一种配电站房缺陷检测模型双向通道剪枝方法及系统与流程
本发明涉及配电站房智能运维,尤其涉及一种配电站房缺陷检测模型双向通道剪枝方法及系统。
背景技术:
1、配电站房作为城市配电网的末端节点,数量庞大、分布广泛,其运行安全直接关系到用户的持续可靠供电,随着无人值守模式推广,站房内设备状态与环境安全的实时监控依赖视频智能分析系统。目前配电站房通常采用固定广角摄像机对积水或滴水、烟火和小动物入侵等环境缺陷进行视觉监测,受摄像机安装高度和广角视场影响,柜体下沿、地面易积水处、门槛或电缆沟、通风口等缺陷高发区域在图像中占比小;早期烟火、局部水迹或滴水以及远距小动物具有尺度小、对比度低、特征弱的特点。与此同时,站房内地面镜面反光、指示灯亮斑、柜体纹理、线缆阴影和通风设备运动等背景干扰,容易在特征图上形成与真实缺陷相似的高响应。为使缺陷识别模型适配边缘网关的存储空间、计算量、峰值内存和推理时延约束,通常需要采用结构化通道剪枝减少模型参数量和计算量。
2、现有结构化通道剪枝方法通常根据卷积核范数、归一化层参数、全图激活值或全图梯度等全局统计量确定通道重要性,在配电站房固定广角场景中,基于全局统计量的剪枝方法容易出现两类问题。第一类问题是,仅在局部风险区域对小尺度或弱显著缺陷产生响应的通道,因其全图平均响应较低而被误剪,导致缺陷漏检;第二类问题是,对地面反光、指示灯亮斑或线缆阴影等困难背景产生强响应的通道,因其全图统计量较高而被误留,导致缺陷误报。
3、已有模型轻量化方案通常通过网络结构改造、通道剪枝、知识蒸馏或量化降低模型复杂度,但未将配电站房固定视场中的风险区域先验、教师模型对风险区域的显著性判断和困难负样本区域的干扰信息共同用于结构化通道剪枝决策。因此,有必要提供一种能够利用教师模型风险显著性引导学生模型通道保留,并对困难负样本对应通道实施抑制的结构化剪枝方法。
技术实现思路
1、本发明旨在至少在一定程度上解决相关技术中的技术问题。为此,本发明的第一个目的在于提供一种配电站房缺陷检测模型双向通道剪枝方法,其将配电站房固定视场中的风险区域先验、教师模型对风险区域的显著性判断和困难负样本区域的干扰信息共同用于结构化通道剪枝决策,可实现通道的精准筛选,避免漏检误报,能够得到适配边缘网关的轻量化模型。
2、本发明的第二个目的在于提供一种计算机系统。
3、为达到上述目的,本发明通过以下技术方案实现:
4、一种配电站房缺陷检测模型双向通道剪枝方法,包括:
5、针对配电站房固定广角视场构建风险区域掩膜和困难负样本掩膜;
6、采用冻结的教师模型基于风险区域掩膜在风险区域内生成教师风险显著性图及教师风险显著性权重图;
7、构建可学习通道掩码,输出带连续可学习通道掩码的学生模型;
8、利用所述教师风险显著性权重图对学生模型各通道的风险区域响应进行加权,得到教师引导通道保留评分;
9、利用所述教师风险显著性权重图校正所述困难负样本掩膜,得到教师校正通道抑制评分;
10、基于所述教师引导通道保留评分和教师校正通道抑制评分,构建用于更新所述可学习通道掩码的联合损失函数,并在训练后,得到收敛的可学习通道掩码;
11、对训练后的可学习通道掩码进行退火离散化和结构化硬剪枝,并对剪枝后的学生模型进行微调,得到适于边缘网关部署的轻量化缺陷识别模型。
