一种基于螺栓图像对比学习的输电线路螺栓异常分类方法与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及图片分类和机器学习领域，尤其涉及一种基于螺栓图像对比学习的输电线路螺栓异常分类方法。背景技术：2.螺栓是输电线路中的重要零件，输电线路螺栓异常分类对输电线路检测智能化的重要环节，对输电线路中螺栓异常分析有重要的作用。但输电线路中存在螺栓类别多样，标注的样本数据极少的问题，目前的分类方法存在以下问题，1)对分类训练集要求较高，少量或者不平衡的训练数据使分类准确率低。2)无标注数据数量较多，无法充分利用无标注数据。3)采用有监督学习，图像标注成本较高。技术实现要素：3.本发明的目的在于针对上述现有技术的不足，提供了一种基于螺栓图像对比学习的输电线路螺栓异常分类方法。4.为实现上述目的，本发明采用了如下技术方案：5.本发明提供了一种基于螺栓图像对比学习的输电线路螺栓异常分类方法，包括，螺栓数据集准备方法、螺栓图像对比学习模型预训练方法、输电线路螺栓异常分类的迁移学习方法；6.所述螺栓数据集准备方法，包括：带标签的输电线路螺栓目标检测数据集准备、无标签输电线路螺栓数据集和少量输电线路螺栓异常分类数据集准备。7.进一步，所述螺栓图像对比学习模型预训练方法，包括：准备螺栓图像模型；使用所述无标签输电线路螺栓数据集进行输电线路螺栓图像模型训练。8.进一步，输电线路螺栓异常分类的迁移学习方法，包括：准备分类模型；使用螺栓图像对比学习模型获得的输电线路螺栓特征图和输电线路异常螺栓标签做迁移学习；完成分类模型的迁移训练和验证。9.进一步，基于所述输电线路螺栓异常分类的迁移学习方法，通过无标签的数据训练螺栓图像模型，提取螺栓图片的特征图，使用螺栓类型标注数据集，完成所述输电线路螺栓异常分类的迁移学习。10.进一步，使用所述螺栓图像对比学习模型，通过无标签数据，训练主干网络，通过螺栓图像对比学习模型为输电线路螺栓图像提取特征图。11.进一步所述螺栓图像对比学习模型由两个相同的网络模块f和g组成：12.output＝f(i)13.对应每一个输入网络的minibatch：对minibatch中每张输入的图片进行两次随机数据增强来得到图片两种不同的视角；14.x＝aug(i)15.aug为数据增强方法；16.将得到的两个表征送入两个卷积编码器获得抽象表示，之后对表示形式应用非线性变换进行投影得到投影表示：17.h＝conv(x)18.z＝proj(h)19.conv为卷积编码器，proj为非线性变换；20.使用余弦相似度来度量投影的相似度：21.sij＝cos(zi,zj)22.损失函数：[0023][0024]本发明的有益效果为：基于无标注数据的螺栓图像对比学习的输电线路螺栓异常分类方法，通过无标签的数据螺栓图像对比学习，提取螺栓图片的特征图，使用少量螺栓类型标注数据集，完成输电线路螺栓异常分类迁移学习，通过本发明提出的方法可以实现输电线路质检中螺栓类型自动化识别，为螺栓异常检测下有任务提供分类基础。具体实施方式[0025]为了使本发明的目的、技术方案及优点更加清楚明白，将对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。[0026]一种基于螺栓图像对比学习的输电线路螺栓异常分类方法，包括，螺栓数据集准备方法、螺栓图像对比学习模型预训练方法、输电线路螺栓异常分类的迁移学习方法；[0027]所述螺栓数据集准备方法，包括：带标签的输电线路螺栓目标检测数据集准备、无标签输电线路螺栓数据集和少量输电线路螺栓异常分类数据集准备。[0028]从原始图像中获得单独的螺栓图像数据集用于对比学习，使用目标检测模型从原始数据集检测螺栓图像。首先通过人工标注的方式，在原始图像为三通道的rgb图像i∈r3×h0×w0中使用矩形框将螺栓标注。[0029]所述螺栓图像对比学习模型预训练方法，包括：准备螺栓图像模型；使用所述无标签输电线路螺栓数据集进行输电线路螺栓图像模型训练。[0030]带标签的输电线路螺栓目标检测数据集准备中：在大量的易获得的带输电线路螺栓的巡检图片，中选取5000张左右部分图片用于输电线路螺栓目标检测标注。将选取的输电线路图片中的螺栓，使用矩形框进行标注，用于训练获取输电线路螺栓目标检测模型。[0031]训练一个螺栓的目标检测模型，本文采用yolo进行训练。最后对原始数据进行推理，从原始数据中裁剪出所有检测到的螺栓。yolo的网络结构主要由四个部分构成，分别为输入端、骨干网络backbone、强特征提取网络neck以及预测网络prediction这四个部分构成。输入端采用mosaic数据增强方法的同时，融合了mixup数据增强方法，通过随机缩放、随机裁剪、随机排布、不同图片加权融合等方式对图片进行拼接，丰富了数据的多样性，可提升小目标的检测效果。[0032]无标签输电线路螺栓数据集准备中：准备大量的无人机巡检图片，使用带标签的输电线路螺栓目标检测数据集训练输电线路螺栓目标检测模型，使用训练好的目标检测模型，从大量的带输电线路螺栓的图片中识别输电线路螺栓，并将识别的输电线路螺栓裁剪下来，准备100万级别的输电线路螺栓数据用于螺栓图像对比学习模型的训练。[0033]输电线路螺栓异常分类的迁移学习方法，包括：准备分类模型；使用螺栓图像对比学习模型获得的输电线路螺栓特征图和输电线路异常螺栓标签做迁移学习；完成分类模型的迁移训练和验证。[0034]基于所述输电线路螺栓异常分类的迁移学习方法，通过无标签的数据训练螺栓图像模型，提取螺栓图片的特征图，使用螺栓类型标注数据集，完成所述输电线路螺栓异常分类的迁移学习。[0035]使用所述螺栓图像对比学习模型，通过无标签数据，训练主干网络，通过螺栓图像对比学习模型为输电线路螺栓图像提取特征图。[0036]使用螺栓图像对比学习模型获得的输电线路螺栓特征图和输电线路异常螺栓标签做迁移学习中：将少量输电线路螺栓异常分类数据集切分切训练集、测试集、验证集。使用训练集输电线路螺栓和其标签对分类模型做迁移学习的分类模型进行寻训练。训练过程中使用验证集对对训练结果进行验证，防止模型过拟合。[0037]所述螺栓图像对比学习模型由两个相同的网络模块f和g组成：[0038]output＝f(i)[0039]对应每一个输入网络的minibatch：对minibatch中每张输入的图片进行两次随机数据增强来得到图片两种不同的视角；[0040]x＝aug(i)[0041]aug为数据增强方法；[0042]将得到的两个表征送入两个卷积编码器获得抽象表示，之后对表示形式应用非线性变换进行投影得到投影表示：[0043]h＝conv(x)[0044]z＝proj(h)[0045]conv为卷积编码器，proj为非线性变换；[0046]使用余弦相似度来度量投影的相似度：[0047]sij＝cos(zi,zj)[0048]损失函数：[0049][0050]以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。









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!