CN111199523A - 电力设备识别方法、装置、计算机设备和存储介质 - Google Patents
电力设备识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111199523A CN111199523A CN201911350319.6A CN201911350319A CN111199523A CN 111199523 A CN111199523 A CN 111199523A CN 201911350319 A CN201911350319 A CN 201911350319A CN 111199523 A CN111199523 A CN 111199523A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- filtering
- acquisition
- pixel value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 115
- 238000005070 sampling Methods 0.000 claims abstract description 52
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 41
- 230000009466 transformation Effects 0.000 claims description 44
- 238000009826 distribution Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 103
- 238000012549 training Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000002372 labelling Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000009499 grossing Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 230000005764 inhibitory process Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 208000020442 loss of weight Diseases 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种电力设备识别方法、装置、计算机设备和存储介质。方法包括:获取待识别的初始采集图像以及对应的初始引导图像,初始采集图像是对待识别的电力设备进行图像采集得到的;对初始引导图像进行下采样处理得到下采样引导图像,以及对初始采集图像进行下采样处理得到下采样采集图像;根据下采样引导图像以及下采样采集图像的像素值计算得到各个滤波滑动窗口对应的滤波参数;根据滤波参数对下采样引导图像进行处理,得到滤波采集图像;根据滤波采集图像得到对应的目标采集图像;将目标采集图像输入到已训练的对象检测模型中,得到电力设备在目标采集图像中的位置信息。采用本方法能够提高电力设备识别效率。
Description
技术领域
本申请涉及电力巡检技术领域,特别是涉及一种电力设备识别方法、装置、计算机设备和存储介质。
背景技术
随着电力***的发展,电力***中设备的安全稳定受到越来越多的重视,电力设备的异常发热状态监测与故障诊断对于电力***安全稳定运行至关重要。
目前,主要运用搭载红外热像仪的电力巡检机器人或无人机对电力设备进行巡检。其中,红外热像仪可以测量物体对外辐射的红外信号,以非接触的方式对物体的温度进行测量,在电力设备巡检中得到广泛应用。
然而,目前的巡检方式只能得到电力设备的红外图像,需要通过人工对红外图像进行分析,得到电力设备位置信息,导致电力设备识别效率低。
发明内容
基于此,有必要针对上述电力设备识别效率低的技术问题,提供一种能够提高电力设备识别效率的电力设备识别方法、装置、计算机设备和存储介质。
一种电力设备识别方法,所述方法包括:获取待识别的初始采集图像以及对应的初始引导图像,所述初始采集图像是对待识别的电力设备进行图像采集得到的;对所述初始引导图像进行下采样处理得到下采样引导图像,以及对所述初始采集图像进行下采样处理得到下采样采集图像;根据所述下采样引导图像以及所述下采样采集图像的像素值计算得到各个滤波滑动窗口对应的滤波参数;根据所述滤波参数对所述下采样引导图像进行处理,得到滤波采集图像;根据所述滤波采集图像得到对应的目标采集图像;将所述目标采集图像输入到已训练的对象检测模型中,得到所述电力设备在所述目标采集图像中的位置信息。
在一些实施例中,所述根据所述下采样引导图像以及所述下采样采集图像的像素值计算得到各个滤波滑动窗口对应的滤波参数包括:获取目标滤波滑动窗口;根据所述目标滤波滑动窗口中,所述下采样引导图像对应的第一像素均值以及所述下采样采集图像对应的第二像素均值计算得到均值的乘积;计算所述目标滤波滑动窗口中,所述下采样引导图像以及所述下采样采集图像在对应位置的像素值乘积;计算所述像素值乘积与所述均值的乘积的差异,根据所述差异的均值得到所述滤波参数。
在一些实施例中,所述根据所述滤波采集图像得到对应的目标采集图像包括:对所述滤波采集图像进行尺度变换,得到尺度变换后的尺度变换采集图像;计算所述尺度变换采集图像对应的边界像素值,根据所述边界像素值进行图像截取,得到所述目标采集图像。
在一些实施例中,所述计算所述尺度变换采集图像对应的边界像素值包括:对所述尺度变换采集图像的像素值进行频率统计,得到所述尺度变换采集图像对应的像素值频率分布;根据所述像素值频率分布中预设像素值对应的频率,得到所述尺度变换采集图像对应的边界像素值。
在一些实施例中,所述根据所述像素值频率分布中预设像素值对应的频率,得到所述尺度变换采集图像对应的边界像素值包括,将所述预设像素值对应的频率作为最大频率值,获取预设调整系数,根据所述预设调整系数以及所述最大频率值计算得到目标频率值;将所述目标频率值对应的像素值作为所述尺度变换采集图像对应的边界像素值。
在一些实施例中,所述将所述目标采集图像输入到已训练的对象检测模型中,得到所述电力设备在所述目标采集图像中的位置信息包括:将所述目标采集图像输入到已训练的对象检测模型中,所述已训练的对象检测模型将所述目标采集图像进行图像分割,得到候选图像区域集合,所述候选图像区域集合包括多个候选图像区域;利用所述对象检测模型计算各个所述候选图像区域中存在电力设备的概率,根据所述候选图像区域中存在电力设备的概率,从所述候选图像区域集合中筛选得到目标图像区域,作为存在电力设备的图像区域。
一种电力设备识别装置,所述装置包括:图像获取模块,用于获取待识别的初始采集图像以及对应的初始引导图像,所述初始采集图像是对待识别的电力设备进行图像采集得到的;下采样处理模块,用于对所述初始引导图像进行下采样处理得到下采样引导图像,以及对所述初始采集图像进行下采样处理得到下采样采集图像;滤波参数得到模块,用于根据所述下采样引导图像以及所述下采样采集图像的像素值计算得到各个滤波滑动窗口对应的滤波参数;滤波采集图像得到模块,用于根据所述滤波参数对所述下采样引导图像进行处理,得到滤波采集图像;目标采集图像得到模块,用于根据所述滤波采集图像得到对应的目标采集图像;位置信息得到模块,用于将所述目标采集图像输入到已训练的对象检测模型中,得到所述电力设备在所述目标采集图像中的位置信息。
