【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)屬于配電網(wǎng)人工智能，尤其涉及一種變電站目標(biāo)檢測模型訓(xùn)練方法及系統(tǒng)。
技術(shù)介紹
1、隨著人工智能技術(shù)的發(fā)展，在變電站安防技術(shù)中引入了圖像識別技術(shù)，通過圖像識別技術(shù)對變電站進(jìn)行目標(biāo)檢測，以識別異常情況。
2、變電站安全監(jiān)測中，主要是通過攝像頭對變電站采集視頻數(shù)據(jù)，將視頻數(shù)據(jù)輸入目標(biāo)檢測模型中，以識別異常狀況，然而，由于變電站處于戶外，所采集視頻圖像隨著光線強度、光線方向等變換，以及變電站內(nèi)器件復(fù)雜、受遮擋的影響，導(dǎo)致目標(biāo)檢測模型無法適應(yīng)各種復(fù)雜環(huán)境變化，造成目標(biāo)檢測的準(zhǔn)確率和魯棒性下降。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)實施例的目的在于提供一種變電站目標(biāo)檢測模型訓(xùn)練方法及系統(tǒng)，旨在解決現(xiàn)有的目標(biāo)檢測模型無法適應(yīng)各種復(fù)雜環(huán)境變化，造成目標(biāo)檢測的準(zhǔn)確率和魯棒性下降的問題。
2、為實現(xiàn)上述目的，本專利技術(shù)實施例提供如下技術(shù)方案：
3、一種變電站目標(biāo)檢測模型訓(xùn)練方法，具體包括以下步驟：
4、加載預(yù)訓(xùn)練后的擴(kuò)散生成模型和目標(biāo)檢測模型；
5、獲取變電站的真實圖像作為訓(xùn)練圖像，所述訓(xùn)練圖像標(biāo)注有第一檢測數(shù)據(jù)；
6、將所述訓(xùn)練圖像和預(yù)置的語義條件向量輸入所述擴(kuò)散生成模型中，得到增廣圖像，所述增廣圖像標(biāo)注有所述第一檢測數(shù)據(jù)；
7、將所述增廣圖像輸入所述目標(biāo)檢測模型中，得到所述增廣圖像的第二檢測數(shù)據(jù)；
8、判斷是否滿足停止訓(xùn)練條件；
9、若是，確定所述目標(biāo)檢測模型完成訓(xùn)練；
10、
11、作為本專利技術(shù)技術(shù)方案的進(jìn)一步限定，所述擴(kuò)散生成模型包括編碼器、噪聲擴(kuò)散網(wǎng)絡(luò)以及圖像生成器，將所述訓(xùn)練圖像和預(yù)置的語義條件向量輸入所述擴(kuò)散生成模型中，得到增廣圖像，具體包括以下步驟：
12、將所述訓(xùn)練圖像輸入所述編碼器中進(jìn)行編碼得到第一圖像特征；
13、在所述噪聲擴(kuò)散網(wǎng)絡(luò)中對所述第一圖像特征進(jìn)行不同等級噪聲的擴(kuò)散加噪得到加噪后的第二圖像特征，并對所述第二圖像特征進(jìn)行擴(kuò)散去噪處理得到去噪后的第三圖像特征；
14、對所述第三圖像特征和所述語義條件向量融合，得到第四圖像特征；
15、將所述第四圖像特征輸入所述圖像生成器中解碼，得到不同噪聲等級的增廣圖像。
16、作為本專利技術(shù)技術(shù)方案的進(jìn)一步限定，將所述增廣圖像輸入所述目標(biāo)檢測模型中，得到所述增廣圖像的第二檢測數(shù)據(jù)，具體包括以下步驟：
17、按照噪聲等級從低到高的順序，依次將所述增廣圖像輸入所述目標(biāo)檢測模型中，得到所述增廣圖像的第二檢測數(shù)據(jù)。
18、作為本專利技術(shù)技術(shù)方案的進(jìn)一步限定，判斷是否滿足停止訓(xùn)練條件，具體包括以下步驟：
19、采用所述第一檢測數(shù)據(jù)和所述第二檢測數(shù)據(jù)計算所述目標(biāo)檢測模型的損失；
20、判斷所述目標(biāo)檢測模型的損失是否小于預(yù)置的損失閾值；
21、若是，確定滿足停止訓(xùn)練條件；
22、若否，確定未滿足停止訓(xùn)練條件。
23、作為本專利技術(shù)技術(shù)方案的進(jìn)一步限定，根據(jù)所述第一檢測數(shù)據(jù)和所述第二檢測數(shù)據(jù)調(diào)整所述目標(biāo)檢測模型的模型參數(shù)，具體包括以下步驟：
