一种基于轻量级卷积网络模型的图片异常检测方法

技术领域

本发明涉及图像识别技术领域，具体的，涉及一种基于轻量级卷积网络模型的图片异常检测方法。

背景技术

电力设备的规模在不断扩大的同时，这也为后期的维护带来了很大的挑战。为了保证电力的稳定传输和安全问题，这就需要工作人员定时地对设备进行检查维护。通常的检查都是通过派送无人机对电力塔设备以及线路进行巡逻拍照，然后人工对拍摄的照片就进行检查，来查看设备是否有问题。这样的传统人工检查方式费时费力。近几年，机器学习和深度学习的不断发展，给各行各业都带了很大的改变并成功的应用到了很多行业中。卷积神经网络在模式识别和图像处理等各个方面都取得了突破性的发展。尤其是在计算机视觉邻域，图像处理的各种神经网络都被提出结果各类人工解决不了的问题。利用计算机学习人工的检查方式，再来对巡逻图片进行检查十分有必要。同时，由于一般深度学习框架的庞大并且需要大量的计算和功耗，这对一些计算资源受限的终端设备很不友好。因此构建一个轻量化的模型并有效的学习到图片的特征同样十分重要。

发明内容

本发明的目的是提出一种基于轻量级卷积网络模型的图片异常检测方法，通过对传统卷积神经网络模型进行优化，优化后的模型不仅可以有效的学习到图片中的特征，而且参数量和计算量都远远小于其他传统模型，能够更加满足计算资源不足的终端设备的运算需求。为小型设备和可移动的终端设备提供了一种新的图像处理和分析方法。

为实现上述技术目的，本发明提供的一种技术方案是，一种基于轻量级卷积网络模型的图片异常检测方法，包括如下步骤：

S1、获取巡检输电线路设备的图像样本，输入到样本库；

S2、将图像样本作为轻量级卷积网络模型的输入，通过卷积层过滤后获取对应图像的特征映射；

S3、将特征映射输入到归一化层进行标准化；

S4、通过Leak ReLu激活函数来增加模型的非线性特征；

S5、使用最大池化层来压缩数据，提取特征图；

S6、将特征图平展输入到全连接层中得到图像检测的最终的结果。

作为优选，在S1之前，还包括对轻量级卷积网络模型进行训练：

构建训练样本库：基于SinGAN利用缺陷图片样本，自动学习缺陷样本图片的纹理以及边缘特征，生成多张高质量的缺陷样本图片，扩充样本训练集；

轻量级卷积网络模型训练：对CNN网络模型进行改进，添加BN层，引入γ因子的正则化项，对CNN网络进行剪枝以缩小检测模型得到所述轻量级卷积网络模型。

作为优选，构建训练样本库包括如下步骤：

样本预处理：对预先收集的缺陷图像进行降噪和图像增强操作；

SinGAN模型构建：模型包括金字塔结构的全卷积GAN，在每个尺度上都具有生成器G

模型训练：按照每一层GAN网络搭建的顺序，从最底层到最顶端的顺序进行训练，每一层GAN网络训练好后则会被固定；

获得扩充图像：将单个缺陷样本图片输入训练好的SinGAN模型，金字塔最顶端生成器G

作为优选，轻量级卷积网络模型训练包括如下步骤：

构建卷积层与池化层：卷积层与池化层相配合，组成多个卷积组逐层提取图片特征；

添加BN层：在每一个池化层后面都添加一个BN层，做归一化处理，同时，引入γ因子，方便后续对模型进行剪枝；

根据各神经元贡献度大小进行评估：根据γ因子进行特征图像的重要性评估，对贡献较小的神经元进行剪枝；引入γ因子正则化项在图像训练中进行自动剪枝；

对剪纸后的网络进行微调：剪掉不重要的网络通道对精度进行补偿。

作为优选，S2中，卷积层的输出通过多个卷积核运算得到：

其中，

作为优选，轻量级卷积网络模型的训练中，采用CB Loss的方法处理数据不均衡问题，采用focal loss处理数据分类为题。

本发明的有益效果：本发明提出一种基于轻量级卷积网络模型的图片异常检测方法，通过对传统卷积神经网络模型进行优化，优化后的模型不仅可以有效的学习到图片中的特征，而且参数量和计算量都远远小于其他传统模型，能够更加满足计算资源不足的终端设备的运算需求。为小型设备和可移动的终端设备提供了一种新的图像处理和分析方法。

