[发明专利]一种混合式虚拟场景辅助学习的电力部件识别方法

摘要

本发明提出了一种混合式虚拟场景辅助学习的电力部件识别方法，包括虚拟场景的搭建、虚拟样本数据生成、虚拟影像的目标检测、人工辅助程序标注、迭代式增强训练等步骤。本发明提出了一套在没有实拍数据作为训练样本的情况下，利用基于几何约束的组合检测器，结合使用hog特征、haar特征与CNN深度网络，解决了由于虚拟样本在场景、目标等特征上与真实电力数据具有一定差距的问题。当真实数据的数量较少时，以VGG16作为主干网络，用ImageNet作为初始权值，并将真实数据集与虚拟数据集组成混合数据集，利用近似联合训练法训练FasterR‑CNN网络，不断增加标记数据和模型检测精度，起到了很好的训练和识别效果。

主权项

1.一种混合式虚拟场景辅助学习的电力部件识别方法，其包括如下步骤：A)虚拟场景的搭建：将待训练和识别的电力部件，以及目标的配套设备均按照实物的相关参数和剖面图进行人工建模；B)虚拟样本数据生成：在场景搭建完毕并将电力部件嵌入场景中之后，进行虚拟影像的获取；C)虚拟影像的目标检测：根据各分类器理论置信度对虚拟影像进行检测，依次将检测结果作为候选区域anchor，提取候选区域anchor附近Faster R‑CNN、DPM或类haar特征级联分类器的检测结果，再通过比较候选区域anchor与Faster R‑CNN、DPM或类haar特征级联分类器检测出区域的大小、位置以及各自区域的得分情况来评估该候选区域anchor的最终分值，根据分值大小判断该候选区域anchor是否是目标电力部件；D)对步骤C的结果进行选择区域并进行自动标注，然后由人工进行辅助确认和标注，对自动标注结果进行修正；E)迭代式增强训练：首先利用步骤C对真实影像进行检测，以该结果作为初始标注通过步骤D人工辅助程序进行标注，并自动生成多分辨率扩充样本与虚拟样本一起作为训练数据，使用faster R‑CNN进行训练；深度模型更新之后，再按照上述过程进行迭代训练，得到满足精度要求的电路部件检测器。