CN114397306A - 一种电网均压环超复杂类别缺陷多阶段模型联合检测方法 - Google Patents

一种电网均压环超复杂类别缺陷多阶段模型联合检测方法 Download PDF

Info

Publication number
CN114397306A
CN114397306A CN202210308318.0A CN202210308318A CN114397306A CN 114397306 A CN114397306 A CN 114397306A CN 202210308318 A CN202210308318 A CN 202210308318A CN 114397306 A CN114397306 A CN 114397306A
Authority
CN
China
Prior art keywords
model
training
result
optimized
target
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.)
Granted
Application number
CN202210308318.0A
Other languages
English (en)
Other versions
CN114397306B (zh
Inventor
李鹏
黄文琦
周锐烨
吴洋
陈佳捷
郑桦
习伟
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.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute 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 Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202210308318.0A priority Critical patent/CN114397306B/zh
Publication of CN114397306A publication Critical patent/CN114397306A/zh
Application granted granted Critical
Publication of CN114397306B publication Critical patent/CN114397306B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/24—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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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

Landscapes

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

Abstract

本申请涉及一种电网均压环超复杂类别缺陷多阶段模型联合检测方法、装置、计算机设备、存储介质和计算机程序产品。方法包括：对第一模型、第二模型、第三模型进行联合推理，得到第一训练结果、第二训练结果和第三训练结果。基于第一训练结果、以及与相应第一训练结果对应图像标签，确定第一优化后的第一模型。基于第二训练结果、以及与相应第二训练结果对应图像标签，确定第二优化后的第一模型和第二优化后的第二模型。基于第三训练结果、以及与相应第三训练结果对应图像标签，确定优化第一模型、优化第二模型和优化第三模型。通过多次迭代训练，确定训练完成所得到的第一目标模型、第二目标模型和第三目标模型，提升了对均压环缺陷检测的准确率。