在一些实施例中,所述滤波参数得到模块包括:目标滤波滑动窗口获取单元,用于获取目标滤波滑动窗口;均值的乘积得到单元,用于根据所述目标滤波滑动窗口中,所述下采样引导图像对应的第一像素均值以及所述下采样采集图像对应的第二像素均值计算得到均值的乘积;像素值乘积计算单元,用于计算所述目标滤波滑动窗口中,所述下采样引导图像以及所述下采样采集图像在对应位置的像素值乘积;滤波参数得到单元,用于计算所述像素值乘积与所述均值的乘积的差异,根据所述差异的均值得到所述滤波参数。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述电力设备识别方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述电力设备识别方法的步骤。
上述电力设备识别方法、装置、计算机设备和存储介质,对初始引导图像进行下采样处理得到下采样引导图像,对初始采集图像进行下采样处理得到下采样采集图像,根据下采样引导图像以及下采样采集图像的像素值计算得到各个滤波滑动窗口对应的滤波参数,根据滤波参数对下采样采集图像进行滤波处理,得到滤波采集图像,根据滤波采集图像得到对应的目标采集图像,将目标采集图像输入到已训练的对象检测模型中,得到电力设备在所述目标采集图像中的位置信息。从而实现了对图像中电力设备的自动识别,提高了电力设备识别效率。
附图说明
图1为一些实施例中电力设备识别方法的应用场景图;
图2A为一些实施例中电力设备识别方法的流程示意图;
图2B为一些实施例中滤波采集图像得到步骤的流程示意图;
图3为一些实施例中电力设备识别方法的流程示意图;
图4A为一些实施例中电力设备识别方法的流程示意图;
图4B为一些实施例中目标采集图像得到步骤的流程示意图;
图5为一些实施例中电力设备识别方法的流程示意图;
图6为一些实施例中电力设备识别方法的流程示意图;
图7A为一些实施例中电力设备识别方法的流程示意图;
图7B为一些实施例中电力设备识别方法的流程示意图;
图8为一些实施例中电力设备识别装置的结构框图;
图9为一些实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的电力设备识别方法,可以应用于如图1所示的应用环境中。该应用环境包括图像采集设备102以及图像识别服务器104。其中,图像采集设备102通过网络与图像识别服务器104通过网络进行通信。
具体地,图像采集设备可以将采集到的初始采集图像发送给图像识别服务器,图像识别服务器可以获取初始采集图像对应的初始引导图像,并对初始引导图像进行下采样处理得到下采样引导图像,对初始采集图像进行下采样处理得到下采样采集图像,可以根据下采样引导图像以及下采样采集图像的像素值计算得到各个滤波滑动窗口对应的滤波参数,根据滤波参数对下采样采集图像进行滤波处理,得到滤波采集图像,根据滤波采集图像得到对应的目标采集图像,将目标采集图像输入到已训练的对象检测模型中,得到电力设备在目标采集图像中的位置信息。从而图像识别服务器可以快速得到初始采集图像中存在的电力设备的位置信息。其中,图像采集设备102可以但不限于是搭载红外热像仪的电力巡检机器人以及无人机,图像识别服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一些实施例中,如图2A所示,提供了一种电力设备识别方法,以该方法应用于图1中的图像识别服务器104为例进行说明,包括以下步骤:
S202,获取待识别的初始采集图像以及对应的初始引导图像,初始采集图像是对待识别的电力设备进行图像采集得到的。
具体地,电力设备主要包括发电设备和供电设备两大类,发电设备包括电站锅炉、蒸汽轮机、燃气轮机、水轮机、发电机或者变压器中的至少一个,供电设备包括各种电压等级的输电线路、互感器或者接触器中的至少一个。互感器可以包括电流互感器(Currenttransformer,CT)或者电压互感器(Voltage Transformer,VT)。电力设备还包括避雷器(F)、断路器(QF)或者隔离开关(QS)中的至少一个。其中,F表示阀式避雷器,QF为断路器的电器元件符号,QS为隔离开关的电器元件符号。待识别的电力设备为需要进行识别的电力设备。初始采集图像可以是待识别的电力设备的红外图像,初始采集图像可以是有噪声的红外图像。初始引导图像可以为预先设置的,可以是与初始采集图像相同的图像,也可以是与初始采集图像不同的图像。
在一些实施例中,初始采集图像可以是在复杂的环境下对待识别的电力设备采集得到的,初始采集图像中可能存在噪声。复杂的环境包括复杂电磁环境以及极端天气环境。复杂的环境可能会造成电力设备的红外图像的噪点多、对比度低以及亮度低,会增加红外图像的识别难度。例如,当背景干扰或背景温度与电力设备温度相差不大时,红外图像可能会出现过度集中的温度分布,从而导致低强度对比度;当现场巡检环境背景复杂时,导致待识别的电力设备与其他电力设备相互混淆,导致对比度低。初始采集图像中的噪声不利于对电力设备进行识别,因此可以对初始图像进行处理,例如滤波等,将处理后得到的图像用于进行电力设备的识别。
S204,对初始引导图像进行下采样处理得到下采样引导图像,以及对初始采集图像进行下采样处理得到下采样采集图像。
具体地,下采样或称为降采样,是进行图像压缩的一种处理方式。图像经过下采样操作后图像尺寸会缩小,缩小的程度与下采样的采样周期相关。图像识别服务器可对待处理图像进行下采样操作。下采样的方式具体可以是均值采样或者极值采样。比如,下采样的方式为对2×2像素区域进行均值,若一个2×2像素区域对应的像素值矩阵为[1,2,3,4],那么下采样得到的像素值为(1+2+3+4)/4=2.5。下采样操作后得到的图像的分辨率减小为下采样操作前的图像对应的图像分辨率的1/4。
在一些实施例中,可以将图像进行通道拆分,得到各个通道图像,对各个通道图像进行下采样处理。例如,可以分别将初始引导图像I1以及初始采集图像拆分为三个通道I1,设置下采样所使用的缩放比,对初始引导图像I1和初始采集图像P1进行降采样(即下采样),其中,缩放比例如为0.5。
在一些实施例中,可以对下采样采集图像以及下采样引导图像进行滤波,得到滤波后的图像。具体的,可以采用均值平滑、均值滤波以及中值滤波等滤波方式进行滤波。例如,可以对下采样后的初始引导图像I1和下采样后的初始采集图像P1进行均值平滑处理,对均值平滑处理后的初始引导图像的乘积即I1*I1和均值平滑处理后的初始采集图像的乘积即P1*P1进行均值平滑处理。
S206,根据下采样引导图像以及下采样采集图像的像素值计算得到各个滤波滑动窗口对应的滤波参数。
具体地,滤波参数可以为对下采样引导图像进行线性变换得到滤波采集图像的参数,可以包括乘法参数以及加法参数。不同的滤波滑动窗口可以对应不同的滤波参数。例如,若第k个滤波滑动窗口wk对应的乘法参数为ak,加法参数为bk,其中,wk可以理解为图像区域坐标集合。第k个滤波滑动窗口wk对应的下采样引导图像中的图像区域为I,线性变换得到的滤波采集图像中的图像区域为q,则其中,表示任意的i均为wk中的位置,i可以理解为像素指数。Ii表示图像区域I中第i个位置的像素值,qi表示图像区域q中第i个位置的像素值。对公式(1)求导可以得到其中为矢量微分算符。根据公式(2)可知,若下采样引导图像存在梯度,滤波采集图像也存在梯度。因此,滤波采集图像与下采样引导图像获得相同的边缘。
