CN113947746A - 一种基于反馈机制监督下的配网安全质量管控方法 - Google Patents

Abstract

本发明公开了一种基于反馈机制监督下的配网安全质量管控方法，包括如下步骤：获取配网现场的设备缺陷图片数据，对设备缺陷图片数据进行预处理得到常规图像；对预处理后的常规图像进行标注；统计当前已有常规图像数据的分布情况；根据常规图像数据的分布情况，对常规图像进行适应性调整得到增强的拼接图像；将常规图像作为训练集作为神经网络模型的输入，获取每类训练目标的损失函数；通过计算小目标类的损失函数作为反馈监督函数指导下一个批次的模型训练方向。本方案能够解决配网设备缺陷的类型的多样化和数据分布的不均衡性问题，提升电力行业配网设备缺陷的巡检效率。

Description

一种基于反馈机制监督下的配网安全质量管控方法

技术领域

本发明涉及配网设备安全检测领域，具体的，涉及一种基于反馈机制监督下的配网安全质量管控方法。

背景技术

随着计算机视觉技术的日益发展和人们生活对电力的需求的不断提升，电力行业的安全问题也引起越来越多的关注。随着电力行业对电网安全质量管控的管理越来越规范，越来越精细，而管理任务又非常庞杂，单靠人工巡查，或是人工对视频的浏览已经无法满足电网安全质量管控的需要，因此，电力行业也希望能通过计算机技术解决电力领域中最重要的安全问题，通过具有智能分析的配网监理机器人开始在电力行业中发挥非常积极的作用。这样做有下面2个好处：第一，可以节省大量的用于现场巡查或是浏览视频或图像巡查的人力，为企业节省人力物力的成本，提高效率；第二，可以做到二十四小时实时全面覆盖。

当前电力行业对于配网的安全质量管控方式主要还是依赖人工去巡查，无论是雇佣管理人员不定时现场巡查抑或是给第三方公司现场视频或者图像资料让人员通过视频或者图像巡查，这两种方式都需要巡查人员数量非常庞大，而且巡查人员的精力也是有限的，无法做到全天候无间歇巡查。随着这两年计算机视觉的深度发展，也有结合计算机视觉技术的方案应运而生，但是由于配网的安全质量中的设备缺陷监测问题是电力行业中长期固有的问题，而且由于配网设备缺陷的类型的多样化和数据分布的不均衡性问题，导致目前的基于计算机视觉技术的配网监理机器人中的配网安全质量管控方案效果不佳，无法彻底解放人力成本。

中国专利：公开号：CN108614685A，公开日：2018年10月2日，本发明提供了一种配网安全管控方法和***，应用于客户端，通过获取目标人员的安规考试信息，并判断安规考试信息是否合格；如果合格，则将目标人员作为目标施工人员；获取施工计划信息，并将施工计划信息与目标施工人员信息上报给审核终端进行审核；当审核通过后，显示施工计划信息以及目标施工人员信息；根据施工开始指令对施工现场进行定位，并将定位信息发送给管理终端；根据施工进行指令确定目标施工人员是否按照施工计划信息进行施工。本发明通过对安规考试的管理以及施工管理可以对配网安全进行有效管控。该方案通过安规考试成绩筛选出目标施工人员，通过对目标人员规范施工能力的把控进而提高配网安全管控水平，其核心还是通过施工人员去参与到配网现场的安全把控，效率低、人员成本大，覆盖面窄。