Description

一种电网均压环超复杂类别缺陷多阶段模型联合检测方法
技术领域
本申请涉及缺陷检测技术领域，特别是涉及一种电网均压环超复杂类别缺陷多阶段模型联合检测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着缺陷检测技术的发展，常常需要对电网输电线路中的均压环进行缺陷检测，以维持电网稳定运行。其中，为了对均压环进行缺陷检测，常构建与缺陷类别对应的YOLOv4(You Only Look Once第4版本)模型。这样，将待检测的图像分别输入到各个缺陷类别分别对应的YOLOv4模型中，以确定均压环缺陷的类别。
在传统技术中，在对各个YOLOv4模型的训练过程中，常常是单独对每个模型进行训练，各个模型之间无法信息共享。因此，在实际的缺陷检测过程中，通过没有信息共享的各个模型，对缺陷特征非常相似的均压环进行检测，无法正确识别均压环存在的缺陷，即，存在对均压环缺陷检测的准确率。
发明内容
基于此，有必要针对上述技术问题，提供一种电网均压环超复杂类别缺陷多阶段模型联合检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种电网均压环超复杂类别缺陷多阶段模型联合检测方法。所述方法包括：
确定经前次迭代得到的第一模型、第二模型和第三模型；其中，所述第一模型用于检测样本输电线路中均压环的丢失情况，所述第二模型用于检测所述均压环的完整性情况，所述第三模型用于检测所述均压环的位姿情况；
获取当前迭代的当前样本图像和各当前样本图像所属的图像标签，并基于所述当前样本图像，对所述第一模型、所述第二模型和第三模型，进行联合推理训练，得到所述第一模型输出的第一训练结果、所述第二模型输出的第二训练结果、和所述第三模型输出的第三训练结果；
基于所述第一训练结果、以及与相应第一训练结果对应的当前样本图像所属的图像标签，对所述第一模型的参数进行第一优化，得到第一优化后的第一模型；
基于所述第二训练结果、以及与相应第二训练结果对应的当前样本图像所属的图像标签，对所述第一优化后的第一模型的参数和所述第二模型的参数，进行第二优化，得到第二优化后的第一模型和所述第二优化后的第二模型；
基于所述第三训练结果、以及与相应第三训练结果对应的当前样本图像所属的图像标签，对所述第二优化后的第一模型的参数、所述第二优化后的第二模型的参数、以及所述第三模型的参数，进行第三优化，得到优化第一模型、优化第二模型和优化第三模型；
进入下一迭代，并将所述优化第一模型、所述优化第二模型、所述优化第三模型分别作为下一迭代所对应的前次迭代得到的第一模型、第二模型和第三模型，返回所述获取当前迭代的当前样本图像和各当前样本图像所属的图像标签的步骤继续执行，直至达到训练停止条件时停止，确定训练完成所得到的第一目标模型、第二目标模型和第三目标模型；其中，所述第一目标模型、第二目标模型和第三目标模型用于通过联合推理模式对均压环进行缺陷检测。
第二方面，本申请还提供了一种电网均压环超复杂类别缺陷多阶段模型联合检测装置。所述装置包括：
第一确定模块，用于确定经前次迭代得到的第一模型、第二模型和第三模型；其中，所述第一模型用于检测样本输电线路中均压环的丢失情况，所述第二模型用于检测所述均压环的完整性情况，所述第三模型用于检测所述均压环的位姿情况；
训练模块，用于获取当前迭代的当前样本图像和各当前样本图像所属的图像标签，并基于所述当前样本图像，对所述第一模型、所述第二模型和第三模型，进行联合推理训练，得到所述第一模型输出的第一训练结果、所述第二模型输出的第二训练结果、和所述第三模型输出的第三训练结果；
第一优化模块，用于基于所述第一训练结果、以及与相应第一训练结果对应的当前样本图像所属的图像标签，对所述第一模型的参数进行第一优化，得到第一优化后的第一模型；
第二优化模块，用于基于所述第二训练结果、以及与相应第二训练结果对应的当前样本图像所属的图像标签，对所述第一优化后的第一模型的参数和所述第二模型的参数，进行第二优化，得到第二优化后的第一模型和所述第二优化后的第二模型；
第三优化模块，用于基于所述第三训练结果、以及与相应第三训练结果对应的当前样本图像所属的图像标签，对所述第二优化后的第一模型的参数、所述第二优化后的第二模型的参数、以及所述第三模型的参数，进行第三优化，得到优化第一模型、优化第二模型和优化第三模型；
第二确定模块，用于进入下一迭代，并将所述优化第一模型、所述优化第二模型、所述优化第三模型分别作为下一迭代所对应的前次迭代得到的第一模型、第二模型和第三模型，返回所述获取当前迭代的当前样本图像和各当前样本图像所属的图像标签的步骤继续执行，直至达到训练停止条件时停止，确定训练完成所得到的第一目标模型、第二目标模型和第三目标模型；其中，所述第一目标模型、第二目标模型和第三目标模型用于通过联合推理模式对均压环进行缺陷检测。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
确定经前次迭代得到的第一模型、第二模型和第三模型；其中，所述第一模型用于检测样本输电线路中均压环的丢失情况，所述第二模型用于检测所述均压环的完整性情况，所述第三模型用于检测所述均压环的位姿情况；
获取当前迭代的当前样本图像和各当前样本图像所属的图像标签，并基于所述当前样本图像，对所述第一模型、所述第二模型和第三模型，进行联合推理训练，得到所述第一模型输出的第一训练结果、所述第二模型输出的第二训练结果、和所述第三模型输出的第三训练结果；
基于所述第一训练结果、以及与相应第一训练结果对应的当前样本图像所属的图像标签，对所述第一模型的参数进行第一优化，得到第一优化后的第一模型；
基于所述第二训练结果、以及与相应第二训练结果对应的当前样本图像所属的图像标签，对所述第一优化后的第一模型的参数和所述第二模型的参数，进行第二优化，得到第二优化后的第一模型和所述第二优化后的第二模型；
基于所述第三训练结果、以及与相应第三训练结果对应的当前样本图像所属的图像标签，对所述第二优化后的第一模型的参数、所述第二优化后的第二模型的参数、以及所述第三模型的参数，进行第三优化，得到优化第一模型、优化第二模型和优化第三模型；
进入下一迭代，并将所述优化第一模型、所述优化第二模型、所述优化第三模型分别作为下一迭代所对应的前次迭代得到的第一模型、第二模型和第三模型，返回所述获取当前迭代的当前样本图像和各当前样本图像所属的图像标签的步骤继续执行，直至达到训练停止条件时停止，确定训练完成所得到的第一目标模型、第二目标模型和第三目标模型；其中，所述第一目标模型、第二目标模型和第三目标模型用于通过联合推理模式对均压环进行缺陷检测。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
确定经前次迭代得到的第一模型、第二模型和第三模型；其中，所述第一模型用于检测样本输电线路中均压环的丢失情况，所述第二模型用于检测所述均压环的完整性情况，所述第三模型用于检测所述均压环的位姿情况；
获取当前迭代的当前样本图像和各当前样本图像所属的图像标签，并基于所述当前样本图像，对所述第一模型、所述第二模型和第三模型，进行联合推理训练，得到所述第一模型输出的第一训练结果、所述第二模型输出的第二训练结果、和所述第三模型输出的第三训练结果；
基于所述第一训练结果、以及与相应第一训练结果对应的当前样本图像所属的图像标签，对所述第一模型的参数进行第一优化，得到第一优化后的第一模型；
基于所述第二训练结果、以及与相应第二训练结果对应的当前样本图像所属的图像标签，对所述第一优化后的第一模型的参数和所述第二模型的参数，进行第二优化，得到第二优化后的第一模型和所述第二优化后的第二模型；
基于所述第三训练结果、以及与相应第三训练结果对应的当前样本图像所属的图像标签，对所述第二优化后的第一模型的参数、所述第二优化后的第二模型的参数、以及所述第三模型的参数，进行第三优化，得到优化第一模型、优化第二模型和优化第三模型；
进入下一迭代，并将所述优化第一模型、所述优化第二模型、所述优化第三模型分别作为下一迭代所对应的前次迭代得到的第一模型、第二模型和第三模型，返回所述获取当前迭代的当前样本图像和各当前样本图像所属的图像标签的步骤继续执行，直至达到训练停止条件时停止，确定训练完成所得到的第一目标模型、第二目标模型和第三目标模型；其中，所述第一目标模型、第二目标模型和第三目标模型用于通过联合推理模式对均压环进行缺陷检测。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
确定经前次迭代得到的第一模型、第二模型和第三模型；其中，所述第一模型用于检测样本输电线路中均压环的丢失情况，所述第二模型用于检测所述均压环的完整性情况，所述第三模型用于检测所述均压环的位姿情况；
获取当前迭代的当前样本图像和各当前样本图像所属的图像标签，并基于所述当前样本图像，对所述第一模型、所述第二模型和第三模型，进行联合推理训练，得到所述第一模型输出的第一训练结果、所述第二模型输出的第二训练结果、和所述第三模型输出的第三训练结果；
基于所述第一训练结果、以及与相应第一训练结果对应的当前样本图像所属的图像标签，对所述第一模型的参数进行第一优化，得到第一优化后的第一模型；
基于所述第二训练结果、以及与相应第二训练结果对应的当前样本图像所属的图像标签，对所述第一优化后的第一模型的参数和所述第二模型的参数，进行第二优化，得到第二优化后的第一模型和所述第二优化后的第二模型；
基于所述第三训练结果、以及与相应第三训练结果对应的当前样本图像所属的图像标签，对所述第二优化后的第一模型的参数、所述第二优化后的第二模型的参数、以及所述第三模型的参数，进行第三优化，得到优化第一模型、优化第二模型和优化第三模型；
进入下一迭代，并将所述优化第一模型、所述优化第二模型、所述优化第三模型分别作为下一迭代所对应的前次迭代得到的第一模型、第二模型和第三模型，返回所述获取当前迭代的当前样本图像和各当前样本图像所属的图像标签的步骤继续执行，直至达到训练停止条件时停止，确定训练完成所得到的第一目标模型、第二目标模型和第三目标模型；其中，所述第一目标模型、第二目标模型和第三目标模型用于通过联合推理模式对均压环进行缺陷检测。
上述电网均压环超复杂类别缺陷多阶段模型联合检测方法、装置、计算机设备、存储介质和计算机程序产品，通过当前迭代的当前样本图像和各当前样本图像所属的图像标签，对用于检测均压环的丢失情况的第一模型、用于检测均压环的完整性情况的第二模型、对用于检测均压环的位姿情况的第三模型，进行联合推理，能够准确确定经多阶段推理得到与各模型分别对应的训练结果，从而，能够大大提高迭代训练的可靠性和有效性。基于该第一训练结果、以及与相应第一训练结果对应的当前样本图像所属的图像标签，对该第一模型的参数进行第一优化，得到第一优化后的第一模型。基于该第二训练结果、以及与相应第二训练结果对应的当前样本图像所属的图像标签，对该第一优化后的第一模型的参数和该第二模型的参数，进行第二优化，得到第二优化后的第一模型和该第二优化后的第二模型，使得第一模型和第二模型之间实现信息共享和知识融合，实现在降低了数据读取的任务量的同时，确保足够且有效的信息量和知识量，提升了模型训练的效率。基于该第三训练结果、以及与相应第三训练结果对应的当前样本图像所属的图像标签，对该第二优化后的第一模型的参数、该第二优化后的第二模型的参数、以及该第三模型的参数，进行第三优化，得到优化第一模型、优化第二模型和优化第三模型，进一步增加了多阶段的模型之间信息共享程度和知识融合程度，实现了多阶段模型的联合优化，能够又快又准确地对各个模型进行训练。再通过多次迭代训练，不断提高模型训练的准确程度，这样，基于高准确度的训练完成的各个模型，能够正确识别均压环存在的缺陷，大大提升了对均压环缺陷检测的准确率。
附图说明