在一些实施例中,可以通过最小化采集图像中的噪声得到滤波参数。例如,若第k个滤波滑动窗口wk对应的噪声为n,则可以通过计算min||n||或者minn2得到滤波参数。若第k个滤波滑动窗口wk对应的的下采样采集图像中的图像区域为p,则滤波采集图像可以表示为qi=pi-ni(3),其中,pi表示图像区域p中第i个位置(像素)的像素值,ni表示图像区域p中第i个位置的噪声。根据公式(1)以及公式(3)可以得到最小化噪声的函数:其中,argmin函数用于计算使达到最小值时的ak和bk的取值。为避免最小二乘法的一些缺陷,可以在公式(4)中加入正则化项其中,λ是正则化参数。从而得到根据公式(5)可以计算得到的ak和bk的取值如下所示:
在一些实施例中,相同的像素包含于多个滤波滑动窗口中,因此可以将最小化噪声函数计算得到的参数的均值作为滤波参数。例如,可以计算公式(6)以及公式(7)的均值,得到
S208,根据滤波参数对下采样引导图像进行处理,得到滤波采集图像。
S210,根据滤波采集图像得到对应的目标采集图像。
具体地,可以对滤波采集图像进行处理,得到对应的目标采集图像。例如,可以对滤波采集图像进行均值平滑处理,对应的参数例如为5,然后再进行对输出图像进行中值平滑处理,对应的参数例如为5×5。
在一些实施例中,可以对滤波采集图像进行尺度变换,得到尺度变换后的采集图像,根据尺度变换后的采集图像得到目标采集图像。其中,尺度变换对应的方法例如可以是采用单尺度Retinex(Single-scale Retinex,SSR)。
在一些实施里中,可以对尺度变换后的采集图像进行均衡处理,得到目标采集图像。具体地,可以对尺度变化后的采集图像进行通道拆分,例如进行R,G,B三通道的拆分,计算每个通道的直方图,通过限制AHE算法的对比提高程度,在计算CDF前用预先定义的阈值来裁剪直方图,每个小区域进行对比度限幅,将这些裁剪掉的部分均匀的分布到直方图的其他部分,通过双线性插值加快计算速度,合并三通道,得到目标采集图像。
在一些实施例中,如图2B所示,可以对初始采集图像进行均值滤波、中值滤波以及快速导向滤波,得到滤波采集图像。其中,快速导向滤波可以包括下采样以及导向滤波。
S212,将目标采集图像输入到已训练的对象检测模型中,得到电力设备在目标采集图像中的位置信息。
具体地,位置信息可以为电力设备在目标采集图像中所对应的区域的坐标信息。已训练的对象检测模型指的是利用滤波滑动窗口对目标采集图像进行扫描以找出图像中所包含的电力设备并计算出电力设备位置的模型。已训练的对象检测模型的输出包括电力设备在目标采集图像中的坐标。
在一些实施例中,可以获取训练样本集合以及初始对象检测模型,根据训练样本集合对初始对象检测模型进行训练,得到已训练的对象检测模型。
具体地,训练样本集合包括多个训练样本,每个训练样本可以为经过处理后的采集图像。一个训练样本可以包含一个或者多个电力设备。可以为训练样本中每个电力设备设置对应的标注框以及类别。其中,标注框用于表示电力设备在训练样本中的区域位置,类别表示电力设备对应的设备类型。可以采用多个坐标来表示一个标注框,例如,用表示标注框,其中,表示电力设备组件的目标框的位置点。可以根据标注框以及类别,得到电力设备对应的等级标签,例如可以表示为其中,i表示目标框的序列号,Ci表示电力设备组件的类别。
在一些实施例中,可以进行批量训练,在训练时可以将训练样本进行打乱,设置交叉验证的比例。例如,可以设置交叉验证比例为10%,训练迭代次数150个epoch(将所有的样本训练150遍),前100个epoch的批量样本训练数(batch_size)为16(即训练中每次16张图片同时进行训练和优化),学习率是1e-3,后50个epoch的批量样本训练数为8,学习率是1e-4。训练结束后,会自动保存对象检测模型的参数。其中,1个epoch表示过了1遍训练集中的所有样本。
在一些实施例中,初始对象检测模型可以为目标检测模型,例如YOLO(You onlylook once)神经网络。YOLO包括三个版本,分别是YOLOv1、YOLOv2以及YOLOv3。YOLO是基于单个神经网络的目标检测***。该网络将图像划分为多个区域,并预测每个区域的边界框(bounding box)和概率。YOLO卷积神经网络包括卷积层和池化层。由于其重量共享的结构特征,它更类似于生物神经网络。在降低学***移,倾斜或其他变形。YOLOv3对YOLO算法进行了优化,是一个新的神经网络,这个神经网络的结构更复杂,但是准确率更高,运行速度比SSD(SingleShotMultiBoxDetector)快3倍。YOLOv3的创新点在于采用独立的逻辑分类器代替softmax算法,使用空间金字塔结构预测边界框,并且设计了darknet-53神经网络结构。YOLOv3是一个端到端网络,可以解决作为回归问题的对象检测。它完成了原始图像的对象位置和类别的输入。服务器可以将图像输入到YOLOv3网络中,经过计算,神经网络可以获取图中设备的位置、设备的类别以及相应的置信度。将YOLOv3应用于电力设备识别,可以提高效率并降低成本。
YOLOv3的损失(loss)函数主要包括坐标误差、confidence误差和分类误差。其中confidence误差包括包含物体的边界框的confidence误差和不包含物体的边界框的confidence误差。在YOLOv3中,采用sum-squared error(SSE,误差平方和)的方式来计算这些损失,并回归预测。对于坐标误差,其计算公式如公式(12)所示:
其中,S为每层预测中网络单元格划分的个数,例如分别可以为13、26以及52;B为每个网络单元格预测的边界框个数,例如可以是3;判断第i个网络单元格中第j个边界框是否负责预测该物体,在预测的三个边界框中,只有与物体标注框有最大交并比的边界框才负责预测该物体;λcoord为坐标损失权重,以提高坐标误差的权重,xi为预测框的中心位置的横坐标,yi为预测框的中心位置的纵坐标,wi为预测框的宽度,hi是预测框的高度,为标注框的中心位置的横坐标,为标注框的中心位置的纵坐标,为标注框的宽度,是标注框的高度。然而这种loss方式在进行边框回归时对目标的尺度变化比较敏感,它将坐标中四个值分开对待,但实际上这四个值高度相关,它们共同构成一个边界框,因此造成定位不是十分准确。
在一些实施例中,confidence误差的计算如公式(13)所示:
在一些实施例中,可以使用交并比(intersection over union,IoU)来进行模型损失的计算。交并比指的是预测框和标注框的交集与并集的比值,不受目标尺度的影响,且能够很好地评估预测框和标注框的“贴合度”。例如,若预测框面积为A,标注框面积为B,交集区域面积为C,则预测框与标注框的交并比如公式(14):当IoU=1时,预测框就完全“贴合”标注框,而当IoU=0时,预测框就完全不“贴合”标注框。然而当IoU作为损失函数时,如果预测框与标注框没有相交即IoU=0,这不能反映出两个边界框的距离大小,同时loss=0也不会有梯度回传。
在一些实施例中,可以根据GIoU(Generalized IoU)来评估预测框与标注框的距离。即先计算预测框和标注框的最小闭包矩形面积D,再计算预测框和标注框的交并比IoU以及预测框和标注框的并集面积U,GIoU的计算公式如公式(15):
