[发明专利]一种电力巡检目标识别方法及系统

说明书

本发明提供了一种电力巡检目标识别方法及系统，获取电力巡检历史图像数据，形成训练样本集；选择深度学习模型对训练样本集进行目标识别训练，获取训练模型组；准备目标检测测试样本，根据电力巡检目标识别需求，选取模型中每类目标的置信度、模型代数进行模型选定目标函数，作为遗传算法适应度函数；运用每个检测模型进行测试样本测试，以模型与每类目标置信度作为变量，对适应度函数进行迭代求解，求取目标函数最大值，确定各训练模型组中的最优解；利用确定的所述最优解所对应的深度学习模型及其参数，作为业务场景实际应用的目标识别模型，利用该模型对电力巡检图像数据进行现场目标识别工作。

技术领域

本发明属于目标识别技术领域，具体涉及一种电力巡检目标识别方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

计算机视觉中目标检测与识别在电力行业巡检工作中得到了广泛的应用，其深度学习工作可以简单划分为训练、预测两部分工作。其中训练模型的挑选，以及预测部分各类置信度的优化选取对最终实际应用效果影响巨大。

目前，电力巡检目标识别工作中，根据建立的数学模型和输出结果做人工筛选与参数调整，这个过程常常是漫长复杂的，而且最终得到的很可能也不是最优的模型与参数；而更换一代数据模型，则需要根据目标发现率与精确率平衡调整置信度参数组。如果需要调整的变量很多，那么调节的可能性组合就更多，这个工作常常不是非专业人士所能胜任的，这给电力巡检目标识别工作带来很大不便，不利于及时发现运行问题。

发明内容

本发明为了解决上述问题，提出了一种电力巡检目标识别方法及系统，本发明在目标识别过程中，对深度学习模型的选择，及其参数择优，能够加快目标识别效率，提升目标识别的准确性。

根据一些实施例，本发明采用如下技术方案：

一种电力巡检目标识别方法，包括以下步骤：

获取电力巡检历史图像数据，所述历史图像数据具有标注信息，或对所述历史图像数据进行标注，形成训练样本集；

选择深度学习模型对训练样本集进行目标识别训练，获取训练模型组；

准备目标检测测试样本，根据电力巡检目标识别需求，选取模型中每类目标的置信度、模型代数进行模型选定目标函数，作为遗传算法适应度函数；

运用每个检测模型进行测试样本测试，以模型与每类目标置信度作为变量，对适应度函数进行迭代求解，求取目标函数最大值，确定各训练模型组中的最优解；

利用确定的所述最优解所对应的深度学习模型及其参数，作为业务场景实际应用的目标识别模型，利用该模型对电力巡检图像数据进行现场目标识别工作。

作为可选择的实施方式，所述深度学习模型为一级检测模型，所述一级检测模型不产生候选框，直接将目标边框定位的问题转化为回归问题处理。

作为可选择的实施方式，所述深度学习模型为二级检测模型，所述二级检测模型先生成样本的候选框，再通过神经网络模型进行样本分类。

作为可选择的实施方式，选定目标函数的具体过程包括：确定问题的目标函数和变量，然后对变量进行浮点数编码，遗传算子直接对串进行操作，将模型代数设为编码串的首个元素，模型输出类别设为编码串的剩余元素。

作为可选择的实施方式，对适应度函数进行迭代求解时，利用轮盘赌方法、最佳个体保留法、期望值法、排序选择法、竞争法或线性标准化法进行迭代求解。

作为可选择的实施方式，对适应度函数进行迭代求解时，当满足设定条件时，目标函数值越大则挑选出的模型与各类置信度指标越优秀，极大值下的模型代数与置信度参数组则为此次模型组中最优解。

作为进一步的限定，所述设定条件包括召回率和精确率。