图1为一个实施例中电网均压环超复杂类别缺陷多阶段模型联合检测方法的流程示意图；
图2为一个实施例中均压环缺陷的示意图；
图3为一个实施例中得到第一训练结果步骤的流程示意图；
图4为一个实施例中第一模型的结构的示意图；
图5为一个实施例中得到第二训练结果步骤的流程示意图；
图6为一个实施例中第二模型的结构的示意图；
图7为一个实施例中得到第三训练结果步骤的流程示意图；
图8为一个实施例中第三模型的结构的示意图；
图9为一个实施例中对均压环缺陷检测的流程示意图；
图10为一个实施例中对均压环缺陷检测的结构示意图；
图11为一个实施例中电网均压环超复杂类别缺陷多阶段模型联合检测装置的结构框图；
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种电网均压环超复杂类别缺陷多阶段模型联合检测方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤S102，确定经前次迭代得到的第一模型、第二模型和第三模型；其中，该第一模型用于检测样本输电线路中均压环的丢失情况，该第二模型用于检测该均压环的完整性情况，该第三模型用于检测该均压环的位姿情况。
其中，均压环是用于改善绝缘子串电压分布的环状防护金具，其作用是防侧击雷，适用于电压形式为交流形式，可将高压均匀分布在物体周围，保证在环状各部位之间没有电位差，从而达到均压的效果。
具体地，在当前迭代中，终端确定经前次迭代得到的用于对均压环缺陷进行联合推理训练的第一模型、第二模型和第三模型。其中，第一模型用于检测样本输电线路中均压环的丢失情况，该第二模型用于检测该均压环的完整性情况，该第三模型用于检测均压环的位姿情况。该均压环的位姿情况包括均压环是否安装错误、均压环是否歪斜脱落、均压环无异常。
其中，该联合推理训练可以理解为各个模型按照一定推理顺序进行训练的行为。例如，该联合推理训练可以是优先进行第一模型的丢失训练，然后是第二模型的完整性训练，最后是第三模型的位姿训练。其中，均压环缺陷类别示意图如图2所示，该缺陷类别包括均压环缺失、均压环破损、均压环安装错误、均压环歪斜脱落。
步骤S104，获取当前迭代的当前样本图像和各当前样本图像所属的图像标签，并基于该当前样本图像，对该第一模型、该第二模型和第三模型，进行联合推理训练，得到该第一模型输出的第一训练结果、该第二模型输出的第二训练结果、和该第三模型输出的第三训练结果。
其中，图像标签用于表征当前样本图像中均压环的缺陷情况，比如是否发生缺陷、以及若发生缺陷，则该均压环的缺陷类别。
具体地，终端获取当前迭代的当前样本图像和各当前样本图像所属的图像标签。终端确定联合推理训练过程中第一模型、第二模型和第三模型的训练顺序，并基于当前样本图像和该训练顺序，对该第一模型、第二模型和第三模型进行联合推理训练，得到由第一模型输出的第一训练结果、该第二模型输出的第二训练结果、和该第三模型输出的第三训练结果。
例如，终端获取当前迭代的1000张当前样本图像、和各当前样本图像所属的图像标签。终端确定联合推理训练时优先进行第一模型的丢失训练，然后是第二模型的完整性训练，最后是第三模型的位姿训练。终端按照推理训练中各模型的训练顺序，分别基于每张当前样本图像，进行联合推理训练，得到与每张当前样本图像对应的由第一模型输出的第一训练结果、该第二模型输出的第二训练结果、和该第三模型输出的第三训练结果。
步骤S106，基于该第一训练结果、以及与相应第一训练结果对应的当前样本图像所属的图像标签，对该第一模型的参数进行第一优化，得到第一优化后的第一模型。
其中，第一优化为对第一模型进行初步的优化，即进行粗粒优化。
具体地，终端基于与各当前样本图像分别对应的第一训练结果、以及与各个第一训练结果分别对应的当前样本图像所属的图像标签，通过交叉熵损失函数，对第一模型的参数进行第一优化，得到第一优化后的第一模型。
其中，交叉熵损失函数的计算公式如下：
Figure 746136DEST_PATH_IMAGE002
上述式子中L1为交叉熵损失值，N为分类类别数，比如N=2。
Figure 600959DEST_PATH_IMAGE004
代表的是第一模型的预测结果(即第一训练结果)，
Figure 567647DEST_PATH_IMAGE006
为预测为正类的概率。
例如，在当前迭代中，基于当前迭代的1000张当前样本图像分别对应的第一训练结果、以及各当前样本图像所属的图像标签，确定各当前样本图像分别对应的预测为正类的概率。终端基于第一训练结果、预测为正类的概率，通过交叉熵损失函数，对第一模型的参数进行优化，以对第一模型的收敛进行修正，得到第一优化后的第一模型。
步骤S108，基于该第二训练结果、以及与相应第二训练结果对应的当前样本图像所属的图像标签，对该第一优化后的第一模型的参数和该第二模型的参数，进行第二优化，得到第二优化后的第一模型和该第二优化后的第二模型。
其中，第二优化为对第一优化后的第一模型进行再次优化，并联合第一优化后的第一模型，对第二模型进行联合优化，即第二优化是对第一优化后的第一模型和第二模型的细致优化。该第二优化会对第一优化后的第一模型和第二模型的收敛起指导作用。
具体地，终端基于各个第二训练结果、以及与各个第二训练结果分别对应的当前样本所属的图像标签，通过Generalized Focal Loss损失函数，对第一优化后的第一模型的参数和第二模型的参数，进行第二优化，得到第二优化后的第一模型和第二优化后的第二模型。
其中，该Generalized Focal Loss损失函数计算公式如下：
Figure 900540DEST_PATH_IMAGE008
上述式子中L2为Generalized Focal Loss损失函数的损失值，LQ为Quality FocalLoss（即QFL损失函数，能够避免高质量错误类别检测的出现）损失值，LB为GIOU Loss（Generalized Intersection over Union损失函数，即一种边框预测的损失计算方式）损失值，LD为Distribution Focal Loss（即DFL损失函数，能够使得边缘分布的预测，在清晰的边界位置区域尖锐，而在较模糊的位置处预测出比较平缓的分布）损失值。Npos为正样本的数量，λ0和λ1分别为LQ、LD的权重。
步骤S110，基于该第三训练结果、以及与相应第三训练结果对应的当前样本图像所属的图像标签，对该第二优化后的第一模型的参数、该第二优化后的第二模型的参数、以及该第三模型的参数，进行第三优化，得到优化第一模型、优化第二模型和优化第三模型。
其中，第三优化为对第二优化后的第一模型、以及第二优化后的第二模型进行再次优化，并联合对第二优化后的第一模型、以及第二优化后的第二模型，对第三模型进行联合优化，即第三优化是三次优化（即第一优化、第二优化、第三优化）中细粒度最精细的优化。该第三优化会对第二优化后第一模型、第二优化后的第二模型、第三模型的收敛起指导作用。
具体地，终端基于各个第三训练结果、以及与各个第三模型分别对应的当前样本所属的图像标签，通过CIOU Loss损失函数，对第二优化后的第一模型的参数、第二优化后的第二模型的参数、第三模型的参数，进行第三优化，得到优化第一模型、优化第二模型、优化第三模型。
其中，该CIOU Loss损失函数计算公式如下：
Figure 896003DEST_PATH_IMAGE010
其中，L3为CIOU Loss损失函数的损失值，
Figure 374258DEST_PATH_IMAGE012
，其中，
Figure 578974DEST_PATH_IMAGE014
IOU为IOU损失函数的损失值，wgt和hgt分别代表真实框的宽和高，w和h分别为预测框的宽和高。
步骤S112，进入下一迭代，并将该优化第一模型、该优化第二模型、该优化第三模型分别作为下一迭代所对应的前次迭代得到的第一模型、第二模型和第三模型，返回该获取当前迭代的当前样本图像和各当前样本图像所属的图像标签的步骤继续执行，直至达到训练停止条件时停止，确定训练完成所得到的第一目标模型、第二目标模型和第三目标模型；其中，该第一目标模型、第二目标模型和第三目标模型用于通过联合推理模式对均压环进行缺陷检测。
具体地，终端进入下一迭代，并将优化第一模型、该优化第二模型、该优化第三模型分别作为下一迭代所对应的前次迭代得到的第一模型、第二模型和第三模型，返回该获取当前迭代的当前样本图像和各当前样本图像所属的图像标签的步骤继续执行，直至达到训练停止条件时停止。终端获取各个迭代分别对应的准确率，基于各个准确率，确定与最高准确率对应的目标迭代次数。终端将目标迭代次数所得到的优化第一模型、优化第二模型、优化第三模型，分别作为第一目标模型、第二目标模型和第三目标模型；其中，该第一目标模型、第二目标模型和第三目标模型用于通过联合推理模式对均压环进行缺陷检测。
其中，基于用于验证的样本验证图像，对各个迭代得到的优化第一模型、优化第二模型、优化第三模型进行验证，得到的与迭代对应的准确率。
上述电网均压环超复杂类别缺陷多阶段模型联合检测方法中，通过当前迭代的当前样本图像和各当前样本图像所属的图像标签，对用于检测均压环的丢失情况的第一模型、用于检测均压环的完整性情况的第二模型、对用于检测均压环的位姿情况的第三模型，进行联合推理，能够准确确定经多阶段推理得到与各模型分别对应的训练结果，从而，能够大大提高迭代训练的可靠性和有效性。基于该第一训练结果、以及与相应第一训练结果对应的当前样本图像所属的图像标签，对该第一模型的参数进行第一优化，得到第一优化后的第一模型。基于该第二训练结果、以及与相应第二训练结果对应的当前样本图像所属的图像标签，对该第一优化后的第一模型的参数和该第二模型的参数，进行第二优化，得到第二优化后的第一模型和该第二优化后的第二模型，使得第一模型和第二模型之间实现信息共享和知识融合，实现在降低了数据读取的任务量的同时，确保足够且有效的信息量和知识量，提升了模型训练的效率。基于该第三训练结果、以及与相应第三训练结果对应的当前样本图像所属的图像标签，对该第二优化后的第一模型的参数、该第二优化后的第二模型的参数、以及该第三模型的参数，进行第三优化，得到优化第一模型、优化第二模型和优化第三模型，进一步增加了多阶段的模型之间信息共享程度和知识融合程度，实现了多阶段模型的联合优化，能够又快又准确地对各个模型进行训练。再通过多次迭代训练，不断提高模型训练的准确程度，这样，基于高准确度的训练完成的各个模型，能够正确识别均压环存在的缺陷，大大提升了对均压环缺陷检测的准确率。
在一个实施例中，该基于该当前样本图像，对该第一模型、该第二模型和第三模型，进行联合推理训练，得到该第一模型输出的第一训练结果、该第二模型输出的第二训练结果、和该第三模型输出的第三训练结果，包括：基于该当前样本图像，对该第一模型进行训练，得到第一训练结果，该第一训练结果包括携带有特征信息的第一样本图。基于该第一样本图，对该第二模型进行训练，得到第二训练结果，该第二训练结果包括携带有特征信息的第二样本图。基于该第二样本图，对该第三模型进行训练，得到第三训练结果。
具体地，终端基于该当前样本图像，对第一模型进行训练，得到第一训练结果，该第一训练结果包括携带有特征信息的第一样本图和第一样本概率。其中，该第一样本概率用于表征当前样本图像中均压环丢失概率。终端通过该第一样本图对第二模型进行训练，得到第二训练结果，该第二训练结果包括携带有特征信息的第二样本图和第二样本概率。其中，该第二样本概率用于表征均压环完整性概率。终端通过第二样本图，对该第三模型进行训练，得到第三训练结果。该第三训练结果包含有第三样本图和第三样本概率。该第三样本图携带有特征信息，该第三样本概率包含有均压环发生安装错误、歪斜脱落、无异常三种第三样本子概率。