GIoU不仅关注两个框的重叠区域,还关注其不重合的区域,当预测框与标注框完全贴合时,GIoU=1,当预测框与标注框且相隔无限远,GIoU=-1,因此可知GIoU能够很好的反映出两个边界框的距离大小,同时GIoU对目标尺度变化也不敏感。为了满足损失函数的要求,距离越大,误差越大,坐标损失函数如公式(16),LGIoU=1-GIoU(16),分类误差的损失函数保持不变。通过对坐标损失函数的改进,可以优化loss的收敛过程,并提高定位的准确性。
在一些实施例中,可以使用维度聚类的方法来预测边界框,例如每个单元格预测3个尺寸。预测边界框的信息如公式(17),
其中,tx、ty、tw以及th为预测框预测值的坐标,bx、by、bw和bh是预测得到的边界框中心坐标和宽高,cx和cy表示网络单元格左上角坐标,pw和ph表示预测前边界框的尺寸。σ()函数为sigmoid函数。tx以及ty通过sigmoid函数将其值压缩在0到1的范围内,使得锚框只负责预测物体周围的边界框,有利于提升网络的收敛。为了得到一个大于0的缩放尺度,tw和th经过指数e计算。
在一些实施例中,可以使用逻辑回归的方法给每个边界框预测一个对象分数。算法只为每个ground truth对象分配一个边界框。其中,ground truth指的是有监督训练的训练集的分类准确性。在有监督学习中,数据是有标注的,以(r,t)的形式出现,其中,r为模型的输入数据,t为标注,可以认为正确的t标注的数据是ground truth,错误的标记则不是。
在一些实施例中,可以采用多个scale融合的方式进行预测。在分类预测中,在训练过程中,可以使用softmax或者二元交叉熵损失来进行类别预测。其中,使用softmax会强加了一个假设,即每个框中只有一个类别的对象。在边界框预测中,可以预测3种不同尺度的框,采用FPN(feature pyramid networks)算法,融合多层特征映射信息,在多个scale的feature map上做检测。可以使用k-means聚类来确定我们的边界框的先验,可以选择9个聚类(clusters)和3个尺度(scales),然后在整个尺度上均匀分割聚类。
在一些实施例中,使用基于YOLOv3的keras框架进行模型的训练和测试。在测试过程中,将尚未标注的图像通过神经网络的正向传播直接传输,通过非最大抑制可以获得位置图像的检测结果,对所有预测帧执行非最大抑制,并根据置信度选择预测帧作为最终预测结果。在测试期间,它可以在GPU上每秒达到20帧以上。可以采用Adam优化算法进行模型的优化。
在一些实施例中,训练的对象检测模型的得到步骤包括:
步骤1、建立所需的电力设备的数据集;
步骤2、运用YOLOv3的keras框架对标注图像进行训练,并使用深度学习Adam优化算法进行网络的优化;
步骤3、运用多个scale融合的方式进行测试;
步骤4、使用二元交叉熵损失来进行类别预测;
步骤5、对所有预测帧执行非最大抑制,并根据置信度选择预测帧作为最终预测结果;
步骤6、通过GIoU(Generalized IoU)来评估预测框与标注框的距离;
步骤7、得出红外图像测试集合中的每个红外图像中的电力设备的位置信息与识别精度。
上述电力设备识别方法中,对初始引导图像进行下采样处理得到下采样引导图像,对初始采集图像进行下采样处理得到下采样采集图像,根据下采样引导图像以及下采样采集图像的像素值计算得到各个滤波滑动窗口对应的滤波参数,根据滤波参数对下采样采集图像进行滤波处理,得到滤波采集图像,根据滤波采集图像得到对应的目标采集图像,将目标采集图像输入到已训练的对象检测模型中,得到电力设备在目标采集图像中的位置信息。从而实现了对图像中电力设备的自动识别,提高了电力设备识别效率以及准确度。
将本申请的电力设备识别方法应用于电力设备巡检中,可以对电力设备进行自动识别,并且自动识别准确度和效率高,从而可以减轻工作强度以及降低人工成本,以保证电网的安全稳定运行。
在一些实施例中,如图3所示,步骤S206即根据下采样引导图像以及下采样采集图像的像素值计算得到各个滤波滑动窗口对应的滤波参数包括:
S302,获取目标滤波滑动窗口。
S304,根据目标滤波滑动窗口中,下采样引导图像对应的第一像素均值以及下采样采集图像对应的第二像素均值计算得到均值的乘积。
具体地,可以获取目标滤波滑动窗口在下采样引导图像中对应的各个像素的像素值,计算各个像素值的平均值,作为第一像素均值。可以获取目标滤波滑动窗口在下采样采集图像中对应的各个像素的像素值,计算各个像素值的平均值,作为第二像素均值。例如,如果μk是图像区域为I在滤波滑动窗口wk的像素的平均值,是图像区域p在滤波滑动窗口wk的像素均值,则均值的乘积为
S306,计算目标滤波滑动窗口中,下采样引导图像以及下采样采集图像在对应位置的像素值乘积。
具体地,例如,pi表示图像区域p中第i个位置(像素)的像素值,Ii表示图像区域I中第i个位置的像素值,因此第i个位置的像素值乘积为IiPi。
S308,计算像素值乘积与均值的乘积的差异,根据差异的均值得到滤波参数。
上述本申请实施例中,由于下采样引导图像比初始引导图像的像素数量小,下采样采集图像比初始采集图像的像素数量小,因此根据下采样引导图像以及下采样采集图像可以快速的计算得到滤波参数。
在一些实施例中,如图4A所示,步骤S210即根据滤波采集图像得到对应的目标采集图像包括:
S402,对滤波采集图像进行尺度变换,得到尺度变换后的尺度变换采集图像。
具体地,可以将滤波采集图像拆分为多个通过,得到对应的各个通道图像,对各个通道图像分别进行尺度变化,得到各个通道图像分别对应的尺度变换后的通道图像,根据各个尺度变换后的通道图像,得到尺度变换采集图像。当然,也可以将尺度变换后的通道图像作为尺度变换采集图像。
在一些实施例中,可以通过尺度变换对应的方法对滤波采集图像进行尺度变换,得到尺度变换后的尺度变换采集图像。其中,尺度变换对应的方法可以包括单尺度Retinex(Single-scale Retinex,SSR)、多尺度Retinex(multi-scale Retinex,MSR)以及带彩色恢复因子的MSR算法(multi-scale Retinex with color restoration,MSRCR)。单尺度Retinex理论假定人眼感知亮度(相机传感器接收光度)I(x,y),由环境光分量L(x,y)与含物体细节的物体反射分量的R(x,y),如式I(x,y)=L(x,y)×R(x,y)(18),其中L(x,y)为输入图像S(x,y)经过高斯滤波器平滑后的图像,即L(x,y)=S(x,y)*Fgaussian(x,y),其中,S(x,y)是照射图像,一般可认为是I(x,y),Fgaussian(x,y)为高斯滤波器。对R(x,y)取对数,并调整顺序得到物体的反射分量的对数即Log[R(x,y)],并且Log[R(x,y)]=Log[I(x,y)]-Log[L(x,y)](19),将Log[R(x,y)]记作RSSR(x,y),则可以得到:RSSR(x,y)=Log[R(x,y)]=Log[I(x,y)]-Log[S(x,y)*Fgaussian(x,y)](20)。其中,(x,y)表示像素点的坐标。
多尺度Retinex经单尺度Retinex发展而来,其能实现色彩增强,动态范围压缩。MSR经过多次(例如3次)不同尺度的高斯滤波器进行单尺度Retinex运算输出,多次输出相加再平均,得到多尺度Retinex输出。如式
