(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211169230.1 (22)申请日 2022.09.26 (65)同一申请的已公布的文献号 申请公布号 CN 115272777 A (43)申请公布日 2022.11.01 (73)专利权人 山东大学 地址 250000 山东省济南市历城区山大南 路27号 专利权人 智洋创新科技股份有限公司 　 国网浙江省电力有限公司温州供 电公司　 浙江大华 技术股份有限公司 　 华北电力大 学 （保定） 　 山东省计算中心 （国家超 级计算 济南中心） (72)发明人 聂礼强　吴建龙　胡志坤　郑晓云　 熊剑平　翟永杰　郝艳敏　张俊硕　 高赞　 (74)专利代理 机构 山东知圣律师事务所 37262 专利代理师 黄学国(51)Int.Cl. G06V 10/764(2022.01) G06V 10/772(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01) (56)对比文件 CN 112232416 A,2021.01.15 CN 113254599 A,2021.08.13 CN 113420786 A,2021.09.21 CN 111753874 A,2020.10.09 CN 113378632 A,2021.09.10 CN 113920339 A,202 2.01.11 CN 114092798 A,202 2.02.25 CN 112926547 A,2021.0 6.08 CN 115049876 A,202 2.09.13 CN 113077388 A,2021.07.0 6 CN 114444687 A,202 2.05.06 CN 114419363 A,2022.04.29 (续) 审查员 凌冰 (54)发明名称 面向输电场景的半监 督图像解析方法 (57)摘要 本发明涉及输电线路巡检技术领域， 具体涉 及一种面向输电场景的半监督图像解析方法， 包 括以下步骤： S1： 数据预处理： 人工 标注部分输电 线路场景的分类数据集和目标检测数据集； S2: 数据集的增广和模型优化训练： 使用动态参数混 合数据增广框架对有标注数据集进行数据增广 和模型优化训练， 将参数化后的混合数据增广策 略融入到判别模型中； S3:半监督训练方法改良： 基于S2中经过动态参数混合数据增广优化的模 型， 使用基于队列优化的鲁棒半监督训练方法， 以最优队列的标签筛选策略替换传统的固定高 阈值策略， 来筛选高置信度伪标签以计算无监督 损失； S4:获取S3中预训练好的模型参数， 在输电线路图像解析的下游任务中测试效果。 [转续页] 权利要求书3页 说明书10页 附图2页 CN 115272777 B 2022.12.23 CN 115272777 B (56)对比文件 CN 114492843 A,202 2.05.13 CN 114170480 A,202 2.03.11 US 2022301296 A1,202 2.09.22 US 2022156591 A1,202 2.05.19 US 20183 36471 A1,2018.1 1.22 CN 113989549 A,202 2.01.28 CN 111222648 A,2020.0 6.02 US 2020125897 A1,2020.04.23 Yaxin Liu 等.Self-supervised Correlation Learning for Cros s-Modal Retrieval. 《IE EE Transacti ons on Multimedia》 .202 2, 刘航等.基于无监督概念漂移 识别和动态图嵌入的变 压器故障检测方法. 《中国电机 工程学 报》 .2020,(第13期),全 文. 秦敬轩.面向真实场景的无监 督行人重识 别. 《中国优秀硕士学位 论文全文数据库 信息科 技辑》 .2022, 赵振兵 等.基 于深度学习的输电线路视 觉 检测研究综述. 《广东电力》 .2019,第32卷(第9 期), 冯展祥等.非可控环境行 人再识别综述. 《中 山大学学报(自然科 学版)》 .2020,(第0 3期),全 文. 翟永杰 等.基 于异常检测的输电线路山火 检测方法研究. 《华北电力大 学学报》 .2021,第48 卷(第6期),2/2 页 2[接上页] CN 115272777 B1.一种面向输电场景的半监 督图像解析 方法， 其特 征在于， 包括以下步骤： S1， 数据预处 理： 人工标注部分输电线路场景的分类数据集和目标检测数据集； S2， 数据集的增广和模型优化训练： 使用动态参数混合数据增广框架对有标注数据集 进行数据增广和判别模型中特征提取模块的优化训练， 将参数化后的混合数据增广策略融 入到判别模型中； 数据集的增广和模型优化训练的主 要过程包括以下步骤： S21， 构建动态参数混合数据增广网络的图片增广混合 函数； 在步骤S21中， 动态参数混合数据增广网络的图片增广混合 函数如下： 其中 是逐元素点乘， 和 为嵌入了不同信息的层特征， 为混合比 例， 为中间层的样本特征， 为计算样本之间关系的函数， 是在给定输入 的条件下， 通过S22中混合块学习得到； 模型在给定输入 的前提下， 经 过函数 的作用， 得到增广之后的图片； S22， 构建动态参数混合数据增广网络的混合 块； 在步骤S2 2中， 混合 块的构建需要生成像素级的掩码块， 掩码块的生成 如下： 其中 是样本对的关系函数如下所示， 是线性变化矩阵， 是激活函数Sigmoid， 是上采样函数； 动态参数混合数据增广网络的混合块的输入是来自特征字典的两个特征 和 ， 以 及混合比例 ； 是共享参数的线性变化矩阵， 表示归一 化因子； S23， 利用深度神经网络作为判别 模型以提取图像特征并对图像进行分类， 判别模型是 由特征提取模块和分类头组成， 特征提取模块提取 的特征信息传递给分类头， 分类头依据 特征信息完成分类任务； 将该深度神经网络作为动态参数混合数据增广网络的分类器模 块， 与混合模块共同构成动态参数混合数据增广网络；权　利　要　求　书 1/3 页 2 CN 115272777 B 3