[發明專利]一種輸電線路絕緣子缺陷檢測方法、系統、設備和介質

在審

• 申請號: 202310502467.5
• 申請日: 2023-05-06
• 公開（公告）號: CN116503367A
• 公開（公告）日: 2023-07-28
• 發明（設計）人: 鄭耀華;何勇;原瀚杰;陸林;羅建斌;董承熙;董麗夢;陳亮;姜天杭;潘綺彤;趙健;歐祖宏;吳龍杰;徐杞斌;夏國飛;鄧浩光;程昭榮
• 申請（專利權）人: 廣東電網有限責任公司;廣東電網有限責任公司肇慶供電局
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/774;G06V10/82;G06N3/0464;G06N3/082
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 許慶勝

本發明公開了一種輸電線路絕緣子缺陷檢測方法、系統、設備和介質，用于。在本發明中，當接收到輸電線路絕緣子圖像時，對輸電線路絕緣子圖像進行圖像預處理，生成輸電線路絕緣子樣本集，基于SVD策略，對預設卷積神經網絡模型進行低秩近似，生成初始絕緣子缺陷檢測模型，按照跨層策略對初始絕緣子缺陷檢測模型進行泰勒剪枝，生成目標絕緣子缺陷檢測模型，通過目標絕緣子缺陷檢測模型對待識別輸電線路絕緣子圖像進行缺陷檢測，輸出缺陷檢測結果；解決了現有的目標檢測模型在進行信道修剪時會導致目標檢測模型識別效率較低的技術問題。

技術領域

本發明涉及神經網絡技術領域，尤其涉及一種輸電線路絕緣子缺陷檢測方法、系統、設備和介質。

背景技術

近年來，深度學習技術，特別是卷積神經網絡(CNN)，在一系列人工智能任務上表現出優異的性能，例如圖像分類和目標檢測。然而，對硬件資源的高要求阻礙了物聯網和深度學習的結合，在一些時間敏感的任務中，例如智能監控、自動駕駛和健康監測，將數據上傳到云服務器會導致無可避免的信息延遲。為了實現實時反應，讓處理高效且硬件友好，利用邊緣計算和嵌入式設備至關重要。

目前，基于CNN的硬件實現主要受限于模型存儲、計算成本和內存占用。為了在通用平臺上獲得實際加速的益處，需要確保處理卷積層的緊湊結構，而現有的輸電線路絕緣子缺陷檢測通常是通過對卷積神經網絡進行信道修剪，從而生成目標檢測模型，但是在進行信道修剪時可能會存在每個過濾器要么被完全刪除，要么被保留，因此，修剪錯誤的過濾器可能會丟棄大量重要權重，并給目標檢測模型性能帶來不可恢復的損害，而且信道修剪并不能利用權重級稀疏性，會導致目標檢測模型識別效率較低。

發明內容

本發明提供了一種輸電線路絕緣子缺陷檢測方法、系統、設備和介質，解決了現有的目標檢測模型在進行信道修剪時可能會存在每個過濾器要么被完全刪除，要么被保留，因此，修剪錯誤的過濾器可能會丟棄大量重要權重，并給目標檢測模型性能帶來不可恢復的損害，而且信道修剪并不能利用權重級稀疏性，會導致目標檢測模型識別效率較低的技術問題。

本發明第一方面提供的一種輸電線路絕緣子缺陷檢測方法，包括：

當接收到輸電線路絕緣子圖像時，對所述輸電線路絕緣子圖像進行圖像預處理，生成輸電線路絕緣子樣本集；

基于SVD策略，對預設卷積神經網絡模型進行低秩近似，生成初始絕緣子缺陷檢測模型；

按照跨層策略對所述初始絕緣子缺陷檢測模型進行泰勒剪枝，生成目標絕緣子缺陷檢測模型；

通過所述目標絕緣子缺陷檢測模型對待識別輸電線路絕緣子圖像進行缺陷檢測，輸出缺陷檢測結果。

可選地，所述基于SVD策略，對預設卷積神經網絡模型進行低秩近似，生成初始絕緣子缺陷檢測模型的步驟，包括：

采用奇異值分解法對預設卷積神經網絡模型內的各卷積層進行分解操作，生成多個初始卷積層；

選取預設數量的最大奇異值對各所述初始卷積層進行降維操作，生成多個中間卷積層；

基于保留的奇異分量，對各所述中間卷積層進行乘值運算，生成多個目標卷積層；

將含有多個所述目標卷積層的所述預設卷積神經網絡模型作為初始絕緣子缺陷檢測模型。

可選地，所述按照跨層策略對所述初始絕緣子缺陷檢測模型進行泰勒剪枝，生成目標絕緣子缺陷檢測模型的步驟，包括：

按照跨層策略從初始絕緣子缺陷檢測模型內選取出進行泰勒剪枝的所述目標卷積層；

從所述輸電線路絕緣子樣本集中抽取預設訓練數量的所述輸電線路絕緣子圖像輸入所述初始絕緣子缺陷檢測模型進行訓練，根據訓練結果生成所述目標卷積層對應的多個目標特征圖；

計算各所述目標特征圖與預設標準特征圖之間的修剪損失值；