MSRCR是在MSR算法上加入了色彩恢复因子C来调节由于图像局部区域对比度增强而导致颜色失真的缺陷。修正后的算法表达式为:其中,Ci表示第i个通道的彩色回复因子,用来调节3个通道颜色的比例,Ci可以表示为:
S404,计算尺度变换采集图像对应的边界像素值。
具体地,边界像素值可以包括最高像素值以及最低像素值,可以计算尺度变换采集图像对应的各个尺度变换后的通道图像,分别对应的边界像素值。
S406,根据边界像素值进行图像截取,得到目标采集图像。
具体地,可以根据各个尺度变换后的通道图像分别对应的边界像素值,对各个尺度变换后的通道图像分别进行图像截取,得到各个截取后的采集图像,根据各个截取后的采集图像得到目标采集图像。
在一些实施例中,可以对滤波采集图像进行尺度变换,得到尺度变换后的图像,然后对尺度变换后的图像进行色彩平衡,得到目标采集图像。也可以对色彩平衡后的图像进行均衡化处理,得到目标采集图像。例如,可以通过限制对比度自适应直方图(CLAHE)来对图像进行均衡化处理。其中,CLAHE的全称为ContrastLimitedAdaptiveHistogramEqualization。与AHE(自适应直方图,AdaptiveHistogramEqualization)不同的是,CLAHE对每个小区域内的对比度都有限制。这主要是通过限制AHE的对比度提高程度来达到的。在指定的像素值周边的对比度放大主要是由变换函数的斜度决定的。这个斜度和领域的累积直方图的斜度成比例。CLAHE通过在计算CDF(CumulativeDistributionFunction累计直方图函数)前用预先定义的阈值来裁剪直方图以达到限制放大幅度的目的。这限制了CDF的斜度,因此也限制了变换函数的斜度,所以需要对子块中统计得到的直方图进行裁剪,使其幅值低于某个上限,当然裁剪掉的部分不能扔掉,还需要将这部分裁剪值均匀地分布在整个灰度区间上,以保证直方图总面积不变。
在一些实施例中,为了提升计算速度及去除分块处理导致的块边缘过渡不平衡等问题,可以使用插值方法。插值方法可以包括一元线性插值方法以及一元线性插值方法等。其中,一元线性插值方法,可以用λx1+(1-λ)x2向内插值得到x1和x2之间的线段。二元线性插值方法可以增加一个参数λ1变成:
λλ1x11+(1-λ)λ1x21+(1-λ1)λx12+(1-λ1)(1-λ)x22(25),即一个二次型。其中,x11为函数在(x1,y1)位置处的值,x21为函数在(x2,y1)位置处的值,x12为函数在(x1,y2)位置处的值,x22为函数在(x2,y2)位置处的值,
在一些实施例中,可以通过四个点的像素值来预测一个点的像素值。这样做的好处就是不需要计算连续的像素值,相当于多重网格中,将细网格下降到粗网格,然后减少计算量。
在一些实施例中,如图4B所示,可以对滤波采集图像进行MSRCR变换,得到多尺度变换后的采集图像,然后根据自动寻找到的最低截取点以及最高截取点,对多尺度变换后的采集图像进行色彩平衡,得到色彩平衡后的采集图像,并对色彩平衡后的采集图像进行色彩重建,得到色彩重建后的采集图像,并对色彩重建后的采集图像进行均衡化处理,得到目标采集图像。
上述本申请实施例中,根据每张图片不同的像素值来选取边界像素值(最高像素值以及最低像素值),并根据边界像素值对尺度变换采集图像进行图像截取,从而可以处理各种情况下的图像,提高了普遍性。
在一些实施例中,如图5所示,步骤S404即计算尺度变换采集图像对应的边界像素值包括:
S502,对尺度变换采集图像的像素值进行频率统计,得到尺度变换采集图像对应的像素值频率分布。
具体地,可以将尺度变换采集图像拆分为多个通道,获取尺度变换采集图像对应的各个通道图像,例如拆分为3个通道,分别为R通道、G通道以及R通道。对各个通道图像的像素值进行频率统计,得到各个通道图像分别对应的像素值频率分布。当然,也可以根据未进行通道拆分的尺度变换采集图像的像素值进行频率统计,得到尺度变换采集图像对应的像素值频率分布。
S504,根据像素值频率分布中预设像素值对应的频率,得到尺度变换采集图像对应的边界像素值。
具体地,预设像素值可以根据经验进行设置。可以获取尺度变换采集图像对应的直方图,将直方图中像素出现频率作为控制量,计算得到对应的边界像素值。
上述本申请实施例中,根据像素值频率分布中预设像素值对应的频率,可以灵活的设置预设像素值,从而可以灵活调整边界像素值,以使得找到最优的边界像素值。
在一些实施例中,如图6所示,步骤S504即根据像素值频率分布中预设像素值对应的频率,得到尺度变换采集图像对应的边界像素值包括:
S602,将预设像素值对应的频率作为最大频率值,获取预设调整系数,根据预设调整系数以及最大频率值计算得到目标频率值。
具体地,可以将预设像素值对应的频率作为最大频率值,例如可以将0像素值对应的频率作为最大频率值。预设调整系数可以是根据经验设置的,例如可以是0.05。可以将最大频率值与预设调整系数的乘积,作为目标频率值。目标频率值可用于得到边界像素值。
S604将目标频率值对应的像素值作为尺度变换采集图像对应的边界像素值。
具体地,目标频率值对应的像素值可以包括两个,可以将其中较小的像素值作为最低像素值,将其中较大的像素值作为最高像素值,将最低像素值以及最高像素值作为尺度变换采集图像对应的边界像素值。例如,可以将增强图像中0像素值的出现频率,设为最大频率点。预设调整系数设为0.05,这意味着直方图两侧的像素被舍弃了5%。即设置最大频率点的95%作为控制量,截取出需要自动调整的参数:最高和最低像素点。
在一些实施例中,可以利用边界像素值对尺度变换采集图像进行处理,例如,可以利用边界像素值对尺度变换采集图像进行色彩平衡处理。
上述本申请实施例中,自动地选择最高最低的截取像素,可以灵活的设置预设调整系数以及预设像素值,从而可以灵活调整边界像素值,以使得找到最优的边界像素值。并且可以消除图像依赖性,提高普遍性。
在一些实施例中,如图7A所示,步骤S212即将目标采集图像输入到已训练的对象检测模型中,得到电力设备在目标采集图像中的位置信息包括:
S702,将目标采集图像输入到已训练的对象检测模型中,已训练的对象检测模型将目标采集图像进行图像分割,得到候选图像区域集合,候选图像区域集合包括多个候选图像区域。
具体地,候选图像区域为已训练的对象检测模型判断的可能存在电力设备的区域。图像识别服务器可以将目标采集图像输入到已训练的对象检测模型中,已训练的对象检测模型对目标采集图像进行识别,选出可能存在电力设备的区域,将这些区域作为候选图像区域,将各个候选图像区域组成候选图像区域集合。
S704,利用对象检测模型计算各个候选图像区域中存在电力设备的概率,根据候选图像区域中存在电力设备的概率,从候选图像区域集合中筛选得到目标图像区域,作为存在电力设备的图像区域。
具体地,图像识别服务器可以计算各个候选图像区域中存在电力设备的概率,得到各个候选图像区域分别对应的电力设备概率,计算得到各个电力设备概率中最大的电力设备概率,将最大的电力设备概率对应的候选图像区域,作为目标图像区域。
上述本申请实施例中,将目标采集图像输入到已训练的对象检测模型中,已训练的对象检测模型对目标采集图像进行处理,得到存在电力设备的图像区域,由于目标采集图像是对初始采集图像进行滤波处理后的图像,因此目标采集图像中的噪声比初始采集图像小,因此根据目标采集图像得到的存在电力设备的图像区域的准确度高。
