CN116245805A - 变电站设备缺陷检测方法、装置、计算机设备和存储介质 - Google Patents
变电站设备缺陷检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116245805A CN116245805A CN202211659855.6A CN202211659855A CN116245805A CN 116245805 A CN116245805 A CN 116245805A CN 202211659855 A CN202211659855 A CN 202211659855A CN 116245805 A CN116245805 A CN 116245805A
- Authority
- CN
- China
- Prior art keywords
- round
- encoder network
- similarity
- defect detection
- equipment
- 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
Links
Images
Classifications
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种变电站设备缺陷检测方法、装置、计算机设备和存储介质。所述方法包括:本轮迭代训练的过程中,根据无标签的第一变电站设备样本图,确定本轮的第一相似度和第二相似度;第一相似度是本轮产生的本轮编码特征与本轮参考特征之间的相似度;第二相似度是本轮编码特征与各个参考特征之间的相似度;基于本轮的第一相似度和第二相似度,对本轮的第一编码器网络和第二编码器网络进行调参,将本轮参考特征添加至参考特征集合,并继续下一轮迭代训练;基于迭代停止时得到的第二编码器网络训练设备缺陷检测模型;训练完毕的设备缺陷检测模型用于对变电站设备进行缺陷检测。采用本方法能够降低对变电站设备进行缺陷检测的成本。
Description
技术领域
本申请涉及计算机视觉技术领域,特别是涉及一种变电站设备缺陷检测方法、装置、计算机设备和存储介质。
背景技术
近年来,国民经济发展迅速,对电能的需求越来越多,而变电站作为电力系统中对电压和电流进行变换,接受电能及分配电能的场所,也随之增多。变电站中包括各种各样的设备,确保这些设备的正常运行至关重要。
传统技术中,通过人工巡视变电站的方式观察设备,以保证变电站中设备的正常运行。但是,变电站规模较大且变电站数量较多,这种人工巡视的方式无法避免人工成本高的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低损失的图像识别模型处理方法、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,本申请提供了一种变电站设备缺陷检测方法。所述方法包括:
本轮迭代训练的过程中,根据无标签的第一变电站设备样本图,确定本轮的第一相似度和第二相似度;所述第一相似度是本轮迭代训练产生的本轮编码特征与本轮参考特征之间的相似度;所述第二相似度是所述本轮编码特征与参考特征集合中各个参考特征之间的相似度;所述本轮编码特征是本轮的所述第一编码器网络从所述第一变电站设备样本图中提取的;所述本轮参考特征是本轮的所述第二编码器网络基于所述第一变电站设备样本图进行特征提取得到;
基于所述本轮的第一相似度和第二相似度,对本轮的第一编码器网络和第二编码器网络进行调参,将本轮参考特征添加至所述参考特征集合,并继续下一轮迭代训练;
将迭代停止时得到的第二编码器网络确定为目标编码器网络,基于所述目标编码器网络训练设备缺陷检测模型;训练完毕的设备缺陷检测模型用于对变电站设备进行缺陷检测。
在其中一个实施例中,所述基于所述目标编码器网络训练设备缺陷检测模型包括:
根据所述目标编码器网络确定待训练的初始的设备缺陷检测模型;所述初始的设备缺陷检测模型中主干网络的参数为所述目标编码器网络的参数;
根据多个带标签的第二变电站设备样本图对所述初始的设备缺陷检测模型进行迭代训练;训练完毕的目标缺陷检测模型用于对变电站设备进行缺陷检测。
在其中一个实施例中,所述多个带标签的第二变电站设备样本图是多个具有标签的锈蚀设备样本图;
所述根据带标签的第二变电站设备样本图对所述初始的设备缺陷检测模型进行迭代训练包括:
基于多个所述锈蚀设备样本图对所述初始的设备缺陷检测模型进行迭代优化,得到训练完毕的目标缺陷检测模型;所述目标缺陷检测模型用于检测变电站运维图像中的设备锈蚀情况。
在其中一个实施例中,所述基于所述本轮的第一相似度和第二相似度,对本轮的第一编码器网络和第二编码器网络进行调参包括:
朝着使本轮的所述第一相似度增大、且使本轮的所述第二相似度减小的方向,对第一编码器网络和第二编码器网络进行调参。
在其中一个实施例中,所述对第一编码器网络和第二编码器网络进行调参包括:
确定所述第一编码器网络对应的第一更新梯度;
根据预设更新系数和所述第一更新梯度,确定所述第二编码器网络对应的第二更新梯度;
基于所述第一更新梯度对所述第一编码器网络进行调参,并基于所述第二更新梯度对所述第二编码器网络进行调参。
在其中一个实施例中,所述参考特征集合为参考特征队列;所述将本轮参考特征添加至所述参考特征集合,并继续下一轮迭代训练包括:
将本轮参考特征添加至所述参考特征队列,并继续下一轮迭代训练,直至达到预设迭代训练次数停止迭代。
在其中一个实施例中,所述方法还包括:
对所述第一变电站设备样本图进行变换,得到变换后的样本图;
通过本轮的所述第二编码器网络对所述变换后的样本图进行特征提取,得到所述本轮参考特征。
第二方面,本申请还提供了一种变电站设备缺陷检测装置。所述装置包括:
调参模块,用于本轮迭代训练的过程中,根据无标签的第一变电站设备样本图,确定本轮的第一相似度和第二相似度;所述第一相似度是本轮迭代训练产生的本轮编码特征与本轮参考特征之间的相似度;所述第二相似度是所述本轮编码特征与参考特征集合中各个参考特征之间的相似度;所述本轮编码特征是本轮的所述第一编码器网络从所述第一变电站设备样本图中提取的;所述本轮参考特征是本轮的所述第二编码器网络基于所述第一变电站设备样本图进行特征提取得到;基于所述本轮的第一相似度和第二相似度,对本轮的第一编码器网络和第二编码器网络进行调参,将本轮参考特征添加至所述参考特征集合,并继续下一轮迭代训练;
确定模块,用于将迭代停止时得到的第二编码器网络确定为目标编码器网络,基于所述目标编码器网络训练设备缺陷检测模型;训练完毕的设备缺陷检测模型用于对变电站设备进行缺陷检测
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上述的方法的步骤。
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上述的方法的步骤。
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上述的方法的步骤。
上述变电站设备缺陷检测方法、装置、计算机设备、存储介质和计算机程序产品,基于本轮编码特征与本轮参考特征之间的相似度,以及本轮编码特征与参考特征集合中各个参考特征之间的相似度,对第一编码器网络和第二编码器网络进行迭代训练,以学习无标签的第一变电站设备样本图中的知识。进而将迭代停止时得到的第二编码器网络确定为目标编码器网络,基于目标编码器网络训练设备缺陷检测模型,将已经学习到第一变电站设备样本图中的知识的第二编码器作为目标编码器网络进行训练,能够保证训练得到的设备缺陷检测模型的性能;通过训练完毕的设备缺陷检测模型对变电站设备进行缺陷检测,能够降低人工成本。
附图说明
图1为一个实施例中变电站设备缺陷检测方法的流程示意图;
图2为一个实施例中设备缺陷检测模型的训练步骤的流程示意图;
图3为另一个实施例中设备缺陷检测模型的训练步骤的流程示意图;
图4为一个实施例中变电站设备缺陷检测装置的结构框图;
图5为一个实施例中计算机设备的内部结构图;
图6为另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,提供了一种变电站设备缺陷检测方法,以该方法应用于计算机设备为例进行说明,可以理解的是该方法可以应用于终端,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:
S102,本轮迭代训练的过程中,根据无标签的第一变电站设备样本图,确定本轮的第一相似度和第二相似度。
其中,第一相似度是本轮迭代训练产生的本轮编码特征与本轮参考特征之间的相似度。第二相似度是本轮编码特征与参考特征集合中各个参考特征之间的相似度。本轮编码特征是本轮的第一编码器网络从第一变电站设备样本图中提取的。本轮参考特征是本轮的第二编码器网络基于第一变电站设备样本图进行特征提取得到。