例如，基于当前样本图像A，该当前样本图像A的图像标签为均压环破损。终端将该当前样本图像输入至第一模型中进行训练，得到第一样本图a和第一样本概率p1。该第一样本概率p1大于丢失阈值概率，即通过第一模型检测确定均压环丢失。该第一样本图a输入至第二模型中进行训练，得到第二样本图b和第二样本概率p2。该第二样本概率p2小于破损概率，即通过第二模型检测确定均压环没发生破损。该第二样本图b输入至第三模型中进行训练，得到第三样本图c和三种第三样本子概率，并将最高的第三样本子概率作为第三样本概率。比如，表征为无异常的第三样本子概率作为第三样本概率，该第三样本概率大于无异常阈值，则通过第三模型检测确定均压环无异常。
需要说明的是，在训练过程中，第一模型、第二模型、第三模型均按照联合推理训练中模型的推理顺序依次进行。
在本实施例中，基于该当前样本图像，对该第一模型进行训练，得到第一训练结果，该第一训练结果包括携带有特征信息的第一样本图。基于该第一样本图，对该第二模型进行训练，得到第二训练结果，该第二训练结果包括携带有特征信息的第二样本图。基于该第二样本图，对该第三模型进行训练，得到第三训练结果。这样，能够确保各个模型的联合推理训练，加强模型与模型之间的信息共享程度和知识融合程度，从而，能够提升模型训练的准确性。
在一个实施例中，如图3所示，该基于该当前样本图像，对该第一模型进行训练，得到第一训练结果，包括：
步骤S302，通过该第一模型中的第一卷积核，对该当前样本图像进行第一次下采样处理，得到第一采样结果。
其中，第一模型的结构图如图4所示，该第一模型主要通过三次下采样处理结构和类似残差连接的网络结构(add分支)所构成。下采样处理可以视为对图像进行缩小处理。
具体地，终端通过第一模型中尺寸为3X3的第一卷积核(即对应图中3X3的conv)，对当前样本图像进行第一下采样处理，得到第一采样结果。该第一采样结果可以表征为携带有特征信息的图。比如，将224X224X3的当前样本图像通过3X3的卷积核后得到112X112X32的第一采样结果。
步骤S304，通过该第一模型中的第二卷积核，对该第一采样结果进行第二次下采样处理，得到第二采样结果。
具体地，终端通过该第一模型中的三个第二卷积核，对第一采样结果进行第二次下采样处理，得到第二采样结果。其中，三个第二卷积核分别是尺寸为1X1的第二卷积核(即对应图中1X1的conv)、尺寸为3X3的第二卷积核、尺寸为1X1的第二卷积核(即对应图中1X1的conv)，该尺寸为3X3的第二卷积核为步长为3(即对应图中stride=2)的深度可分离卷积核(即对应图中3X3的dwconv)。
比如，将112X112X32的第一采样结果，依次通过为1X1的第二卷积核、尺寸为3X3的第二卷积核、尺寸为1X1的第二卷积核，得到56X56X64的第二采样结果。
步骤S306，通过该第一模型中的深度分离卷积核，对该第二采样结果进行卷积处理，得到卷积结果。
具体地，终端通过第一模型中的尺寸为1X1的卷积核(即对应图中1X1的conv)、尺寸3X3的深度分离卷积核(即对应图中3X3的dwconv)、尺寸为1X1的卷积核(即对应图中1X1的conv)，对第二采样结果进行卷积处理，得到卷积结果。其中，由于深度分离卷积核步长为1（即对应图中stride=1），该卷积处理并不是下采样处理。
例如，将56X56X64的第二采样结果，依次通过为1X1的第二卷积核、尺寸为3X3且步长为1的第二卷积核、尺寸为1X1的第二卷积核，得到56X56X64的卷积结果。
步骤S308，通过该第一模型对该卷积结果和该第二采样结果进行融合，得到融合结果。
具体地，终端通过第一模型中的add分支，将卷积结果和第二采样结果进行融合，得到融合结果。例如，终端将6X56X64的卷积结果和56X56X64的第二采样结果进行融合，得到融合结果。
步骤S310，通过该第一模型中的第三卷积核，对该融合结果进行第三次下采样，得到第一训练结果。
具体地，终端通过第一模型中的尺寸为3X3的第三卷积核，对该融合结果进行第三下采样，得到预处理的第一训练结果，并通过连接层(对应图中fc)对预处理的第一训练结果进行预处理，得到第一训练结果。
需要说明的是，如图4所示的第一模型，相对于现有的MobileNetv2的网络模型，结构更加简单，只需要进行三次下采样处理，并且引入了连接的add结构，确保了信息的融合。
在本实施例中，通过第一模型只对当前样本图像进行三次下采样处理，降低了模型的参数量和计算量，同时，通过引入的add连接结构，实现了模型中信息的相互融合，保证了第一模型的准确率。
在一个实施例中，如图5所示，该基于该第一样本图，对该第二模型进行训练，得到第二训练结果，包括：
步骤S502，通过该第二模型中的第一速取特征网络，对该第一样本图进行第一次下采样处理，得到第四采样结果。
其中，第二模型的结构如图6所示，该第二模型主要是通过将每次下采样后的结果通过PAN(Path Aggregation Network路径聚合网络)网络进行特征融合，最后通过轻量化的head后输出表征均压环边框box的图和均压环缺陷概率class(其中，在第二模型中缺陷概率为破损概率)。第一速取特征网络对应与图中的shuffle block ，该第一速取特征网络用于快速获取特征。
具体地，终端通过第二模型中的第一速取特征网络对第一样本图进行第一次下采样处理，得到第四采样结果。例如，将56X56X64的第一样本图通过第一速取特征网络，进行第一次下次采样处理，得到携带有28X28X32尺寸的特征图的第四采样结果。
其中，第一速取特征网络中将通道分离(即对应图中channel split),得到两路分支，上分支中经过尺寸为1X1的卷积计算（即对应图中1X1的conv）、再经过尺寸为3X3的深度分离卷积计算（即对应图中3X3的dwconv，该步长stride为2），再经过尺寸为1X1的卷积计算（即对应图中1X1的conv）得到上分支结果。下分支中经过尺寸为3X3的深度分离卷积计算（即对应图中3X3的dwconv，该步长stride为2），再经过尺寸为1X1的卷积计算（即对应图中1X1的conv）得到下分支结果。最后将上分支结果和下分支结果通过连接层（即对应图中concat）后通过通道混洗（对应图中channel shuffle）处理。
步骤S504，通过该第二模型中的第二速取特征网络，对该第四采样结果进行第二次下采样处理，得到第五采样结果。
具体地，终端通过该第二模型中的第二速取特征网络，对第四采样结果中的特征图进行第二次下采样处理，得到第五采样结果。其中，第二速取特征网络的网络结构和第一速取特征网络的网络结构一样，即均如图6中的shuffle block。例如，将第四采样结果中28X28X32的特征图通过第二速取特征网络进行第二次下采样处理，得到携带有14X14X64尺寸的特征图的第五采样结果。
步骤S506，通过该第二模型中的第三速取特征网络，对该第五采样结果进行第三次下采样处理，得到第六采样结果。
具体地，终端通过该第二模型中的第三速取特征网络，对第五采样结果中的特征图进行第三次下采样处理，得到第六采样结果。其中，第三速取特征网络的网络结构和第一速取特征网络和第二速取特征网络的网络结构一样，即均如图6中的shuffle block。例如，将第五采样结果中14X14X64的特征图通过第三速取特征网络进行第三次下采样处理，得到携带有7X7X128尺寸的特征图的第六采样结果。
步骤S508，通过该第二模型中的路径聚合网络，对该第四采样结果、该第五采样结果、该第六采样结果进行聚合处理，分别得到第一聚合结果、第二聚合结果、第三聚合结果。
具体地，终端通过第二模型中的路径聚合网络，对第四采样结果、第五采样结果、第六采样结果进行聚合处理，得到与第四采样结果对应的第一聚合结果、与第五采样结果对应的第二聚合结果、与第六采样结果对应的第三聚合结果。
步骤S510，基于该第一聚合结果、该第二聚合结果、该第三聚合结果，确定第二训练结果。
具体地，终端将第一聚合结果、该第二聚合结果、第三聚合结果分别轻量化的head网络处理，得到与各个聚合结果分别对应的表征均压环边框的图和均压环破损概率。终端将与各个聚合结果分别对应的均压环边框和均压环破坏概率作为第二训练结果。其中，表征均压环边框的图为第二样本图，均压环破损概率即为第二样本概率。
需要说明的是，与通过第一次下采样处理而确定的第一聚合结果对应的特征图为大目标、与通过第二下采样处理而确定的第二聚合结果对应的特征图为中目标、与通过第三下采样处理而确定的第三聚合结果对应的特征图为小目标。即对应的大目标、中目标、小目标的分辨率不同。
需要说明的是，如图6所示的第二模型，相对与现有的nanodet的网络模型，结构更加简单，且输入的是由第一模型输出的56X56X64的第一样本图，减少了下采样的次数。同时，通过引入的路径聚合网络结构进行特征融合，能够进一步提高了信息之间的相互融合。
在本实施例中，通过第二模型对第一样本图进行三次下采样处理，大大降低了计算量。与此同时，通过路径聚合网络进一步增加了模型中信息的相互融合，确保了知识共享，大大利于第二模型训练的准确率。因此，在确保计算量有效降低的情况下，能够确保模型训练的准确率。
在一个实施例中，如图7所示，所述基于该第二样本图，对该第三模型进行训练，得到第三训练结果，包括：
步骤702，将各个第二样本图进行融合得到目标样本图，并基于该第三模型中的第一速收敛网络，对该目标样本图进行第一次下采样处理，得到第七采样结果。
其中，第三模型的结构如图8所示，该第三模型通过速收敛网络（对应图中的Residual Block）进行两次下采样处理，并将下采样后的结构通过轻量化head后输出表征均压环边框box的图和均压环缺陷概率class(其中，在第三模型中缺陷概率为位姿概率，即包括有安装错误概率、歪斜脱落概率、无异常概率)。其中，该速收敛网络为快速收敛的网络。
具体地，终端将各个第二样本图通过concat网络进行融合得到目标样本图，并通过第三模型中的第一速收敛网络，对该目标样本图进行第一次下采样处理，得到第七采样结果。其中，第七采样结果中包含有与第七采样结果对应的安装错误概率、歪斜脱落概率、无异常概率。
其中，该第一速收敛网络由1X1的卷积计算（即对应图中1X1的conv）、尺寸为3X3的卷积计算（即对应图中3X3的conv，该步长stride为2），尺寸为1X1的卷积计算（即对应图中1X1的conv）、add运算构成。
例如，终端通过对各个第二样本图进行融合得到尺寸为28X28X96的目标样本图，并通过第三模型中的尺寸为3X3的卷积处理，得到处理后的目标样本图（尺寸为28X28X128）。终端通过第三模型中的第一收敛网络对尺寸为28X28X128的处理后的目标样本图进行第一次下采样处理，得到携带有14X14X256尺寸的特征图的第七采样结果。
步骤704，通过该第三模型中的第二速收敛网络，对该第七采样结果进行第二次下采样处理，得到第八采样结果。
具体地，终端通过第三模型中的第二速收敛网络，对第七采样结果中的特征图进行第二次下采样处理，得到第八采样结果。第八采样结果中包含有与第八采样结果对应的安装错误概率、歪斜脱落概率、无异常概率。
其中，第二速收敛网络的网络结果和第一速收敛网络的网络结果一样，均如图8中的Residual Block。例如，将第七采样结果中的14X14X256的特征图通过第二速收敛网络进行第二次下采样处理，得到携带有7X7X512尺寸的特征图的第八采样结果。
步骤706，基于该第七采样结果、该第八采样结果，确定第三训练结果。
具体地，终端基于与第七采样结果对应的安装错误概率、歪斜脱落概率、无异常概率，通过置信度计算，确定与第七采用结果对应的第一置信度结果。终端基于与第八采样结果对应的安装错误概率、歪斜脱落概率、无异常概率，通过置信度计算，确定与第八采用结果对应的第二置信度结果。终端将第一置信度结果和第二置信度结果中的最高置信度作为目标置信度，并将与目标置信度对应的采用结果作为第三训练结果。
