[發明專利]一種基于輕量化神經網絡的計量裝置缺陷檢測方法及裝置

在審

• 申請號: 202210325240.3
• 申請日: 2022-03-29
• 公開（公告）號: CN114820452A
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 王路濤;陳思宇;李博;陳振宇;邊靖宸
• 申請（專利權）人: 國家電網有限公司大數據中心
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08;G06N3/12
• 代理公司: 北京安博達知識產權代理有限公司 11271
• 代理人: 徐國文

1.一種基于輕量化神經網絡的計量裝置缺陷檢測方法，其特征在于，所述方法包括：

獲取計量裝置的圖像數據；

將所述圖像數據輸入至預先構建的精簡卷積神經網絡，得到所述預先構建的精簡卷積神經網絡輸出的計量裝置的檢測結果。

2.如權利要求1所述的方法，其特征在于，所述檢測結果包括下述中的至少一種：正常狀態、表箱不完整、窺視窗破損、表箱銹蝕、標識牌缺失、鎖具缺失、封印缺失。

3.如權利要求1所述的方法，其特征在于，所述預先構建的精簡卷積神經網絡的獲取過程包括：

步驟1.利用預先構建的訓練數據對待壓縮卷積神經網絡進行訓練；

步驟2.初始化待壓縮卷積神經網絡的精簡卷積神經網絡；

步驟3.將待壓縮卷積神經網絡上的注意力圖遷移至精簡卷積神經網絡；

步驟4.利用遺傳算法確定并調節精簡卷積神經網絡上的注意力圖遷移的最優位置；

步驟5.判斷是否達到迭代次數，若是，則輸出精簡卷積神經網絡，否則，返回步驟2；

其中，所述預先構建的訓練數據包括：計量裝置的歷史圖像數據及歷史圖像數據對應的計量裝置的歷史檢測結果。

4.如權利要求3所述的方法，其特征在于，所述步驟2中，精簡卷積神經網絡與待壓縮卷積神經網絡具備相同層數、每層都采用相同類型的算子且每層輸出的特征圖尺寸一致；

所述待壓縮卷積神經網絡和精簡卷積神經網絡均為NanoDet，且所述待壓縮卷積神經網絡的尺寸大于精簡卷積神經網絡的尺寸，其中，所述待壓縮卷積神經網絡和精簡卷積神經網絡的骨干網絡均采用shufflenetV2；

所述待壓縮卷積神經網絡至少包括卷積層。

5.如權利要求3所述的方法，其特征在于，所述步驟3中，精簡卷積神經網絡在訓練集上的聯合損失的計算式如下：

L＝L_spatial+L_model

上式中，L_spatial為空間注意力圖差異損失，L_model為精簡卷積神經網絡損失。

6.如權利要求5所述的方法，其特征在于，所述空間注意力圖差異損失的計算式如下：

上式中，為精簡卷積神經網絡在層位置j的空間注意力圖，為待壓縮卷積神經網絡在層位置j的空間注意力圖，J為注意力圖位置集合；

其中，所述精簡卷積神經網絡在層位置j的空間注意力圖的計算式如下：

所述待壓縮卷積神經網絡在層位置j的空間注意力圖的計算式如下：

上式中，為精簡神經網絡在層位置j的特征圖向量，為待壓縮卷積神經網絡在層位置j的特征圖向量，C為層位置j的通道數，vec為向量化函數。

7.如權利要求3所述的方法，其特征在于，所述步驟3包括：

S401將進行注意力圖遷移知識蒸餾的層位置加入位置集合，并對位置集合進行二進制編碼，其中，需要進行注意力圖遷移的位置對應的編碼值為1，其他位置編碼值為0；

S402初始化注意力遷移初始位置；

S403以初始位置為中心劃分初始位置范圍，并隨機生成多組位置作為初始種群；

S404計算種群中個體的適應度；

S405對種群進行選擇、交叉和變異操作；

S406判斷是否達到最大迭代次數，若達到則退出計算，輸出注意力圖遷移的最優位置集合；反之，則回到步驟S402繼續迭代。

8.如權利要求7所述的方法，其特征在于，所述個體的適應度的計算式如下：

上式中，f_i為第i個個體的適應度，L為精簡卷積神經網絡在測試集上的損失。

9.如權利要求8所述的方法，其特征在于，所述注意力遷移初始位置設置在NanoDet的骨干網絡shufflenetV2的4個stage的最后層處。

10.一種基于輕量化神經網絡的計量裝置缺陷檢測裝置，其特征在于，所述裝置包括：

獲取模塊，用于獲取計量裝置的圖像數據；

檢測模塊，用于將所述圖像數據輸入至預先構建的精簡卷積神經網絡，得到所述預先構建的精簡卷積神經網絡輸出的計量裝置的檢測結果。