中国专利：公开号：CN104881819A，公开日：2015年9月2日，基于电力热红外图谱的电力设备故障辅助诊断与智能分析***，涉及电力设备故障辅助诊断与智能分析领域。本发明为了解决电力设备故障红外检测存在的由于红外检测图片太多，进行人工检测花费大量的时间和精力也不能实现完全检测的问题。本发明包括***参数管理模块、红外图谱上传与查询模块和电气热故障分析诊断模块；其中，***参数管理模块包括***使用部门管理子模块、***使用用户管理子模块、发热部位管理子模块、故障类型管理子模块、热故障判据管理子模块；电气热故障分析诊断模块包括故障热图分析子模块、故障依据子模块、故障判断子模块、诊断分析确认子模块和分析报表处理子模块。本发明适用于电力设备故障辅助诊断与智能分析。该方案通过红外摄像机获取故障设备的局部图片，通过热力图分析判定故障的类型；热力图的获取需要在设备运行时采集才可用于判断，然而一旦设备本身就存在损坏等故障，运行时难免会带来安全隐患，因此，不适用于设备停运时的检测。

中国专利：公开号：CN113253062A，公开日：2021年8月13日，本发明涉及一种基于风险隐患的电力电缆故障巡检***，中控单元首先得到故障点与发射端的距离为S0，中控单元对排序后的电力电缆发射不同的脉冲信号，将计算出的故障点与发射端的距离与S0比较，得到差值中小于等于距离误差Sw的比例设定为Ax，根据Ax范围进行不同操作，若中控单元对脉冲信号进行调整时，将故障点距离与S0的差值中小于等于距离误差Sw的比例设定为Atx与Ax进行比较，并进行不同的调整，若二次调整，中控单元将得到的A2tx与Atx进行比较，中控单元根据比较结果得到故障点或判定运行故障，本发明通过减少硬件对故障的阻碍，通过层层递进的调节方式，优化巡检***对电力电缆故障的故障点与发射点之间距离的精准确定。该方案主要是通过对故障点的定位判定电缆故障，但对电缆的故障类型并不能进行研判，同时对于电缆破损等安全隐患也不能及时的预警。

发明内容

本发明的目的是解决当前配网的安全质量中的设备缺陷巡检算法中存在的不足，提出一种基于反馈机制监督下的配网安全质量管控方法，能够解决配网的安全质量中的设备缺陷的类型的多样化和数据分布的不均衡性问题，提升电力行业配网安全质量管控问题中的设备缺陷的巡检效率。

为实现上述技术目的，本发明提供的一种技术方案是，一种基于反馈机制监督下的配网安全质量管控方法，包括如下步骤：

利用配网监理机器人自带的相机去获取配网现场的设备缺陷图片数据，对设备缺陷图片数据进行预处理得到常规图像；

对预处理后的常规图像进行标注构建训练数据集；

统计当前已有常规图像数据的分布情况，根据每类样本的数量将训练样本分为小样本和中样本和大样本；

根据常规图像数据的分布情况，对常规图像进行适应性调整得到增强的拼接图像；

基于所述训练数据集，首先将常规图像构建的训练数据集作为神经网络模型的输入，获取每类训练目标的损失函数；通过计算小目标类的损失函数作为反馈监督函数指导下一个批次的模型训练方向，当当前批次训练样本中所述小样本损失值在当前训练的迭代周期中的损失值的占比小于预设的损失阈值时，通过将其他样本的图像变换组合对下一批次训练样本中的小样本进行数据增强，以进行下一轮的模型训练。

本方案中，在目标检测的训练环境中，给出了在神经网络模型训练的每个迭代周期中的一个网络梯度优化的方向，一个非参数控制利用前面提到策略使用以上等式决定网络训练的下一个输入是由常规图像还是增强后的拼接图像作为下一次模型训练迭代的数据输入，使用该种方式监督下一次模型的训练，既给出了模型的优化方向，又没有额外的参数需要训练，大大提升了模型的训练效率以及性能，能够达到所有缺陷目标性能的均衡，以提升电力行业配网安全质量管控问题中的设备缺陷的巡检效率。

作为优选，所述预处理包括：

对所有用配网监理机器人自带的相机去获取的配网现场的设备缺陷图片数据进行数据清洗，去除一些模糊、重影以及无目标的图像数据，

将清洗后的图像数据压缩至指定像素值，对压缩后的图像数据进行图片旋转的角度和色差的偏度的调整。

作为优选，对调整后的图像数据进行标注，标注的内容包括变电站内设备的缺陷类型和/或人员异常行为，得到训练数据集。

所述设备缺陷类型包括：变电站内异物、表计的破损和异常、设备部件渗漏油以及人员异常。

作为优选，基于获取的图像中安全质量管控目标的尺寸，对训练样本进行分类，获取图像数据的分布情况，包括各个类别目标数据占比情况以及当前设备缺陷中大、中、小目标的占比情况。

