[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

本發明涉及電力設備故障檢測技術領域，具體提供了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，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。本發明提供的技術方案基于邊緣計算的思想，將缺陷識別模型前置到掌機端對缺陷進行識別，僅將識別結果回傳至數據中心，是目前電網業務的主要發展方向。

技術領域

本發明涉及電力設備故障檢測技術領域，具體涉及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。

背景技術

目前，需對電表箱等計量裝置進行定期巡檢，排查“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”等缺陷，利用掌機端進行拍照，在掌機端實時識別缺陷，有利于提升巡檢質量。利用大量的電表箱缺陷樣本訓練模型，模型輸出的是電表箱的缺陷類型。

現有技術方案是將掌機端采集的圖像發送至云端數據中心，由數據中心進行統一的缺陷識別與判定，然后將結果推送至掌機端。由于模型部署在內網，專用掌機需通過APN網絡進行數據傳輸，存在帶寬流量貴、速度慢等問題，尤其是大量巡檢員同時集中上傳圖片時，易造成網絡擁堵和延遲問題，影響巡檢效率和體驗。

發明內容

為了克服上述缺陷，本發明提出了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。

第一方面，提供一種基于輕量化神經網絡的計量裝置缺陷檢測方法，所述基于輕量化神經網絡的計量裝置缺陷檢測方法包括：

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。

優選的，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。

優選的，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。

進一步的，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。

進一步的，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。

進一步的，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。

進一步的，所述待壓縮卷積神經網絡至少包括卷積層。

進一步的，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。

進一步的，所述空間注意力圖差異損失的計算式如下：