第一变电站设备样本图是对变电站内部设备采集得到的图像。比如,第一变电站设备样本图可以是在对变电站内部设备进行运维的情况下采集的图像。可以理解,变电站运维过程中的大量无标签图像都可以作为自监督学习的训练数据。自监督学习方法第一编码器网络或第二编码器网络的目的是让初始的设备缺陷检测模型能够提取变电站内部各类设备的特征,提取的特征能够为后续的缺陷检测功能提供基础。
示例性地,计算机设备可以在本轮迭代训练的过程中,从多个无标签的第一变电站设备样本图中确定本轮的第一变电站设备样本图。计算机设备可以将本轮的第一变电站设备样本图作为本轮的第一编码器网络和本轮的第二编码器网络的输入,得到本轮的第一编码器网络输出的本轮编码特征以及本轮的第二编码器网络输出的本轮参考编码特征。
在一个实施例中,每轮的第一变电站设备样本图不同。
在一个实施例中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
S104,基于本轮的第一相似度和第二相似度,对本轮的第一编码器网络和第二编码器网络进行调参,将本轮参考特征添加至参考特征集合,并继续下一轮迭代训练。
示例性地,计算机设备可以朝着本轮的第一相似度尽可能地大于本轮的第二相似度的方向,对本轮的第一编码器网络和第二编码器网络进行调参,得到调参后的下一轮的第一编码器网络和第二编码器网络。计算机设备可以将本轮参考特征添加至参考特征集合,并继续下一轮迭代训练。
在一个实施例中,计算机设备可以确定将本轮的第一变电站设备样本图作为调参后的第二编码器网络的输入得到的输出,即调参后的第二编码器网络输出的参考特征添加至参考特征集合,并继续下一轮迭代训练。
可以理解,本轮参考特征和参考特征集合中的参考特征均为本轮编码特征的参照,为了使得第一编码器网络和第二编码器网络学习相同类别变电站设备之间到的相关性以及不同类别变电站设备之间的差异性,本轮编码特征和本轮参考特征之间的相似度要尽可能的大于本轮编码特征与其他参考特征之间的相似度。
S106,将迭代停止时得到的第二编码器网络确定为目标编码器网络,基于目标编码器网络训练设备缺陷检测模型;训练完毕的设备缺陷检测模型用于对变电站设备进行缺陷检测。
示例性地,计算机设备可以在迭代停止的情况下确定预训练完成的第一编码器网络和预训练完成的第二编码器网络。计算机设备可以将预训练完成的第二编码器网络确定为目标编码器网络,并根据目标编码器网络确定初始的设备缺陷检测模型。计算机设备可以基于带标签的第二变电站设备样本图对初始的设备缺陷检测模型进行训练得到训练完毕的设备缺陷检测模型。
可以理解,少量的带标签的第二变电站设备样本图不能够有效的优化设备缺陷检测模型中的大量参数,并且标注大量的数据集需要消耗较多的人工成本。通过第二编码器网络学习海量的无标签的第一变电站设备样本图的特征,能够在降低人工成本的同时保证设备缺陷检测模型的性能。
在一个实施例中,计算机设备可以将预训练完毕的第一编码器网络确定为目标编码器网络。
在一个实施例中,计算机设备可以将待处理的变电站设备图像作为训练完毕的设备缺陷检测模型的输入,通过主干网络从待处理的变电站设备图像中提取出特征图,经过分支网络对特征图进行分类,得到设备缺陷检测模型输出的待处理的变电站设备图像中设备对应的缺陷类别。
上述变电站设备缺陷检测方法中,基于本轮编码特征与本轮参考特征之间的相似度,以及本轮编码特征与参考特征集合中各个参考特征之间的相似度,对第一编码器网络和第二编码器网络进行迭代训练,以学习无标签的第一变电站设备样本图中的知识。进而将迭代停止时得到的第二编码器网络确定为目标编码器网络,基于目标编码器网络训练设备缺陷检测模型,将已经学习到第一变电站设备样本图中的知识的第二编码器作为目标编码器网络进行训练,能够保证训练得到的设备缺陷检测模型的性能;通过训练完毕的设备缺陷检测模型对变电站设备进行缺陷检测,能够降低人工成本。
在一个实施例中,如图2所示提供了设备缺陷检测模型的训练步骤的流程示意图。本实施例中,包括以下步骤:
S202,根据目标编码器网络确定待训练的初始的设备缺陷检测模型。
其中,初始的设备缺陷检测模型中主干网络的参数为目标编码器网络的参数。
示例性的,计算机设备可以将目标编码器网络的参数确定为初始的设备缺陷模型中主干网络的参数。可以理解,目标编码器网络与主干网络的结构一致。
在一个实施例中,第一编码器网络和第二编码器网络均与主干网络的结构保持一致。