24、計算總損失；
25、采用所述總損失調(diào)整所述目標(biāo)檢測模型的模型參數(shù)。
26、作為本專利技術(shù)技術(shù)方案的進(jìn)一步限定，計算總損失，具體包括以下步驟：
27、通過以下公式計算所述編碼器的重構(gòu)損失：
28、；
29、x為真實圖像，為增廣圖像；
30、通過以下公式計算所述編碼器的kl散度：
31、；
32、q(z|x)表示編碼器在輸入真實圖像x時編碼得到圖像特征x的概率分布，n(0,1)表示標(biāo)準(zhǔn)正態(tài)分布，dkl（||）表示兩個概率分布的差異程度；
33、通過以下公式計算所述擴(kuò)散生成模型的擴(kuò)散損失：
34、；
35、高斯噪聲，為擴(kuò)散生成模型在時間步t所估計的噪聲，zt為時間步t時的圖像特征，θ為擴(kuò)散生成模型的參數(shù)，e[?]為似然變分界；
36、通過以下公式計算所述目標(biāo)檢測模型的檢測框損失：
37、；
38、t=(tx,ty,tw,th)是第二檢測數(shù)據(jù)中檢測框的邊界值，是第一檢測數(shù)據(jù)中所標(biāo)注的檢測框的邊界值，smoothl1(?)為smooth?l1損失函數(shù)；
39、通過以下公式計算所述目標(biāo)檢測模型的分類損失：
40、；
41、p是預(yù)測得到的第二檢測數(shù)據(jù)中目標(biāo)的分類的概率，是所標(biāo)注的第一檢測數(shù)據(jù)中目標(biāo)的分類標(biāo)簽；
42、通過以下公式計算總損失：
43、；
44、其中，β1、β2、β3、β4為各個損失的權(quán)重。
45、作為本專利技術(shù)技術(shù)方案的進(jìn)一步限定，在根據(jù)所述第一檢測數(shù)據(jù)和所述第二檢測數(shù)據(jù)調(diào)整所述目標(biāo)檢測模型的模型參數(shù)之后，返回將所述真實圖像和預(yù)置的語義條件向量輸入所述擴(kuò)散生成模型中之前，還包括：
46、根據(jù)所述第一檢測數(shù)據(jù)和所述第二檢測數(shù)據(jù)從所述增廣圖像中確定出難樣本圖像，并將所述難樣本圖像作為訓(xùn)練圖像；
47、根據(jù)所述難樣本圖像確定目標(biāo)語義條件向量；
48、將所述目標(biāo)語義條件向量作為預(yù)置的語義條件向量。
49、作為本專利技術(shù)技術(shù)方案的進(jìn)一步限定，根據(jù)所述第一檢測數(shù)據(jù)和所述第二檢測數(shù)據(jù)從所述增廣圖像中確定出難樣本圖像，具體包括以下步驟：
50、采用所述第一檢測數(shù)據(jù)和所述第二檢測數(shù)據(jù)計算所述增廣圖像的檢測誤差；
51、將檢測誤差大于誤差閾值的增廣圖像確定為難樣本圖像。
52、作為本專利技術(shù)技術(shù)方案的進(jìn)一步限定，所述語義條件向量為以下數(shù)據(jù)的編碼：
53、變電站環(huán)境、設(shè)備、遮擋信息、變電站場景、變電站中目標(biāo)的位置、目標(biāo)的幾何信息中的至少一項。
54、一種變電站目標(biāo)檢測模型訓(xùn)練系統(tǒng)，具體包括以下單元：
55、模型加載單元，用于加載預(yù)訓(xùn)練后的擴(kuò)散生成模型和目標(biāo)檢測模型；
56、訓(xùn)練圖像獲取單元，用于獲取變電站的真實圖像作為訓(xùn)練圖像，所述訓(xùn)練圖像標(biāo)注有第一檢測數(shù)據(jù)；
57、圖像增廣單元，用于將所述訓(xùn)練圖像和預(yù)置的語義條件向量輸入所述擴(kuò)散生成模型中，得到增廣圖像，所述增廣圖像標(biāo)注有所述第一檢測數(shù)據(jù)；
58、圖像輸入單元，用于將所述增廣圖像輸入所述目標(biāo)檢測模型中，得到所述增廣圖像的第二檢測數(shù)據(jù)；
59、條件判斷單元，用于判斷是否滿足停止訓(xùn)練條件，若是，執(zhí)行完成訓(xùn)練確定單元，若否，執(zhí)行模型微調(diào)單元；
