一种基于知识蒸馏的高铁绝缘子缺陷检测方法

计算;推算;计数设备的制造及其应用技术1.本发明涉及计算机视觉图像识别技术领域，更具体地说涉及一种基于知识蒸馏的高铁绝缘子缺陷检测方法。背景技术：2.在高铁实际运行环境中，由于列车的长期高密度运行，且运行环境处于户外环境，极易导致接触网支持装置发生故障，在外部严苛复杂环境、高铁列车震动等综合复杂因素的影响下，零部件会出现“松、脱、断、裂”等缺陷，导致接触网支持装置的结构稳定性下降、电气连接被破坏，给列车正常运行带来巨大隐患。通过常年的调查与统计，在高铁接触网系统的各种设备故障中，支持装置零部件故障所占比例高达70%以上，因此需要得到更多的关注。3.在基于图像的接触网缺陷检测领域，通常有以下三种思路：1)根据先验知识人工设计判据，再使用分类器进行分类；2)通过深度学习算法中的有监督学习算法将故障检测问题转化为分类问题；3)通过深度学习算法中的无监督算习算法将故障检测问题转化为异常检测问题。4.关于接触网缺陷检测的研究，应该采用无监督的方法，既上述三种思路中的第三种方法。5.第1类算法属于传统的图像处理算法，传统图像处理算法普遍采用的仍是边缘检测、阈值分割、区域生长、特征聚类等算法。其步骤同目标定位类似，也是利用图像的各种特征（形状、纹理、边缘、颜色等）建立缺陷的特征描述子，然后采用分类器进行分类。第2类基于深度学习的有监督学习算法，虽然相对于传统图像处理算法，可以利用卷积神经网络提取零部件特征，其算法鲁棒性有较大提升。第3类基于深度学习的无监督学习算法本质上属于把接触网缺陷检测问题转化为异常检测问题。利用少量负样本（甚至没有负样本），进行接触网缺陷检测。这样就贴合了铁路接触网零部件缺陷检测领域只存在少量缺陷样本的实际情况。6.采用无监督学习的方法解决了如下两个接触网缺陷检测的难点：1、传统图像算法设计特征繁杂、鲁棒性低、检测对象稍有变动就需要重新设计特征。7.2、深度学习中的有监督学习算法的特征提取工作需要大量的接触网缺陷样本。8.综上所述，通过无监督学习算法对接触网零部件进行缺陷检测具有重要的理论和现实意义。9.在铁路接触网缺陷检测领域，在存在大量负样本的情况下，有监督深度学习有一定的应用。junwen chen等设计了一个三级级联的深度卷积神经网络(dcnns)框架，对紧固件缺陷进行了诊断。xavier giben等训练了一个端到端的dcnns来进行铁路铁轨材料的分类和语义分割。junping zhong对dcnns变种网络pvanet进行了结构优化，使其能够更好的适应接触网开口销的定位与检测。zhigang liu等利用改进的卷积神经网络以及孔洞分析的方法，对等电位线的散股故障进行检测。10.更多情况下，负样本匮乏，需要使用无监督学习的方法来完成缺陷检测。gaoqiang kang等采用了深度降噪自编码器进行无监督学习，和深度材料分类器组成多任务学习网络。无需缺陷绝缘子样本参与训练且表现良好。junping zhong等引入了可回归偏转角的回归框，可倾斜的定位框可以达到更为精准的定位效果，使用gan-2对绝缘子切片进行缺陷检测，评估贴片的重构误差以分析缺陷的情况。xuemin lu等人使用重建损失、编码损失和对抗损失三个损失函数相结合，用ms-ssim对损失函数进行联合评估以区分绝缘子缺陷样本。另一方面，dongkai zhang等也尝试了把正常绝缘子的特征提取出来，输入到编码器中，在编码后的向量中加入噪声，解码生成缺陷特征。使用生成的缺陷特征训练缺陷检测分类器，实现了绝缘子缺陷检测的无监督学习，实验证明检测效果良好。