在一个实施例中,设备缺陷检测模型可以包括目标检测器。比如,设备缺陷检测模型可以包括单阶段检测器(RetinaNet)。目标检测器中可以包括负责计算获得特征图的主干网络,负责在骨干网络输出的特征图基础上通过卷积计算获得物体的分类的第一个子网络以及通过卷积计算获得边界框的回归值的第二个子网络则。
在一个实施例中,主干网络可以是残差网络,比如,ResNet50。
S204,根据多个带标签的第二变电站设备样本图对初始的设备缺陷检测模型进行迭代训练。
其中,训练完毕的目标缺陷检测模型用于对变电站设备进行缺陷检测。
示例性地,计算机设备可以将各个第二变电站设备样本图作为初始的设备缺陷模型的输入,朝着设备缺陷检测模型的输出与第二变电站设备样本图的标签之间的差异减小的方向,对初始的设备缺陷模型进行迭代训练,以得到训练完毕的目标缺陷检测模型。
在一个实施例中,第二变电站设备样本图的标签可以包括用于表征缺陷类别的标签、用于表征设备类型的标签等。
本实施例中,根据目标编码器网络确定待训练的初始的设备缺陷检测模型;根据多个带标签的第二变电站设备样本图对初始的设备缺陷检测模型进行迭代训练,通过训练完毕的设备缺陷检测模型对变电站设备进行缺陷检测,能够降低人工成本。
在一个实施例中,多个带标签的第二变电站设备样本图是多个具有标签的锈蚀设备样本图;根据带标签的第二变电站设备样本图对初始的设备缺陷检测模型进行迭代训练包括:基于多个锈蚀设备样本图对初始的设备缺陷检测模型进行迭代优化,得到训练完毕的目标缺陷检测模型;目标缺陷检测模型用于检测变电站运维图像中的设备锈蚀情况。
示例性地,计算机设备可以将各个锈蚀设备样本图作为初始的设备缺陷模型的输入,朝着设备缺陷检测模型的输出与锈蚀设备样本图的标签之间的差异减小的方向,对初始的设备缺陷模型进行迭代优化,得到训练完毕的目标缺陷检测模型。
本实施例中,基于多个锈蚀设备样本图对初始的设备缺陷检测模型进行迭代优化,得到训练完毕的目标缺陷检测模型,通过目标缺陷检测模型能够实现对设备锈蚀情况的检测,避免设备锈蚀对变电站的不利影响,有效地降低人工成本。
在一个实施例中,基于本轮的第一相似度和第二相似度,对本轮的第一编码器网络和第二编码器网络进行调参包括:朝着使本轮的第一相似度增大、且使本轮的第二相似度减小的方向,对第一编码器网络和第二编码器网络进行调参。
示例性地,计算机设备可以对本轮编码特征和本轮参考特征进行矩阵相乘操作得到第一相似度。计算机设备可以对本轮编码特征分别与参考特征集合中的各个参考特征进行矩阵相乘操作,得到每个参考特征对应的第二相似度。计算机设备可以对多个第二相似度求和,得到第二相似度总和。计算机设备朝着使本轮的第一相似度增大、且使本轮的第二相似度总和减小的方向,对本轮的第一编码器网络和本轮的第二编码器网络进行调参,得到调参后的下一轮的第一编码器网络和第二编码器网络。
在一个实施例中,计算机设备可以将本轮编码特征和本轮参考特征作为编码网络损失函数的输入,得到编码网络损失值。计算机设备可以朝着编码网络损失值减小的方向对第一编码器网络和第二编码器网络进行调参。
在一个实施例中,如公式(1)所示,为编码网络损失函数。
其中,其中τ用于调整编码网络损失函数的分布,可以取0.7。q·kq可以表征第一相似度。q为本轮编码特征,kq为本轮参考特征。q·ki可以表征第二相似度。ki表征参考特征集合中的参考特征。
在一个实施例中,计算机设备可以将本轮参考特征添加至参考特征集合中,并从参考特征集合中删除最先添加的参考特征。
在一个实施例中,计算机设备可以使用机器学习库根据本轮的编码网络损失值减小的方向,对第一编码器网络进行梯度计算,得到第一编码器网络对应的第一更新梯度。第一更新梯度用于指示第一编码器网络参数更新的方向。
本实施例中,朝着使本轮的第一相似度增大、且使本轮的第二相似度减小的方向,对第一编码器网络和第二编码器网络进行调参,通过第二编码器网络学习海量的无标签的第一变电站设备样本图的特征,能够在降低人工成本的同时保证设备缺陷检测模型的性能。
在一个实施例中,对第一编码器网络和第二编码器网络进行调参包括:确定第一编码器网络对应的第一更新梯度;根据预设更新系数和第一更新梯度,确定第二编码器网络对应的第二更新梯度;基于第一更新梯度对第一编码器网络进行调参,并基于第二更新梯度对第二编码器网络进行调参。
其中,预设更新系数用于指示第二更新梯度相对于第一更新梯度的倍率。
示例性地,计算机设备可以使用机器学习库根据本轮的第一相似度增大、且使本轮的第二相似度减小的方向,对第一编码器网络进行梯度计算,得到第一编码器网络对应的第一更新梯度。计算机设备可以根据预设更新系数和第一更新梯度,确定第二编码器网络对应的第二更新梯度。计算机设备可以朝着第一更新梯度指示的参数更新的方向对第一编码器网络进行调参,并朝着第二更新梯度指示的参数更新的方向对第二编码器网络进行调参。机器学习库可以是pytorch。
