一种输电线路绝缘子缺陷检测方法、系统、设备和介质与流程

本发明涉及神经网络，尤其涉及一种输电线路绝缘子缺陷检测方法、系统、设备和介质。

背景技术：

1、近年来，深度学习技术，特别是卷积神经网络(cnn)，在一系列人工智能任务上表现出优异的性能，例如图像分类和目标检测。然而，对硬件资源的高要求阻碍了物联网和深度学习的结合，在一些时间敏感的任务中，例如智能监控、自动驾驶和健康监测，将数据上传到云服务器会导致无可避免的信息延迟。为了实现实时反应，让处理高效且硬件友好，利用边缘计算和嵌入式设备至关重要。

2、目前，基于cnn的硬件实现主要受限于模型存储、计算成本和内存占用。为了在通用平台上获得实际加速的益处，需要确保处理卷积层的紧凑结构，而现有的输电线路绝缘子缺陷检测通常是通过对卷积神经网络进行信道修剪，从而生成目标检测模型，但是在进行信道修剪时可能会存在每个过滤器要么被完全删除，要么被保留，因此，修剪错误的过滤器可能会丢弃大量重要权重，并给目标检测模型性能带来不可恢复的损害，而且信道修剪并不能利用权重级稀疏性，会导致目标检测模型识别效率较低。

技术实现思路

1、本发明提供了一种输电线路绝缘子缺陷检测方法、系统、设备和介质，解决了现有的目标检测模型在进行信道修剪时可能会存在每个过滤器要么被完全删除，要么被保留，因此，修剪错误的过滤器可能会丢弃大量重要权重，并给目标检测模型性能带来不可恢复的损害，而且信道修剪并不能利用权重级稀疏性，会导致目标检测模型识别效率较低的技术问题。

2、本发明第一方面提供的一种输电线路绝缘子缺陷检测方法，包括：

3、当接收到输电线路绝缘子图像时，对所述输电线路绝缘子图像进行图像预处理，生成输电线路绝缘子样本集；

4、基于svd策略，对预设卷积神经网络模型进行低秩近似，生成初始绝缘子缺陷检测模型；

5、按照跨层策略对所述初始绝缘子缺陷检测模型进行泰勒剪枝，生成目标绝缘子缺陷检测模型；

6、通过所述目标绝缘子缺陷检测模型对待识别输电线路绝缘子图像进行缺陷检测，输出缺陷检测结果。

7、可选地，所述基于svd策略，对预设卷积神经网络模型进行低秩近似，生成初始绝缘子缺陷检测模型的步骤，包括：

8、采用奇异值分解法对预设卷积神经网络模型内的各卷积层进行分解操作，生成多个初始卷积层；

9、选取预设数量的最大奇异值对各所述初始卷积层进行降维操作，生成多个中间卷积层；

10、基于保留的奇异分量，对各所述中间卷积层进行乘值运算，生成多个目标卷积层；

11、将含有多个所述目标卷积层的所述预设卷积神经网络模型作为初始绝缘子缺陷检测模型。

12、可选地，所述按照跨层策略对所述初始绝缘子缺陷检测模型进行泰勒剪枝，生成目标绝缘子缺陷检测模型的步骤，包括：

13、按照跨层策略从初始绝缘子缺陷检测模型内选取出进行泰勒剪枝的所述目标卷积层；

14、从所述输电线路绝缘子样本集中抽取预设训练数量的所述输电线路绝缘子图像输入所述初始绝缘子缺陷检测模型进行训练，根据训练结果生成所述目标卷积层对应的多个目标特征图；

15、计算各所述目标特征图与预设标准特征图之间的修剪损失值；

16、获取所述预设卷积神经网络模型关联的初始损失值；

17、将所述初始损失值与所述修剪损失值进行差值运算，生成所述初始绝缘子缺陷检测模型内各个滤波器的对应的初始重要度数据；

18、对各所述初始重要度数据进行归一化，生成对应的目标重要度分值；

19、对各所述目标卷积层内的所述目标重要度分值进行排序；

20、比较各所述目标重要度分值与关联的预设标准重要度分值；

21、若所述目标重要度分值大于所述预设标准重要度分值，则将所述目标卷积层内所述目标重要度分值关联的过滤器进行保留，生成目标绝缘子缺陷检测模型。

22、可选地，还包括：

23、采用预设测试样本集输入所述初始绝缘子缺陷检测模型进行训练，根据测试结果生成对应的测试指标，其中，所述测试指标包括目标修剪概率指标、目标压缩比和目标加速度比；

24、比对所述测试指标与预设标准指标条件；

25、若所述测试指标满足所述预设标准指标条件，则停止训练，生成目标绝缘子缺陷检测模型；

26、若所述测试指标不满足所述预设标准指标条件，则按照预设梯度调整所述初始绝缘子缺陷检测模型的网络参数；

27、跳转执行所述基于svd策略，对预设卷积神经网络模型进行低秩近似，生成初始绝缘子缺陷检测模型的步骤，直至所述测试指标满足所述预设标准指标条件，优化所述目标绝缘子缺陷检测模型。

