(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 202211529570.0 (22)申请日 2022.12.01 (71)申请人 合肥中科类脑智能技 术有限公司 地址 230000 安徽省合肥市高新区望江西 路5089号中国科大先进技术研究院一 号嵌入式研发楼3楼3 01室 (72)发明人 赵裕成　张志勇　陈超　艾坤　 刘海峰　王子磊　汪琪　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 季永杰 (51)Int.Cl. G06V 10/764(2022.01) G06T 7/00(2017.01) G06V 10/774(2022.01)G06V 10/82(2022.01) (54)发明名称 绝缘子缺陷检测方法、 系统、 设备及存储介 质 (57)摘要 本发明公开了一种绝缘子缺陷检测方法、 系 统、 设备及存储介质， 方法包括： 将待检测图像输 入预先训练好的绝缘子目标检测模 型， 输出第一 检测结果， 若其包括绝缘子图像， 则将裁剪至第 一预设尺寸的绝缘子图像输入预先训练好的多 标签分类模型， 输出第二检测结果， 其包括绝缘 子的属性分类； 多标签分类模型的训练过程： 对 第一训练集中图像中绝缘子图像进行第二裁剪， 得到第二训练集； 根据将第二训练集中的图像输 入构建的多标签分类模型， 输出的属性分类结 果， 和对第二训练集中的图像进行标注， 得到的 第二标签， 构建损失函数， 根据损失函数训练多 标签分类模型。 由此， 能够解决正负样本不均衡 的问题。 权利要求书3页 说明书9页 附图4页 CN 115546568 A 2022.12.30 CN 115546568 A 1.一种绝 缘子缺陷检测方法， 其特 征在于， 包括以下步骤： 获取待检测图像； 将所述待检测图像输入预 先训练好的绝 缘子目标检测模型， 输出第一检测结果； 若所述第一检测结果中包括绝缘子图像， 则对所述绝缘子图像按照第 一预设尺寸进行 第一裁剪； 将进行第一裁剪后的绝缘子图像输入预先训练好的多标签分类模型， 输出第 二检测结 果， 其中， 所述第二检测结果包括 绝缘子的属性分类； 其中， 所述多标签分类模型的训练过程如下： 获取第一训练集， 其中， 所述第 一训练集中的各图像具有第 一标签， 所述第 一标签包括 绝缘子目标框的中心点、 宽度和高度； 对所述第一训练集中的各图像按照第二预设尺寸进行第二裁剪， 得到第二训练集， 其 中， 所述第二训练集中的各图像为 绝缘子图像； 对所述第 二训练集中的图像进行标注， 得到第 二标签， 其中， 所述第 二标签包括绝缘子 的属性分类； 构建多标签分类模型； 对所述第二训练集中的各图像进行随机裁剪与水平翻转和/或上下翻转的数据增强， 将增强后的图像输入所述多标签分类模型， 输出相应的属性分类结果； 根据所述属性分类结果和对应的第 二标签构建损失函数， 根据 所述损失函数训练所述 多标签分类模型。 2.如权利要求1所述的绝缘子缺陷检测方法， 其特征在于， 所述绝缘子目标检测模型的 训练过程如下： 构建绝缘子目标检测模型； 利用所述第一训练集中图像训练所述 绝缘子目标检测模型。 3.如权利要求1所述的绝缘子缺陷检测方法， 其特征在于， 所述第 一裁剪后的绝缘子图 像中绝缘子的宽度与所述第一裁剪前的绝缘子图像中相应绝缘子的宽度的比值为1.111， 所述第一裁剪后的绝缘子图像中绝缘子的高度与所述第一裁剪前的绝缘子图像中相 应绝 缘子的高度的比值为1.111； 所述第二裁剪后的图像中绝缘子的宽度与所述第二裁剪前的 图像中相应绝缘子的宽度的比值为1.222， 所述第二裁剪后的图像中绝缘子的高度与所述 第二裁剪前的图像中相应绝 缘子的高度的比值 为1.222。 4.如权利要求1所述的绝缘子缺陷检测方法， 其特征在于， 通过下式构建损失函数 Loss： Loss=BCE(prob,target)*weight， weight=Wpos*target+Wneg*(1‑target)， Wpos=1+4(1‑Wneg)， Wneg=f(gt‑1)， ， 其中， prob为所述属性分类结果， target为所述第二标签， Wpos为正梯度重加权权重，权　利　要　求　书 1/3 页 2 CN 115546568 A 2Wneg为负梯度重加权 权重， f(x)为映射 函数， gt‑1为上一个训练周期的梯度比。 5.如权利要求4所述的绝缘子缺陷检测方法， 其特征在于， 通过下式得到更新后的梯度 比gt： ， GReWeightpos(Loss)=Wpos*Gpos(Loss)， GReWeightneg(Loss)=Wneg*Gneg(Loss)， Gpos(Loss)=gard*target， Gneg(Loss)=gard*(1‑target)， gard=target*(prob ‑1)+(1‑target)*prob， 其中， GReWeightpos(Loss)为重加 权后的正样本梯度， GReWeightneg(Loss)为重加 权后 的负样本梯度， Gpos（Loss） 为正样本梯度， Gneg（Loss） 为负样本梯度， grad为原 始梯度。 6.如权利要求5所述的绝缘子缺陷检测方法， 其特征在于， 所述根据所述损失函数训练 所述多标签分类模型， 包括： 在当前训练周期更新梯度比后， 逐渐平衡正负样本对所述多标签分类模型的影响， 保 存测试指标最高的多标签分类模型。 7.如权利要求1所述的绝 缘子缺陷检测方法， 其特 征在于， 所述方法还 包括： 根据所述第二检测结果将存在缺陷的绝 缘子在所述待检测图像中示出。 8.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被 处理器执行时， 实现如权利要求1 ‑7中任一项所述的绝 缘子缺陷检测方法。 9.一种绝缘子缺陷检测设备， 包括存储器、 处理器以及存储在所述存储器上的计算机 程序， 其特征在于， 所述计算机程序被所述处理器执行时， 实现如权利要求1 ‑7中任一项所 述的绝缘子缺陷检测方法。 10.一种绝 缘子缺陷检测系统， 其特 征在于， 包括： 图像采集单 元， 用于采集待检测图像； 绝缘子目标检测单元， 用于将所述待检测图像输入预先训练好的绝缘子目标检测模 型， 输出第一检测结果； 裁剪单元， 用于在所述第一检测结果中包括绝缘子 图像时， 对所述绝缘子 图像按照第 一预设尺寸进行第一裁 剪； 多标签分类单元， 用于将进行第 一裁剪后的绝缘子图像输入预先训练好的多标签分类 模型， 输出第二检测结果， 其中， 所述第二检测结果包括 绝缘子的属性分类； 其中， 所述多标签分类模型的训练过程如下： 获取第一训练集， 其中， 所述第 一训练集中的各图像具有第 一标签， 所述第 一标签包括 绝缘子目标框的中心点、 宽度和高度； 对所述第一训练集中的各图像按照第二预设尺寸进行第二裁剪， 得到第二训练集， 其 中， 所述第二训练集中的各图像为 绝缘子图像； 对所述第 二训练集中的图像进行标注， 得到第 二标签， 其中， 所述第 二标签包括绝缘子 的属性分类；权　利　要　求　书 2/3 页 3 CN 115546568 A 3