[发明专利]一种压板状态识别模型的训练方法及压板状态识别方法

权利要求书

1.一种压板状态识别模型的训练方法，其特征是，包括：

获取变电站二次屏柜压板在多个压板状态下的图像样本，得到初始样本库；

对初始样本库中的图像样本进行预处理，得到训练样本库；

获取训练样本库中各样本的人工标注信息，建立训练样本集和测试样本集，所述人工标注信息包括识别区域的坐标信息和压板状态分类信息；

利用训练样本集对预先构建的MobilenetV3-YOLOv5s目标检测网络进行训练，得到中间模型文件；所述MobilenetV3-YOLOv5s目标检测网络为将YOLOv5的特征提取主干网络替换为MobilenetV3网络的神经网络；

利用测试集样本对所述中间模型文件进行验证，包括：若验证结果不符合设定要求，则获取对训练样本库中各样本进行优化标注的新的人工标注信息，基于新的人工标注信息建立训练样本集和测试样本集，利用当前训练样本集和测试样本集对中间模型文件进行迭代训练和验证，直至验证结果符合设定要求，则将中间模型文件作为最优基础模型文件；

利用最优基础模型文件的训练样本集和测试样本集训练CSPDarknet53-YOLOv5s目标检测网络，得到标准指导模型文件；

在最优基础模型的特征提取主干网络的BN层中γ参数引入L1正则化约束，利用当前训练样本集进行模型稀疏化训练，得到稀疏模型文件；

对所述稀疏模型文件迭代地进行通道剪枝和模型评估，直至得到模型评估结果符合设定要求的最佳剪枝率参数和相应的最佳剪枝模型文件；

将标准指导模型文件作为教师模型，将所述最佳剪枝模型文件作为学生模型，利用知识蒸馏方法对最佳剪枝模型文件进行微调训练，得到最终的压板状态识别模型。

2.根据权利要求1所述的压板状态识别模型的训练方法，其特征是，压板状态识别模型的训练方法中，训练所得的最终压板状态识别模型文件为pytorch格式的文件；

压板状态识别模型的训练方法还包括，将所得的压板状态识别模型文件转换为onnx格式模型文件。

3.根据权利要求2所述的压板状态识别模型的训练方法，其特征是，针对基于X86架构的边缘终端，采用intel提供的深度学习加速组件OpenVINO对onnx格式的模型文件进行转换；针对基于ARM架构的边缘终端，将onnx格式模型文件转换为ncnn格式模型文件，利用适用于移动边缘端的NCNN框架部署模型应用接口。

4.根据权利要求1或2所述的压板状态识别模型的训练方法，其特征是，压板状态识别模型的训练方法还包括，采用深度学习加速组件OpenVINO对模型进行量化处理，将参数精度由32位浮点型量化成16位浮点或INT8型。

5.根据权利要求1所述的压板状态识别模型的训练方法，其特征是，所述预处理包括通过数据增强处理扩充图像样本，所述数据增强处理包括：光学变换、几何变换、增加噪声或数据源扩充处理；

在模型训练过程中，所获取的人工标注信息为人工对训练样本库中图像的压板关键区域进行标注，所形成的符合YOLOv5算法规定的标注文件格式信息。