在一些实施例中,提供了一个电力设备识别方法,包括:
步骤1,获取电力设备的红外图像以及对应的引导图像;
步骤2,对电力设备的红外图像以及引导图像进行下采样处理,得到下采样后的引导图像以及下采样后的红外图像;
步骤3、对下采样后的引导图像以及下采样后的红外图像进行均值平滑处理,得到平滑后的引导图像以及平滑后的红外图像;
步骤4、根据平滑后的引导图像对平滑后的红外图像进行导向滤波,得到滤波后的红外图像。
具体地,可以对导向滤波后的红外图像放大,得到滤波后的红外图像。
步骤5、计算滤波后的红外图像对应的各个通道图像的平均亮度以及高斯滤波核;
步骤6、利用高斯滤波核对滤波后的红外图像进行多尺度Retinex变换,得到多尺度Retinex变换后的红外图像;
步骤7、计算多尺度Retinex变换后的红外图像的像素频率直方图,将0像素出现频率的95%作为控制量,找出需要自动调整的参数,即图像的最高截取点和最低截取点;其中,最高截取点可以对应最高像素值,最低截取点可以对应最低像素值。
步骤8、利用找出的最高截取以及最低截取点对多尺度Retinex变换后的红外图像进行色彩平衡处理,得到色彩平衡后的红外图像;
步骤9、色彩平衡后的红外图像进行色彩重建,得到色彩重建后的红外图像;
步骤10、对色彩重建后的红外图像进行均衡化处理,得到目标红外图像;
步骤11、将目标红外图像输入到已训练的对象检测模型中,
步骤12、获取模型输出的目标红外图像中电力设备的位置信息以及类别等信息。
在一些实施例中,如图7B所示,提供了一个电力设备识别方法,其中,改进的快速导向滤波可以包括均值滤波、中值滤波、下采样以及导向滤波等,图像处理包括对红外图像进行改进的快速导向滤波以及自动寻找最高截取点以及最低截取点的MSRCR,还可以包括CLAHE均衡化处理。
具体地,通过对收集到的红外图像进行图像处理,建立数据集(训练集),根据训练集对模型(YOLOv3网络)进行训练,得到训练好的模型,将采集到的红外图像进行图像处理,输入到训练好的模型中,利用训练好的模型对红外图像中的电力设备进行识别以及定位。
应该理解的是,虽然上述各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述各实施例的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
上述描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在一些实施例中,如图8所示,提供了一种电力设备识别装置,包括:图像获取模块802、下采样处理模块804、滤波参数得到模块806、滤波采集图像得到模块808、目标采集图像得到模块810和位置信息得到模块812,其中:
图像获取模块802,用于获取待识别的初始采集图像以及对应的初始引导图像,初始采集图像是对待识别的电力设备进行图像采集得到的。
下采样处理模块804,用于对初始引导图像进行下采样处理得到下采样引导图像,以及对初始采集图像进行下采样处理得到下采样采集图像。
滤波参数得到模块806,用于根据下采样引导图像以及下采样采集图像的像素值计算得到各个滤波滑动窗口对应的滤波参数。
滤波采集图像得到模块808,用于根据滤波参数对下采样引导图像进行处理,得到滤波采集图像。
目标采集图像得到模块810,用于根据滤波采集图像得到对应的目标采集图像。
位置信息得到模块812,用于将目标采集图像输入到已训练的对象检测模型中,得到电力设备在目标采集图像中的位置信息。
在一些实施例中,滤波参数得到模块806包括:
目标滤波滑动窗口获取单元,用于获取目标滤波滑动窗口。
均值的乘积得到单元,用于根据目标滤波滑动窗口中,下采样引导图像对应的第一像素均值以及下采样采集图像对应的第二像素均值计算得到均值的乘积。
像素值乘积计算单元,用于计算目标滤波滑动窗口中,下采样引导图像以及下采样采集图像在对应位置的像素值乘积。
滤波参数得到单元,用于计算像素值乘积与均值的乘积的差异,根据差异的均值得到滤波参数。
在一些实施例中,目标采集图像得到模块810包括:
尺度变换采集图像得到单元,用于对滤波采集图像进行尺度变换,得到尺度变换后的尺度变换采集图像。
目标采集图像得到单元,用于计算尺度变换采集图像对应的边界像素值,根据边界像素值进行图像截取,得到目标采集图像。
在一些实施例中,目标采集图像得到单元,还用于对尺度变换采集图像的像素值进行频率统计,得到尺度变换采集图像对应的像素值频率分布;根据像素值频率分布中预设像素值对应的频率,得到尺度变换采集图像对应的边界像素值。
在一些实施例中,目标采集图像得到单元,还用于将预设像素值对应的频率作为最大频率值,获取预设调整系数,根据预设调整系数以及最大频率值计算得到目标频率值;将目标频率值对应的像素值作为尺度变换采集图像对应的边界像素值。
在一些实施例中,位置信息得到模块812包括:
候选图像区域集合得到单元,用于将目标采集图像输入到已训练的对象检测模型中,已训练的对象检测模型将目标采集图像进行图像分割,得到候选图像区域集合,候选图像区域集合包括多个候选图像区域。
图像区域得到单元,用于利用对象检测模型计算各个候选图像区域中存在电力设备的概率,根据候选图像区域中存在电力设备的概率,从候选图像区域集合中筛选得到目标图像区域,作为存在电力设备的图像区域。
关于电力设备识别装置的具体限定可以参见上文中对于电力设备识别方法的限定,在此不再赘述。上述电力设备识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一些实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电力设备识别方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一些实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述电力设备识别方法的步骤。
在一些实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述电力设备识别方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电力设备识别方法,所述方法包括:
获取待识别的初始采集图像以及对应的初始引导图像,所述初始采集图像是对待识别的电力设备进行图像采集得到的;
对所述初始引导图像进行下采样处理得到下采样引导图像,以及对所述初始采集图像进行下采样处理得到下采样采集图像;
根据所述下采样引导图像以及所述下采样采集图像的像素值计算得到各个滤波滑动窗口对应的滤波参数;
根据所述滤波参数对所述下采样引导图像进行处理,得到滤波采集图像;
根据所述滤波采集图像得到对应的目标采集图像;
将所述目标采集图像输入到已训练的对象检测模型中,得到所述电力设备在所述目标采集图像中的位置信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述下采样引导图像以及所述下采样采集图像的像素值计算得到各个滤波滑动窗口对应的滤波参数包括:
获取目标滤波滑动窗口;
根据所述目标滤波滑动窗口中,所述下采样引导图像对应的第一像素均值以及所述下采样采集图像对应的第二像素均值计算得到均值的乘积;
计算所述目标滤波滑动窗口中,所述下采样引导图像以及所述下采样采集图像在对应位置的像素值乘积;