在本实施例中，通过第三模型，只需要基于速收敛网络，通过两次下采样处理，就能够准确且迅速的输出训练结果。相对于现有的DarkNet53模型，第三模型的计算量更小，大大提高了第三模型的处理速度。
在一个实施例中，如图9所示，该方法还包括：
步骤902，获取对目标输电电路进行巡检得到待检测图像，并获取训练完成所得到的第一目标模型、第二目标模型、第三目标模型。
具体地，摄像设备获取对目标输电电路进行巡检得到的待检测图像，并发送给终端，终端获取对目标输电电路进行巡检得到待检测图像，并获取训练完成所得到的第一目标模型、第二目标模型、第三目标模型。
为了便于说明，下述步骤904至步骤910，以如图10所示的均压环缺陷检测示意图为例进行说明。
步骤904，通过该第一目标模型对该待检测图像进行缺失检测，得到缺失概率和第一特征图。
具体地，终端将待检测图像输入至第一目标模型中进行缺失检测，得到缺失概率和第一特征图。
步骤906，在该缺失概率表征目标输电线路中的均压环不缺失的情况下，通过该第二目标模型对该第一特征图进行完整性检测，得到完整性概率和第二特征图。
具体地，终端将该缺失概率与缺失阈值概率进行比较，当缺失概率大于或等于缺失阈值概率时，则表征目标输电线路中的均压环缺失，则终端直接确定该目标输电线路中的均压环为缺失，即，结束缺陷检测过程。当缺失概率小于缺失阈值概率时，则表征目标输电线路中的均压环不缺失。在该缺失概率表征目标输电线路中的均压环不缺失的情况下，终端通过该第二目标模型对该第一特征图进行完整性检测，得到三组待处理检测结果。其中，每组待处理检测结果均包含表征均压环边框的特征图和均压环破损概率。终端通过置信度计算，确定置信度最高所对应的待处理检测结果作为目标检测结果。终端将目标检测结果中的均压环破损概率作为完整性概率、以及将目标检测结果中的表征均压换边框的特征图，作为第二特征图。
步骤908，在该完整性概率表征该均压环完整的情况下，通过该第三目标模型对该第二特征图进行位姿检测，确定位姿检测结果；其中，该位姿检测结果包括该均压环安装错误、该均压环歪斜脱落、均压环无异常中的一种结果。
具体地，终端将该完整性概率与完整性阈值概率进行比较，当完整性概率大于或等于完整性阈值概率时，则表征目标输电线路中的均压环不完整，则终端直接确定该目标输电线路中的均压环为不完整，即，结束缺陷检测过程。当完整性概率小于完整性阈值概率时，则表征目标输电线路中的均压环完整。在该完整性概率表征为均压环完整的情况下，通过第三目标模型对第二特征图进行位姿检测，确定待筛选位姿检测结果。其中，该待筛选位姿检测结果中包含有待筛选安装错误概率、待筛选歪斜脱落概率、待筛选无异常概率。终端通过softmax(归一化指数)函数，对待筛选安装错误概率、待筛选歪斜脱落概率、待筛选无异常概率进行归一化指数处理，得到指数处理后的安装错误概率、指数处理后的歪斜脱落概率、指数处理后的无异常概率。终端将指数处理后的安装错误概率、指数处理后的歪斜脱落概率、指数处理后的无异常概率中数值最高的概率作为目标位姿检测概率，该目标位姿检测概率所属的类别为安装错误子类别、歪斜脱落子类别、无异常子类别中一种，基于该目标位姿检测概率所属的类别作为确定位姿检测结果。
步骤910，将该位姿检测结果作为该均压环的缺陷检测结果。
具体地，终端直接将该位姿检测结果作为该均压环的缺陷检测结果。比如，该位姿检测结果为安装错误，则直接确定均压环的缺陷检测结果为安装错误。
需要说明的是，本实施例中，基于第一目标模型的检测结果，确定是否进行第二目标模型的检测。在通过第一目标模型排除了均压环不存在缺失的情况下，才会进行第二目标模型的破损检测，并基于第二目标模型的检测结果，确定是否进行第三目标模型的检测。因此，在通过第二目标模型进一步排除了均压环不存在破损的情况下，才会进行第三目标模型的位姿检测。本实施例中，三个目标模型的检测模式很显然是一种联合推理的模式。
在本实施例中，通过由联合优化训练完成的第一目标模型、第二目标模型、第三目标模型，进行缺陷检测，能够共享各个目标模型之间的信息，大大增加了缺陷检测的可信度和缺陷检测结果的有效性。通过联合推理的模式实现多阶段的模型检测，进一步提高了缺陷检测的准确性。
为了便于更加清楚的了解本申请的技术方案，提供了一个更为详细实施例进行描述。在当前迭代中，终端确定经前次迭代得到的用于对均压环缺陷进行联合推理训练的第一模型、第二模型和第三模型。其中，第一模型用于检测样本输电线路中均压环的丢失情况，该第二模型用于检测该均压环的完整性情况，该第三模型用于检测均压环的位姿情况。该均压环的位姿情况包括均压环是否安装错误、均压环是否歪斜脱落、均压环无异常。
终端通过第一模型中尺寸为3X3的第一卷积核(即对应图中3X3的conv)，对当前样本图像进行第一下采样处理，得到第一采样结果。终端通过该第一模型中的三个第二卷积核，对第一采样结果进行第二次下采样处理，得到第二采样结果。通过该第一模型中的深度分离卷积核，对该第二采样结果进行卷积处理，得到卷积结果。终端通过第一模型中的add分支，将卷积结果和第二采样结果进行融合，得到融合结果。终端通过第一模型中的尺寸为3X3的第三卷积核，对该融合结果进行第三下采样，得到预处理的第一训练结果，并通过连接层对预处理的第一训练结果进行预处理，得到第一训练结果。终端通过第二模型中的第一速取特征网络对第一样本图进行第一次下采样处理，得到第四采样结果。终端通过该第二模型中的第二速取特征网络，对第四采样结果中的特征图进行第二次下采样处理，得到第五采样结果。终端通过该第二模型中的第三速取特征网络，对第五采样结果中的特征图进行第三次下采样处理，得到第六采样结果。终端通过第二模型中的路径聚合网络，对第四采样结果、第五采样结果、第六采样结果进行聚合处理，得到与第四采样结果对应的第一聚合结果、与第五采样结果对应的第二聚合结果、与第六采样结果对应的第三聚合结果。终端将第一聚合结果、该第二聚合结果、第三聚合结果分别轻量化的head网络处理，得到与各个聚合结果分别对应的表征均压环边框的图和均压环破损概率。终端将与各个聚合结果分别对应的均压环边框和均压环破坏概率作为第二训练结果。终端将各个第二样本图通过concat网络进行融合得到目标样本图，并通过第三模型中的第一速收敛网络，对该目标样本图进行第一次下采样处理，得到第七采样结果。终端通过第三模型中的第二速收敛网络，对第七采样结果中的特征图进行第二次下采样处理，得到第八采样结果。基于该第七采样结果、该第八采样结果，确定第三训练结果。
终端基于与各当前样本图像分别对应的第一训练结果、以及与各个第一训练结果分别对应的当前样本图像所属的图像标签，通过交叉熵损失函数，对第一模型的参数进行第一优化，得到第一优化后的第一模型。终端基于各个第二训练结果、以及与各个第二训练结果分别对应的当前样本所属的图像标签，通过Generalized Focal Loss损失函数，对第一优化后的第一模型的参数和第二模型的参数，进行第二优化，得到第二优化后的第一模型和第二优化后的第二模型。终端基于各个第三训练结果、以及与各个第三模型分别对应的当前样本所属的图像标签，通过CIOU Loss损失函数，对第二优化后的第一模型的参数、第二优化后的第二模型的参数、第三模型的参数，进行第三优化，得到优化第一模型、优化第二模型、优化第三模型。终端进入下一迭代，并将优化第一模型、该优化第二模型、该优化第三模型分别作为下一迭代所对应的前次迭代得到的第一模型、第二模型和第三模型，返回该获取当前迭代的当前样本图像和各当前样本图像所属的图像标签的步骤继续执行，直至达到训练停止条件时停止。终端获取各个迭代分别对应的准确率，基于各个准确率，确定与最高准确率对应的目标迭代次数。终端将目标迭代次数所得到的优化第一模型、优化第二模型、优化第三模型，分别作为第一目标模型、第二目标模型和第三目标模型。
在本实施例中，通过当前迭代的当前样本图像和各当前样本图像所属的图像标签，对用于检测均压环的丢失情况的第一模型、用于检测均压环的完整性情况的第二模型、对用于检测均压环的位姿情况的第三模型，进行联合推理，能够准确确定经多阶段推理得到与各模型分别对应的训练结果，从而，能够大大提高迭代训练的可靠性和有效性。基于该第一训练结果、以及与相应第一训练结果对应的当前样本图像所属的图像标签，对该第一模型的参数进行第一优化，得到第一优化后的第一模型。基于该第二训练结果、以及与相应第二训练结果对应的当前样本图像所属的图像标签，对该第一优化后的第一模型的参数和该第二模型的参数，进行第二优化，得到第二优化后的第一模型和该第二优化后的第二模型，使得第一模型和第二模型之间实现信息共享和知识融合，实现在降低了数据读取的任务量的同时，确保足够且有效的信息量和知识量，提升了模型训练的效率。基于该第三训练结果、以及与相应第三训练结果对应的当前样本图像所属的图像标签，对该第二优化后的第一模型的参数、该第二优化后的第二模型的参数、以及该第三模型的参数，进行第三优化，得到优化第一模型、优化第二模型和优化第三模型，进一步增加了多阶段的模型之间信息共享程度和知识融合程度，实现了多阶段模型的联合优化，能够又快又准确地对各个模型进行训练。再通过多次迭代训练，不断提高模型训练的准确程度，这样，基于高准确度的训练完成的各个模型，能够正确识别均压环存在的缺陷，大大提升了对均压环缺陷检测的准确率。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的电网均压环超复杂类别缺陷多阶段模型联合检测方法的电网均压环超复杂类别缺陷多阶段模型联合检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电网均压环超复杂类别缺陷多阶段模型联合检测装置实施例中的具体限定可以参见上文中对于电网均压环超复杂类别缺陷多阶段模型联合检测方法的限定，在此不再赘述。
在一个实施例中，如图11所示，提供了一种电网均压环超复杂类别缺陷多阶段模型联合检测装置，包括：第一确定模块1102、训练模块1104、第一优化模块1106、第二优化模块1108、第三优化模块1110和第二确定模块1112，其中：
第一确定模块1102，用于确定经前次迭代得到的第一模型、第二模型和第三模型；其中，该第一模型用于检测样本输电线路中均压环的丢失情况，该第二模型用于检测该均压环的完整性情况，该第三模型用于检测该均压环的位姿情况。
训练模块1104，用于获取当前迭代的当前样本图像和各当前样本图像所属的图像标签，并基于该当前样本图像，对该第一模型、该第二模型和第三模型，进行联合推理训练，得到该第一模型输出的第一训练结果、该第二模型输出的第二训练结果、和该第三模型输出的第三训练结果。
第一优化模块1106，用于基于该第一训练结果、以及与相应第一训练结果对应的当前样本图像所属的图像标签，对该第一模型的参数进行第一优化，得到第一优化后的第一模型。
第二优化模块1108，用于基于该第二训练结果、以及与相应第二训练结果对应的当前样本图像所属的图像标签，对该第一优化后的第一模型的参数和该第二模型的参数，进行第二优化，得到第二优化后的第一模型和该第二优化后的第二模型。
第三优化模块1110，用于基于该第三训练结果、以及与相应第三训练结果对应的当前样本图像所属的图像标签，对该第二优化后的第一模型的参数、该第二优化后的第二模型的参数、以及该第三模型的参数，进行第三优化，得到优化第一模型、优化第二模型和优化第三模型。
第二确定模块1112，用于进入下一迭代，并将该优化第一模型、该优化第二模型、该优化第三模型分别作为下一迭代所对应的前次迭代得到的第一模型、第二模型和第三模型，返回该获取当前迭代的当前样本图像和各当前样本图像所属的图像标签的步骤继续执行，直至达到训练停止条件时停止，确定训练完成所得到的第一目标模型、第二目标模型和第三目标模型；其中，该第一目标模型、第二目标模型和第三目标模型用于通过联合推理模式对均压环进行缺陷检测。