28、可选地，所述通过所述目标绝缘子缺陷检测模型对待识别输电线路绝缘子图像进行缺陷检测，输出缺陷检测结果的步骤，包括：

29、通过所述目标绝缘子缺陷检测模型对待识别输电线路绝缘子图像进行缺陷检测，生成目标标识框图；

30、计算所述目标标识框图与预设缺陷绝缘子图的目标重合度；

31、比较所述目标重合度与预设重合度阈值；

32、若所述目标重合度小于所述预设重合度阈值，则判定所述待识别输电线路绝缘子图像关联的待识别输电线路绝缘子未出现缺陷；

33、若所述目标重合度大于或等于所述预设重合度阈值，则将所述预设缺陷绝缘子图关联的缺陷类型作为目标缺陷。

34、本发明第二方面提供的一种输电线路绝缘子缺陷检测系统，包括：

35、样本集模块，用于当接收到输电线路绝缘子图像时，对所述输电线路绝缘子图像进行图像预处理，生成输电线路绝缘子样本集；

36、初始绝缘子缺陷检测模型模块，用于基于svd策略，对预设卷积神经网络模型进行低秩近似，生成初始绝缘子缺陷检测模型；

37、目标绝缘子缺陷检测模型模块，用于按照跨层策略对所述初始绝缘子缺陷检测模型进行泰勒剪枝，生成目标绝缘子缺陷检测模型；

38、缺陷检测模块，用于通过所述目标绝缘子缺陷检测模型对待识别输电线路绝缘子图像进行缺陷检测，输出缺陷检测结果。

39、可选地，所述初始绝缘子缺陷检测模型模块包括：

40、初始卷积层子模块，用于采用奇异值分解法对预设卷积神经网络模型内的各卷积层进行分解操作，生成多个初始卷积层；

41、中间卷积层子模块，用于选取预设数量的最大奇异值对各所述初始卷积层进行降维操作，生成多个中间卷积层；

42、目标卷积层子模块，用于基于保留的奇异分量，对各所述中间卷积层进行乘值运算，生成多个目标卷积层；

43、卷积层更新子模块，用于将含有多个所述目标卷积层的所述预设卷积神经网络模型作为初始绝缘子缺陷检测模型。

44、可选地，还包括：

45、测试指标模块，用于采用预设测试样本集输入所述初始绝缘子缺陷检测模型进行训练，根据测试结果生成对应的测试指标，其中，所述测试指标包括目标修剪概率指标、目标压缩比和目标加速度比；

46、指标比对模块，用于比对所述测试指标与预设标准指标条件；

47、第一训练模块，用于若所述测试指标满足所述预设标准指标条件，则停止训练，生成目标绝缘子缺陷检测模型；

48、第二训练模块，用于若所述测试指标不满足所述预设标准指标条件，则按照预设梯度调整所述初始绝缘子缺陷检测模型的网络参数；

49、跳转模块，用于跳转执行所述基于svd策略，对预设卷积神经网络模型进行低秩近似，生成初始绝缘子缺陷检测模型的步骤，直至所述测试指标满足所述预设标准指标条件，优化所述目标绝缘子缺陷检测模型。

50、本发明第三方面提供的一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一项所述的输电线路绝缘子缺陷检测方法的步骤。

51、本发明第四方面提供的一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如上述任一项所述的输电线路绝缘子缺陷检测方法。

52、从以上技术方案可以看出，本发明具有以下优点：

53、在本发明中，当接收到输电线路绝缘子图像时，对输电线路绝缘子图像进行图像预处理，生成输电线路绝缘子样本集，基于svd策略，对预设卷积神经网络模型进行低秩近似，生成初始绝缘子缺陷检测模型，按照跨层策略对初始绝缘子缺陷检测模型进行泰勒剪枝，生成目标绝缘子缺陷检测模型，通过目标绝缘子缺陷检测模型对待识别输电线路绝缘子图像进行缺陷检测，输出缺陷检测结果；解决了现有的目标检测模型在进行信道修剪时可能会存在每个过滤器要么被完全删除，要么被保留，因此，修剪错误的过滤器可能会丢弃大量重要权重，并给目标检测模型性能带来不可恢复的损害，而且信道修剪并不能利用权重级稀疏性，会导致目标检测模型识别效率较低的技术问题；实现了通过利用低秩近似来消除滤波器内的冗余，并且将滤波器转换为更小的紧凑型滤波器从而实现加速，以全局的方式在近似网络上应用信道修剪，从而得到更优的压缩和加速低秩目标绝缘子缺陷检测模型。