计算所述像素值乘积与所述均值的乘积的差异,根据所述差异的均值得到所述滤波参数。
3.根据权利要求1所述的方法,其特征在于,所述根据所述滤波采集图像得到对应的目标采集图像包括:
对所述滤波采集图像进行尺度变换,得到尺度变换后的尺度变换采集图像;
计算所述尺度变换采集图像对应的边界像素值,根据所述边界像素值进行图像截取,得到所述目标采集图像。
4.根据权利要求3所述的方法,其特征在于,所述计算所述尺度变换采集图像对应的边界像素值包括:
对所述尺度变换采集图像的像素值进行频率统计,得到所述尺度变换采集图像对应的像素值频率分布;
根据所述像素值频率分布中预设像素值对应的频率,得到所述尺度变换采集图像对应的边界像素值。
5.根据权利要求4所述的方法,其特征在于,所述根据所述像素值频率分布中预设像素值对应的频率,得到所述尺度变换采集图像对应的边界像素值包括:
将所述预设像素值对应的频率作为最大频率值,获取预设调整系数,根据所述预设调整系数以及所述最大频率值计算得到目标频率值;
将所述目标频率值对应的像素值作为所述尺度变换采集图像对应的边界像素值。
6.根据权利要求1所述的方法,其特征在于,所述将所述目标采集图像输入到已训练的对象检测模型中,得到所述电力设备在所述目标采集图像中的位置信息包括:
将所述目标采集图像输入到已训练的对象检测模型中,所述已训练的对象检测模型将所述目标采集图像进行图像分割,得到候选图像区域集合,所述候选图像区域集合包括多个候选图像区域;
利用所述对象检测模型计算各个所述候选图像区域中存在电力设备的概率,根据所述候选图像区域中存在电力设备的概率,从所述候选图像区域集合中筛选得到目标图像区域,作为存在电力设备的图像区域。
7.一种电力设备识别装置,其特征在于,所述装置包括:
图像获取模块,用于获取待识别的初始采集图像以及对应的初始引导图像,所述初始采集图像是对待识别的电力设备进行图像采集得到的;
下采样处理模块,用于对所述初始引导图像进行下采样处理得到下采样引导图像,以及对所述初始采集图像进行下采样处理得到下采样采集图像;
滤波参数得到模块,用于根据所述下采样引导图像以及所述下采样采集图像的像素值计算得到各个滤波滑动窗口对应的滤波参数;
滤波采集图像得到模块,用于根据所述滤波参数对所述下采样引导图像进行处理,得到滤波采集图像;
目标采集图像得到模块,用于根据所述滤波采集图像得到对应的目标采集图像;
位置信息得到模块,用于将所述目标采集图像输入到已训练的对象检测模型中,得到所述电力设备在所述目标采集图像中的位置信息。
8.根据权利要求7所述的装置,其特征在于,所述滤波参数得到模块包括:
目标滤波滑动窗口获取单元,用于获取目标滤波滑动窗口;
均值的乘积得到单元,用于根据所述目标滤波滑动窗口中,所述下采样引导图像对应的第一像素均值以及所述下采样采集图像对应的第二像素均值计算得到均值的乘积;
像素值乘积计算单元,用于计算所述目标滤波滑动窗口中,所述下采样引导图像以及所述下采样采集图像在对应位置的像素值乘积;
滤波参数得到单元,用于计算所述像素值乘积与所述均值的乘积的差异,根据所述差异的均值得到所述滤波参数。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述电力设备识别方法的步骤。
10.一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权利要求1至6中任一项所述电力设备识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911350319.6A CN111199523B (zh) | 2019-12-24 | 2019-12-24 | 电力设备识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911350319.6A CN111199523B (zh) | 2019-12-24 | 2019-12-24 | 电力设备识别方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111199523A true CN111199523A (zh) | 2020-05-26 |
CN111199523B CN111199523B (zh) | 2023-08-25 |
Family
ID=70744405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911350319.6A Active CN111199523B (zh) | 2019-12-24 | 2019-12-24 | 电力设备识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111199523B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798412A (zh) * | 2020-06-04 | 2020-10-20 | 国网山东省电力公司电力科学研究院 | 一种基于红外图像的变电设备缺陷智能诊断方法及*** |
CN111797698A (zh) * | 2020-06-10 | 2020-10-20 | 北京三快在线科技有限公司 | 目标物的识别方法及识别装置 |
CN111950457A (zh) * | 2020-08-12 | 2020-11-17 | 海默潘多拉数据科技(深圳)有限公司 | 油田安全生产图像识别方法及*** |
CN112464770A (zh) * | 2020-11-18 | 2021-03-09 | 燕山大学 | 一种复杂环境下的密集行人检测方法 |
CN112884054A (zh) * | 2021-03-03 | 2021-06-01 | 歌尔股份有限公司 | 一种目标标注方法和一种目标标注装置 |
CN113095444A (zh) * | 2021-06-07 | 2021-07-09 | 北京智芯微电子科技有限公司 | 图像标注方法、装置及存储介质 |
CN115113637A (zh) * | 2022-07-13 | 2022-09-27 | 中国科学院地质与地球物理研究所 | 基于5g和人工智能的无人化地球物理巡检***及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140028516A (ko) * | 2012-08-29 | 2014-03-10 | 주식회사 실리콘웍스 | 학습방식의 부화소기반 영상축소방법 |
CN103907109A (zh) * | 2011-06-27 | 2014-07-02 | 耶路撒冷希伯来大学伊萨姆研究发展有限公司 | 为图像处理目的用滤波器应用卷积的快速数值逼近 |
CN104574347A (zh) * | 2013-10-24 | 2015-04-29 | 南京理工大学 | 基于多源遥感数据的在轨卫星图像几何定位精度评价方法 |
CN107886481A (zh) * | 2017-11-06 | 2018-04-06 | 维沃移动通信有限公司 | 一种图像处理方法、装置及移动终端 |
CN109785333A (zh) * | 2018-12-11 | 2019-05-21 | 华北水利水电大学 | 用于并联机器人视觉***的目标检测方法及装置 |
