(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211279084.8 (22)申请日 2022.10.19 (71)申请人 福建亿榕信息技 术有限公司 地址 350000 福建省福州市 鼓楼区软件大 道89号G区20号楼 申请人 国网信息通信产业 集团有限公司 　 武汉大学 (72)发明人 李强　庄莉　赵峰　苏江文　 伍臣周　秦亮　余金沄　刘浩锋　 何敏　刘开培　 (74)专利代理 机构 福州科扬专利事务所(普通 合伙) 35001 专利代理师 郭梦羽 (51)Int.Cl. G06T 7/00(2017.01)G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01) (54)发明名称 一种基于伪缺陷空间生成的电力设备缺陷 检测方法 (57)摘要 本发明提出了一种基于伪缺陷空间生成的 电力设备缺陷检测方法， 以正常图片为素材人为 伪造出局部的不规则性， 生 成一种伪缺陷图像类 别， 在对正 常图像、 缺陷图像、 伪缺陷图像进行特 征提取和分类网络的基础上， 利用对比学习对特 征空间区域解耦， 对伪缺陷图像特征、 正常图像 特征、 缺陷图像特征嵌入约束， 增强难分样本中 复杂背景的抗干扰能力， 提高模 型对于电力设备 隐蔽缺陷的识别精度； 利用电力设备缺陷模型预 判得到分类损失并依据分类损失获取边缘伪缺 陷样本， 在进行若干次迭代训练后利用边缘伪缺 陷样本引入弱监督缺陷遮盖策略进行训练， 缓解 过拟合， 帮助模型突破训练瓶颈， 获得最佳模型 参数并固定， 使用该电力设备缺陷检测模型对待 检测图像进行检测。 权利要求书3页 说明书8页 附图1页 CN 115359054 A 2022.11.18 CN 115359054 A 1.一种基于伪缺陷空间生成的电力设备缺陷检测方法， 其特征在于， 具体包括以下步 骤： 收集若干电力设备正常图像与缺陷图像并对所有图像进行 预处理； 选取若干预处理后的正常图像进行图像变换操作， 生成并选取与正常图像具有差异的 若干伪缺陷图像； 将预处理后的正常图像、 缺陷图像及生成的伪缺陷图像的三个集合按同比例划分训练 集和测试集； 构建电力设备缺陷检测模型， 所述电力设备缺陷检测模型包括特征提取层； 以缩小预 测样本与真实样本的误差获得分类结果为目标构建一分类性能评估函数， 以增大类间差距 缩小类内差距优化分类结果为目标构建一区域解耦评估函数， 对分类性能评估函数和区域 解耦评估函数线性加权融合获得整体目标优化 函数； 进行电力设备缺陷检测模型预前向传播， 得到每个样本的分类损 失， 将所述分类损 失 大于阈值ε的伪缺陷图像标记为边缘伪缺陷样本； 将所述训练集中的正常图像、 缺陷图像、 伪缺陷图像输入电力设备缺陷检测模型， 根据整体目标优化函数对电力设备缺陷模型进 行 迭代训练， 在进 行若干次迭代训练后以缓解过拟合帮助模型突破训练瓶颈为目标利用所述 边缘伪缺陷样本引入弱监督缺陷遮盖策略进 行训练， 直至模型收敛时， 迭代终止， 得到训练 完成的电力设备缺陷检测模型， 并在测试集上测试 所述电力设备缺陷检测模型性能； 将待检测的电力设备图像输入至电力设备缺陷检测模型进行缺陷检测。 2.根据权利要求1所述的一种基于伪缺陷空间生成的电力设备缺陷检测方法， 其特征 在于， 所述预处 理为以加快模型收敛速度为目标对图像进行 标准化白化处 理， 具体公式为： 式中： 为图像像素函数， 为像素均值； x为图像像素矩阵； 为图像像素 正态分布标准差， σ 为标准方差； N1为图像的像素 数量。 3.根据权利要求1所述的一种基于伪缺陷空间生成的电力设备缺陷检测方法， 其特征 在于， 所述图像变换操作具体步骤为： 从预处理后的正常图像中剪切 一个随机长宽比的矩 形区域， 旋转所选矩形区域中的像素值， 再粘贴回剪切前的图像的任意 位置； 所述图像 变换操作具体步骤需满足： 其中， l’、 w’为所述随机 长宽比矩形区域的长和宽， lori1、 wori1为正常图像的长和宽 。 4.根据权利要求1所述的一种基于伪缺陷空间生成的电力设备缺陷检测方法， 其特征 在于， 所述特 征提取层可以为AlexNet、 VG G、 ResNet或I nceptionNet网络。 5.根据权利要求1所述的一种基于伪缺陷空间生成的电力设备缺陷检测方法， 其特征权　利　要　求　书 1/3 页 2 CN 115359054 A 2在于， 所述构建一区域 解耦评估函数 具体步骤为： 将训练集中的正常图像、 缺陷图像、 伪缺陷图像输入至电力设备缺陷检测模型， 通过特 征提取层输出正常图像特 征向量、 缺陷图像特 征向量以及伪缺陷图像特 征向量； 将所述正常图像特征向量、 缺陷图像特征向量、 伪缺陷图像特征向量进行两两配对并 利用对比学习进行解耦， 增大正常图像特征向量、 缺陷图像特征向量、 伪缺陷图像特征向量 群中心之间的距离， 即满足： 其中， n1、 n2、 n3分别为正常图像特征向量、 缺陷图像特征向量、 伪缺陷图像特征向量的 个数， NORi为第i个正常图像特征 向量， DEj为第j个缺陷图像特征 向量， FABk为第k个伪缺陷 图像特征向量， | |*， *||2为向量的二范 数计算； 缩小伪缺陷图像特 征向量群在空间上的群内欧式距离， 即满足： 其中， n3为伪缺陷图像特征向量的个数， FABk为第k个伪缺陷图像特征向量， 为伪缺 陷图像特 征向量的均值向量； 综合考虑增大类间差距缩小类内差距优化分类结果的目标， 区域解耦评估函数表示 为： 其中， Ldecoup为区域解耦评估函数， n1、 n2、 n3分别为正常图像特征向量、 缺陷图像特征向 量、 伪缺陷图像特征向量的个数， NORi为第i个正常图像特征向量， DEj为第j个缺陷图像特征 向量， FABk为第k个伪缺陷图像特征向量， ||*， *||2为向量的二范数计算， 为伪缺陷图像 特征向量的均值向量， α1、 α2、 α3、 β 均为权 重系数。 6.根据权利要求1所述的一种基于伪缺陷空间生成的电力设备缺陷检测方法， 其特征 在于， 所述分类性能评估函数 具体公式为： 其中， LCatog为分类性能评估函数， N2为训练集样本数量大小； Pzc为样本z属于类别c的预 测概率； yzc为指示变量， 若预测类别和样本 z的真实类别相同， 则yzc为1， 否则yzc为0。权　利　要　求　书 2/3 页 3 CN 115359054 A 3