作为优选，所述大、中、小目标通过图像中的设备尺寸所占图像总尺寸的比例划分，其中，单个设备尺寸所占图像总尺寸的比例大于70％为大目标，单个设备尺寸所占图像总尺寸的比例大于30％并且小于70％为中目标，单个设备尺寸所占图像总尺寸的比例小于30％为小目标。

作为优选，将整理后的数据，作为模型训练的输入传入神经网络中，本方案提出的基于反馈机制监督的配网安全质量管控技术会在每个训练批次中，将训练数据集图片输入此神经网络结构进行前向传播后，获取每类训练目标的损失函数，通过计算小目标类的损失函数作为反馈监督函数指导下一个批次的模型训练方向包括如下步骤：

如果损失函数统计的小目标的损失占比统计小于在当前模型训练迭代周期t中的设定的阈值δ，则认为在模型训练迭代周期t中存在不平衡的网络优化问题，即小目标参与模型训练度不高，如果在整个模型训练过程中都不管这个问题的话，那么就会导致最终训练的模型存在严重的训练不平衡问题，在实际的应用中则会表现为对变电站中设备的小目标的一些缺陷检测效果不好，且通过增加大量的样本也难以改善这个问题。在本方案基于反馈机制监督的配网安全质量管控技术中则将在下一次模型训练迭代周期t+1中选取增强后的拼接图像作神经网络模型的输入数据，而不是使用之前训练周期中的常规图像，在本方案中通常将常规图像将作为下一步的输入数据进行网络的迭代训练是默认的数据输入设置；

如果损失函数统计的小目标的损失占比统计大于等于在当前模型训练迭代周期t中的设定的阈值δ，则继续将将常规图像作为训练集作为神经网络模型的输入数据。

作为优选，神经网络模型的输入判定依据下列公式：

其中，I^t+1表示神经网络模型训练迭代周期t+1中输入的小批量训练数据集、I表示常规图像数据集；I^c表示增强后的拼接图像数据集；I和I^c分别作为判定后的神经网络模型训练迭代周期中的输入数据，

在模型训练迭代周期t中小目标的损失在整个训练周期中的损失函数的占比，δ是神经网络模型训练迭代周期中的控制阈值。

本发明的有益效果：本发明结合计算机视觉领域中的相关技术，提出一种基于反馈机制监督下的配网安全质量管控方法，基于反馈监督机制针对配网的安全质量中的设备缺陷监测问题设计一个合适的监督函数在训练过程中接收损失函数返回的反馈信息，根据反馈信息有针对性选择训练批次中的输入数据，及时调整数据，提升在上个批次中训练效果不好的数据的训练性能；针对样本不均衡的问题，提出一种均衡化的数据增强方法，当小目标数据在训练批次中性能不好时，基于反馈机制反馈的信息在下个批次中选择增强后的数据加强小目标数据的样本量以提升小目标的数据训练性能，达到所有缺陷目标性能的均衡，以提升电力行业配网安全质量管控问题中的设备缺陷的巡检效率。

附图说明

图1为本发明的一种基于反馈机制监督下的配网安全质量管控方法的流程简图。

图2为本发明拼接后的图像。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。

应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。

取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。

下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

实施例：

如图1所示，一种基于反馈机制监督下的配网安全质量管控方法的流程简图，包括步骤如下：步骤S1、利用配网监理机器人自带的相机去获取配网现场的设备缺陷图片数据，对设备缺陷图片数据进行预处理得到常规图像，所述预处理包括去除一些模糊、重影以及无目标的图像数据，将图像数据压缩至指定像素值，调整图片旋转的角度和色差的偏度。