60、完成訓(xùn)練確定單元，用于確定所述目標(biāo)檢測模型完成訓(xùn)練；
61、模型微調(diào)單元，用于根據(jù)所述第一檢測數(shù)據(jù)和所述第二檢測數(shù)據(jù)調(diào)整所述目標(biāo)檢測模型的模型參數(shù)，返本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點】
1.一種變電站目標(biāo)檢測模型訓(xùn)練方法，其特征在于，具體包括以下步驟：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述擴(kuò)散生成模型包括編碼器、噪聲擴(kuò)散網(wǎng)絡(luò)以及圖像生成器，將所述訓(xùn)練圖像和預(yù)置的語義條件向量輸入所述擴(kuò)散生成模型中，得到增廣圖像，具體包括以下步驟：
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，將所述增廣圖像輸入所述目標(biāo)檢測模型中，得到所述增廣圖像的第二檢測數(shù)據(jù)，具體包括以下步驟：
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，判斷是否滿足停止訓(xùn)練條件，具體包括以下步驟：
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，根據(jù)所述第一檢測數(shù)據(jù)和所述第二檢測數(shù)據(jù)調(diào)整所述目標(biāo)檢測模型的模型參數(shù)，具體包括以下步驟：
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，計算總損失，具體包括以下步驟：
7.根據(jù)權(quán)利要求1-6任一項所述的方法，其特征在于，在根據(jù)所述第一檢測數(shù)據(jù)和所述第二檢測數(shù)據(jù)調(diào)整所述目標(biāo)檢測模型的模型參數(shù)之后，返回將所述真實圖像和預(yù)置的語義條件向量輸入所述擴(kuò)散生成模型中之前，還包括：
8.根據(jù)權(quán)利要求7所述
9.根據(jù)權(quán)利要求1-6任一項所述的方法，其特征在于，所述語義條件向量為以下數(shù)據(jù)的編碼：
10.一種變電站目標(biāo)檢測模型訓(xùn)練系統(tǒng)，其特征在于，具體包括以下單元：
...【技術(shù)特征摘要】
1.一種變電站目標(biāo)檢測模型訓(xùn)練方法，其特征在于，具體包括以下步驟：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述擴(kuò)散生成模型包括編碼器、噪聲擴(kuò)散網(wǎng)絡(luò)以及圖像生成器，將所述訓(xùn)練圖像和預(yù)置的語義條件向量輸入所述擴(kuò)散生成模型中，得到增廣圖像，具體包括以下步驟：
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，將所述增廣圖像輸入所述目標(biāo)檢測模型中，得到所述增廣圖像的第二檢測數(shù)據(jù)，具體包括以下步驟：
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，判斷是否滿足停止訓(xùn)練條件，具體包括以下步驟：
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，根據(jù)所述第一檢測數(shù)據(jù)和所述第二檢測數(shù)據(jù)調(diào)整所述目標(biāo)檢測模型的模型參數(shù)，具體包...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：曾國，馮彬杰，徐才深，李盛偉，羅章龍，
申請(專利權(quán))人：廣州勁源科技發(fā)展股份有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。