模型评估；
S5、对评估满足预设条件的各缺陷类型的缺陷检测模型进行容器化存储。
进一步地，步骤S2中，对样本图像进行处理，包括但不限于对样本图像的数据清洗、标注等。
进一步地，步骤S3中，将处理后的样本图像输入至所述神经网络模型进行训练，获得缺陷检测模型，包括：
S31、对所述样本图像进行特征提取，获得特征图；
S32、在每个特征图的锚框当中选出真值框与锚框中心最近的预设数量个锚框作为备选正样本框；
S33、计算选出的锚框与真值框的交并比的均值和标准差；
S34、选择交并比大于均值和标准差之和的备选正样本框，作为正样本框；
S35、根据所述正样本框的类别以及与真值框的偏移量，计算损失函数的损失值，当所述损失值的变化值小于预设值时所述神经网络模型收敛，获得缺陷检测模型。
锚框为特征图上以像素点为中心，生成的多个不同大小和长宽比的参考框，这些参考框即为锚框，锚框的作用是辅助定位和目标物体的类别判断。对于含有标注的样本图像，算法会自动分析缺陷的大小、长宽比等信息，使用Kmeans聚类算法，聚类出最优的锚框大小和长宽比最为模型的锚框参数，从而让模型更加高效的检测出缺陷。真值框为人工标注的目标缺陷框。针对每一张图片，每个锚框都会输出其属于每个类别的置信度和与真值框的偏移量。交并比为两个框的交集与并集的比值。
本实施例提供的训练方法中，通过选择预设数量个中心与真值框最近的锚框最为备选正样本框，再计算选出的锚框与真值框的交并比的均值和标准差，将交并比大于均值和标准差之和的备选正样本框作为正样本框。该方法不需要人为设定正样本的交并比阈值，相较于需要人为设定锚框匹配阈值的方法，上述自适应锚框正样本分配策略的平均准确率要更高。
进一步地，步骤S3中，对所述神经网络模型的训练包括以下至少之一：
初级训练、二次训练以及增量训练。
模型训练面向不同电网背景和属性、针对不同线路缺陷进行初级训练、二次训练和增量训练，不断丰富有关电力巡检缺陷的类型，持续提升模型精度。
当已经基于一批标注的样本图像训练出来模型后，采集到新的数据可以加入原有的训练集时，可以基于当前模型给新数据进行打标签，并给出相应缺陷的置信度，从而大幅度减轻工作人员的标注负担，提供数据的标注效率。
当已经基于一批标注的样本图像训练出来模型后，当有新的已标注数据加入训练集时，模型训练可以基于当前模型进行继续训练，其方法是使用前一版本模型的参数，初始化当前要训练的模型。即使第二版模型与第一版模型的缺陷种类有增加或者删减，仍然可以最大限度的利用第一版模型，方法是仅增加或者删除分类层的通道数，其他的模型参数仍然可以复用。
进一步地，步骤S4中，通过测试图片对所述缺陷检测模型评估，包括：
S41、将测试图片输入至所述缺陷检测模型，获得至少一个预测框；
S42、在所述测试图片上标注目标缺陷的真值框；
S43、计算所述真值框与所述预测框的交并比；
S44、根据所述交并比以及预测框的置信度，确定正确预测框；
S45、根据测试图片数量、预测框的总数、正确预测框数量、目标缺陷数量，计算检出率、预测准确率、误报率以及每图误报率；
S46、根据所述检出率、预测准确率、误报率以及每图误报率评估所述缺陷检测模型是否满足预设条件。
其中，根据所述交并比以及预测框的置信度，确定正确预测框，包括：
选择交并比大于预设值、置信度最高且缺陷类型与真值框目标缺陷一致的预测框为正确预测框。
测试图片为包含目标缺陷的不同背景的图片，通过测试图片对训练的模型进行测试，选择满足预设条件的缺陷检测模型，适用于不同背景场景下的缺陷识别。
进一步地，所述检出率通过以下公式进行计算：
Figure 42304DEST_PATH_IMAGE005
;（1）
其中，R为检出率、Q为正确预测框的数量，K为测试图片上的缺陷数量；
所述预测准确率通过以下公式进行计算：
Figure 192663DEST_PATH_IMAGE006
;(2)
其中，T为预测准确率，Q为正确预测框的数量，P为预测框总数；
所述误报率通过以下公式进行计算：
Figure 787592DEST_PATH_IMAGE007
;(3)
其中，F为误报率，Q为正确预测框的数量，P为预测框总数；
所述每图误报率通过以下公式进行计算：
Figure 579968DEST_PATH_IMAGE008
;(4)