在一个实施例中，该训练模块1104，用于基于该当前样本图像，对该第一模型进行训练，得到第一训练结果，该第一训练结果包括携带有特征信息的第一样本图。基于该第一样本图，对该第二模型进行训练，得到第二训练结果，该第二训练结果包括携带有特征信息的第二样本图。基于该第二样本图，对该第三模型进行训练，得到第三训练结果。
在一个实施例中，该训练模块1104，用于通过该第一模型中的第一卷积核，对该当前样本图像进行第一次下采样处理，得到第一采样结果。通过该第一模型中的第二卷积核，对该第一采样结果进行第二次下采样处理，得到第二采样结果。通过该第一模型中的深度分离卷积核，对该第二采样结果进行卷积处理，得到卷积结果。通过该第一模型对该卷积结果和该第二采样结果进行融合，得到融合结果。通过该第一模型中的第三卷积核，对该融合结果进行第三次下采样，得到第一训练结果。
在一个实施例中，该训练模块1104，用于通过该第二模型中的第一速取特征网络，对该第一样本图进行第一次下采样处理，得到第四采样结果。通过该第二模型中的第二速取特征网络，对该第四采样结果进行第二次下采样处理，得到第五采样结果。通过该第二模型中的第三速取特征网络，对该第五采样结果进行第三次下采样处理，得到第六采样结果。通过该第二模型中的路径聚合网络，对该第四采样结果、该第五采样结果、该第六采样结果进行聚合处理，分别得到第一聚合结果、第二聚合结果、第三聚合结果。基于该第一聚合结果、该第二聚合结果、该第三聚合结果，确定第二训练结果。
在一个实施例中，该训练模块1104，用于将各个第二样本图进行融合得到目标样本图，并基于该第三模型中的第一速收敛网络，对该目标样本图进行第一次下采样处理，得到第七采样结果。通过该第三模型中的第二速收敛网络，对该第七采样结果进行第二次下采样处理，得到第八采样结果。基于该第七采样结果、该第八采样结果，确定第三训练结果。
在一个实施例中，该第二确定模块1112，还用于获取对目标输电电路进行巡检得到待检测图像，并获取训练完成所得到的第一目标模型、第二目标模型、第三目标模型。通过该第一目标模型对该待检测图像进行缺失检测，得到缺失概率和第一特征图。在该缺失概率表征目标输电线路中的均压环不缺失的情况下，通过该第二目标模型对该第一特征图进行完整性检测，得到完整性概率和第二特征图。在该完整性概率表征该均压环完整的情况下，通过该第三目标模型对该第二特征图进行位姿检测，确定位姿检测结果；其中，该位姿检测结果包括该均压环安装错误、该均压环歪斜脱落、均压环无异常中的一种结果。将该位姿检测结果作为该均压环的缺陷检测结果。
上述电网均压环超复杂类别缺陷多阶段模型联合检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，也可以是终端，其内部结构图可以如图12所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电网均压环超复杂类别缺陷多阶段模型联合检测数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电网均压环超复杂类别缺陷多阶段模型联合检测方法。
本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种电网均压环超复杂类别缺陷多阶段模型联合检测方法，其特征在于，所述方法包括：
确定经前次迭代得到的第一模型、第二模型和第三模型；其中，所述第一模型用于检测样本输电线路中均压环的丢失情况，所述第二模型用于检测所述均压环的完整性情况，所述第三模型用于检测所述均压环的位姿情况；
获取当前迭代的当前样本图像和各当前样本图像所属的图像标签，并基于所述当前样本图像，对所述第一模型、所述第二模型和第三模型，进行联合推理训练，得到所述第一模型输出的第一训练结果、所述第二模型输出的第二训练结果、和所述第三模型输出的第三训练结果；
基于所述第一训练结果、以及与相应第一训练结果对应的当前样本图像所属的图像标签，对所述第一模型的参数进行第一优化，得到第一优化后的第一模型；
基于所述第二训练结果、以及与相应第二训练结果对应的当前样本图像所属的图像标签，对所述第一优化后的第一模型的参数和所述第二模型的参数，进行第二优化，得到第二优化后的第一模型和所述第二优化后的第二模型；
基于所述第三训练结果、以及与相应第三训练结果对应的当前样本图像所属的图像标签，对所述第二优化后的第一模型的参数、所述第二优化后的第二模型的参数、以及所述第三模型的参数，进行第三优化，得到优化第一模型、优化第二模型和优化第三模型；
进入下一迭代，并将所述优化第一模型、所述优化第二模型、所述优化第三模型分别作为下一迭代所对应的前次迭代得到的第一模型、第二模型和第三模型，返回所述获取当前迭代的当前样本图像和各当前样本图像所属的图像标签的步骤继续执行，直至达到训练停止条件时停止，确定训练完成所得到的第一目标模型、第二目标模型和第三目标模型；其中，所述第一目标模型、第二目标模型和第三目标模型用于通过联合推理模式对均压环进行缺陷检测。
2.根据权利要求1所述的方法，其特征在于，所述基于所述当前样本图像，对所述第一模型、所述第二模型和第三模型，进行联合推理训练，得到所述第一模型输出的第一训练结果、所述第二模型输出的第二训练结果、和所述第三模型输出的第三训练结果，包括：
基于所述当前样本图像，对所述第一模型进行训练，得到第一训练结果，所述第一训练结果包括携带有特征信息的第一样本图；
基于所述第一样本图，对所述第二模型进行训练，得到第二训练结果，所述第二训练结果包括携带有特征信息的第二样本图；
基于所述第二样本图，对所述第三模型进行训练，得到第三训练结果。
3.根据权利要求2所述的方法，其特征在于，所述基于所述当前样本图像，对所述第一模型进行训练，得到第一训练结果，包括：
通过所述第一模型中的第一卷积核，对所述当前样本图像进行第一次下采样处理，得到第一采样结果；
通过所述第一模型中的第二卷积核，对所述第一采样结果进行第二次下采样处理，得到第二采样结果；
通过所述第一模型中的深度分离卷积核，对所述第二采样结果进行卷积处理，得到卷积结果；
通过所述第一模型对所述卷积结果和所述第二采样结果进行融合，得到融合结果；
通过所述第一模型中的第三卷积核，对所述融合结果进行第三次下采样，得到第一训练结果。
4.根据权利要求2所述的方法，其特征在于，所述基于所述第一样本图，对所述第二模型进行训练，得到第二训练结果，包括：
通过所述第二模型中的第一速取特征网络，对所述第一样本图进行第一次下采样处理，得到第四采样结果；
通过所述第二模型中的第二速取特征网络，对所述第四采样结果进行第二次下采样处理，得到第五采样结果；
通过所述第二模型中的第三速取特征网络，对所述第五采样结果进行第三次下采样处理，得到第六采样结果；
通过所述第二模型中的路径聚合网络，对所述第四采样结果、所述第五采样结果、所述第六采样结果进行聚合处理，分别得到第一聚合结果、第二聚合结果、第三聚合结果；
基于所述第一聚合结果、所述第二聚合结果、所述第三聚合结果，确定第二训练结果。
5.根据权利要求2所述的方法，其特征在于，所述基于所述第二样本图，对所述第三模型进行训练，得到第三训练结果，包括：
将各个第二样本图进行融合得到目标样本图，并基于所述第三模型中的第一速收敛网络，对所述目标样本图进行第一次下采样处理，得到第七采样结果；
通过所述第三模型中的第二速收敛网络，对所述第七采样结果进行第二次下采样处理，得到第八采样结果；
基于所述第七采样结果、所述第八采样结果，确定第三训练结果。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取对目标输电电路进行巡检得到待检测图像，并获取训练完成所得到的第一目标模型、第二目标模型、第三目标模型；
通过所述第一目标模型对所述待检测图像进行缺失检测，得到缺失概率和第一特征图；
在所述缺失概率表征目标输电线路中的均压环不缺失的情况下，通过所述第二目标模型对所述第一特征图进行完整性检测，得到完整性概率和第二特征图；
在所述完整性概率表征所述均压环完整的情况下，通过所述第三目标模型对所述第二特征图进行位姿检测，确定位姿检测结果；其中，所述位姿检测结果包括所述均压环安装错误、所述均压环歪斜脱落、均压环无异常中的一种结果；
将所述位姿检测结果作为所述均压环的缺陷检测结果。
7.一种电网均压环超复杂类别缺陷多阶段模型联合检测装置，其特征在于，所述装置包括：
第一确定模块，用于确定经前次迭代得到的第一模型、第二模型和第三模型；其中，所述第一模型用于检测样本输电线路中均压环的丢失情况，所述第二模型用于检测所述均压环的完整性情况，所述第三模型用于检测所述均压环的位姿情况；
训练模块，用于获取当前迭代的当前样本图像和各当前样本图像所属的图像标签，并基于所述当前样本图像，对所述第一模型、所述第二模型和第三模型，进行联合推理训练，得到所述第一模型输出的第一训练结果、所述第二模型输出的第二训练结果、和所述第三模型输出的第三训练结果；
第一优化模块，用于基于所述第一训练结果、以及与相应第一训练结果对应的当前样本图像所属的图像标签，对所述第一模型的参数进行第一优化，得到第一优化后的第一模型；
第二优化模块，用于基于所述第二训练结果、以及与相应第二训练结果对应的当前样本图像所属的图像标签，对所述第一优化后的第一模型的参数和所述第二模型的参数，进行第二优化，得到第二优化后的第一模型和所述第二优化后的第二模型；
第三优化模块，用于基于所述第三训练结果、以及与相应第三训练结果对应的当前样本图像所属的图像标签，对所述第二优化后的第一模型的参数、所述第二优化后的第二模型的参数、以及所述第三模型的参数，进行第三优化，得到优化第一模型、优化第二模型和优化第三模型；
第二确定模块，用于进入下一迭代，并将所述优化第一模型、所述优化第二模型、所述优化第三模型分别作为下一迭代所对应的前次迭代得到的第一模型、第二模型和第三模型，返回所述获取当前迭代的当前样本图像和各当前样本图像所属的图像标签的步骤继续执行，直至达到训练停止条件时停止，确定训练完成所得到的第一目标模型、第二目标模型和第三目标模型；其中，所述第一目标模型、第二目标模型和第三目标模型用于通过联合推理模式对均压环进行缺陷检测。
8.根据权利要求7所述的电网均压环超复杂类别缺陷多阶段模型联合检测装置，其特征在于，所述训练模块，用于基于所述当前样本图像，对所述第一模型进行训练，得到第一训练结果，所述第一训练结果包括携带有特征信息的第一样本图；基于所述第一样本图，对所述第二模型进行训练，得到第二训练结果，所述第二训练结果包括携带有特征信息的第二样本图；基于所述第二样本图，对所述第三模型进行训练，得到第三训练结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
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权利要求1至6中任一项所述的方法的步骤。
CN202210308318.0A 2022-03-25 2022-03-25 一种电网均压环超复杂类别缺陷多阶段模型联合检测方法 Active CN114397306B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210308318.0A CN114397306B (zh) 2022-03-25 2022-03-25 一种电网均压环超复杂类别缺陷多阶段模型联合检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210308318.0A CN114397306B (zh) 2022-03-25 2022-03-25 一种电网均压环超复杂类别缺陷多阶段模型联合检测方法