11.mohammadreza salehi等提取专家网络的各个maxpool2d层输出，让学生网络的对应maxpool2d层模仿其输出，使其在面对正常样本输入时有相似的特征输出和结果输出。而异常样本输入时，由于学生网络参数量不够，模仿能力不足，两个网络的特征输出和结果输出就会不同。利用学生网络的这种不完全模仿能力，完成了对异常检测数据集mvtecad的异常检测，指标达到sota水平。后者还把知识蒸馏网络和常见的异常检测算法：ae, anogan, vae-grad等做了指标对比，检测结果均好于对照组算法。12.现有技术中，在高铁接触网绝缘子缺陷样本稀少的情况下，难以实现缺陷检测。目前国内外针对接触网绝缘子无监督学习缺陷检测的研究主要使用基于gan网络，ae网络的算法，使用知识蒸馏算法的研究尚未出现或者公开。技术实现要素：13.为了克服上述现有技术中存在的缺陷，本发明公开了一种基于知识蒸馏的高铁绝缘子缺陷检测方法，本发明的目的是解决现有技术中在高铁接触网绝缘子缺陷样本稀少的情况下，难以实现缺陷检测的问题。该方法利用正常样本和相同大小的背景样本对vgg-16教师网络进行分类预训练，使其拥有绝缘子特征信息。在训练阶段，使用正常样本对教师网络和学生网络进行正向传播和反向传播，使学生网络在面对正常输入时的卷积层特征与教师网络相似。在测试阶段，测试集包含缺陷样本和正常样本，缺陷样本对应的得分高，正常样本对应的得分低。分类完成后，还可利用基于梯度的显著性算法求得绝缘子缺陷分割热力图。其核心是通过教师网络和学生网络在面对异常样本时的中间层输出不同，实现缺陷绝缘子的判定。14.为了实现以上目的，本发明采用的技术方案：一种基于知识蒸馏的高铁绝缘子缺陷检测方法，包括以下步骤：一、图像输入s1、输入包含绝缘子的4c灰度图像。15.本发明中，s1步骤中，输入包含绝缘子的4c灰度图像，记为i。16.二、图像预处理s2、提取灰度图像中的绝缘子，并对提取的绝缘子图像进行切块，得到绝缘子小块样本。17.优选的，所述s2步骤中，在yolov5s网络的预测框中加入180个角度类别信息，形成r-yolov5s网络，然后对绝缘子进行提取。18.本发明中，利用r-yolov5提取绝缘子图像：使用改进后的yolov5s网络对绝缘子进行精确提取。改进内容为：在预测框中加入180个角度类别信息，使得yolov5s可以得到角度类别信息。r-yolov5s实现了绝缘子的精确定位，排除了背景信息的干扰。19.优选的，所述s2步骤中，将提取的绝缘子图像进行切块，绝缘子小块样本大小为128*128像素。20.本发明中，因为绝缘子缺陷通常都过小，知识蒸馏缺陷检测算法对某些小缺陷无法实现精确检测，所以将绝缘子图像进行切块，小块大小为128*128像素。后续使用小块绝缘子图像进行训练和测试，最后再根据小块的位置信息进行拼合。21.三、教师网络预训练s3、建立知识蒸馏教师网络，使用正常绝缘子小块样本和同样大小的背景小块样本对教师网络进行分类训练，使其参数空间中包含绝缘子的特征信息。22.优选的，所述s3步骤中，使用vgg-16骨干网络，去掉其分类层，作为知识蒸馏网络的教师网络。选择上述网络作为知识蒸馏网络的教师网络是因为vgg-16网络的特征提取能力强，可以满足后续绝缘子缺陷检测过程中，多层次多尺度特征提取的需求。同时具有很强的泛化能力，这可以在后续过程中和学生网络较差的泛化能力产生差别。这个泛化能力的差别是实现无监督缺陷检测的本质属性。23.教师网络需要首先包含绝缘子的特征信息，然后才能在后续的“知识蒸馏”的过程中将自己所包含的绝缘子特征信息传递给学生网络。