CN110062160A (zh) * | 2019-04-09 | 2019-07-26 | Oppo广东移动通信有限公司 | 图像处理方法和装置 |
-
2019
- 2019-12-24 CN CN201911350319.6A patent/CN111199523B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103907109A (zh) * | 2011-06-27 | 2014-07-02 | 耶路撒冷希伯来大学伊萨姆研究发展有限公司 | 为图像处理目的用滤波器应用卷积的快速数值逼近 |
KR20140028516A (ko) * | 2012-08-29 | 2014-03-10 | 주식회사 실리콘웍스 | 학습방식의 부화소기반 영상축소방법 |
CN104574347A (zh) * | 2013-10-24 | 2015-04-29 | 南京理工大学 | 基于多源遥感数据的在轨卫星图像几何定位精度评价方法 |
CN107886481A (zh) * | 2017-11-06 | 2018-04-06 | 维沃移动通信有限公司 | 一种图像处理方法、装置及移动终端 |
CN109785333A (zh) * | 2018-12-11 | 2019-05-21 | 华北水利水电大学 | 用于并联机器人视觉***的目标检测方法及装置 |
CN110062160A (zh) * | 2019-04-09 | 2019-07-26 | Oppo广东移动通信有限公司 | 图像处理方法和装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798412A (zh) * | 2020-06-04 | 2020-10-20 | 国网山东省电力公司电力科学研究院 | 一种基于红外图像的变电设备缺陷智能诊断方法及*** |
CN111798412B (zh) * | 2020-06-04 | 2024-02-09 | 国网山东省电力公司电力科学研究院 | 一种基于红外图像的变电设备缺陷智能诊断方法及*** |
CN111797698A (zh) * | 2020-06-10 | 2020-10-20 | 北京三快在线科技有限公司 | 目标物的识别方法及识别装置 |
CN111950457A (zh) * | 2020-08-12 | 2020-11-17 | 海默潘多拉数据科技(深圳)有限公司 | 油田安全生产图像识别方法及*** |
CN112464770A (zh) * | 2020-11-18 | 2021-03-09 | 燕山大学 | 一种复杂环境下的密集行人检测方法 |
CN112884054A (zh) * | 2021-03-03 | 2021-06-01 | 歌尔股份有限公司 | 一种目标标注方法和一种目标标注装置 |
CN113095444A (zh) * | 2021-06-07 | 2021-07-09 | 北京智芯微电子科技有限公司 | 图像标注方法、装置及存储介质 |
CN113095444B (zh) * | 2021-06-07 | 2021-09-17 | 北京智芯微电子科技有限公司 | 图像标注方法、装置及存储介质 |
CN115113637A (zh) * | 2022-07-13 | 2022-09-27 | 中国科学院地质与地球物理研究所 | 基于5g和人工智能的无人化地球物理巡检***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111199523B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111199523B (zh) | 电力设备识别方法、装置、计算机设备和存储介质 | |
CN109872306B (zh) | 医学图像分割方法、装置和存储介质 | |
CN110941986B (zh) | 活体检测模型的训练方法、装置、计算机设备和存储介质 | |
CN111680746B (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
US20230418250A1 (en) | Operational inspection system and method for domain adaptive device | |
CN112379231B (zh) | 一种基于多光谱图像的设备检测方法及装置 | |
CN111260055B (zh) | 基于三维图像识别的模型训练方法、存储介质和设备 | |
Al-Hiary et al. | Fast and accurate detection and classification of plant diseases | |
CN110458839B (zh) | 一种有效的电线电缆监测*** | |
CN110176024B (zh) | 在视频中对目标进行检测的方法、装置、设备和存储介质 | |
CN113160200B (zh) | 一种基于多任务孪生网络的工业图像缺陷检测方法及*** | |
CN109903272B (zh) | 目标检测方法、装置、设备、计算机设备和存储介质 | |
CN113344475B (zh) | 基于序列模态分解的变压器套管缺陷识别方法及*** | |
CN111768415A (zh) | 一种无量化池化的图像实例分割方法 | |
CN112884782B (zh) | 生物对象分割方法、装置、计算机设备和存储介质 | |
AU2020272936B2 (en) | Methods and systems for crack detection using a fully convolutional network | |
CN116704273A (zh) | 一种自适应红外可见光双模融合检测方法 | |
AU2017443986B2 (en) | Color adaptation using adversarial training networks | |
CN113536896B (zh) | 基于改进Faster RCNN的绝缘子缺陷检测方法、装置及存储介质 | |
CN116681687B (zh) | 基于计算机视觉的导线检测方法、装置和计算机设备 | |
CN112699858A (zh) | 无人平台烟尘雾感知方法、***、计算机设备及存储介质 | |
CN117498321A (zh) | 一种分布式光伏出力预测方法、***及存储介质 | |
Zhu et al. | MAP-MRF approach to Landsat ETM+ SLC-Off image classification | |
Wang et al. | Strawberry ripeness classification method in facility environment based on red color ratio of fruit rind | |
CN113689399B (zh) | 一种用于电网识别遥感图像处理方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |