[发明专利]一种基于域适应网络的电力设备不规则外表面缺陷检测方法

说明书

本发明涉及一种基于域适应网络的电力设备不规则外表面缺陷检测方法，方法首先通过构建包含特征生成器和分类器的域适应架构以增强模型的泛化能力；然后在特征生成器部分增加纹理提取支路，从而提升网络纹理特征感知的能力；并通过添加辅助预测支路的方式，来引导和约束特征提取的过程；其次通过生成器和分类器的对抗学习，得到适用于电力设备不规则外表面缺陷高精度检测模型。本发明具有一定的实用价值。

技术领域

本发明涉及一种电力设备外表面缺陷检测方法，尤其是涉及一种基于域适应网络的电力设备不规则外表面缺陷检测方法。

背景技术

巡检影像的自动化识别广泛应用在巡检影像的处理中。以覆冰、锈蚀、漏油、裂纹、脏污为代表的电力设备外表面不规则隐患具有形状、边缘、颜色多变的特点，给常规的缺陷图像识别算法带来了困难。

传统数字图像处理可以识别一些典型的电力设备外表面上的不规则缺陷，但是传统数字图像处理算法识别结果容易受到干扰因素的影响。具有优秀特征提取和特征挖掘能力的深度卷积网络也被应用在电力设备外表面不规则电力隐患的辨识中。相比传统图像处理方法，深度学习模型的鲁棒性和对不规则隐患的特征提取能力都有了进一步的提升。但是并未从根本上解决电力设备外表面不规则缺陷表现出的形态多变、设备部位强相关、扩散变化导致缺陷特征难以提取的问题，在复杂背景下针对电力设备外表面不规则缺陷检测精度不高。

因此，从迁移学习中域适应的角度出发，增强模型对电力设备外表面不规则缺陷的适应性，实现高准确率的缺陷判断具有重要的意义。

发明内容

本发明为了解决上述技术问题而提供一种基于域适应网络的电力设备不规则外表面缺陷检测方法，解决了现有深度学习算法对电气设备外表面不规则缺陷识别精度不高的问题，通过一个带有纹理提取支路的域适应模型，分析电力设备外表面不规则缺陷影像，实现缺陷的高精度识别。

本发明的技术解决方案如下：

一种基于域适应网络的电力设备不规则外表面缺陷检测方法，包括以下步骤：

步骤1，将数据分为源域和目标域，构造源域和目标域数据集的差异性；

步骤2，构造包含一个带有纹理提取支路的特征生成器G、分类器1和分类器2的域适应框架；

步骤3，带有纹理提取支路的特征生成器G由卷积模块和纹理统计模块组成；

步骤4，在特征生成器G部分添加辅助预测支路，约束特征生成的过程；

步骤5，对分类器1、分类器2、特征生成器G的交替训练来增强模型的泛化性和特征提取能力。

在上述的基于域适应网络的电力设备不规则外表面缺陷检测方法中，所述步骤1中，具体构造源域和目标域数据集差异的方法是：选取同一场景中不同角度拍摄的图片分别作为源域和目标域数据，并随机在目标域图像中增加光源，来进一步增加源域和目标域数据的差异性。

在上述的基于域适应网络的电力设备不规则外表面缺陷检测方法中，所述步骤2中的具体操作方法为：特征生成器G的主干由经典卷积框架构成，用于产生特征值；分类器1和分类器2都由上采样层和反卷积层组成，对特征生成器G产生的特征值进行分类，其中两个分类器共用一个特征生成器G。

在上述的基于域适应网络的电力设备不规则外表面缺陷检测方法中，所述步骤3中的具体操作方法为：

步骤3.1，构建纹理统计网络：

纹理统计网络将输入缩放到3个尺度，分别输入到纹理分层统计模块中获取3个尺度下的纹理统计信息，再将相关输出进行缩放获得最终结果。

纹理分层统计模块的输入特征图N为C×H×W维，采用全局池化对N进行降维处理，得到1×H×W维矩阵q，然后计算q和M的相似度矩阵O，具体计算公式如式(1)所示，这一步骤可以认为是求取特征图N与平均值的差异程度