12、优选的,所述风险区域掩膜为人工标注配电站房5类缺陷高发区的二值掩膜,所述5类缺陷高发区包括柜体下沿、地面低洼、通风口、门槛内侧及电缆沟盖板区域,风险区域内像素值为1,非风险区域内像素值为0;所述困难负样本掩膜为人工标注配电站房5类易混淆干扰区的二值掩膜,所述5类易混淆干扰区包括地面镜面反光、指示灯亮斑、柜体表面纹理、线缆投射阴影及通风设备运动区域,干扰区域内像素值为1,其余区域像素值为0;所述风险区域掩膜和困难负样本掩膜均通过双线性插值下采样,对齐教师模型及学生模型各层特征图的空间尺寸。
13、优选的,在风险区域内生成教师风险显著性图及教师风险显著性权重图包括:
14、将输入图像输入参数冻结的教师模型,提取浅层和深层组合的特征图集合;
15、对于每一层,计算该层特征图在通道维度上的平均绝对激活值,再与风险区域掩膜逐像素相乘,得到该层的教师风险显著性图;
16、对所述教师风险显著性图进行最大值归一化处理,得到教师风险显著性权重图,权重值越高表征教师模型在对应位置提取到的缺陷特征响应越强。
17、优选的,构建可学习通道掩码包括:
18、设定学生模型的每一层包括若干个卷积滤波器,每一卷积滤波器对应一输出特征图通道;
19、为每一卷积滤波器附加一值域约束于0~1区间的可学习通道掩码;
20、其中,前向传播时,学生模型第
l层第
i通道的输出为所述可学习通道掩码与该通道卷积输出的乘积,所有通道加权后的输出沿通道维度组合得到该层最终输出特征图。
21、优选的,利用所述教师风险显著性权重图对学生模型各通道的风险区域响应进行加权,得到教师引导通道保留评分,包括:
22、采用所述教师风险显著性权重图对学生模型各通道的掩码加权前的输出特征图进行加权得到所述教师引导通道保留评分。
23、优选的,利用所述教师风险显著性权重图校正所述困难负样本掩膜,得到教师校正通道抑制评分,包括:
24、基于困难负样本掩膜构建困难负样本有效掩膜,基于所述困难负样本有效掩膜计算得到所述教师校正通道抑制评分。
25、优选的,所述联合损失函数具体基于检测任务损失、掩码稀疏化损失、显著性保持损失和负样本抑制损失构建得到。
26、优选的,采用sigmoid软阈值退火离散化方式对训练后的可学习通道掩码进行退火离散化。
27、优选的,所述结构化硬剪枝包括:
28、对于卷积层,直接删除卷积滤波器矩阵的对应列;对于批归一化层,同步删除对应的缩放系数和偏置参数;对于后续卷积层,同步删除对应输入通道中对应维度,确保各层之间的通道维度保持对齐;
29、当网络包含残差连接、拼接连接或分支汇聚结构时,对共享维度的关联通道进行一致性删除,或依据通道索引映射关系同步更新相关层维度,以保证剪枝后网络的张量维度匹配。
30、为达到上述目的,本发明第二方面提供了一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行所述的一种配电站房缺陷检测模型双向通道剪枝方法。
31、本发明至少具有以下技术效果:
32、本发明基于教师模型在风险区域内生成的教师风险显著性权重图,对学生模型各通道在不同空间位置的响应进行加权,得到用于驱动通道掩码保留的教师引导通道保留评分;由此,能够重点保留在教师确认的高显著风险位置具有有效响应的通道,降低局部小尺度、弱显著缺陷相关通道因全图统计量较低而被误剪的风险。本发明利用所述教师风险显著性权重图对困难负样本掩膜进行校正,并基于校正后的困难负样本区域计算用于驱动通道掩码剪除的教师校正通道抑制评分,在风险区域与困难负样本区域重叠时,能够减弱高风险显著位置的背景惩罚,避免潜在缺陷特征被过度压制,同时优先剪除对背景干扰仍具有较强响应的通道,降低剪枝后模型的背景误报风险。
33、本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com