CN113780359A - 红外图像中绝缘子的识别方法、装置及可读存储介质 - Google Patents

Abstract

本发明涉及图像识别处理技术领域，具体涉及一种红外图像中绝缘子的识别方法、装置及可读存储介质，所述方法包括：获取绝缘子的样本图像数据集，所述绝缘子的样本图像数据集包括多张样本图像；其中，所述样本图像包括正样本图像和负样本图像，所述样本图像根据对绝缘子的红外图像预处理得到；构建弱分类器，根据所述样本图像数据集对构建好的弱分类器进行训练，得到改进的级联分类器模型；接收待检测的绝缘子红外图像，通过改进的级联分类器模型预测出所述待检测的绝缘子红外图像中的绝缘子区域；本发明还相应的提供了红外图像中绝缘子的识别装置及可读存储介质，本发明能够提高对红外图像中绝缘子识别的准确率和识别效率。

Description

红外图像中绝缘子的识别方法、装置及可读存储介质

技术领域

本发明涉及图像识别处理技术领域，具体涉及一种红外图像中绝缘子的识别方法、装置及可读存储介质。

背景技术

绝缘子是架空输电线路中应用数量巨大的重要组成设备，传统的人工检测难以对大量绝缘子红外图像准确多目标识别，现有的智能识别算法识别速度和准确率难以满足现场应用需求。

因此如何对现有的智能识别算法进行改进，提高对红外图像中绝缘子识别的准确率和识别效率，成为亟待解决的问题。

发明内容

本发明目的在于提供一种红外图像中绝缘子的识别方法、装置及可读存储介质，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。

为了实现上述目的，本发明提供以下技术方案：

一种红外图像中绝缘子的识别方法，所述方法包括以下步骤：

步骤S100、获取绝缘子的样本图像数据集，所述绝缘子的样本图像数据集包括多张样本图像；其中，所述样本图像包括正样本图像和负样本图像，所述样本图像根据对绝缘子的红外图像预处理得到；

步骤S200、构建弱分类器，根据所述样本图像数据集对构建好的弱分类器进行训练，得到改进的级联分类器模型；

步骤S300、接收待检测的绝缘子红外图像，通过改进的级联分类器模型预测出所述待检测的绝缘子红外图像中的绝缘子区域。

进一步，所述步骤S100包括：

步骤S110、获取变电站的红外图像，所述红外图像包含有绝缘子；

步骤S120、将红外图像的像素进行统一，并对统一像素后的红外图像进行灰度化处理，转换成灰度直方图；

步骤S130、对灰度直方图进行均衡化处理，得到最终的样本图像；

步骤S140、使用积分图方法确定样本图像的特征值，根据各个样本图像的特征值构建样本图像数据集。

进一步，所述步骤S200包括：

步骤S210、确定弱分类器；所述弱分类器采用级联Gentle Adaboost分类器；

步骤S220、确定弱分类器中各级分类器的最小分类误差率，并根据每级级分类器的分类误差率寻找该弱分类器的最小化阈值因子；

步骤S230、从所有弱分类器的最小分类误差率中找到最小分类误差率，根据最小的分类误差对输入弱分类器进行训练的样本图像的权值进行更新，输出强分类器；

步骤S240、设定每一级强分类器的最小击中率和最大虚警率，对级联的强分类器进行训练，当每一级强分类器的击中率达到最小击中率、且虚警率低于最大虚警率时，得到改进的级联分类器模型。

进一步，所述弱分类器用下式定义：

式中：f(x_i)为样本图像中待检测区域x_i的特征计算函数；θ为弱分类器设定的最小化阈值因子；分类值α₁和α₂的绝对值在[0,1]之间，分类值α₁和α₂的绝对值大小与弱分类器的可信度成正比。