而传递“知识”的目的是：使学生网络在面对正常绝缘子网络的时候有和教师网络相似的特征层输出，而面对缺陷绝缘子样本时，学生网络因为泛化能力不足，和教师网络的中间特征层输出不同（教师网络虽然同样不具备缺陷绝缘子的特征，但是由于泛化能力强，其面对缺陷样本输入时，中间层的特征输出变化相对不大）。24.四、缺陷检测s4、建立通道剪枝后的知识蒸馏学生网络，并对教师网络和学生网络进行共同训练和测试，根据测试过程中教师网络和学生网络在面对异常样本时的中间层输出不同，对缺陷绝缘子小块样本进行判断；根据缺陷判断结果建立缺陷分割热力图，并标注热力图中绝缘子缺陷区域。25.所述s4步骤包括共同训练测试步骤、打分判断步骤、小块热力图生成步骤和缺陷检测报告生成步骤，具体如下：1、共同训练测试所述共同训练测试步骤，建立通道剪枝后的知识蒸馏学生网络，并利用正常绝缘子小块样本对教师网络和学生网络进行共同训练，训练完后将每一绝缘子小块样本均加入教师网络和学生网络中进行共同测试，在测试过程中，根据教师网络和学生网络在面对异常样本时的中间层输出不同，得到样本的总损失值。26.所述共同训练测试步骤包括以下步骤：（1）教师网络和学生网络共同训练：建立通道剪枝后的知识蒸馏学生网络，使用正常绝缘子小块样本对教师网络和学生网络进行共同训练，共同训练时，对学生网络进行梯度更新，对教师网络不进行梯度更新；优选的，所述教师网络和学生网络共同训练中，使用通道剪枝后的vgg-16作为知识蒸馏算法的学生网络，除每个卷积模块的最后一层外，将其他卷积层的通道数均压缩为16。27.本发明中，学生网络由教师网络（vgg-16骨干网络）通道剪枝得来。其反复的上采样和下采样步骤会使得特征信息在前向传递的过程中产生丢失。这一点导致学生网络的泛化能力比教师网络差。进而使得学生网络在面对缺陷绝缘子图像输入时，中间层的特征输出较教师网络的输出相差较大。如此一来，正常图像输入时，两网络中间层输出差距小，缺陷图像输入时，两网络中间层输出差距大。量化这种差距并设定合理阈值后，就可以成功识别缺陷图像。28.优选的，所述教师网络和学生网络共同训练中，训练所使用的损失函数为，其中，为总损失函数，为距离损失函数，衡量中间层特征向量的欧式距离，为余弦相似度损失函数，衡量中间层特征向量的方向相似度，为调节两个损失函数权重的超参数，其取值将决定网络更重视向量在距离上的相似度还是方向上的相似度，而这一点往往取决于数据集的特点，=0.5，为第li层的神经元数量，也就是其通道数，为tn（也就是教师网络）在第li层的输出特征，为sn（也就是学生网络）在第li层的输出特征，代表transpose,为向量的转置运算；第一个公式中的i代表遍历所有的待提取中间层，具体为教师网络的第9,16,23,30层（都是maxpool2d层，也是每个卷积模块的最后一层），学生的11,20,29,38层（都是maxpool2d层，也是每个卷积模块的最后一层）；j代表遍历一个层中的所有通道数；第二个公式中的i代表遍历所有的待提取中间层，具体为教师网络的第9,16,23,30层（都是maxpool2d层，也是每个卷积模块的最后一层），学生的11,20,29,38层（都是maxpool2d层，也是每个卷积模块的最后一层）。29.本发明中，在训练时，只有学生网络进行梯度更新，教师网络不参与梯度更新，这样设置是因为：教师网络已经在预训练中存储了绝缘子的图像特征信息。而训练的目的是把这些特征信息传递给学生网络，使学生网络对正常的绝缘子图像也“感到熟悉”，或者说面对正常绝缘子输入时，学生网络的中间层输出和教师网络相近。