在一个实施例中,公式(2)用于表征第一更新梯度和第二更新梯度之间的关系。
θd←mθd+(1-m)θe (2)
其中,其中θd代表第二更新梯度,θe代表第一更新梯度,m代表预设更新系数。为保证参考特征集合中各个参考特征的一致性,m要大于(1-m)。比如,m=0.999,意味着第二更新梯度为第一更新梯度的0.001倍,这样可以保证构建出的参考特征集合使用了一致性的第二编码器网络。
本实施例中,确定第一编码器网络对应的第一更新梯度;根据预设更新系数和第一更新梯度,确定第二编码器网络对应的第二更新梯度;基于第一更新梯度对第一编码器网络进行调参,并基于第二更新梯度对第二编码器网络进行调参,通过第二编码器网络学习海量的无标签的第一变电站设备样本图的特征,能够在降低人工成本的同时保证设备缺陷检测模型的性能。
在一个实施例中,参考特征集合为参考特征队列;将本轮参考特征添加至参考特征集合,并继续下一轮迭代训练包括:将本轮参考特征添加至参考特征队列,并继续下一轮迭代训练,直至达到预设迭代训练次数停止迭代。
示例性地,计算机设备可以将本轮参考特征添加至参考特征队列,删除参考特征队列中最先添加的参考特征,并继续下一轮迭代训练,直至达到预设迭代训练次数停止迭代。
可以理解的是,本轮编码特征相当于一个查询(query),参考特征对象相当于一个字典,字典中的本轮参考特征相当于查询对应的键值(key)。
在一个实施例中,fe表征第一编码器网络,fd表示第二编码器网络,xq表示第一变电站设备样本图,ki表示参考特征队列中的参考特征。其中i=1,2,…,n。n代表参考特征队列的长度,可以是16384。本轮编码特征为q=fe(xq)。xq经过图像变换(例如随机裁剪、翻转、旋转等)后的图像xq’,本轮参考特征为kq=fd(xq′)。
本实施例中,将本轮参考特征添加至参考特征队列,并继续下一轮迭代训练,直至达到预设迭代训练次数停止迭代,通过第二编码器网络学习海量的无标签的第一变电站设备样本图的特征,能够在降低人工成本的同时保证设备缺陷检测模型的性能。
在一个实施例中,方法还包括:对第一变电站设备样本图进行变换,得到变换后的样本图;通过本轮的第二编码器网络对变换后的样本图进行特征提取,得到本轮参考特征。
示例性地,计算机设备可以对第一变电站样本图进行图像变换,得到变换后的样本图。图像变换可以包括随机裁剪、翻转或旋转等变换中的至少一种。计算机设备可以将变换后的样本图作为本轮的第二编码器网络的输入,通过本轮的第二编码器网络进行特征提取,得到本轮的第二编码器网络输出的本轮参考特征。
本实施例中,对第一变电站设备样本图进行变换,得到变换后的样本图;通过本轮的第二编码器网络对变换后的样本图进行特征提取,得到本轮参考特征,相较于直接使用第一变电站样本图,采用变换后的样本图使得第二编码器网络更具适应性,从而提高设备缺陷检测模型对数据变化的容忍度。
在一个实施例中,如图3所示提供了设备缺陷检测模型的训练步骤的流程示意图。计算机设备可以获取无标签的第一变电站设备样本图,并构建第一编码器网络和第二编码器网络。第一编码器网络和第二编码器网络均与设备缺陷检测模型的主干网络结构一致。计算机设备可以对第一编码器网络和第二编码器网络进行迭代训练,得到目标编码器网络。计算机设备可以将目标编码器网络的参数作为设备缺陷检测模型的主干网络的参数,并基于具有标签的锈蚀样本图训练初始的设备缺陷检测模型,得到训练完毕的设备缺陷检测模型。
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变电站设备缺陷检测方法的变电站设备缺陷检测装置。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变电站设备缺陷检测装置实施例中的具体限定可以参见上文中对于变电站设备缺陷检测方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种变电站设备缺陷检测装置400,包括:调参模块402和确定模块404,其中:
调参模块402,用于本轮迭代训练的过程中,根据无标签的第一变电站设备样本图,确定本轮的第一相似度和第二相似度;第一相似度是本轮迭代训练产生的本轮编码特征与本轮参考特征之间的相似度;第二相似度是本轮编码特征与参考特征集合中各个参考特征之间的相似度;本轮编码特征是本轮的第一编码器网络从第一变电站设备样本图中提取的;本轮参考特征是本轮的第二编码器网络基于第一变电站设备样本图进行特征提取得到;基于本轮的第一相似度和第二相似度,对本轮的第一编码器网络和第二编码器网络进行调参,将本轮参考特征添加至参考特征集合,并继续下一轮迭代训练。
确定模块404,用于将迭代停止时得到的第二编码器网络确定为目标编码器网络,基于目标编码器网络训练设备缺陷检测模型;训练完毕的设备缺陷检测模型用于对变电站设备进行缺陷检测。
在其中一个实施例中,确定模块404,用于根据目标编码器网络确定待训练的初始的设备缺陷检测模型;初始的设备缺陷检测模型中主干网络的参数为目标编码器网络的参数;根据多个带标签的第二变电站设备样本图对初始的设备缺陷检测模型进行迭代训练;训练完毕的目标缺陷检测模型用于对变电站设备进行缺陷检测。
在其中一个实施例中,多个带标签的第二变电站设备样本图是多个具有标签的锈蚀设备样本图;确定模块404,用于基于多个锈蚀设备样本图对初始的设备缺陷检测模型进行迭代优化,得到训练完毕的目标缺陷检测模型;目标缺陷检测模型用于检测变电站运维图像中的设备锈蚀情况。
在其中一个实施例中,调参模块402,用于朝着使本轮的第一相似度增大、且使本轮的第二相似度减小的方向,对第一编码器网络和第二编码器网络进行调参。
在其中一个实施例中,调参模块402,用于确定第一编码器网络对应的第一更新梯度;根据预设更新系数和第一更新梯度,确定第二编码器网络对应的第二更新梯度;基于第一更新梯度对第一编码器网络进行调参,并基于第二更新梯度对第二编码器网络进行调参。
在其中一个实施例中,参考特征集合为参考特征队列;调参模块402,用于将本轮参考特征添加至参考特征队列,并继续下一轮迭代训练,直至达到预设迭代训练次数停止迭代。
在其中一个实施例中,调参模块402,用于对第一变电站设备样本图进行变换,得到变换后的样本图;通过本轮的第二编码器网络对变换后的样本图进行特征提取,得到本轮参考特征。
上述变电站设备缺陷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,其内部结构图可以如图5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第一变电站设备样本图和第二变电站设备样本图。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变电站设备缺陷检测方法。
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终端,其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。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、显示单元和输入装置通过输入/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和计算机程序。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进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种变电站设备缺陷检测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5或图6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,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,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。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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)
1.一种变电站设备缺陷检测方法,其特征在于,所述方法包括:
本轮迭代训练的过程中,根据无标签的第一变电站设备样本图,确定本轮的第一相似度和第二相似度;所述第一相似度是本轮迭代训练产生的本轮编码特征与本轮参考特征之间的相似度;所述第二相似度是所述本轮编码特征与参考特征集合中各个参考特征之间的相似度;所述本轮编码特征是本轮的所述第一编码器网络从所述第一变电站设备样本图中提取的;所述本轮参考特征是本轮的所述第二编码器网络基于所述第一变电站设备样本图进行特征提取得到;
