[发明专利]输电线路覆冰识别模型训练方法、识别方法及存储介质

权利要求书

1.一种输电线路覆冰识别模型的训练方法，其特征在于，包括：

获取训练数据，其中，所述训练数据包括正样本和负样本，所述正样本为包含覆冰目标的输电线路覆冰图像，所述负样本为不包含覆冰目标的输电线路覆冰图像；

基于预设的分类类别对所述训练数据进行标注；

构建Faster RCNN识别模型网络架构；

利用所述训练数据训练所述Faster RCNN识别模型网络架构，得到用于识别输电线路的覆冰状态的Faster RCNN识别模型。

2.根据权利要求1所述的方法，其特征在于，获取训练数据之后，所述方法还包括：

对采集到的所述输电线路覆冰图像进行数据预处理，其中，所述数据预处理包括将所述输电线路覆冰图像通过平移、旋转、镜像或伸缩中的至少一种方式进行数据增强。

3.根据权利要求1所述的方法，其特征在于，构建Faster RCNN识别模型网络架构，包括：

将所述输电线路覆冰图像输入特征提取网络生成特征图；

使用区域建议网络从所述特征图中提取包含覆冰目标的候选区域，生成目标候选框；

将所述目标候选框映射到所述特征图得到特征矩阵；

构建ROI pooling层，将所述特征矩阵输入所述ROI pooling层得到固定尺寸的目标特征图；

构建全连接层，利用所述全连接层对所述目标特征图进行回归和分类，得到所述目标候选框的边框坐标参数和分类结果。

4.根据权利要求3所述的方法，其特征在于，所述特征提取网络为残差提取网络resnet50，包括49个卷积层和1个全连接层，所述卷积层包括16个残差单元，每个残差单元包括1×1的卷积核和3×3的卷积核，所述1×1的卷积核用于降低维度，所述3×3的卷积核用于提取特征。

5.根据权利要求1所述的方法，其特征在于，利用所述训练数据训练所述Faster RCNN识别模型网络架构，包括：

采用mini-batch随机梯度下降方法训练所述Faster RCNN识别模型网络架构；

其中，所述Faster RCNN识别模型网络架构训练的初始学习率为0.005，动量参数为0.9，学习衰减率为0.0005。

6.根据权利要求3所述的方法，其特征在于，所述方法还包括：

计算损失函数的损失值；

基于所述损失函数的损失值对所述Faster RCNN识别模型进行更新；

其中，所述损失函数为：

其中，i表示每个小批次中检测框的序号；p_i表示以检测框为目标的预测概率，当预测为目标时p^*_i＝1，否则为0；t_i表示目标候选框的4个参数坐标向量，t^*_i表示一个与正样本关联的真实框坐标；N_cls表示一个mini-batch中所有样本的数量，N_reg表示检测框位置的个数

L_reg(t_i,t^*_i)表示回归损失函数，L_cls(p_i,p^*_i)表示分类损失函数；λ为平衡参数，λ＝10。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

利用准确率、召回率以及平均准确率均值对所述识别模型的识别效果进行测试；

若测试结果低于预设阈值，则修改所述Faster RCNN识别模型的训练参数，对所述Faster RCNN识别模型进行训练直至所述测试结果达到所述预设阈值。

8.根据权利要求1所述的方法，其特征在于，所述训练数据还包括未覆冰的输电线路图像，基于预设的分类类别对所述训练数据进行标注，包括：

对所述未覆冰的输电线路图像中的未覆冰绝缘子和未覆冰导线进行标注。