进一步，所述步骤S220包括：

步骤S221、令j＝1,2,3,...,p，其中p为特征总数；

步骤S222、计算样本图像数据集中所有绝缘子样本的权重之和T⁺及所有非绝缘子样本的权重之和T^-；

步骤S223、计算样本i前所有正样本图像的权重之和

以及所有负样本图像的权重之和

其中i为正样本图像对应的样本序号；j为负样本图像对应的特征序号；

步骤S224、根据以下公式计算得到最小分类误差率，同时记录该弱分类器对应的最小化阈值因子θ；

进一步，所述步骤S230包括：

步骤S231、将N个样本图像标记为(x₁,y₁)，…，(x_n,y_n)，其中y_i∈{－1,1}，y_i＝1，表示为绝缘体样本；y_i＝－1，表示非绝缘体样本。

步骤S232、使用以下公式初始化样本权重；

w_i＝1/N,i＝1,...,N；

步骤S233、令J＝1,2,3...,J，其中J表示总迭代次数；

调用弱分类器训练算法，从所有弱分类器中找到分类误差最小的弱分类器h_j(x_i)对应的最小化阈值因子θ，用以下公式表示弱分类器h_j(x_i)的分类误差；

式中ε_j为第j次迭代的最小分类误差；k为常数，0<k<1；

令

用以下公式计算该轮样本图像的平均权值；

用以下公式计算权值标准差；

使用以下公式更新样本图像的权重：

式中：α_j为中间变量；h_j(x_i)表示为第j次迭代对应的分类器；Z_i为h_j(x_i)分类器的归一化因子；m为训练平均权值；

归一化因子Z_i可以表示为：

输出强分类器G(x)，其中：

一种计算机可读存储介质，所述计算机可读存储介质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任一项所述的红外图像中绝缘子的识别方法的步骤。

一种红外图像中绝缘子的识别***，所述***包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一项所述的红外图像中绝缘子的识别方法。

本发明的有益效果是：本发明公开一种红外图像中绝缘子的识别方法、装置及可读存储介质，本发明提出改进的Gentel Adaboost算法，使用改进的权值更新规则，训练多目标识别强分类器，试验结果表明，本发明方法可以有效提高识别准确率与识别效率，对红外图像绝缘子多目标识别及准确定位。本发明通过改进分类器训练算法，提高分类器识别准确率，采用新的权值更新法则，有效提高分类器训练、识别效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例中红外图像中绝缘子的识别方法的流程示意图；

图2是本发明实施例中对灰度直方图进行均衡化处理的示意图；

图3是本发明实施例中样本图像的示意图；

图4是本发明实施例中积分定义的示意图；

图5是是本发明实施例中级联层数与击中率的对应关系示意图；

图6是本发明实施例中级联层数与击中率虚警率的对应关系示意图。

具体实施方式

以下将结合实施例和附图对本申请的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本申请的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

参考图1，如图1所示为本申请实施例提供的一种红外图像中绝缘子的识别方法，所述方法包括以下步骤：

步骤S100、获取绝缘子的样本图像数据集，所述绝缘子的样本图像数据集包括多张样本图像；其中，所述样本图像包括正样本图像和负样本图像，所述样本图像根据对绝缘子的红外图像预处理得到；

步骤S200、构建弱分类器，根据所述样本图像数据集对构建好的弱分类器进行训练，得到改进的级联分类器模型；

步骤S300、接收待检测的绝缘子红外图像，通过改进的级联分类器模型预测出所述待检测的绝缘子红外图像中的绝缘子区域。

本发明提供的实施例中，首先使用现场采集的大量红外图像，构建绝缘子红外数据集，通过构建若干个弱分类器；通过训练改进分类器，提高分类器识别准确率，有效提高分类器训练、识别效率。

作为上述实施例的进一步改进，所述步骤S100包括：

步骤S110、获取变电站的红外图像，所述红外图像包含有绝缘子；

步骤S120、将红外图像的像素进行统一，并对统一像素后的红外图像进行灰度化处理，转换成灰度直方图；

步骤S130、对灰度直方图进行均衡化处理，得到最终的样本图像；

在一些实施例中，采用大量变电站的红外图像构建绝缘子的红外图像数据集，为提高后续分类器的训练和识别速度，将红外图像的像素统一为30*100，并对红外图像进行灰度化处理，转换成灰度直方图。考虑到灰度直方图中各个灰度级的灰度值分布不均匀，接着对灰度直方图进行均衡化处理(如图2所示)，以使图像明暗均匀、细节特征清晰，得到最终的样本图像。处理结果如图3所示。

