基于困难样本选择的电网作业动作识别模型主动学习方法与流程

本发明涉及电力作业行为识别，具体为基于困难样本选择的电网作业动作识别模型主动学习方法。

背景技术：

1、随着电网建设与改造项目的发展，电力施工点分布广泛，通常有多个施工队伍参与，安全风险管控任务变得愈加繁重。相应地，电网作业场景中的违章行为通常涉及操作人员的不慎、不遵守规定、不熟悉操作程序或设备故障等问题。这些行为可能会对电力系统的安全性和可靠性产生严重影响。目前，传统的监控电网作业去识别和预防违章行为通常需要大量的人力资源。同时，还存在难识别的潜在违章行为。因此，急需智能监控电网作业动作识别，以提高电力系统运维的安全性、合规性和效率。此外，面向电网作业场景下的违章动作识别技术，通常存在多种困难与挑战。例如，作业场景经常受到复杂环境条件的影响，如恶劣天气、光线不足、尘土和植被等，导致采集的视频或图像数据存在复杂背景、分辨率低、目标遮挡、模糊等客观因素。

2、目前，电网场景下模型的自动化训练技术研究较少，为实现模型的多场景适应性，王铮澄等为适应电力系统时变性对模型快速更新的需求，提出一种基于主动迁移学习的输电断面传输极限评估方法，引入迁移学习预训练策略，利用迁移泛化误差界引导模型适应新场景。但该方案未提出网络自适应训练的详细策略，难以适应人工智能平台中模型即时调整的需求。贾骏等为提升设备缺陷和故障的诊断速度和准确性，针对非结构化文本，提出基于超大规模训练方法的电力设备文本语义分析模型。进一步采用多种掩码机制和动态加载策略开展模型预训练，在电力文本实体识别、缺陷诊断场景进行任务场景训练，提高了模型对多结构数据以及多场景的适应性，但该方案采用了大量样本数据进行训练，尚未进行样本去冗余，训练时间成本较高，难以满足人工智能平台对网络自适应训练的要求。liu等人提高asdip算法对骨干网络结构的搜索能力，构建网络方面使用层次化表示方法，可构建具有强化学习能力的机器视觉系统。在电力领域模型的自动化训练与预训练中，从海量样本数据中选择高质量样本训练网络可以加快网络收敛速度，加快模型重新部署的效率。elezi等人结合主动学习策略和半监督策略，统筹选择需要人工标注的高质量样本，以样本的不确定性为基础，提出一种基于网络预测结果鲁棒性的选择算法，提高了对不同场景中样本选择的适应性。parvaneh等人提出了一种基于主动学习的未标记样本选择策略，将不确定性样本的选择任务转化为决策边界样本的选择，将无标签数据和有标签数据在隐层空间的表征进行加权插值，筛选出不一致性最大的无标签数据，提高了分类网络的训练效率。

技术实现思路

1、鉴于上述存在的问题，提出了本发明。

2、因此，本发明解决的技术问题是：提高典型电网作业场景中潜在违章动作识别的准确性和效率的优化问题。

3、为解决上述技术问题，本发明提供如下技术方案：基于困难样本选择的电网作业动作识别模型主动学习方法，包括：

4、收集电网作业场景中的图像数据，对部分图像数据进行标注，构建违章动作识别的初始数据集，其他部分作为未标注的图像数据；

5、建立教师模型和学生模型，将所述初始数据集和未标注的图像数据输入学生模型和教师模型进行迭代训练，得到相应的预测结果；

6、利用所述预测结果，构建不确定性和困难程度的融合评分机制，利用所述评分机制选择困难样本进行标注，将标注好的困难样本加入初始数据集，得到新的数据集进行下一周期模型的迭代训练；

7、对每一次迭代的预测结果进行损失计算，得到总损失值，利用所述总损失值对学生模型进行优化，教师模型通过对学生模型的参数使用指数移动均值策略进行优化，直至得到满意的结果则停止迭代；

8、利用训练好的最佳教师模型，对典型电网作业场景中的图像数据进行违章动作识别，得到测试结果。

9、作为本发明所述的基于困难样本选择的电网作业动作识别模型主动学习方法的一种优选方案，其中：所述图像数据包括，采集不同客观因素下关于登高、验电和挂接地线行为的图像数据，并由专业人员进行标注，得到初始数据集；

10、标注的违章类别包括：抽烟，未戴安全头盔，未穿工作服，未系安全绳，未戴绝缘手套，未穿绝缘鞋，高处平台或孔洞边缘倚坐或跨越栏杆，高处作业抛掷器具或材料。

11、作为本发明所述的基于困难样本选择的电网作业动作识别模型主动学习方法的一种优选方案，其中：利用所述初始数据集对resnet-50网络进行预训练，得到预训练模型；利用resnet-50网络分别构建教师模型和学生模型，并使用所述预训练模型对教师模型和学生模型进行参数初始化；