所以要固定教师网络参数，即可以达成知识传递的目的，又可以节省计算资源。30.（2）教师网络和学生网络共同测试：教师网络和学生网络进行共同训练后，将每一绝缘子小块样本均加入教师网络和学生网络中进行共同测试，在测试过程中，根据教师网络和学生网络在面对异常样本时的中间层输出不同，得到样本的总损失值。31.本发明中，在测试时，教师网络和学生网络共同参与，面对正常样本时，两者中间层特征输出差异不大，总损失值较低，由于经过剪枝后的学生网络泛化能力变差，在面对缺陷绝缘子小块图像时，其中间层特征输出与教师网络差异较大，总损失值较大。32.2、打分判断所述打分判断步骤，根据全体样本的总损失值，对每个测试的绝缘子小块样本进行打分，并根据打分结果输出绝缘子小块样本位置信息；再根据打分结果和样本位置信息，报告正常绝缘子小块样本和缺陷绝缘子小块样本的信息，得到绝缘子缺陷检测结果。33.所述打分输出报告步骤包括以下步骤：（1）测试样本进行打分：计算全体绝缘子小块样本的总损失值，根据全体绝缘子小块样本的总损失值，对每个绝缘子小块样本进行缺陷打分。34.优选的，缺陷得分为：其中，为第i个样本的缺陷得分，为第i个样本的总损失，median函数为取所有样本总损失值的中位数。35.（2）是否满足阈值：将缺陷得分与阈值比较，判断样本为缺陷绝缘子小块样本还是正常绝缘子小块样本。36.优选的，所述阈值比较中，以1为阈值，缺陷得分大于1的判断为缺陷绝缘子小块样本，缺陷得分小于1的判断为正常绝缘子小块样本。37.（3）输出缺陷样本和正常样本的位置信息：根据判断结果，输出缺陷绝缘子小块样本和正常绝缘子小块样本的位置信息；本发明中，小块分割时采用128像素大小的方形滑窗，行方向步长和列方向步长都是64像素，小块与小块之间在行方向上和列方向上重叠面积都是50%。由此可以输出每个小块的位置信息。38.（4）报告正常绝缘子和缺陷绝缘子：根据绝缘子小块样本得分，以及绝缘子小块样本位置信息，报告正常绝缘子小块样本和缺陷绝缘子小块样本的信息，得到绝缘子缺陷检测结果。39.本发明中，根据此前得到的绝缘子小块缺陷得分，绝缘子小块位置信息，即小块来自于哪个绝缘子的哪个地方，得到绝缘子缺陷检测结果。40.3、小块热力图生成所述小块热力图生成步骤，采用积分梯度法和平滑梯度法对教师网络和学生网络进行梯度回传并生成小块热力图，再对热力图进行噪声抑制；所述小块热力图生成步骤包括以下步骤：（1）教师网络与学生网络梯度回传：采用采用积分梯度法和平滑梯度法，对教师网络与学生网络进行梯度回传；本发明中，采用基于梯度的显著性算法：平滑梯度和积分梯度。需要利用反向传播的梯度参与下一步热力图的计算。41.（2）生成小块热力图：利用教师网络与学生网络梯度回传中的反向转播存储的梯度信息，生成小块热力图。42.优选的，所述小块热力图为：其中，为小块热力图，为图像掺杂一定大小的高斯噪声后形成的输入图像，为输入图像的积分基准图像，取为纯黑图像，k为路径图像的数量， n 为为平滑梯度法的重复次数；第i个路径图像为：高斯噪声的大小为：其中，p为调节噪声大小的超参数，取p=1，为输入图像的最亮像素的像素值，为输入图像的最暗像素的像素值。43.对于每张路径图像，我们都用原始梯度法计算其热力图：其后，计算所有的平均值，得到，再乘上路径长度即可得到单次积分梯度的热力图，重复上述过程n次，消除随机高斯噪声随机性的影响，得到平滑梯度的热力图，本发明取k=25，n=5。44.