附图说明

图1为本发明的一种基于轻量级卷积网络模型的图片异常检测方法的流程图。

具体实施方式

为使本发明的目的、技术方案以及优点更加清楚明白，下面结合附图和实施例对本发明作进一步详细说明，应当理解的是，此处所描述的具体实施方式仅是本发明的一种最佳实施例，仅用以解释本发明，并不限定本发明的保护范围，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例：如图1所示，一种基于轻量级卷积网络模型的图片异常检测方法，包括如下步骤：

S1、获取巡检输电线路设备的图像样本，输入到样本库；

S2、将图像样本作为轻量级卷积网络模型的输入，通过卷积层过滤后获取对应图像的特征映射；

S3、将特征映射输入到归一化层进行标准化；

S4、通过Leak ReLu激活函数来增加模型的非线性特征；

S5、使用最大池化层来压缩数据，提取特征图；

S6、将特征图平展输入到全连接层中得到图像检测的最终的结果。

在S1之前，还包括对轻量级卷积网络模型进行训练：

构建训练样本库：基于SinGAN利用缺陷图片样本，自动学习缺陷样本图片的纹理以及边缘特征，生成多张高质量的缺陷样本图片，扩充样本训练集；

轻量级卷积网络模型训练：对CNN网络模型进行改进，添加BN层，引入γ因子的正则化项，对CNN网络进行剪枝以缩小检测模型得到所述轻量级卷积网络模型。

构建训练样本库包括如下步骤：

样本预处理：对预先收集的缺陷图像进行降噪和图像增强操作；

SinGAN模型构建：模型包括金字塔结构的全卷积GAN，在每个尺度上都具有生成器G

模型训练：按照每一层GAN网络搭建的顺序，从最底层到最顶端的顺序进行训练，每一层GAN网络训练好后则会被固定；

获得扩充图像：将单个缺陷样本图片输入训练好的SinGAN模型，金字塔最顶端生成器G

轻量级卷积网络模型训练包括如下步骤：

构建卷积层与池化层：卷积层与池化层相配合，组成多个卷积组逐层提取图片特征；

添加BN层：在每一个池化层后面都添加一个BN层，做归一化处理，同时，引入γ因子，方便后续对模型进行剪枝；

根据各神经元贡献度大小进行评估：根据γ因子进行特征图像的重要性评估，对贡献较小的神经元进行剪枝；引入γ因子正则化项在图像训练中进行自动剪枝；

对剪纸后的网络进行微调：剪掉不重要的网络通道对精度进行补偿。

S2中，卷积层的输出通过多个卷积核运算得到：

其中，

轻量级卷积网络模型的训练中，采用CB Loss的方法处理数据不均衡问题，采用focal loss处理数据分类为题。

适用于本实施例的一种具体事例如下：

首先利用无人机对电网设备进行巡检，获得巡检图片共计1886个样本，其中设备有问题的样本(即正样本)有270个，没有问题的样本(即负样本)有1886个。该数据集命名为MIDDLE。同时对该数据集分别进行如下处理：删除负样本至282张；复制正样本6次。得到SMALL和LARGE数据集。这三个数据集的规模如下：

(1)SMALL数据集：负样本282张，正样本270张；

(2)MIDDLE数据集：负样本1616张，正样本270张；

(3)LARGE数据集：负样本1616张，正样本1620张。

然后，将数据集按照8:1:1的比例划分为训练集、验证集和测试集。

再将上述三个数据集用本发明中提出的Light_CNN模型和计算机视觉领域中图像处理使用最为广泛的集合模型(包括VGG、MLP-mixer、ViT、PVT、Swin-T)来进行对比。这些模型使用相同的参数，选用AUC，ACC，Recall作为评价指标。

最终的实验结果可以发现，本发明设计的轻量级卷积网络模型的性能优于其他所有大型传统网络模型，参数数量和计算工作量都比其他模型小得多。在发明提出的方法中，通过建立不同数量的全连接层可以得到一个更轻量级的模型，与Transformer模型相比，Light_CNN模型可以更有效的学习到细节特征。同时进行消融实验，设置Light_CNN的全连接层分别为1、2、3。根据实验可以看到Light_CNN在全连接层数为3时保证了异常特征检测的效果最佳，同时在很大程度上节约了计算设备的资源。

以上所述之具体实施方式为本发明一种基于轻量级卷积网络模型的图片异常检测方法的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明之形状、结构所作的等效变化均在本发明的保护范围内。