图像分析中，图像质量的好坏直接影响识别算法的设计与效果的精度，因此在图像分析(特征提取、分割、匹配和识别等)前，需要进行图像预处理，图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性、最大限度地简化数据，从而改进特征提取、图像分割、匹配和识别的可靠性。

一般的预处理流程为：灰度化->几何变换->图像增强；

对彩色图像进行处理时，往往需要对三个通道依次进行处理，时间开销将会很大。因此，为了达到提高整个应用***的处理速度的目的，需要对彩色图像进行灰度化以减少所需处理的数据量；

在RGB模型中，如果R＝G＝B时，则彩色表示一种灰度颜色，其中R＝G＝B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值)，灰度范围为0-255。一般有分量法、最大值法、平均值法、加权平均法四种方法对彩色图像进行灰度化。

其中，加权平均法：根据重要性及其它指标，将三个分量以不同的权值进行加权平均，由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对RGB三分量进行加权平均能得到较合理的灰度图像。

几何变换：图像几何变换又称为图像空间变换，通过平移、转置、镜像、旋转、缩放等几何变换对采集的图像进行处理，用于改正图像采集***的***误差和仪器位置(成像角度、透视关系乃至镜头自身原因)的随机误差。此外，还需要使用灰度插值算法，因为按照这种变换关系进行计算，输出图像的像素可能被映射到输入图像的非整数坐标上。通常采用的方法有最近邻插值、双线性插值和双三次插值。

图像增强：增强图像中的有用信息，它可以是一个失真的过程，其目的是要改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要，图像增强可分成两大类：频率域法和空间域法。

步骤S2、对预处理后的常规图像进行标注构建训练数据集；标注出变电站内主要的设备缺陷类型，设备缺陷类型主要包括：变电站内异物、表计的破损和异常、设备部件渗漏油以及人员异常(包含未穿工装，未戴安全帽以及吸烟)等。数据标注完成后，统计当前已有数据的分布情况，主要包括各个类别目标数据占比以及当前设备缺陷中大中小目标的占比情况；大、中、小目标通过图像中的设备尺寸所占图像总尺寸的比例划分，其中，单个设备尺寸所占图像总尺寸的比例大于70％为大目标，单个设备尺寸所占图像总尺寸的比例大于30％并且小于70％为中目标，单个设备尺寸所占图像总尺寸的比例小于30％为小目标。

具体地，大目标图像样本可以是异常物体图像、发生故障的设备部件图像，中目标图像样本可以是人员安全隐患图像及表、计异常图像，小目标图像样本可以是吸烟图像。样本的划分主要是依据目标图像占整体图像比例。

步骤S3、根据统计的数据情况发现，小目标的数据数量虽然很多、但分布非常不均匀，有接近一半的图片中都没有小目标，故有针对性的选择小目标图片占比少的类别做数据增强，采用的方式是把图像缩小，并拼接在一起，如图2所示，把一个训练批次内每4张图都缩小到同样大小，之后拼成一张与正常普通同样大小的图作为训练，这样在原本图像中本来应该是中目标或者大目标的数据缩小拼接后在图像中就变成了小目标，增大了小目标数据的占比，均衡小目标数据的分布情况，其中的4张数据也都可通过随机调整图像数据的旋转角度、曝光度以及图像色彩的饱和度来提升数据多样性，增加训练模型的泛化能力。