（3）热力图噪声抑制：在生成的小块热力图中，设置阈值对噪声进行抑制；优选的，所述热力图噪声抑制步骤中，在得到的小块热力图中，设置阈值t=5e-4,将像素值小于该值的像素抑制为0，再将热力图的像素值还原到[0,255]，得到最终的热力图。[0045]本发明中，因为神经网络行为存在一定的随机性，所以需要设置一个阈值进行噪声抑制，在得到的小块热力图中，设置阈值t=5e-4,将像素值小于该值的像素抑制为0，再将热力图的像素值还原到[0,255]，得到最终的热力图。[0046]4、缺陷检测报告生成所述缺陷检测报告生成步骤，利用绝缘子小块样本的位置信息和噪声抑制后的小块热力图，将小块热力图组合成为完整热力图，并标注热力图中绝缘子缺陷区域，再根据完整热力图，以及绝缘子缺陷检测结果，生成绝缘子缺陷检测报告。[0047]所述缺陷检测报告生成步骤包括以下步骤：（1）组合成为完整热力图：利用绝缘子小块样本的位置信息和噪声抑制后的小块热力图，将小块热力图拼回到原图中，组合成为绝缘子完整热力图，并取高亮像素区域对绝缘子缺陷的像素级进行分割。[0048]本发明中，利用此前绝缘子小块的位置信息和小块热力图，将小块热力图拼回到原图中，并取高亮像素区域，实现对绝缘子缺陷的像素级分割。[0049]（2）检测报告：根据绝缘子完整热力图，以及绝缘子缺陷检测结果，生成绝缘子缺陷检测报告。[0050]本发明中，根据此前得到的绝缘子完整热力图和绝缘子缺陷检测结果，形成绝缘子缺陷检测报告。[0051]本发明的有益效果：本发明提供的高铁绝缘子缺陷检测方法，利用正常样本和相同大小的背景样本对vgg-16教师网络进行分类预训练，使其拥有绝缘子特征信息。在训练阶段，使用正常样本对教师网络和学生网络进行正向传播和反向传播，使学生网络在面对正常输入时的卷积层特征与教师网络相似。在测试阶段，测试集包含缺陷样本和正常样本，通过教师网络和学生网络在面对异常样本时的中间层输出不同，缺陷样本对应的得分高，正常样本对应的得分低，以区分缺陷样本和正常样本。分类完成后，还可利用基于梯度的显著性算法求得绝缘子缺陷分割热力图。[0052]本发明提供的高铁绝缘子缺陷检测方法，通过知识蒸馏方法，建立了教师学生网络结构，可以通过学习正常绝缘子样本特征实现缺陷绝缘子异常检测。在训练过程中不使用缺陷样本，不依赖缺陷样本就可以实现缺陷检测功能。因此能解决现有技术中在高铁接触网绝缘子缺陷样本稀少的情况下，难以实现缺陷检测的问题。[0053]本发明提供的高铁绝缘子缺陷检测方法，适用于接触网绝缘子的深度缺陷检测，为高铁接触网绝缘子的检修与维护提供了支持。本发明提供的高铁绝缘子缺陷检测方法，可以实现高铁绝缘子的无监督缺陷检测，适应运维现场缺乏缺陷样本的现状。该方法可缓解铁路运维人工巡检压力，提高运维效率。附图说明[0054]图1为知识蒸馏绝缘子缺陷检测算法流程；图2为绝缘子定位结果；图3为正常绝缘子小块；图4为缺陷绝缘子小块；图5为知识蒸馏算法网络结构；图6为缺陷样本和正常样本得分概率分布；图7为绝缘子小块样本对应的热力图；图8为拼合后的一种缺陷绝缘子热力图；图9为拼合后的一种缺陷绝缘子热力图；图10为拼合后的一种缺陷绝缘子热力图；图11为拼合后的一种缺陷绝缘子热力图；图12为拼合后的一种缺陷绝缘子热力图；图13为拼合后的一种缺陷绝缘子热力图。具体实施方式[0055]以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、特征和效果。