基于所述本轮的第一相似度和第二相似度,对本轮的第一编码器网络和第二编码器网络进行调参,将本轮参考特征添加至所述参考特征集合,并继续下一轮迭代训练;
将迭代停止时得到的第二编码器网络确定为目标编码器网络,基于所述目标编码器网络训练设备缺陷检测模型;训练完毕的设备缺陷检测模型用于对变电站设备进行缺陷检测。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标编码器网络训练设备缺陷检测模型包括:
根据所述目标编码器网络确定待训练的初始的设备缺陷检测模型;所述初始的设备缺陷检测模型中主干网络的参数为所述目标编码器网络的参数;
根据多个带标签的第二变电站设备样本图对所述初始的设备缺陷检测模型进行迭代训练;训练完毕的目标缺陷检测模型用于对变电站设备进行缺陷检测。
3.根据权利要求2所述的方法,其特征在于,所述多个带标签的第二变电站设备样本图是多个具有标签的锈蚀设备样本图;
所述根据带标签的第二变电站设备样本图对所述初始的设备缺陷检测模型进行迭代训练包括:
基于多个所述锈蚀设备样本图对所述初始的设备缺陷检测模型进行迭代优化,得到训练完毕的目标缺陷检测模型;所述目标缺陷检测模型用于检测变电站运维图像中的设备锈蚀情况。
4.根据权利要求1所述的方法,其特征在于,所述基于所述本轮的第一相似度和第二相似度,对本轮的第一编码器网络和第二编码器网络进行调参包括:
朝着使本轮的所述第一相似度增大、且使本轮的所述第二相似度减小的方向,对第一编码器网络和第二编码器网络进行调参。
5.根据权利要求1所述的方法,其特征在于,所述对第一编码器网络和第二编码器网络进行调参包括:
确定所述第一编码器网络对应的第一更新梯度;
根据预设更新系数和所述第一更新梯度,确定所述第二编码器网络对应的第二更新梯度;
基于所述第一更新梯度对所述第一编码器网络进行调参,并基于所述第二更新梯度对所述第二编码器网络进行调参。
6.根据权利要求1所述的方法,其特征在于,所述参考特征集合为参考特征队列;所述将本轮参考特征添加至所述参考特征集合,并继续下一轮迭代训练包括:
将本轮参考特征添加至所述参考特征队列,并继续下一轮迭代训练,直至达到预设迭代训练次数停止迭代。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述方法还包括:
对所述第一变电站设备样本图进行变换,得到变换后的样本图;
通过本轮的所述第二编码器网络对所述变换后的样本图进行特征提取,得到所述本轮参考特征。
8.一种变电站设备缺陷检测装置,其特征在于,所述装置包括:
调参模块,用于本轮迭代训练的过程中,根据无标签的第一变电站设备样本图,确定本轮的第一相似度和第二相似度;所述第一相似度是本轮迭代训练产生的本轮编码特征与本轮参考特征之间的相似度;所述第二相似度是所述本轮编码特征与参考特征集合中各个参考特征之间的相似度;所述本轮编码特征是本轮的所述第一编码器网络从所述第一变电站设备样本图中提取的;所述本轮参考特征是本轮的所述第二编码器网络基于所述第一变电站设备样本图进行特征提取得到;基于所述本轮的第一相似度和第二相似度,对本轮的第一编码器网络和第二编码器网络进行调参,将本轮参考特征添加至所述参考特征集合,并继续下一轮迭代训练;
确定模块,用于将迭代停止时得到的第二编码器网络确定为目标编码器网络,基于所述目标编码器网络训练设备缺陷检测模型;训练完毕的设备缺陷检测模型用于对变电站设备进行缺陷检测。
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7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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211659855.6A CN116245805A (zh) | 2022-12-23 | 2022-12-23 | 变电站设备缺陷检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211659855.6A CN116245805A (zh) | 2022-12-23 | 2022-12-23 | 变电站设备缺陷检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116245805A true CN116245805A (zh) | 2023-06-09 |