Publications (2)

Publication Number Publication Date
CN114397306A true CN114397306A (zh) 2022-04-26
CN114397306B CN114397306B (zh) 2022-07-29

Family

ID=81235043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210308318.0A Active CN114397306B (zh) 2022-03-25 2022-03-25 一种电网均压环超复杂类别缺陷多阶段模型联合检测方法

Country Status (1)

Country Link
CN (1) CN114397306B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117877276A (zh) * 2024-03-11 2024-04-12 天津联汇智造科技有限公司 一种厂内物流交通管制的方法
CN117877276B (zh) * 2024-03-11 2024-05-24 天津联汇智造科技有限公司 一种厂内物流交通管制的方法

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919908A (zh) * 2019-01-23 2019-06-21 华灿光电（浙江）有限公司 发光二极管芯片缺陷检测的方法和装置
CN110689011A (zh) * 2019-09-29 2020-01-14 河北工业大学 多尺度联合卷积神经网络的太阳能电池板缺陷检测方法
CN110853015A (zh) * 2019-11-12 2020-02-28 中国计量大学 基于改进Faster-RCNN的铝型材缺陷检测方法
CN110927171A (zh) * 2019-12-09 2020-03-27 中国科学院沈阳自动化研究所 一种基于机器视觉的轴承滚子倒角面缺陷检测方法
CN111008959A (zh) * 2019-11-22 2020-04-14 江苏方天电力技术有限公司 基于航拍图像的均压环缺陷检测方法、装置、介质和设备
CN111524135A (zh) * 2020-05-11 2020-08-11 安徽继远软件有限公司 基于图像增强的输电线路细小金具缺陷检测方法及系统
CN111598854A (zh) * 2020-05-01 2020-08-28 河北工业大学 基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法
CN111650204A (zh) * 2020-05-11 2020-09-11 安徽继远软件有限公司 基于级联目标检测的输电线路金具缺陷检测方法及系统
CN111784685A (zh) * 2020-07-17 2020-10-16 国网湖南省电力有限公司 一种基于云边协同检测的输电线路缺陷图像识别方法
CN111797890A (zh) * 2020-05-18 2020-10-20 中国电力科学研究院有限公司 一种用于检测输电线路设备缺陷的方法及系统
CN112184654A (zh) * 2020-09-24 2021-01-05 上海电力大学 一种基于生成对抗网络的高压线路绝缘子缺陷检测方法
CN112229845A (zh) * 2020-10-12 2021-01-15 国网河南省电力公司濮阳供电公司 基于视觉导航技术的无人机高精度饶塔智能巡检方法
CN112270722A (zh) * 2020-10-26 2021-01-26 西安工程大学 一种基于深度神经网络的数码印花织物缺陷检测方法
CN112419268A (zh) * 2020-11-23 2021-02-26 广东电网有限责任公司广州供电局 一种输电线路图像缺陷检测方法、装置、设备及介质
CN112801230A (zh) * 2021-04-07 2021-05-14 国网江西省电力有限公司电力科学研究院 一种配电线路无人机智能验收方法
CN112884715A (zh) * 2021-01-28 2021-06-01 华南理工大学 一种基于深度学习的复合绝缘子均压环倾斜故障检测方法
LU102284B1 (en) * 2020-09-09 2021-06-09 North China Electric Power Univ Baoding Method and system for detecting insulator defect based on zero-shot learning
US20210209418A1 (en) * 2020-01-02 2021-07-08 Applied Materials Israel Ltd. Machine learning-based defect detection of a specimen
CN113344888A (zh) * 2021-06-17 2021-09-03 四川启睿克科技有限公司 一种基于联合模型的表面缺陷检测方法及装置
CN113610787A (zh) * 2021-07-27 2021-11-05 广东省科技基础条件平台中心 图像缺陷检测模型的训练方法、装置、计算机设备