步骤S4、将常规图像作为训练集作为神经网络模型的输入，获取每类训练目标的损失函数；将小样本在当前训练的迭代周期中的损失值的占比与当前模型训练迭代周期中的预设损失阈值比较，得到比较结果；通过计算小目标类的损失函数作为反馈监督函数指导下一个批次的模型训练方向。具体地，小样本在当前训练的迭代周期中的损失值的占比是指当前训练的迭代周期中的参与训练的所有数据中小样本的损失值占当前周期所有参与训练的样本的损失值的比例。当当前批次训练样本中所述小样本损失值在当前训练的迭代周期中的损失值的占比小于预设的损失阈值时，通过将其他样本的图像变换组合对下一批次训练样本中的小样本进行数据增强，以进行下一轮的模型训练。本实施例会在每个训练批次中，将训练数据集图片输入此神经网络结构进行前向传播后，获取每类训练目标的损失函数，通过计算小目标类的损失函数作为反馈监督函数指导下一个批次的模型训练方向；接下来，如果损失函数统计的小目标的损失占比统计低于在当前模型训练迭代周期t中的某个阈值，则认为在模型训练迭代周期t中存在不平衡的网络优化问题，即小目标参与模型训练度不高，如果在整个模型训练过程中都忽视这个问题的话，那么就会导致最终训练的模型存在严重的训练不平衡问题，在实际的应用中则会表现为对变电站中设备的小目标的一些缺陷检测效果不好，且通过增加大量的样本也难以改善这个问题；因此，本实施例基于反馈机制监督的配网安全质量管控技术中，通过将常规图像作为下一步的输入数据进行网络的迭代训练作为神经网络模型输入的默认数据，通过判定结果确定是否是将在下一次模型训练迭代周期t+1中选取增强后的拼接图像作为输入数据，神经网络模型的输入判定依据下列公式：

其中，I^t+1表示神经网络模型训练迭代周期t+1中输入的小批量训练数据集、I表示常规图像数据集；I^c表示增强后的拼接图像数据集；I和I^c分别作为判定后的神经网络模型训练迭代周期中的输入数据，

在模型训练迭代周期t中小目标的损失在整个训练周期中的损失函数的占比，δ是神经网络模型训练迭代周期中的控制阈值。

举例来说，当小样本为小目标图像样本时，通过将其他样本的图像变换组合对下一批次训练样本中的小样本进行数据增强，包括：

获取下一批次训练样本中的大目标图像样本、中目标图像样本；

将大目标图像样本、中目标图像样本中的图像进行缩放和拼接，生成小目标图像样本。

优选地，图像进行缩放和拼接之前还可以包括：

将大目标图像样本、中目标图像样本中的图像进行角度旋转、调整图像曝光度、调整图像的色彩饱和度。

需要说明的是，上述的小样本仅仅是示例性的说明，并不构成对小样本的具体限定。

本实施例中提出的基于反馈机制监督的配网安全质量管控技术也可以看作是强化学习在神经网络梯度优化的一个简化策略的应用，在目标检测的训练环境中，给出了在模型训练的每个迭代周期中的一个网络梯度优化的方向，一个非参数控制利用前面提到策略使用以上等式决定网络训练的下一个输入是由常规图像还是增强后的拼接图像作为下一次模型训练迭代的数据输入，使用该种方式监督下一次模型的训练，既给出了模型的优化方向，又没有额外的参数需要训练，大大提升了模型的训练效率以及性能，能够达到所有缺陷目标性能的均衡，以提升电力行业配网安全质量管控问题中的设备缺陷的巡检效率。

以上所述之具体实施方式为本发明一种基于反馈机制监督下的配网安全质量管控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。

Claims (10)

1.一种基于反馈机制监督下的配网安全质量管控方法，其特征在于：包括如下步骤：

利用配网监理机器人自带的相机去获取配网现场的设备缺陷图片数据，对设备缺陷图片数据进行预处理得到常规图像；

对预处理后的常规图像进行标注构建训练数据集；

统计当前已有常规图像数据的分布情况，根据每类样本的数量将训练样本分小样本和中样本和大样本；

根据常规图像数据的分布情况，对常规图像进行适应性调整得到增强的拼接图像；

基于所述训练数据集，训练数据集作为神经网络模型的输入，获取每类训练目标的损失函数；

通过计算小目标类的损失函数作为反馈监督函数指导下一个批次的模型训练方向，当当前批次训练样本中所述小样本损失值在当前训练的迭代周期中的损失值的占比小于预设的损失阈值时，通过将其他样本的图像变换组合对下一批次训练样本中的小样本进行数据增强，以进行下一轮的模型训练。

