[發明專利]一種壓板狀態識別模型的訓練方法及壓板狀態識別方法

有效

• 申請號: 202110462823.6
• 申請日: 2021-04-28
• 公開（公告）號: CN113221687B
• 公開（公告）日: 2022-07-22
• 發明（設計）人: 曾凱;賈建梅;陳宏君;李響;徐征宇;張磊;周磊;張綱;韓科文
• 申請（專利權）人: 南京南瑞繼保電氣有限公司;南瑞集團有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 張倩倩

1.一種壓板狀態識別模型的訓練方法，其特征是，包括：

獲取變電站二次屏柜壓板在多個壓板狀態下的圖像樣本，得到初始樣本庫；

對初始樣本庫中的圖像樣本進行預處理，得到訓練樣本庫；

獲取訓練樣本庫中各樣本的人工標注信息，建立訓練樣本集和測試樣本集，所述人工標注信息包括識別區域的坐標信息和壓板狀態分類信息；

利用訓練樣本集對預先構建的MobilenetV3-YOLOv5s目標檢測網絡進行訓練，得到中間模型文件；所述MobilenetV3-YOLOv5s目標檢測網絡為將YOLOv5的特征提取主干網絡替換為MobilenetV3網絡的神經網絡；

利用測試集樣本對所述中間模型文件進行驗證，包括：若驗證結果不符合設定要求，則獲取對訓練樣本庫中各樣本進行優化標注的新的人工標注信息，基于新的人工標注信息建立訓練樣本集和測試樣本集，利用當前訓練樣本集和測試樣本集對中間模型文件進行迭代訓練和驗證，直至驗證結果符合設定要求，則將中間模型文件作為最優基礎模型文件；

利用最優基礎模型文件的訓練樣本集和測試樣本集訓練CSPDarknet53-YOLOv5s目標檢測網絡，得到標準指導模型文件；

在最優基礎模型的特征提取主干網絡的BN層中γ參數引入L1正則化約束，利用當前訓練樣本集進行模型稀疏化訓練，得到稀疏模型文件；

對所述稀疏模型文件迭代地進行通道剪枝和模型評估，直至得到模型評估結果符合設定要求的最佳剪枝率參數和相應的最佳剪枝模型文件；

將標準指導模型文件作為教師模型，將所述最佳剪枝模型文件作為學生模型，利用知識蒸餾方法對最佳剪枝模型文件進行微調訓練，得到最終的壓板狀態識別模型。

2.根據權利要求1所述的壓板狀態識別模型的訓練方法，其特征是，壓板狀態識別模型的訓練方法中，訓練所得的最終壓板狀態識別模型文件為pytorch格式的文件；

壓板狀態識別模型的訓練方法還包括，將所得的壓板狀態識別模型文件轉換為onnx格式模型文件。

3.根據權利要求2所述的壓板狀態識別模型的訓練方法，其特征是，針對基于X86架構的邊緣終端，采用intel提供的深度學習加速組件OpenVINO對onnx格式的模型文件進行轉換；針對基于ARM架構的邊緣終端，將onnx格式模型文件轉換為ncnn格式模型文件，利用適用于移動邊緣端的NCNN框架部署模型應用接口。

4.根據權利要求1或2所述的壓板狀態識別模型的訓練方法，其特征是，壓板狀態識別模型的訓練方法還包括，采用深度學習加速組件OpenVINO對模型進行量化處理，將參數精度由32位浮點型量化成16位浮點或INT8型。

5.根據權利要求1所述的壓板狀態識別模型的訓練方法，其特征是，所述預處理包括通過數據增強處理擴充圖像樣本，所述數據增強處理包括：光學變換、幾何變換、增加噪聲或數據源擴充處理；

在模型訓練過程中，所獲取的人工標注信息為人工對訓練樣本庫中圖像的壓板關鍵區域進行標注，所形成的符合YOLOv5算法規定的標注文件格式信息。