步骤S140、使用积分图方法确定样本图像的特征值，根据各个样本图像的特征值构建样本图像数据集。

如图4所示为积分定义图，使用积分图方法，可以快速计算出样本图像的haar-like特征值。图4中，D区域表示为特征矩形中的深色部分，其余3部分区域表示特征矩形中的白色部分。各区域的像素值总和为：

D区域的特征值λ_D可以表示为：

λ_D＝I_A(x,y)+I_B(x,y)+I_C(x,y)-I_D(x,y)(5)；

式中：I(x,y)为各个区域像素值的总和；i(x′,y′)为点(x′,y′)的灰度值。

只需对整张样本图像扫描一遍，就可以得到样本图像的积分图。

作为上述实施例的进一步改进，所述弱分类器用下式定义：

式中：f(x_i)为样本图像中待检测区域x_i的特征计算函数；θ为弱分类器设定的最小化阈值因子；分类值α₁和α₂的绝对值在[0,1]之间，分类值α₁和α₂的绝对值大小与弱分类器的可信度成正比。

作为上述实施例的进一步改进，所述步骤S200包括：

步骤S210、确定弱分类器；所述弱分类器采用级联Gentle Adaboost分类器；

弱分类器训练过程中，主要有2种错误来源：①将绝缘子目标识别为非绝缘子目标；②将非绝缘子目标识别为绝缘子目标。可分别用式(7)、式(8)计算2种错误样本权重之和：

式中：w_i()为第i个区域在情况①下的样本权重；n为样本总数；w_i()为第i个区域在情况②下的样本权重；ε_pn、ε_np分别为对应情况下的权重之和。

现行分类器训练过程中，将以上2种错误情况同样对待处理。但在绝缘子目标识别图像中，绝缘子目标在图像中所占的比例较少。因此将绝缘子目标错误识别为非绝缘子区域，比将非绝缘子目标识别为绝缘子目标的错误影响更大。而在分类器的级联过程中，若某一分类器将绝缘子目标识别为非绝缘子目标，则该区域永久排除；而把非绝缘子目标判别为绝缘子目标区域，其在往下分类器中极有可能被排除，从而对训练过程影响较小。

为了平衡2种错误情况对分类器的影响，提高分类器识别的准确率，作为上述实施例的进一步改进，所述步骤S200还包括：

步骤S220、确定弱分类器中各级分类器的最小分类误差率，并根据每级级分类器的分类误差率寻找该弱分类器的最小化阈值因子；

步骤S230、从所有弱分类器的最小分类误差率中找到最小分类误差率，根据最小的分类误差对输入弱分类器进行训练的样本图像的权值进行更新，输出强分类器；

步骤S240、设定每一级强分类器的最小击中率和最大虚警率，对级联的强分类器进行训练，当每一级强分类器的击中率达到最小击中率、且虚警率低于最大虚警率时，得到改进的级联分类器模型。

作为上述实施例的进一步改进，所述步骤S220包括：

步骤S221、令j＝1,2,3,...,p，其中p为特征总数；

步骤S222、计算样本图像数据集中所有绝缘子样本的权重之和T⁺及所有非绝缘子样本的权重之和T^-；

步骤S223、计算样本i前所有正样本图像的权重之和

以及所有负样本图像的权重之和

其中i为正样本图像对应的样本序号；j为负样本图像对应的特征序号；

步骤S224、根据式(9)计算得到最小分类误差率，同时记录该弱分类器对应的最小化阈值因子θ；

在现行的级联分类器训练法则中，十分注重正样本目标。若训练过程中某些绝缘子存在噪声或遮挡现象，算法将侧重于分类困难的样本上，从而导致该样本的权重呈指数增长。随着迭代次数的增长，会造成强分类器退化的现象。

本实施例中，在权值更新算法中，先调用改进的弱分类器训练算法，根据重新定义的最小分类误差率，通过算法不断迭代，找到最小化阈值因子θ；然后通过新的权值更新法则，限制困难样本权值指数上升的情况。通过采用新的权值更新法则，有效提高分类器训练、识别效率。

