[发明专利]输电线路安全隐患目标检测模型训练方法及装置

权利要求书

1.一种输电线路安全隐患目标的检测方法，其特征在于，包括：

根据已标注的输电线路训练数据，训练输电线路的安全隐患目标检测模型；

采用所述安全隐患目标检测模型，对未标注的输电线路训练数据进行检测，得到安全隐患目标检测结果；其中，所述检测结果包括安全隐患目标位置信息；

根据训练好的输电线路安全隐患目标分类模型，对所述检测结果进行分类，得到安全隐患目标分类结果，并对符合预设条件的未标注训练数据进行标注；其中，所述分类结果包括安全隐患目标类别信息；其中，所述预设条件为各检测结果对应的分类结果的置信度高于预设置信度；

对不符合所述预设条件的未标注训练数据进行聚类，并根据聚类结果，对不符合所述预设条件的未标注训练数据进行标注；

根据标注完成的所有未标注训练数据，对经过训练的所述安全隐患目标检测模型再进行训练；所述对不符合所述预设条件的未标注训练数据进行聚类，具体包括：

采用有噪声的基于密度的聚类方法，对不符合所述预设条件的未标注训练数据进行聚类；

确定所述聚类产生的噪声对应的未标注训练数据中的目标；

将所述目标从相应的未标注训练数据的原图像中去除；

其中，所述采用有噪声的基于密度的聚类方法，对不符合所述预设条件的未标注训练数据进行聚类，具体包括：

基于预设聚类精度与预设聚类效果，确定所述有噪声的基于密度的聚类方法的密度空间参数和邻域最小点数，以基于所述密度空间参数与所述邻域最小点数对所述不符合所述预设条件的未标注训练数据进行聚类，获得多个聚类簇；

若所述不符合所述预设条件的未标注训练数据已经被包含在聚类簇中，或者被标记为噪音点，则继续寻找下一个未标注训练数据；

检测所述未标注训练数据的邻域，若邻域包含的未标注训练数据的数量小于邻域最小点数，则标记该未标注训练数据为噪声点或者边界点；

若邻域包含的未标注训练数据数量大于邻域最小点数，则建立新的聚类簇，并将该未标注训练数据添加到该新的聚类簇中，实现对不符合所述预设条件的未标注训练数据进行聚类；其中，所述对不符合所述预设条件的未标注训练数据进行聚类，具体还包括：

根据所述检测结果，从已标注的输电线路训练数据中，确定所述安全隐患目标检测模型检测错误的训练数据，作为聚类样本；

对所述聚类样本与不符合所述预设条件的未标注训练数据一起进行聚类；

其中，所述根据聚类结果，对不符合所述预设条件的未标注训练数据进行标注，具体包括：

针对各不符合所述预设条件的未标注训练数据，确定该未标注训练数据所属的簇，根据该簇中包括的已标注训练数据，对未标注训练数据进行标注。

2.根据权利要求1所述的方法，其特征在于，所述检测结果包括检测得分；

根据训练好的输电线路安全隐患目标分类模型，对所述检测结果进行分类，具体包括：

在训练所述分类模型的过程中，基于各未标注训练数据的检测得分确定各标注训练数据的损失函数。

3.根据权利要求1所述的方法，其特征在于，对符合预设条件的未标注训练数据进行标注，具体包括：

根据所述分类模型，确定各检测结果对应的分类结果的置信度；

针对各分类结果，根据所述分类模型的预设置信度，确定该分类结果的置信度高于所述预设置信度时，判断该分类结果对应的未标注训练数据符合预设条件；

根据符合预设条件的未标注训练数据对应的检测结果以及分类结果，对未标注训练数据进行标注。

4.根据权利要求1所述的方法，其特征在于，根据已标注的训练数据，训练安全隐患目标检测模型之前，所述方法还包括：

从预设的若干安全隐患目标检测模型中，确定用户选择训练的安全隐患目标检测模型；其中，所述预设的若干安全隐患目标检测模型包括一阶段检测模型与二阶段检测模型，所述一阶段检测模型的收敛速度大于所述二阶段检测模型的收敛速度，所述一阶段检测模型的安全隐患目标检测准确率小于所述二阶段检测模型的安全隐患目标检测准确率。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

根据用户未选择的安全隐患目标检测模型对未标注训练数据的检测结果，对用户选择的安全隐患目标检测模型进行训练。

6.一种输电线路安全隐患目标的检测装置，其特征在于，包括：

第一训练模块，根据已标注的输电线路训练数据，训练输电线路的安全隐患目标检测模型；

检测模块，采用所述安全隐患目标检测模型，对未标注的输电线路训练数据进行检测，得到安全隐患目标检测结果；其中，所述检测结果包括安全隐患目标位置信息；

分类模块，根据训练好的输电线路安全隐患目标分类模型，对所述检测结果进行分类，得到安全隐患目标分类结果，并对符合预设条件的未标注训练数据进行标注；其中，所述分类结果包括安全隐患目标类别信息；其中，所述预设条件为各检测结果对应的分类结果的置信度高于预设置信度；

聚类模块，对不符合所述预设条件的未标注训练数据进行聚类，并根据聚类结果，对不符合所述预设条件的未标注训练数据进行标注；

第二训练模块，根据标注完成的所有未标注训练数据，对经过训练的所述安全隐患目标检测模型再进行训练；其中，所述聚类模块，具体用于：

采用有噪声的基于密度的聚类方法，对不符合所述预设条件的未标注训练数据进行聚类；

确定所述聚类产生的噪声对应的未标注训练数据中的目标；

将所述目标从相应的未标注训练数据的原图像中去除；

其中，所述采用有噪声的基于密度的聚类方法，对不符合所述预设条件的未标注训练数据进行聚类，具体包括：

基于预设聚类精度与预设聚类效果，确定所述有噪声的基于密度的聚类方法的密度空间参数和邻域最小点数，以基于所述密度空间参数与所述邻域最小点数对所述不符合所述预设条件的未标注训练数据进行聚类，获得多个聚类簇；

若所述不符合所述预设条件的未标注训练数据已经被包含在聚类簇中，或者被标记为噪音点，则继续寻找下一个未标注训练数据；

检测所述未标注训练数据的邻域，若邻域包含的未标注训练数据的数量小于邻域最小点数，则标记该未标注训练数据为噪声点或者边界点；

若邻域包含的未标注训练数据数量大于邻域最小点数，则建立新的聚类簇，并将该未标注训练数据添加到该新的聚类簇中，实现对不符合所述预设条件的未标注训练数据进行聚类；其中，所述聚类模块，还用于：

根据所述检测结果，从已标注的输电线路训练数据中，确定所述安全隐患目标检测模型检测错误的训练数据，作为聚类样本；

对所述聚类样本与不符合所述预设条件的未标注训练数据一起进行聚类；其中，所述根据聚类结果，对不符合所述预设条件的未标注训练数据进行标注，具体包括：

针对各不符合所述预设条件的未标注训练数据，确定该未标注训练数据所属的簇，根据该簇中包括的已标注训练数据，对未标注训练数据进行标注。