首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

基于无人机架空线路自适应巡检的半监督检测方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:中科方寸知微(南京)科技有限公司;国网安徽省电力有限公司淮南供电公司;国网安徽省电力有限公司

摘要:本发明公开了一种基于无人机架空线路自适应巡检的半监督检测方法,包括收集配网架空线路的图像数据,将图像数据分为已标注数据和未标注数据;基于已标注数据构建特征队列;基于特征队列和未标注数据,构建正、负样本,并计算其对比损失;基于对比损失和未标注数据和特征队列,构建相似度矩阵;基于相似度矩阵,确定未标注数据的伪标签;采用师生互学互鉴框架,构建监督损失和半监督损失,使用监督损失和半监督损失对神经网络模型进行训练。本发明提高了模型对于未标注数据的处理能力,增强了模型的鲁棒性和泛化能力;在复杂环境下提高困难样本的召回,进而增强了模型的稳定性,满足了自适应巡检任务的实时性和准确性要求。

主权项:1.基于无人机架空线路自适应巡检的半监督检测方法,其特征在于,包括如下步骤:S1、收集配网架空线路的图像数据,并对其进行预处理,将预处理后的图像数据分为已标注数据和未标注数据;S2、将已标注数据输入预训练的神经网络模型,生成第一特征和第一特征分类得分,基于第一特征和第一特征分类得分,构建特征队列;S3、基于特征队列和未标注数据,构建正、负样本,并计算正、负样本的对比损失;S4、基于对比损失,将未标注数据输入神经网络模型,生成第二特征和第二特征分类得分,基于第二特征和特征队列,构建相似度矩阵;S5、基于相似度矩阵和第二特征分类得分,确定未标注数据的伪标签;S6、采用师生互学互鉴框架,基于第一特征构建监督损失,基于第二特征和伪标签,构建半监督损失,使用监督损失和半监督损失对神经网络模型进行训练;步骤S2进一步为:S21、将已标注数据输入预训练的神经网络模型,提取已标注数据的特征图,在特征图的每个空间位置提取特征向量;S22、对特征向量进行分类,基于分类的结果,计算得到第一特征分类得分;S23、采用蒙特卡罗dropout技术,估计神经网络模型的不确定性;S24、基于不确定性和第一特征分类得分,确定第一特征,对第一特征进行二范数归一化;S25、基于二范数归一化后的第一特征和第一特征分类得分,构建特征队列;S26、使用队列类别指针,对特征队列中的每个类别的特征的存储位置进行定位;S27、将每个进程中的特征队列和队列类别指针进行同步汇总;步骤S4进一步为:S41、基于对比损失,采用t分布随机邻近嵌入算法,将特征队列进行可视化;S42、基于可视化的结果,动态调整神经网络模型的参数;S43、将未标注数据输入动态调整参数后的神经网络模型,生成第二特征、第二特征分类得分和第二特征回归坐标;S44、计算第二特征和特征队列的相似度,形成相似度矩阵;S45、采用图注意力网络对相似度矩阵进行细化,使用谱聚类算法对细化后的相似度矩阵进行聚类。

全文数据:

权利要求:

百度查询: 中科方寸知微(南京)科技有限公司 国网安徽省电力有限公司淮南供电公司 国网安徽省电力有限公司 基于无人机架空线路自适应巡检的半监督检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。