在一个实施例中，采用改进级联Gentle Adaboost分类器的权值更新规则，通过计算平均权重m和权重标准差，当样本权重＞3时，样本的权重将不会增加。

作为上述实施例的进一步改进，所述步骤S230包括：

步骤S231、将N个样本图像标记为(x₁,y₁)，…，(x_n,y_n)，其中y_i∈{－1,1}，y_i＝1，表示为绝缘体样本；y_i＝－1，表示非绝缘体样本。

步骤S232、使用式(10)初始化样本权重；

w_i＝1/N,i＝1,...,N (10)；

步骤S233、令J＝1,2,3...,J，其中J表示总迭代次数；

调用弱分类器训练算法，从所有弱分类器中找到分类误差最小的弱分类器h_j(x_i)对应的最小化阈值因子θ，用式(11)表示弱分类器h_j(x_i)的分类误差；

式中ε_j为第j次迭代的最小分类误差；k为常数，0<k<1；

令

用式(13)计算该轮样本图像的平均权值；

用式(14)计算权值标准差；

使用式(15)更新样本图像的权重：

式中：α_j为中间变量；h_j(x_i)表示为第j次迭代对应的分类器；Z_i为h_j(x_i)分类器的归一化因子；m为训练平均权值；

归一化因子Z_i可以表示为：

输出强分类器G(x)，如式(17)所示：

下面是根据本发明上述实施例进行的实验：

选取了1100张正样本图像和3100张负样本图像作为本次试验数据集，将数据集中1000张正样本图像和3000张负样本图像作为训练集。试验中，设定每一级的强分类器最小击中率为99.5％，最大虚警率为50％。

级联层数与击中率、级联层数与击中率虚警率之间的关系如图5、图6所示。可知，训练过程中，各级级联分类器击中率都不低于99％；而虚警率在训练层数到达10层以后迅速收敛，当层数为20时，整个级联分类器的击中率为99.8％，虚警率为7％。

本实施例训练得到改进的级联分类器模型，选择了400张不同背景下绝缘子图像作为测试集，其中每张图像中都含有多个绝缘子目标。测试样本均取自现场不同电压等级的支柱绝缘子，结果统计如表1所示，在400张测试集中，正确识别支柱绝缘子个数为1118个，正确识别率达到了91.2％。

表1测试结果数据统计表

如表2所示，将本实施例提供的方法与当前几种流行算法进行比较。在不同背景下的识别准确率上，本文算法均取得更好的识别结果；而在识别时间上，本文算法的识别时间比Y OLOv3稍慢，比FasterR-CNN的速度稍快。

表2不同算法对比

与图1的方法相对应，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质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任一项所述的红外图像中绝缘子的识别方法的步骤。

与图1的方法相对应，本发明实施例还提供一种红外图像中绝缘子的识别***，所述***包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一实施例所述的红外图像中绝缘子的识别方法。

上述方法实施例中的内容均适用于本***实施例中，本***实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

所述处理器可以是中央处理单元(Central-Processing-Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor，DSP)、专用集成电路(Application-Specific-Integrated-Circuit，ASIC)、现场可编程门阵列(Field-Programmable-Gate-Arr ay，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述红外图像中绝缘子的识别***的控制中心，利用各种接口和线路连接整个红外图像中绝缘子的识别***可运行装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述红外图像中绝缘子的识别***的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart-Media-Card，SMC)，安全数字(Secure-Digital，SD)卡，闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

尽管本申请的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求，考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本申请的预定范围。此外，上文以发明人可预见的实施例对本申请进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本申请的非实质性改动仍可代表本申请的等效改动。

Claims (8)

1.一种红外图像中绝缘子的识别方法，其特征在于，所述方法包括以下步骤：

步骤S100、获取绝缘子的样本图像数据集，所述绝缘子的样本图像数据集包括多张样本图像；其中，所述样本图像包括正样本图像和负样本图像，所述样本图像根据对绝缘子的红外图像预处理得到；