2.根据权利要求1所述的一种基于反馈机制监督下的配网安全质量管控方法，其特征在于：所述预处理包括：

对所有用配网监理机器人自带的相机去获取的配网现场的设备缺陷图片数据进行数据清洗，去除一些模糊、重影以及无目标的图像数据；

将清洗后的图像数据压缩至指定像素值，对压缩后的图像数据进行图片旋转的角度和色差的偏度的调整。

3.根据权利要求1或2所述的一种基于反馈机制监督下的配网安全质量管控方法，其特征在于：

对调整后的图像数据进行标注，标注的内容包括变电站内设备的缺陷类型和/或人员异常行为，得到训练数据集。

4.根据权利要求1或2所述的一种基于反馈机制监督下的配网安全质量管控方法，其特征在于：

所述设备缺陷类型包括：变电站内异物、表计的破损和异常、设备部件渗漏油以及人员异常。

5.根据权利要求1或2所述的一种基于反馈机制监督下的配网安全质量管控方法，其特征在于：

基于获取的图像中安全质量管控目标的尺寸，对训练样本进行分类；

获取图像数据的分布情况，包括各个类别目标数据占比情况以及当前设备缺陷中大、中、小目标的占比情况。

6.根据权利要求5所述的一种基于反馈机制监督下的配网安全质量管控方法，其特征在于：

所述大、中、小目标通过图像中的设备尺寸所占图像总尺寸的比例划分；

其中，单个设备尺寸所占图像总尺寸的比例大于70％为大目标，单个设备尺寸所占图像总尺寸的比例大于30％并且小于70％为中目标，单个设备尺寸所占图像总尺寸的比例小于30％为小目标。

7.根据权利要求6所述的一种基于反馈机制监督下的配网安全质量管控方法，其特征在于：大目标图像样本包括异常物体图像、发生故障的设备部件图像；

中目标图像样本包括人员安全隐患图像及表、计异常图像；小目标图像样本包括吸烟图像。

8.根据权利要求7所述的一种基于反馈机制监督下的配网安全质量管控方法，其特征在于：选择小目标图片占比少的类别做图像增强，包括如下步骤：

把一个训练批次内每4张图都缩小到同样大小，之后拼成一张与正常普通同样大小的图作为训练；

中目标或者大目标的图像缩小拼接后在图像中变成了小目标，增大了小目标数据的占比，均衡小目标数据的分布情况，其中4张图通过随机调整图像数据的旋转角度、曝光度以及图像色彩的饱和度来提升图像数据多样性。

9.根据权利要求1所述的一种基于反馈机制监督下的配网安全质量管控方法，其特征在于：将整理后的数据，作为模型训练的输入传入神经网络中，通过计算小目标类的损失函数作为反馈监督函数指导下一个批次的模型训练方向包括如下步骤：

如果损失函数统计的小目标的损失占比统计小于在当前模型训练迭代周期t中的设定的阈值δ，则认为在模型训练迭代周期t中存在不平衡的网络优化问题，即小目标参与模型训练度不高，将在下一次模型训练迭代周期t+1中选取增强后的拼接图像作神经网络模型的输入数据；如果损失函数统计的小目标的损失占比统计大于等于在当前模型训练迭代周期t中的设定的阈值δ，则继续将常规图像作为训练集作为神经网络模型的输入数据。

10.根据权利要求9所述的一种基于反馈机制监督下的配网安全质量管控方法，其特征在：神经网络模型的输入判定依据下列公式：

其中，I^t+1表示神经网络模型训练迭代周期t+1中输入的小批量训练数据集、I表示常规图像数据集；I^c表示增强后的拼接图像数据集；I和I^c分别作为判定后的神经网络模型训练迭代周期中的输入数据，

在模型训练迭代周期t中小目标的损失在整个训练周期中的损失函数的占比，δ是神经网络模型训练迭代周期中的控制阈值。

Images