[0056]实施例1一种基于知识蒸馏的高铁绝缘子缺陷检测方法，如图1所示，包括以下步骤：s1、输入包含绝缘子的4c灰度图像；s2、提取灰度图像中的绝缘子，并对提取的绝缘子图像进行切块，得到绝缘子小块样本；s3、建立知识蒸馏教师网络，使用正常绝缘子小块样本和同样大小的背景小块样本对教师网络进行分类训练，使其参数空间中包含绝缘子的特征信息；s4、建立通道剪枝后的知识蒸馏学生网络，并对教师网络和学生网络进行共同训练和测试，根据测试过程中教师网络和学生网络在面对异常样本时的中间层输出不同，对缺陷绝缘子小块样本进行判断；根据缺陷判断结果建立缺陷分割热力图，并标注热力图中绝缘子缺陷区域。[0057]实施例2本实施例在实施例1的基础上作进一步的阐述，如图1所示，s1步骤为图像输入步骤，输入包含绝缘子的4c灰度图像，记为i。[0058]s2步骤为图像预处理步骤，包括以下步骤：（1）r-yolov5s提取绝缘子图像：使用改进后的yolov5s网络：r-yolov5s对绝缘子进行精确提取。改进内容为：在预测框中加入180个角度类别信息，使得yolov5s可以得到角度类别信息。r-yolov5s实现了绝缘子的精确定位，排除了背景信息的干扰。图2为r-yolov5s的定位结果。[0059]（2）图像切块：因为绝缘子缺陷通常都过小，知识蒸馏缺陷检测算法对某些小缺陷无法实现精确检测，所以将绝缘子图像进行切块，小块大小为128*128像素，使用小块绝缘子图像进行训练和测试。最后再根据小块的位置信息进行拼合。图3和图4是绝缘子切块示意图，其中，图3为正常绝缘子小块，图4为缺陷绝缘子小块。[0060]s3步骤为教师网络预训练步骤，使用vgg-16骨干网络，去掉其分类层，作为知识蒸馏网络的教师网络。使用正常绝缘子小块和同样大小的背景小块对教师网络进行分类训练。使其参数空间中包含绝缘子的特征信息。[0061]实施例3本实施例在实施例2的基础上作进一步的阐述，如图1所示，所述s4步骤包括以下步骤：（1）教师网络和学生网络共同训练：使用通道剪枝后的vgg-16作为知识蒸馏算法的学生网络，如图5下方网络所示，除每个卷积模块的最后一层外，将其他卷积层的通道数压缩为16。使用正常绝缘子小块图像对教师网络和学生网络进行共同训练。[0062]所述教师网络和学生网络共同训练中，训练所使用的损失函数为，其中，为总损失函数，为距离损失函数，衡量中间层特征向量的欧式距离，为余弦相似度损失函数，衡量中间层特征向量的方向相似度，为调节两个损失函数权重的超参数，其取值将决定网络更重视向量在距离上的相似度还是方向上的相似度，而这一点往往取决于数据集的特点，=0.5，为第li层的神经元数量，也就是其通道数，为tn（也就是教师网络）在第li层的输出特征，为sn（也就是学生网络）在第li层的输出特征，代表transpose,为向量的转置运算；第一个公式中的i代表遍历所有的待提取中间层，具体为教师网络的第9,16,23,30层（都是maxpool2d层，也是每个卷积模块的最后一层），学生的11,20,29,38层（都是maxpool2d层，也是每个卷积模块的最后一层）；j代表遍历一个层中的所有通道数；第二个公式中的i代表遍历所有的待提取中间层，具体为教师网络的第9,16,23,30层（都是maxpool2d层，也是每个卷积模块的最后一层），学生的11,20,29,38层（都是maxpool2d层，也是每个卷积模块的最后一层）。[0063]（2）学生网络梯度更新：在训练时，只有学生网络进行梯度更新，教师网络不参与梯度更新。[0064]（3）教师网络和学生网络共同测试：在测试时，教师网络和学生网络共同参与，面对正常样本时，两者中间层特征输出差异不大，总损失值较低，由于经过剪枝后的学生网络泛化能力变差，在面对缺陷绝缘子小块图像时，其中间层特征输出与教师网络差异较大，总损失值较大。