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919908A (zh) * 2019-01-23 2019-06-21 华灿光电（浙江）有限公司 发光二极管芯片缺陷检测的方法和装置
CN110689011A (zh) * 2019-09-29 2020-01-14 河北工业大学 多尺度联合卷积神经网络的太阳能电池板缺陷检测方法
CN110853015A (zh) * 2019-11-12 2020-02-28 中国计量大学 基于改进Faster-RCNN的铝型材缺陷检测方法
CN111008959A (zh) * 2019-11-22 2020-04-14 江苏方天电力技术有限公司 基于航拍图像的均压环缺陷检测方法、装置、介质和设备
CN110927171A (zh) * 2019-12-09 2020-03-27 中国科学院沈阳自动化研究所 一种基于机器视觉的轴承滚子倒角面缺陷检测方法
US20210209418A1 (en) * 2020-01-02 2021-07-08 Applied Materials Israel Ltd. Machine learning-based defect detection of a specimen
CN111598854A (zh) * 2020-05-01 2020-08-28 河北工业大学 基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法
CN111524135A (zh) * 2020-05-11 2020-08-11 安徽继远软件有限公司 基于图像增强的输电线路细小金具缺陷检测方法及系统
CN111650204A (zh) * 2020-05-11 2020-09-11 安徽继远软件有限公司 基于级联目标检测的输电线路金具缺陷检测方法及系统
CN111797890A (zh) * 2020-05-18 2020-10-20 中国电力科学研究院有限公司 一种用于检测输电线路设备缺陷的方法及系统
CN111784685A (zh) * 2020-07-17 2020-10-16 国网湖南省电力有限公司 一种基于云边协同检测的输电线路缺陷图像识别方法
LU102284B1 (en) * 2020-09-09 2021-06-09 North China Electric Power Univ Baoding Method and system for detecting insulator defect based on zero-shot learning
CN112184654A (zh) * 2020-09-24 2021-01-05 上海电力大学 一种基于生成对抗网络的高压线路绝缘子缺陷检测方法
CN112229845A (zh) * 2020-10-12 2021-01-15 国网河南省电力公司濮阳供电公司 基于视觉导航技术的无人机高精度饶塔智能巡检方法
CN112270722A (zh) * 2020-10-26 2021-01-26 西安工程大学 一种基于深度神经网络的数码印花织物缺陷检测方法
CN112419268A (zh) * 2020-11-23 2021-02-26 广东电网有限责任公司广州供电局 一种输电线路图像缺陷检测方法、装置、设备及介质
CN112884715A (zh) * 2021-01-28 2021-06-01 华南理工大学 一种基于深度学习的复合绝缘子均压环倾斜故障检测方法
CN112801230A (zh) * 2021-04-07 2021-05-14 国网江西省电力有限公司电力科学研究院 一种配电线路无人机智能验收方法
CN113344888A (zh) * 2021-06-17 2021-09-03 四川启睿克科技有限公司 一种基于联合模型的表面缺陷检测方法及装置
CN113610787A (zh) * 2021-07-27 2021-11-05 广东省科技基础条件平台中心 图像缺陷检测模型的训练方法、装置、计算机设备

Non-Patent Citations (16)

* Cited by examiner, † Cited by third party
Title
FAN K 等: "Real-Time High-Performance Laser Welding Defect Detection by Combining ACGAN-Based Data Enhancement and Multi-Model Fusion", 《SENSORS》, vol. 21, no. 21, 2 November 2021 (2021-11-02), pages 7304 *
LI S 等: "An adaptive data fusion strategy for fault diagnosis based on the convolutional neural network", 《MEASUREMENT》, vol. 165, 25 June 2020 (2020-06-25), pages 108122, XP086260319, DOI: 10.1016/j.measurement.2020.108122 *
SUN W 等: "Multi branches dilated CNN federated learning for transmission line fault diagnosis", 《MEASUREMENT CONTROL, AND INSTRUMENTATION》, vol. 11930, 14 October 2021 (2021-10-14), pages 368 - 375 *
WUNENG L 等: "Research on Transmission Line Defect Detection Based on Deep Learning", 《CONVERTER》, vol. 2021, no. 6, 30 June 2021 (2021-06-30), pages 854 - 861 *
ZHANG, HW 等: "Yarn-dyed Fabric Defect Detection with YOLOV2 Based on Deep Convolution Neural Networks", 《PROCEEDINGS OF 2018 IEEE 7TH DATA DRIVEN CONTROL AND LEARNING SYSTEMS CONFERENCE》, 30 November 2018 (2018-11-30), pages 170 - 174 *
ZHENG, XIANGYU 等: "Component identification and defect detection in transmission lines based on deep learning", 《JOURNAL OF INTELLIGENT & FUZZY SYSTEMS》, vol. 40, no. 2, 2 February 2021 (2021-02-02), pages 3147 - 3158 *
刘琦 等: "架空输电线路均压环缺陷图像智能识别研究", 《电子设计工程》, vol. 30, no. 6, 15 March 2022 (2022-03-15), pages 170 - 173 *
张宇航 等: "深度学习在电网图像数据及时空数据中的应用综述", 《电网技术》, vol. 43, no. 6, 30 June 2019 (2019-06-30), pages 1865 - 1873 *
朱洪志 等: "基于Faster R-CNN的电网线路常见异物检测", 《电器与能效管理技术》, no. 1, 3 January 2021 (2021-01-03), pages 58 - 63 *
李宁 等: "基于无人机图像识别技术的输电线路缺陷检测", 《电子设计工程》, vol. 27, no. 10, 31 May 2019 (2019-05-31), pages 102 - 106 *
浦东 等: "基于轻量级Mask RCNN的均压环歪斜检测", 《电力信息与通信技术》, vol. 19, no. 5, 25 May 2021 (2021-05-25), pages 95 - 102 *
章熙 等: "一种基于遗传算法优化BP神经网络的电网故障诊断方法", 《科技创新与应用》, no. 29, 20 December 2019 (2019-12-20), pages 15 - 17 *
翟瑞聪 等: "基于图像识别的输电线路设备缺陷识别应用系统设计", 《电子设计工程》, vol. 30, no. 6, 15 March 2022 (2022-03-15), pages 161 - 164 *
赖秋频 等: "基于YOLOv2网络的绝缘子自动识别与缺陷诊断模型", 《中国电力》, vol. 52, no. 7, 31 July 2019 (2019-07-31), pages 31 - 39 *
赵振兵 等: "融合深度特征的输电线路金具缺陷因果分类方法", 《北京航空航天大学学报》, vol. 47, no. 3, 31 March 2021 (2021-03-31), pages 461 - 468 *
闫继爽: "基于神经网络的输电线路缺陷检测", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 1, 15 January 2022 (2022-01-15), pages 042 - 2168 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117877276A (zh) * 2024-03-11 2024-04-12 天津联汇智造科技有限公司 一种厂内物流交通管制的方法
CN117877276B (zh) * 2024-03-11 2024-05-24 天津联汇智造科技有限公司 一种厂内物流交通管制的方法

Also Published As

Publication number Publication date
CN114397306B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN109816032B (zh) 基于生成式对抗网络的无偏映射零样本分类方法和装置
JP2018506168A (ja) サンプリング及びフィーチャ選択を伴わない自動欠陥分類
CN111598825B (zh) 数据处理方法、瑕疵的检测方法、计算设备及存储介质
CN110516514B (zh) 一种目标检测模型的建模方法和装置
CN111524118B (zh) 变压器的运行状态检测方法、装置、计算机设备和存储介质
CN112381763A (zh) 一种表面缺陷检测方法
CN107977748B (zh) 一种多变量扭曲时间序列预测方法
CN115564773B (zh) 基于元学习的小样本图像缺陷检测方法、装置和设备
CN111639230B (zh) 一种相似视频的筛选方法、装置、设备和存储介质
CN114419406A (zh) 图像变化检测方法、训练方法、装置和计算机设备
CN115578585A (zh) 工业图像异常检测方法、系统、计算机设备和存储介质
KR102622895B1 (ko) 지도 학습 모델 및 비지도 학습 모델의 앙상블 구조를 이용한 대기질 데이터의 이상 판정 방법 및 시스템
CN114519519A (zh) 基于gbdt算法与逻辑回归模型的企业违约风险评估方法设备及介质
Zhao et al. NAS-kernel: Learning suitable Gaussian kernel for remote sensing object counting
CN114397306B (zh) 一种电网均压环超复杂类别缺陷多阶段模型联合检测方法
CN115187820A (zh) 轻量化的目标检测方法、装置、设备、存储介质
CN116524296A (zh) 设备缺陷检测模型的训练方法、装置和设备缺陷检测方法
CN116563243A (zh) 输电线路的异物检测方法、装置、计算机设备和存储介质
CN111079930A (zh) 数据集质量参数的确定方法、装置及电子设备
CN115756919A (zh) 一种面向多维数据的根因定位方法及系统
CN112906824B (zh) 车辆聚类方法、系统、设备及存储介质
CN110705695B (zh) 搜索模型结构的方法、装置、设备和存储介质
CN114638304A (zh) 图像识别模型的训练方法、图像识别方法及装置
CN113869423A (zh) 一种营销响应模型构建方法、设备及介质
KR102489115B1 (ko) 제조품의 비전 검사를 위한 심층 학습 방법 및 장치

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
GR01 Patent grant
GR01 Patent grant