12、对初始数据集和未标注的图像数据进行预处理；

13、将预处理后得到的初始数据集和未标注的图像数据输入学生模型和教师模型，进行迭代训练，得到相应的预测结果；

14、将所述预测结果输入困难样本选择模块，建立不确定性评分机制和困难程度评分机制的融合评分机制；

15、利用所述融合评分机制对未标注的图像数据进行排序，选择分数高的困难实例数据样本，其中困难实例数据样本为初始数据集的1/10；

16、将所述选择的困难实例数据样本进行人工标注，标注完成后加入初始数据集，形成新的数据集进行下一周期的迭代训练，基于主动学习的方式对教师模型和学生模型进行迭代训练。

17、作为本发明所述的基于困难样本选择的电网作业动作识别模型主动学习方法的一种优选方案，其中：对于未标注的图像数据样本i，计算样本的所述不确定性的评分机制si：

18、

19、其中，n∈{1,…,k}，k是预测类别的数量；表示教师模型对样本i的预测概率；表示学生模型对样本i的预测概率；ε为系数；

20、计算该样本的所述困难程度的评分机制di：

21、

22、其中，n表示初始数据集中样本的批量大小；μj表示初始数据集中第j个样本的均值；σj表示初始数据集中第j个样本的方差；若第j个样本的分布很接近未标注的图像数据i，则否则

23、通过同时考虑两种评分机制，建立融合评分机制wi，计算wi：

24、wi＝βsi+(1-β)si

25、其中，β表示平衡因子。

26、作为本发明所述的基于困难样本选择的电网作业动作识别模型主动学习方法的一种优选方案，其中：基于标注的真值标签，计算分类损失，利用均方误差对学生模型和教师模型的预测结果计算正则损失，通过计算分类损失和正则损失的加权和得到总损失值；

27、利用所述总损失值对学生模型进行在线优化；

28、利用学生模型的参数，使用指数移动均值策略对教师模型进行优化，得到最佳教师模型。

29、作为本发明所述的基于困难样本选择的电网作业动作识别模型主动学习方法的一种优选方案，其中：基于所述融合评分机制对分类损失进行加权，分类损失计算：

30、

31、其中，wj表示第j个样本的权重，yj表示第j个样本的真值标签，表示是学生模型对第j个样本的预测结果；

32、对于第j个样本，利用下式计算正则损失：

33、

34、其中，表示教师模型对第j个样本的预测结果；表示学生模型对第j个样本的预测结果；

35、基于分类损失和正则损失，利用下式计算总损失：

36、ltotal＝lwid+αlreg

37、其中，α表示控制正则损失重要性的超参数。

38、作为本发明所述的基于困难样本选择的电网作业动作识别模型主动学习方法的一种优选方案，其中：所述学生网络模型的模型参数的更新计算过程表示为：

39、

40、其中，表示学生模型优化后的模型参数，θs表示学生模型前一周期的模型参数，γ表示学习率；

41、基于指数移动均值策略，教师模型的参数优化：

42、

43、其中，表示当前迭代周期的教师模型参数，θt表示是前一迭代周期的教师模型参数，表示平滑系数；

44、将训练好的最佳教师模型更新在测试系统上，以典型电网作业场景中的图像数据作为输入，执行违章动作识别，得到识别结果。

45、一种基于困难样本选择的电网作业动作识别模型主动学习系统，其特征在于：

46、数据采集单元，收集电网作业场景中的图像数据，对部分图像数据进行标注，构建违章动作识别的初始数据集，其他部分作为未标注的图像数据；

47、训练单元，包括优化目标模块和困难样本选择模块，建立教师模型和学生模型，将所述初始数据集和未标注的图像数据输入学生模型和教师模型进行迭代训练，得到相应的预测结果；将所述预测结果输入困难样本选择模块，构建不确定性和困难程度的融合评分机制，利用所述评分机制选择困难样本进行标注，将标注好的困难样本加入初始数据集，得到新的数据集进行下一周期模型的迭代训练；优化目标模块对每一次迭代的预测结果进行损失计算，得到总损失值，利用所述总损失值对学生模型进行优化，教师模型通过对学生模型的参数使用指数移动均值策略进行优化，直至得到满意的结果则停止迭代；

48、识别单元，利用训练好的最佳教师模型，对典型电网作业场景中的图像数据进行违章动作识别，得到测试结果。

49、一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现本发明中任一项所述的方法的步骤。

50、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：所述计算机程序被处理器执行时实现本发明中任一项所述的方法的步骤。

51、本发明的有益效果：本发明提供的基于困难样本选择的电网作业动作识别模型主动学习方法提高典型电网作业场景下的安全性，通过主动学习引导，执行多策略融合机制，挑选中高价值的困难实例数据，提升样本的多样性、均衡性，去除冗余数据，降低模型更新所需样本标注的时间成本，从而提高典型电网作业场景中潜在违章动作识别的准确性和效率。。