[0065]（4）对测试样本进行打分：根据全体样本的总损失值，对每个样本进行缺陷打分，缺陷得分为：其中，为第i个样本的缺陷得分，为第i个样本的总损失，median函数为取所有样本总损失值的中位数。[0066]缺陷样本和正常样本的得分概率分布图如图6所示。[0067]（5）是否满足阈值：以1为阈值，缺陷得分大于1的判断为缺陷样本，缺陷得分小于1的判断为正常样本。[0068]（6）输出缺陷样本和正常样本的位置信息：小块分割时采用128像素大小的方形滑窗，行方向步长和列方向步长都是64像素，小块与小块之间在行方向上和列方向上重叠面积都是50%。由此可以输出每个小块的位置信息。[0069]（7）教师网络与学生网络梯度回传：采用基于梯度的显著性算法：平滑梯度和积分梯度。需要利用反向传播的梯度参与下一步热力图的计算。[0070]（8）生成小块热力图：利用反向转播存储的梯度信息，做如下计算：其中，为小块热力图，为图像掺杂一定大小的高斯噪声后形成的输入图像，为输入图像的积分基准图像，取为纯黑图像，k为路径图像的数量， n 为为平滑梯度法的重复次数；第i个路径图像为：高斯噪声的大小为：其中，p为调节噪声大小的超参数，取p=1，为输入图像的最亮像素的像素值，为输入图像的最暗像素的像素值。[0071]对于每张路径图像，我们都用原始梯度法计算其热力图：其后，计算所有的平均值，得到，再乘上路径长度即可得到单次积分梯度的热力图，重复上述过程n次，消除随机高斯噪声随机性的影响，得到平滑梯度的热力图，本发明取k=25，n=5。[0072]（9）热力图噪声抑制：因为神经网络行为存在一定的随机性，所以需要设置一个阈值进行噪声抑制，在得到的小块热力图中，设置阈值t=5e-4,将像素值小于该值的像素抑制为0，再将热力图的像素值还原到[0,255]，得到最终的热力图。抑制之后的小块热力图如图7所示。[0073]（10）组合成为绝缘子热力图：利用此前绝缘子小块的位置信息和小块热力图，将小块热力图拼回到原图中，并取高亮像素区域，实现对绝缘子缺陷的像素级分割。组合后的绝缘子热力图如图8-13所示。[0074]（11）报告正常绝缘子和缺陷绝缘子：根据此前得到的绝缘子小块缺陷得分，绝缘子小块位置信息，即小块来自于哪个绝缘子的哪个地方，得到绝缘子缺陷检测结果。试验结果为f1=0.9792。[0075]（12）检测报告：根据此前得到的绝缘子完整热力图和绝缘子缺陷检测结果，形成绝缘子缺陷检测报告。[0076]本实施中，将绝缘子图像大小调整为1024×512像素。使用大小为128像素，步长为64像素的滑窗对绝缘子图像进行分割，得到绝缘子小块样本。利用正常绝缘子小块样本和背景小块样本对教师网络进行分类预训练，使其拥有绝缘子特征信息。在训练阶段，使用正常绝缘子小块样本同时对教师网络和学生网络进行训练，使学生网络的中间层特征输出与教师网络相似。在测试阶段，测试集包含缺陷绝缘子小块样本和正常绝缘子小块样本，缺陷绝缘子小块样本对应的缺陷得分高，正常绝缘子小块样本对应的缺陷得分低。完成缺陷检测后，使用积分梯度法和平滑梯度法可以求得缺陷分割热力图，精确标注绝缘子缺陷区域。[0077]以上对本发明的实施方式进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种等同变型或替换，这些等同或替换均包含在本发明权利要求所限定的范围内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!