其中，FPPI为每图误报率，P为预测框总数，Q为正确预测框的数量，N为测试图片的数量；
所述预设条件为所述检出率大于第一预设值；和或，
所述预测准确率大于第二预设值；和/或，
所述误报率低于第三预设值；和/或，
所述每图误报率低于第四预设值。
在电力缺陷检测场景中，可以根据实际需要，选择相应的指标对模型进行评价。
进一步地，本实施例还提供一种采用上述方法获得的缺陷检测模型的缺陷检测方法，包括：
接收模型选择信号；
根据所述模型选择信号，将待检测图片输入至选中的缺陷检测模型，输出检测结果。
具体地，参考图2，模型训练阶段，通过样本图像处理、模型训练、模型评估，满足条件的缺陷检测模型存储到模型仓，将无人机采集的待检测图片输出至用户选择的缺陷检测模型中，选择的缺陷检测模型可以为一个或多个，输出相应类型缺陷的检测结果。
本实施例提供的方法，至少包括如下有益效果：
（1）通过多种类型的线路缺陷的样本对模型进行训练，面向不同电网背景和属性、针对不同线路缺陷进行初级训练、二次训练和增量训练，不断丰富有关电力巡检缺陷的类型，持续提升模型精度，并对模型进行评估，选择满足预设条件的缺陷检测模型，适用于不同背景场景下的缺陷识别；
（2）采用自适应锚框正样本分配策略，相较于需要人为设定锚框匹配阈值的方法，准确率更高。
参考图3，在一些实施例中，还提供一种缺陷检测模型训练装置，包括：
模型建立模块201，用于建立神经网络模型；
预处理模块202，用于采集多种类型线路缺陷的样本图像并进行处理；
训练模块203，用于将处理后的样本图像输入至所述神经网络模型进行训练，获得缺陷检测模型；
评估模块204，用于通过测试图片对所述缺陷检测模型评估；
存储模块205，用于对评估满足预设条件的各缺陷类型的缺陷检测模型进行容器化存储。
进一步地，训练模块203还用于：对所述样本图像进行特征提取，获得特征图；在每个特征图的锚框当中选出真值框与锚框中心最近的预设数量个锚框作为备选正样本框；计算选出的锚框与真值框的交并比的均值和标准差；选择交并比大于均值和标准差之和的备选正样本框，作为正样本框；根据所述正样本框的类别以及与真值框的偏移量，计算损失函数的损失值，当所述损失值的变化值小于预设值时所述神经网络模型收敛，获得缺陷检测模型。
进一步地，训练模块203对所述神经网络模型的训练包括以下至少之一：
初级训练、二次训练以及增量训练。
进一步地，评估模块204还用于将测试图片输入至所述缺陷检测模型，获得至少一个预测框；在所述测试图片上标注目标缺陷的真值框；计算所述真值框与所述预测框的交并比；根据所述交并比以及预测框的置信度，确定正确预测框；根据测试图片数量、预测框的总数、正确预测框数量、目标缺陷数量，计算检出率、预测准确率、误报率以及每图误报率；根据所述检出率、预测准确率、误报率以及每图误报率评估所述缺陷检测模型是否满足预设条件；其中，根据所述交并比以及预测框的置信度，确定正确预测框，包括：选择交并比大于预设值、置信度最高且缺陷类型与真值框目标缺陷一致的预测框为正确预测框。
进一步地，检出率通过式（1）进行计算，预测准确率通过式（2）进行计算，误报率通过式（3）进行计算，每图误报率通过式（4）进行计算。
参考图4，在一些实施例中，提供一种采用上述装置获得的缺陷检测模型的缺陷检测装置，包括：
信号接收模块301，用于接收模型选择信号；
检测模块302，用于根据所述模型选择信号，将待检测图片输入至选中的缺陷检测模型，输出检测结果。
在一些实施例中，还提供一种缺陷检测系统，包括上述的缺陷检测模型训练装置以及上述的缺陷检测装置。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种缺陷检测模型训练方法，其特征在于，包括：
建立神经网络模型；
采集多种类型线路缺陷的样本图像并进行处理；
将处理后的样本图像输入至所述神经网络模型进行训练，获得缺陷检测模型；
通过测试图片对所述缺陷检测模型评估；
对评估满足预设条件的各缺陷类型的缺陷检测模型进行容器化存储。
2.根据权利要求1所述的方法，其特征在于，对所述神经网络模型的训练包括以下至少之一：
初级训练、二次训练以及增量训练。
3.根据权利要求1所述的方法，其特征在于，通过测试图片对所述缺陷检测模型评估，包括：
