[發明專利]一種基于低質量影像識別的深度學習模型構建方法

有效

• 申請號: 202110586635.4
• 申請日: 2021-05-27
• 公開（公告）號: CN113313021B
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 周靜波;劉榮海;郭新良;代克順;陳國坤;鄭欣;焦宗寒;楊迎春;許宏偉
• 申請（專利權）人: 云南電網有限責任公司電力科學研究院
• 主分類號: G06V20/00
• 分類號: G06V20/00;G06V10/774;G06V10/80;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 北京弘權知識產權代理有限公司 11363
• 代理人: 逯長明;許偉群

本申請實施例提供的基于低質量影像識別的深度學習模型構建方法包括對獲取到的X射線影像進行包括歸一化處理和數據增強處理的影像處理，將影像處理后的X射線影像數據整合為數據集，并將數據集分為訓練數據集、驗證數據集和測試數據集，構建包括采用殘差網絡作為提取特征網絡和采用數據不確定性學習網絡模塊作為特征融合及獲取輸出結果網絡的第一卷積神經網絡模型，將訓練數據集輸入第一卷積神經網絡模型進行訓練，采用驗證數據集評估、調整第一卷積神經網絡模型，得到第二卷積神經網絡模型，采用測試數據集對第二卷積神經網絡模型的準確率進行測試。

技術領域

本申請涉及影像識別領域，尤其涉及一種基于低質量影像識別的深度學習模型構建方法。

背景技術

X射線數字成像檢測方法是對發、輸、變、配電設備的運行狀態和發、輸、變、配電設備的內部缺陷進行檢測和診斷的重要檢測手段，由于采用X射線數字成像檢測方法在對發、輸、變、配電設備的運行狀態和發、輸、變、配電設備的內部缺陷進行診斷時，需要技術人員對檢測到的X射線影像進行人工診斷，因此，技術人員數量少會導致診斷不及時，技術人員診斷水平參差不齊以及技術人員診斷時狀態不佳均會造成診斷的準確性較低。

為了避免由于技術人員人數少造成的診斷不及時，技術人員診斷水平參差不齊以及技術人員診斷時狀態不佳造成的診斷的準確性較低的問題，相關技術中采用基于影像識別的確定性深度學習模型進行X射線檢測影像的智能診斷，采用遷移學習的方法讓經過模擬電力設備數據集訓練的卷積神經網絡對高質量小樣本的真實電力設備數據集進行學習或采用對電力設備圖像進行旋轉、平移和縮放操作，獲得的每類設備不同圖像再進行特征學習。

然而，由于輸入到上述基于影像識別的深度學習模型中的X射線影像的質量會受到數字成像檢測設備參數的影響，X射線影像采集的效率會受到環境、工況、數字成像檢測設備的種類及性能的影響，因此，采集到的X射線影像存在一定程度的低分辨率、模糊、有噪聲問題，當輸入上述基于影像識別的深度學習模型的X射線影像數據集為具有低分辨率、模糊、有噪聲問題的低質量X射線影像數據集時，上述基于影像識別的深度學習模型的魯棒性和泛化能力較差，上述基于影像識別的深度學習模型對發、輸、變、配電設備的運行狀態和內部缺陷診斷的精確度較低。

發明內容

本申請提供了一種基于低質量影像識別的深度學習模型構建方法，以解決深度學習模型對發、輸、變、配電設備的運行狀態和內部缺陷診斷的精確度較低的技術問題。

為了解決上述技術問題，本申請實施例公開了如下技術方案：

第一方面，本申請實施例公開了一種基于低質量影像識別的深度學習模型構建方法，包括：

對獲取到的X射線影像進行包括歸一化處理和數據增強處理的影像處理；

將影像處理后的X射線影像數據整合為數據集，并將數據集分為訓練數據集、驗證數據集和測試數據集；

構建包括采用殘差網絡作為提取特征網絡和采用數據不確定性學習網絡模塊作為特征融合及獲取輸出結果網絡的第一卷積神經網絡模型；

將訓練數據集輸入第一卷積神經網絡模型進行訓練；

采用驗證數據集評估、調整第一卷積神經網絡模型，得到第二卷積神經網絡模型；

采用測試數據集對第二卷積神經網絡模型的準確率進行測試。

可選的，對獲取到的X射線影像進行包括歸一化處理和數據增強處理的影像處理，包括：

對獲取到的X射線影像進行包括尺寸歸一化處理和數值歸一化處理的歸一化處理；

對獲取到的X射線影像進行包括低分辨率處理、模糊處理和隨機噪聲處理的數據增強處理。

可選的，對獲取到的X射線影像進行包括尺寸歸一化處理和數值歸一化處理的歸一化處理，包括：