[发明专利]一种检测模型生成方法及绝缘子缺陷检测方法

权利要求书

1.一种检测模型生成方法，其特征在于，所述检测模型包括教师网络和学生网络，所述生成方法包括：

将标注有检测结果的图像样本输入至当前教师网络，获取当前教师网络的检测结果；

根据当前教师网络的检测结果，计算当前教师网络的损失分布，并为当前学生网络生成标签；

将标注有检测结果的图像样本输入至当前学生网络，获取当前学生网络的检测结果；

将当前教师网络所生成的标签蒸馏至当前学生网络中，结合当前学生网络的检测结果计算当前学生网络的损失分布，并根据当前学生网络的损失分布优化当前学生网络权重；

根据当前教师网络的损失分布、当前学生网络的损失分布分别计算当前教师网络和当前学生网络的评价指标，根据评价指标动态切换教师网络和学生网络，重复上述步骤直至迭代次数为零，从而生成所述检测模型。

2.根据权利要求1所述检测模型的生成方法，其特征在于，所述教师网络采用概率锚分配与ResNet50网络相结合作为主干网络。

3.根据权利要求2所述的检测模型生成方法，其特征在于，所述学生网络采用概率锚分配与ResNet101网络相结合作为主干网络。

4.根据权利要求1所述的检测模型生成方法，其特征在于，为当前学生网络生成标签的方法包括：

将当前教师网络的检测结果作为软标签，通过当前教师网络动态分配获取硬标签。

5.根据权利要求4所述的检测模型生成方法，其特征在于，通过下述KL散度公式计算当前学生网络的损失分布：

其中，p_t为教师网络动态分配的硬标签，p_s表示学生网络的预测标签，c是数据集中共C个类的索引，w^c是焦点项。

6.根据权利要求4所述的检测模型生成方法，其特征在于，所述评价指标包括标准差/平均分数和费舍尔分数；

其中，所述标准差/平均分数的表达式如下：

所述费舍尔分数的表达式如下：

式中：ρ_σ/μ指图像像素的标准差/平均分数；σ指图像像素的标准差；μ指各类图像像素的均值；ρ_Fisher是费舍尔准则函数；μ⁺，μ^-分别指各类标签正、负图像样本的像素均值，分别是图像内和图像总类的离散度。

7.一种绝缘子缺陷检测方法，其特征在于，所述检测方法包括：

获取绝缘子图像及按照权利要求1至6任一项所述生成方法生成检测模型；

将所述绝缘子图像输入至所述检测模型中，根据检测模型输出的检测结果获取绝缘子缺陷检测结果。

8.根据权利要求7所述的绝缘子缺陷检测方法，其特征在于，将所述绝缘子图像输入至所述检测模型之前，对绝缘子图像中较短边随机缩放到640～800Pix的范围内。

9.根据权利要求7所述的绝缘子缺陷检测方法，其特征在于，在教师网络的概率锚分配中，选择具有重叠度IoU≥0.1的锚{a_i}标记绝缘子的缺陷点。

10.根据权利要求9所述的绝缘子缺陷检测方法，其特征在于，将c_i＜μ₁的锚分配为正，并将其余锚重新分为负；

正锚的分配损失定义为：

c_i＝FL(p_i,C)+(1-IoU(b_i,B))

其中，c_i指正锚的分配损失；FL是焦点损失，p_i，b_i分别是锚a_i的预测类概率和边界框，C和B是目标的基本真值类和边界框；通过混合两个高斯分布建立了{c_i}的分布模型：G(μ₁,σ₁)+G(μ₂,σ₂)，其中μ₁＜μ₂，μ₁指基本真值类均值；σ₁指基本真值类标准差；μ₂指边界框的位置坐标系均值；σ₂指边界框的位置坐标系标准差。