Family
ID=86630498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211659855.6A Pending CN116245805A (zh) | 2022-12-23 | 2022-12-23 | 变电站设备缺陷检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116245805A (zh) |
-
2022
- 2022-12-23 CN CN202211659855.6A patent/CN116245805A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
Zheng et al. | Fast ship detection based on lightweight YOLOv5 network | |
CN115311730B (zh) | 一种人脸关键点的检测方法、系统和电子设备 | |
CN116580257A (zh) | 特征融合模型训练及样本检索方法、装置和计算机设备 | |
CN115578570A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
Wang et al. | Bilateral attention network for semantic segmentation | |
CN110717405B (zh) | 人脸特征点定位方法、装置、介质及电子设备 | |
CN112183303A (zh) | 变电设备图像分类方法、装置、计算机设备和介质 | |
CN111126049A (zh) | 对象关系预测方法、装置、终端设备及可读存储介质 | |
Sun et al. | Vehicle classification approach based on the combined texture and shape features with a compressive DL | |
CN114155388B (zh) | 一种图像识别方法、装置、计算机设备和存储介质 | |
CN116245805A (zh) | 变电站设备缺陷检测方法、装置、计算机设备和存储介质 | |
CN114493971A (zh) | 媒体数据转换模型训练、数字水印嵌入方法和装置 | |
CN113627556B (zh) | 一种图像分类的实现方法、装置、电子设备和存储介质 | |
CN115761239B (zh) | 一种语义分割方法及相关装置 | |
CN116703687B (zh) | 图像生成模型处理、图像生成方法、装置和计算机设备 | |
CN115965856B (zh) | 图像检测模型构建方法、装置、计算机设备及存储介质 | |
Ou et al. | Multiscale attention dynamic aware network for fine‐grained visual categorization | |
CN117975473A (zh) | 票据文本检测模型训练及检测方法、装置、设备和介质 | |
US20230351558A1 (en) | Generating an inpainted image from a masked image using a patch-based encoder | |
CN117152428A (zh) | 模型训练方法、装置、计算机设备及计算机可读存储介质 | |
Bian et al. | An optimized feature extraction algorithm based on SuperPoint | |
CN117670686A (zh) | 视频帧增强方法、装置、计算机设备和存储介质 | |
CN115661465A (zh) | 图像的多标签分割方法、装置、计算机设备及存储介质 | |
CN115658899A (zh) | 文本分类方法、装置、计算机设备和存储介质 |
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 |