电力缺陷识别模型构建方法、装置和计算机设备与流程

本技术涉及电力巡检，特别是涉及一种电力缺陷识别模型构建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

背景技术：

1、随着电力行业发展，电网规模迅速扩大，人们日常生活对电力系统的需求日益提高。电力巡检旨在对输电设备状态进行检测，及时发现设备缺陷和安全隐患，在保证电力系统正常运行的过程中扮演着重要角色。

2、无人机智能巡检在电力巡检领域主要处理目标检测与故障识别任务，目标检测任务针对绝缘子、输电线、防震锤和间隔棒等设备，故障识别任务则针对杆塔鸟巢、绝缘子破损和输电线路覆冰等异常。目前，基于深度学习的目标检测技术逐渐取代传统定位方法，被应用于智能巡检领域。由于电力线路地理跨度大、覆盖地形复杂，电力线路较长，地理跨度较大。受地域差异、季节变换、日照变化影响，电力巡检场景采集环境干扰多，对模型的电力缺陷识别性能要求高。

3、因此，亟需一种电力缺陷识别模型构建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，能够构建针对复杂的电力巡检场景的电力缺陷识别模型。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够构建针对复杂的电力巡检场景的电力缺陷识别模型的电力缺陷识别模型构建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种电力缺陷识别模型构建方法，包括：

3、获取第一教师模型的目标场景的特征数据集，以及第二教师模型的识别目标电力缺陷的特征数据集；

4、根据所述目标场景的特征数据集和所述识别目标电力缺陷的特征数据集，对学生模型进行训练，获得用于目标场景下识别目标电力缺陷的学生模型；

5、获取在目标场景下识别目标电力缺陷的特征数据集；

6、根据所述目标场景下识别目标电力缺陷的特征数据集，对所述学生模型进行优化。

7、在其中一个实施例中，所述获取第一教师模型的目标场景的特征数据集，以及第二教师模型的识别目标电力缺陷的特征数据集之前，还包括：

8、获取用于在目标场景下识别目标电力缺陷的模型构建任务；

9、根据所述模型构建任务，确定适用于目标场景的第一教师模型和适用于识别目标电力缺陷的第二教师模型。

10、在其中一个实施例中，所述根据所述目标场景的特征数据集和所述识别目标电力缺陷的特征数据集，对学生模型进行训练，获得用于目标场景下识别目标电力缺陷的学生模型之前，还包括：

11、获取预训练权重；

12、将所述预训练权重作为所述学生模型的初始参数，并利用所述初始参数参与所述学生模型的收敛过程。

13、在其中一个实施例中，所述学生模型包括主干网络、检测头网络、第一辅助头网络和第二辅助头网络；其中，所述第一辅助头网络的深度与所述检测头网络的深度相同，所述第二辅助头网络的深度为所述检测头网络的深度的二分之一；所述主干网络的最终层连接所述第一辅助头网络，所述检测头网络的中间层连接所述第二辅助头网络；

14、所述根据所述目标场景的特征数据集和所述识别目标电力缺陷的特征数据集，对学生模型进行训练，包括：

15、通过所述主干网络的最终层输出第一学生特征，以及通过所述检测头网络的中间层输出第二学生特征；

16、根据所述第一学生特征和所述第一辅助头网络，输出第一辅助特征，以及根据所述第二学生特征和所述第二辅助头网络，输出第二辅助特征；

17、根据所述第一辅助特征、所述第二辅助特征、所述目标场景的特征数据集和所述识别目标电力缺陷的特征数据集，对所述学生模型进行训练。

18、在其中一个实施例中，所述方法还包括：

19、在对所述学生模型进行训练的过程中，根据预设权重公式，采用目标分类与坐标回归损失函数、前景目标损失函数和距离惩罚损失函数对所述学生模型进行调整。

20、在其中一个实施例中，采用距离惩罚损失函数对所述学生模型进行调整，包括：

21、获取所述第一教师模型输出的第一教师特征，以及所述第二教师模型输出的第二教师特征；

22、获取所述第一辅助特征与所述第一教师特征的曼哈顿距离，以及所述第二辅助特征与所述第二教师特征的欧几里得距离，将所述曼哈顿距离和所述欧几里得距离作为所述距离惩罚损失函数的输入参数。

23、第二方面，本技术还提供了一种电力缺陷识别模型构建装置，包括：

24、获取模块，用于获取第一教师模型的目标场景的特征数据集，以及第二教师模型的识别目标电力缺陷的特征数据集；

25、模型训练模块，用于根据所述目标场景的特征数据集和所述识别目标电力缺陷的特征数据集，对学生模型进行训练，获得用于目标场景下识别目标电力缺陷的学生模型；

26、获取模块，还用于获取在目标场景下识别目标电力缺陷的特征数据集；

27、模型优化模块，用于根据所述目标场景下识别目标电力缺陷的特征数据集，对所述学生模型进行优化。

28、第三方面，本技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

29、获取第一教师模型的目标场景的特征数据集，以及第二教师模型的识别目标电力缺陷的特征数据集；

30、根据所述目标场景的特征数据集和所述识别目标电力缺陷的特征数据集，对学生模型进行训练，获得用于目标场景下识别目标电力缺陷的学生模型；

31、获取在目标场景下识别目标电力缺陷的特征数据集；

32、根据所述目标场景下识别目标电力缺陷的特征数据集，对所述学生模型进行优化。

33、第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

34、获取第一教师模型的目标场景的特征数据集，以及第二教师模型的识别目标电力缺陷的特征数据集；

35、根据所述目标场景的特征数据集和所述识别目标电力缺陷的特征数据集，对学生模型进行训练，获得用于目标场景下识别目标电力缺陷的学生模型；

36、获取在目标场景下识别目标电力缺陷的特征数据集；

37、根据所述目标场景下识别目标电力缺陷的特征数据集，对所述学生模型进行优化。

38、第五方面，本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

39、获取第一教师模型的目标场景的特征数据集，以及第二教师模型的识别目标电力缺陷的特征数据集；

40、根据所述目标场景的特征数据集和所述识别目标电力缺陷的特征数据集，对学生模型进行训练，获得用于目标场景下识别目标电力缺陷的学生模型；

41、获取在目标场景下识别目标电力缺陷的特征数据集；

42、根据所述目标场景下识别目标电力缺陷的特征数据集，对所述学生模型进行优化。

43、上述电力缺陷识别模型构建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，通过获取第一教师模型的目标场景特征数据集和第二教师模型的识别目标电力缺陷的特征数据集。对这些数据集合进行知识蒸馏之后，对学生模型进行训练，以达到如何从电力巡检图像中识别出特定的目标场景和电力缺陷的目的；在学生模型初步训练完成后，进一步获取目标场景下识别目标电力缺陷的特征数据集，然后根据这些数据对学生模型进行优化，能够提高模型的识别性能。由于电力巡检场景的复杂性，包括地理跨度大、地形复杂、季节和日照变化等，该方案强调了模型需要具备在这些复杂环境下的高识别性能。通过自动化的深度学习模型，可以显著提高电力巡检的效率，减少人工巡检的时间和成本。及时准确地识别电力缺陷和安全隐患，有助于预防电力事故，保障电力系统的安全稳定运行。