步骤S200、构建弱分类器，根据所述样本图像数据集对构建好的弱分类器进行训练，得到改进的级联分类器模型；

步骤S300、接收待检测的绝缘子红外图像，通过改进的级联分类器模型预测出所述待检测的绝缘子红外图像中的绝缘子区域。

2.根据权利要求1所述的一种红外图像中绝缘子的识别方法，其特征在于，所述步骤S100包括：

步骤S110、获取变电站的红外图像，所述红外图像包含有绝缘子；

步骤S120、将红外图像的像素进行统一，并对统一像素后的红外图像进行灰度化处理，转换成灰度直方图；

步骤S130、对灰度直方图进行均衡化处理，得到最终的样本图像；

步骤S140、使用积分图方法确定样本图像的特征值，根据各个样本图像的特征值构建样本图像数据集。

3.根据权利要求2所述的一种红外图像中绝缘子的识别方法，其特征在于，所述步骤S200包括：

步骤S210、确定弱分类器；所述弱分类器采用级联Gentle Adaboost分类器；

步骤S220、确定弱分类器中各级分类器的最小分类误差率，并根据每级级分类器的分类误差率寻找该弱分类器的最小化阈值因子；

步骤S230、从所有弱分类器的最小分类误差率中找到最小分类误差率，根据最小的分类误差对输入弱分类器进行训练的样本图像的权值进行更新，输出强分类器；

步骤S240、设定每一级强分类器的最小击中率和最大虚警率，对级联的强分类器进行训练，当每一级强分类器的击中率达到最小击中率、且虚警率低于最大虚警率时，得到改进的级联分类器模型。

4.根据权利要求3所述的一种红外图像中绝缘子的识别方法，其特征在于，所述弱分类器用下式定义：

式中：f(x_i)为样本图像中待检测区域x_i的特征计算函数；θ为弱分类器设定的最小化阈值因子；分类值α₁和α₂的绝对值在[0,1]之间，分类值α₁和α₂的绝对值大小与弱分类器的可信度成正比。

5.根据权利要求4所述的一种红外图像中绝缘子的识别方法，其特征在于，所述步骤S220包括：

步骤S221、令j＝1,2,3,...,p，其中p为特征总数；

步骤S222、计算样本图像数据集中所有绝缘子样本的权重之和T⁺及所有非绝缘子样本的权重之和T^-；

步骤S223、计算样本i前所有正样本图像的权重之和

以及所有负样本图像的权重之和

其中i为正样本图像对应的样本序号；j为负样本图像对应的特征序号；

步骤S224、根据以下公式计算得到最小分类误差率，同时记录该弱分类器对应的最小化阈值因子θ；

6.根据权利要求5所述的一种红外图像中绝缘子的识别方法，其特征在于，所述步骤S230包括：

步骤S231、将N个样本图像标记为(x₁,y₁)，…，(x_n,y_n)，其中y_i∈{－1,1}，y_i＝1，表示为绝缘体样本；y_i＝－1，表示非绝缘体样本。

步骤S232、使用以下公式初始化样本权重；

w_i＝1/N,i＝1,...,N；

步骤S233、令J＝1,2,3...,J，其中J表示总迭代次数；

调用弱分类器训练算法，从所有弱分类器中找到分类误差最小的弱分类器h_j(x_i)对应的最小化阈值因子θ，用以下公式表示弱分类器h_j(x_i)的分类误差；

式中ε_j为第j次迭代的最小分类误差；k为常数，0<k<1；

用以下公式计算该轮样本图像的平均权值；

用以下公式计算权值标准差；

使用以下公式更新样本图像的权重：

式中：α_j为中间变量；h_j(x_i)表示为第j次迭代对应的分类器；Z_i为h_j(x_i)分类器的归一化因子；m为训练平均权值；

归一化因子Z_i可以表示为：

输出强分类器G(x)，其中：

7.一种红外图像中绝缘子的识别装置，其特征在于，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至6任一项所述的红外图像中绝缘子的识别方法。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1至6任一项所述的红外图像中绝缘子的识别方法的步骤。

Images