将测试图片输入至所述缺陷检测模型，获得至少一个预测框；
在所述测试图片上标注目标缺陷的真值框；
计算所述真值框与所述预测框的交并比；
根据所述交并比以及预测框的置信度，确定正确预测框；
根据测试图片数量、预测框的总数、正确预测框数量、目标缺陷数量，计算检出率、预测准确率、误报率以及每图误报率；
根据所述检出率、预测准确率、误报率以及每图误报率评估所述缺陷检测模型是否满足预设条件。
4.根据权利要求3所述的方法，其特征在于，根据所述交并比以及预测框的置信度，确定正确预测框，包括：
选择交并比大于预设值、置信度最高且缺陷类型与真值框目标缺陷一致的预测框为正确预测框。
5.根据权利要求3所述的方法，其特征在于，所述检出率通过以下公式进行计算：
Figure 866080DEST_PATH_IMAGE001
；
其中，R为检出率、Q为正确预测框的数量，K为测试图片上的缺陷数量；
所述预测准确率通过以下公式进行计算：
Figure 452919DEST_PATH_IMAGE002
；
其中，T为预测准确率，Q为正确预测框的数量，P为预测框总数；
所述误报率通过以下公式进行计算：
Figure 63373DEST_PATH_IMAGE003
；
其中，F为误报率，Q为正确预测框的数量，P为预测框总数；
所述每图误报率通过以下公式进行计算：
Figure 659440DEST_PATH_IMAGE004
；
其中，FPPI为每图误报率，P为预测框总数，Q为正确预测框的数量，N为测试图片的数量；
所述预设条件为所述检出率大于第一预设值；和或，
所述预测准确率大于第二预设值；和/或，
所述误报率低于第三预设值；和/或，
所述每图误报率低于第四预设值。
6.根据权利要求1所述的方法，其特征在于，将处理后的样本图像输入至所述神经网络模型进行训练，获得缺陷检测模型，包括：
对所述样本图像进行特征提取，获得特征图；
在每个特征图的锚框当中选出真值框与锚框中心最近的预设数量个锚框作为备选正样本框；
计算选出的锚框与真值框的交并比的均值和标准差；
选择交并比大于均值和标准差之和的备选正样本框，作为正样本框；
根据所述正样本框的类别以及与真值框的偏移量，计算损失函数的损失值，当所述损失值的变化值小于预设值时所述神经网络模型收敛，获得缺陷检测模型。
7.一种采用如权利要求1-6任一所述方法获得的缺陷检测模型的缺陷检测方法，其特征在于，包括：
接收模型选择信号；
根据所述模型选择信号，将待检测图片输入至选中的缺陷检测模型，输出检测结果。
8.一种缺陷检测模型训练装置，其特征在于，包括：
模型建立模块，用于建立神经网络模型；
预处理模块，用于采集多种类型线路缺陷的样本图像并进行处理；
训练模块，用于将处理后的样本图像输入至所述神经网络模型进行训练，获得缺陷检测模型；
评估模块，用于通过测试图片对所述缺陷检测模型评估；
存储模块，用于对评估满足预设条件的各缺陷类型的缺陷检测模型进行容器化存储。
9.一种采用如权利要求8所述装置获得的缺陷检测模型的缺陷检测装置，其特征在于，包括：
信号接收模块，用于接收模型选择信号；
检测模块，用于根据所述模型选择信号，将待检测图片输入至选中的缺陷检测模型，输出检测结果。
10.一种缺陷检测系统，其特征在于，包括如权利要求8所述的缺陷检测模型训练装置以及如权利要求9所述的缺陷检测装置。
CN202110707315.XA 2021-06-25 2021-06-25 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 Pending CN113255590A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110707315.XA CN113255590A (zh) 2021-06-25 2021-06-25 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110707315.XA CN113255590A (zh) 2021-06-25 2021-06-25 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统

Publications (1)

Publication Number Publication Date
CN113255590A true CN113255590A (zh) 2021-08-13

Family

ID=77189508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110707315.XA Pending CN113255590A (zh) 2021-06-25 2021-06-25 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统

Country Status (1)

Country Link
CN (1) CN113255590A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920462A (zh) * 2021-10-19 2022-01-11 广东邦鑫数据科技股份有限公司 基于人工智能的船舶智能检测方法及系统
CN114092472A (zh) * 2022-01-19 2022-02-25 宁波海棠信息技术有限公司 一种缺陷检测中不确定样本的检测方法、装置及介质
CN114842273A (zh) * 2022-06-21 2022-08-02 苏州康代智能科技股份有限公司 Pcb缺陷检测模型的评估方法、评估装置及训练方法
CN115424099A (zh) * 2022-11-07 2022-12-02 浙江大学杭州国际科创中心 用于识别碳化硅位错的模型训练方法、识别方法及装置
CN116342607A (zh) * 2023-05-30 2023-06-27 尚特杰电力科技有限公司 输电线缺陷的识别方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103295243A (zh) * 2012-02-29 2013-09-11 佳能株式会社 图像处理方法和设备以及物体检测方法和系统
CN108985337A (zh) * 2018-06-20 2018-12-11 中科院广州电子技术有限公司 一种基于图像深度学习的产品表面划痕检测方法
CN110020691A (zh) * 2019-04-11 2019-07-16 重庆信息通信研究院 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法
CN111814850A (zh) * 2020-06-22 2020-10-23 浙江大华技术股份有限公司 缺陷检测模型训练方法、缺陷检测方法及相关装置
CN112052787A (zh) * 2020-09-03 2020-12-08 腾讯科技（深圳）有限公司 基于人工智能的目标检测方法、装置及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103295243A (zh) * 2012-02-29 2013-09-11 佳能株式会社 图像处理方法和设备以及物体检测方法和系统
CN108985337A (zh) * 2018-06-20 2018-12-11 中科院广州电子技术有限公司 一种基于图像深度学习的产品表面划痕检测方法
CN110020691A (zh) * 2019-04-11 2019-07-16 重庆信息通信研究院 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法
CN111814850A (zh) * 2020-06-22 2020-10-23 浙江大华技术股份有限公司 缺陷检测模型训练方法、缺陷检测方法及相关装置
CN112052787A (zh) * 2020-09-03 2020-12-08 腾讯科技（深圳）有限公司 基于人工智能的目标检测方法、装置及电子设备

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920462A (zh) * 2021-10-19 2022-01-11 广东邦鑫数据科技股份有限公司 基于人工智能的船舶智能检测方法及系统
CN114092472A (zh) * 2022-01-19 2022-02-25 宁波海棠信息技术有限公司 一种缺陷检测中不确定样本的检测方法、装置及介质
CN114842273A (zh) * 2022-06-21 2022-08-02 苏州康代智能科技股份有限公司 Pcb缺陷检测模型的评估方法、评估装置及训练方法
CN115424099A (zh) * 2022-11-07 2022-12-02 浙江大学杭州国际科创中心 用于识别碳化硅位错的模型训练方法、识别方法及装置
CN116342607A (zh) * 2023-05-30 2023-06-27 尚特杰电力科技有限公司 输电线缺陷的识别方法、装置、电子设备及存储介质
CN116342607B (zh) * 2023-05-30 2023-08-08 尚特杰电力科技有限公司 输电线缺陷的识别方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN113255590A (zh) 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统
CN112380952B (zh) 基于人工智能的电力设备红外图像实时检测及识别方法
CN109118479B (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN111784633B (zh) 一种面向电力巡检视频的绝缘子缺损自动检测算法
US11361423B2 (en) Artificial intelligence-based process and system for visual inspection of infrastructure
CN108648169B (zh) 高压输电塔绝缘子缺陷自动识别的方法及装置
CN113436169A (zh) 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统
CN112070135A (zh) 电力设备图像检测方法、装置、电力设备及存储介质
CN111310756A (zh) 一种基于深度学习的损伤玉米颗粒检测和分类方法
CN111639530B (zh) 一种输电线路的输电塔和绝缘子的检测和识别方法及系统
CN111260645B (zh) 基于分块分类深度学习的篡改图像检测方法及系统
CN112967255A (zh) 一种基于深度学习的盾构管片缺陷类型识别及定位系统及其方法
CN106951863B (zh) 一种基于随机森林的变电站设备红外图像变化检测方法
CN112164086A (zh) 一种精细化的图像边缘信息确定方法、系统及电子设备
CN112396635A (zh) 一种基于多设备的复杂环境下多目标检测方法
CN110910360A (zh) 电网图像的定位方法和图像定位模型的训练方法
CN114022761A (zh) 一种卫星遥感影像输电线路杆塔检测定位方法及装置
CN113515655A (zh) 一种基于图像分类的故障识别方法及装置
CN115131747A (zh) 基于知识蒸馏的输电通道工程车辆目标检测方法及系统
CN116823793A (zh) 设备缺陷检测方法、装置、电子设备和可读存储介质
CN111507398A (zh) 基于目标检测的变电站金属仪器锈蚀识别方法
CN112802027A (zh) 一种目标对象的分析方法、存储介质及电子装置
CN114140793A (zh) 一种用于端子排和端子排接线的匹配方法及装置
CN117677969A (zh) 一种缺陷检测的方法和装置
CN112232390B (zh) 一种高像素大图像的识别方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210813

RJ01 Rejection of invention patent application after publication