(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 202210173894.9 (22)申请日 2022.02.24 (71)申请人 国网通用航空有限公司 地址 102209 北京市昌平区未来科技城 滨 河大道18号C座7层 (72)发明人 武艺　杜伟　郭晓冰　白云灿　 刘宁　晏武　郭峻崧　孙鸿博　 孔令宇　李源源　高鹏飞　周立存　 (74)专利代理 机构 合肥维可专利代理事务所 (普通合伙) 3413 5 专利代理师 吴明华 (51)Int.Cl. G06V 20/10(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06V 10/56(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于增量学习技术的输电线路缺陷识 别方法和系统 (57)摘要 本申请涉及设备维护技术领域， 本申请提供 一种基于增量学习技术的输电线路缺陷识别方 法和系统， 所述方法包括获取原始巡检图像数 据； 基于元胞自动机算法剔除原始巡检图像数据 中的背景冗余， 得到抑制冗余背景的目标物体图 像数据； 采用基于特征提取的增量学习方式， 在 已知图像识别网络结构中新增识别部件， 优化输 电线路缺陷检测模型， 通过输电线路缺陷检测模 型提取目标物体图像数据中的图像特征， 识别输 电线路缺陷。 本申请在获取原始巡检图像数据 后， 利用元胞自动机算法对巡检图像进行显著性 检测， 剔除冗余背景， 然后采用增量学习方式在 原有目标检测算法基础上改变网络结构实现增 量学习， 提高输电线路目标检测模 型的识别准确 率和泛化能力。 权利要求书2页 说明书11页 附图5页 CN 114663751 A 2022.06.24 CN 114663751 A 1.一种基于增量学习技术的输电线路缺陷识别方法， 其特征在于， 所述基于增量学习 技术的输电线路缺陷识别方法包括以下步骤： 获取原始巡检图像数据； 基于元胞自动机算法剔除所述原始巡检图像数据中的背景冗余， 得到抑制冗余背景的 目标物体图像数据； 采用基于特征提取的增量学习方式， 在已知图像识别网络结构中新增识别部件， 优化 输电线路缺陷检测模型， 通过输电线路缺陷检测模型提取所述目标物体图像数据中的图像 特征， 识别输电线路缺陷。 2.根据权利要求1所述的基于增量学习技术的输电线路缺陷识别方法， 其特征在于， 所 述原始巡检图像数据为输电线路上的直升 机巡检视频图像数据。 3.根据权利要求2所述的基于增量学习技术的输电线路缺陷识别方法， 其特征在于， 所 述基于元 胞自动机算法剔除所述原 始巡检图像数据中的背景冗余的方法， 包括： 利用SLIC超像素分割方法分割原 始巡检图像数据， 获得N个超像素； 基于色空间颜色特征， 采用k ‑means聚类方法， 对超像素在边界上的CIE ‑Lab色空间颜 色特征聚类； 根据聚类簇划分成多个不同的全局颜色差异图， 构建 GSD图； 基于元胞在色空间中的欧式距离衡量相似度， 构建影响因子矩阵； 构建置信度矩阵优化元胞进化过程， 并进行迭代更新， 得到原始巡检图像数据检测的 效果图。 4.根据权利要求3所述的基于增量学习技术的输电线路缺陷识别方法， 其特征在于， 基 于元胞自动机算法对直升机巡检视频图像数据剔除背 景冗余， 对直升机巡检视频图像数据 显著性检测， 包括： 利用SLIC超像素分割算法分割输入图像， 得到N个超像素； 基于每个边界上的超像素的CIE ‑Lab色空间颜色特征， 进行K ‑means聚类， 聚成K＝3类， 属于第k类的超像素个数为pk； 根据这K个聚类簇， 得到K幅不同的全局颜色差异GCD 图， 其 中， 所述GCD图中的GCD矩阵S＝[skj]K×N， 式中的元素skj,代表超像素i在第k幅GCD图中的显 著值； 构建一个全局空间距离GSD矩阵W＝[wki]K×N， 式中wki代表超像素i与所有第k类聚类簇 中的边界超像素的空间距离； 将每个超像素作为一个元胞， 采用元胞在CIE ‑Lab色空间上的欧式距离衡量两个元胞 的相似度， 构建影响因子矩阵； 构建一个置信度矩阵优化元 胞的进化过程。 5.根据权利要求4所述的基于增量学习技术的输电线路缺陷识别方法， 其特征在于， 所 述边界超像素的空间距离为： 式中， ri和rj分别是超像素i,j的空间 坐标， σ1是固定的权 重系数， 通过融合距离信息wkj和颜色信息skj得到基于背景的显著图。 6.根据权利要求5所述的基于增量学习技术的输电线路缺陷识别方法， 其特征在于， 所 述构建影响因子矩阵F＝[fij]N×N， 其中：权　利　要　求　书 1/2 页 2 CN 114663751 A 2式中， NB(i)是元胞i的邻居， 为归一化F， 引入 次数矩阵D＝dia g{d1,d2,……dN}， 归一化后的影响因子矩阵为： F*＝D‑1F。 7.根据权利要求6所述的基于增量学习技术的输电线路缺陷识别方法， 其特征在于， 在 元胞自动机算法中， 根据更新原则， 所有元 胞同时如下公式进化： St+1＝C*St+(I‑C*)F*St 式中， I是单位矩阵， 当初始时刻t＝0时， S0即为Sbg， 经过N次更新得到最终的显著图。 8.如权利要求1 ‑7中任一项所述的基于增量学习技术的输电线路缺陷识别方法， 其特 征在于， 采用基于特 征提取的增量学习方式， 包括： 保留原有识别部件类别在网络结构计算 通路中的参数； 在已知图像识别网络结构中为 新增识别部件类别添加分类层和回归层； 基于新增识别部件的图像识别网络结构提取 所述目标物体图像数据中的图像特 征。 9.根据权利要求8所述的基于增量学习技术的输电线路缺陷识别方法， 其特征在于， 在 已知图像识别网络结构中为新增识别部件类别添加分类层和回归层， 包括： 在RPN模块的 隐 层后， 为新类别添加一个RPN_cls分类层和RPN_reg回归层； 在CLS模块的两层全连接后， 为 新类别添加CLS_cls层和CLS_reg层； 其中， 与原版FPN相同， 所述RPN模块中添加的RPN_cls 层和RPN_reg层是 卷积层， CLS模块中添加的CLS_cls层和CLS_reg层是全连接层。 10.一种基于增量学习技术的输电线路缺陷识别系统， 其特征在于， 所述基于增量学习 技术的输电线路缺陷识别系统包括： 数据获取模块， 用于获取原 始巡检图像数据； 图像优化模块， 用于基于元胞自动机算法剔除所述原始巡检图像数据中的背景冗余， 得到抑制冗余背景的目标物体图像数据； 特征识别模块， 用于采用基于特征提取的增量学习方式， 在已知图像识别网络结构中 新增识别部件， 优化输电线路缺陷检测模型， 通过输电线路缺陷检测模型提取所述 目标物 体图像数据中的图像特 征， 识别输电线路缺陷。权　利　要　求　书 2/2 页 3 CN 114663751 A 3