[發明專利]一種級聯骨干的金具檢測模型及剪枝方法

在審

• 申請號: 202111438754.1
• 申請日: 2021-11-29
• 公開（公告）號: CN114078219A
• 公開（公告）日: 2022-02-22
• 發明（設計）人: 朱瑞凱;盧自強;孫凱;李德生;詹濤;焦仙宏;申洲;要糧安;王春;楊愛晟;杜娟;付興旺;謝強;宋宏圖;張珂;張瓊瑞;張博;杜衡
• 申請（專利權）人: 國網山西省電力公司晉中供電公司;國網山西省電力公司輸電檢修分公司
• 主分類號: G06V20/17
• 分類號: G06V20/17;G06V10/25;G06V10/766;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 太原科衛專利事務所(普通合伙) 14100
• 代理人: 楊文艷

本發明公開了一種級聯骨干的金具檢測模型及剪枝方法，包括步驟：構建金具數據集，獲取不同類型的金具圖像；基于多融合階梯級聯結構，設計復合骨干網絡；引入高效通道注意力機制對級聯骨干輸出進行優化，增強有效特征；借鑒無錨網絡思想，通過中心點、偏移量及尺度三個預測分支產生預測結果；設計基于稀疏化訓練的模型剪枝方法，減少參數量和體積。本發明將無錨思想應用于金具檢測領域，通過設計級聯骨干網絡和高效通道注意力機制提高精度的同時，還設計基于迭代稀疏訓練的模型壓縮方法，結合通道剪枝，實現了模型極大比例的壓縮。

技術領域

本發明涉及圖像分析技術領域，尤其涉及一種級聯骨干的金具檢測模型及剪枝方法。

背景技術

金具是輸電線路上廣泛使用的鐵質或銅制金屬附件，主要用于支持、固定、接續裸導線、導體及絕緣子等，種類繁多且形狀差異較大。由于金具常年運行在戶外，極易產生銹蝕、形變、損壞等現象，嚴重時會引起大規模地停斷電，經濟損失不可估量，因此實現對金具目標高精度實時檢測可自動定位其故障，對保障電網的安全運行具有重大意義。近年來，隨著人工智能技術發展，采用計算機視覺和圖像處理技術對航拍金具圖像進行自動化處理已成為當下的主要手段。

目前較為成功的金具檢測模型大多采用復雜的深層主干網絡或依賴大量錨框來提高檢測精度，但同時帶來過多模型參數，對硬件計算資源要求較高，無法滿足實時檢測的需求；同時，較大的模型體積也使其無法適用于硬件資源相對受限的作業平臺。

本發明將無錨網絡思想應用于金具檢測，利用關鍵點對金具進行檢測，減少參數量同時提升檢測速度，但此模型在應用中也存在一些問題。首先，單一的輕量級主干網絡在檢測中特征提取能力不足，無法解決復雜背景下金具多尺度的問題；其次，為適用于計算和存儲資源有限的移動邊緣端，需進一步壓縮模型體積。

因此，在上述背景下，將無錨化網絡應用于邊緣端金具檢測，進一步提升提取特征能力并壓縮模型體積，使其滿足邊緣端部署的精度和體積要求成為重中之重。

發明內容

本發明的目的是提供一種級聯骨干的金具檢測模型及剪枝方法，，減少模型參數量和計算量，訓練模型得出結果；

進一步的，所述步驟S1中，構建金具數據集，得到不同類別的金具圖像，具體包括：

將航拍圖像中輸電線路及桿塔中包含金具的區域裁剪下來，進行清洗，選取其中圖像清晰、含有金具種類和數目較多的圖像。

進一步的，所述步驟S2中，借鑒CBNet的多融合階梯級聯主干網絡結構，錯級連接MobileNetV3與ResNet18，具體包括：

首先，引入CBNet復合骨干網絡思想，通過融合雙支主干網絡的高層和低層特征進行互補，提高檢測精度和速度。

其次，主干網絡采用輕量級網絡MobileNetV3，并新增一個并行分支主干ResNet-18。ResNet-18分支網絡無下采樣操作以保證尺度不變性，減少特征丟失。同時網絡層數的加深增強了網絡學習困難樣本的能力。

然后，選取MobileNetV3的第二層、第三層、第五層分別輸出4倍、8倍、16倍下采樣三個特征，用于和ResNet-18殘差塊輸出的特征進行堆疊：第一個殘差塊輸出的特征與MobileNetV3的輸入特征進行堆疊；第二個殘差塊的輸出的特征與MobileNetV3的第一個輸出特征進行堆疊，以此類推。

最后，將主干網絡與分支網絡最后的輸出特征進行通道疊加。CBNet復合結構所占內存大小遠低于原模型采用的Hourglass和DLA主干結構，提升了訓練速度和檢測精度。

進一步的，所述步驟S3中，引入高效通道注意力模塊，對主干網絡兩個分支的輸出進行優化，增強有效特征，具體包括：