CN114283385A - 一种异物数据生成方法及终端 - Google Patents
一种异物数据生成方法及终端 Download PDFInfo
- Publication number
- CN114283385A CN114283385A CN202111636113.7A CN202111636113A CN114283385A CN 114283385 A CN114283385 A CN 114283385A CN 202111636113 A CN202111636113 A CN 202111636113A CN 114283385 A CN114283385 A CN 114283385A
- Authority
- CN
- China
- Prior art keywords
- foreign matter
- power transmission
- image
- transmission line
- preset
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000005540 biological transmission Effects 0.000 claims abstract description 230
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 10
- 238000012360 testing method Methods 0.000 abstract description 5
- 206010070245 Foreign body Diseases 0.000 description 121
- 238000013508 migration Methods 0.000 description 5
- 230000005012 migration Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开一种异物数据生成方法，获取输电线场景图像和预设异物图像；提取所述输电线场景图像中的输电线，得到输电线位置；从所述输电线位置中确定目标输电线位置，并将所述预设异物图像贴入所述目标输电线位置，得到初始异物数据；基于所述初始异物数据使用预设图像和谐化神经网络进行和谐化，得到最终的异物数据，可实现在各种不同背景上的异物数据生成，且不限数量，最后基于初始异物数据使用预设图像和谐化神经网络进行和谐化，能够使最终得到的异物数据中的异物和场景融合的更好，提高异物数据的真实效果，以此有效增加特定输电线场景中异物数据的数量，丰富训练样本，避免训练和测试场景不同而导致的迁移性能下降问题。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种异物数据生成方法及终端。
背景技术
目标检测是计算机视觉中最重要的任务之一，其中，输电线异物的目标检测具有重要的研究价值。常见的输电线异物包括风筝、塑料袋和树枝等。目前的输电线异物检测的难点在于：(1)异物数据少；(2)异物类别不均衡；(3)异物出现的形态***，更进一步加剧了数据少的问题。
目前，大多数基于深度学习的异物检测方法都存在数据缺乏问题，他们为了解决数据缺乏问题，从所有不同的地方收集输电线异物数据，用于训练网络，并应用到其他希望监控的目标场景中，这种做法存在两个问题：(1)迁移性问题；我们在各种源域数据训练得到的异物检测网络，放到其他目标场景中，检测性能会大幅度下降；(2)即使收集所有非目标域的数据用作训练，他们依然没法得到足够的训练数据量。
发明内容
本发明所要解决的技术问题是：提供一种异物数据生成方法及终端，能够有效增加输电线场景中异物数据的数量。
为了解决上述技术问题，本发明采用的一种技术方案为：
一种异物数据生成方法，包括：
获取输电线场景图像和预设异物图像；
提取所述输电线场景图像中的输电线，得到输电线位置；
从所述输电线位置中确定目标输电线位置，并将所述预设异物图像贴入所述目标输电线位置，得到初始异物数据；
基于所述初始异物数据使用预设图像和谐化神经网络进行和谐化，得到最终的异物数据。
为了解决上述技术问题，本发明采用的另一种技术方案为：
一种异物数据生成终端，包括存储器、处理器及存储在存储器上并可在所述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以下步骤：
获取输电线场景图像和预设异物图像；
提取所述输电线场景图像中的输电线，得到输电线位置；
从所述输电线位置中确定目标输电线位置，并将所述预设异物图像贴入所述目标输电线位置，得到初始异物数据；
基于所述初始异物数据使用预设图像和谐化神经网络进行和谐化，得到最终的异物数据。
本发明的有益效果在于：提取获取的输电线场景图像中的输电线，得到输电线位置，从输电线位置中确定目标输电线位置，并将预设异物图像贴入目标输电线位置，得到初始异物数据，基于初始异物数据使用预设图像和谐化神经网络进行和谐化，得到最终的异物数据，可通过获取各种不同的输电线场景图像，提取得到输电线位置，将预设异物图像贴入目标输电线位置，可实现在各种不同背景上的异物数据生成，且不限数量，最后基于初始异物数据使用预设图像和谐化神经网络进行和谐化，能够使最终得到的异物数据中的异物和场景融合的更好，提高异物数据的真实效果，以此有效增加特定输电线场景中异物数据的数量，丰富训练样本，避免训练和测试场景不同而导致的迁移性能下降问题。
附图说明
图1为本发明实施例的一种异物数据生成方法的步骤流程图；
图2为本发明实施例的一种异物数据生成终端的结构示意图；
图3为本发明实施例异物数据生成方法中的最终异物数据生成的流程示意图；
图4为本发明实施例异物数据生成方法中的输电线场景图像的示意图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
请参照图1，本发明实施例提供了一种异物数据生成方法，包括：
获取输电线场景图像和预设异物图像；
提取所述输电线场景图像中的输电线，得到输电线位置；
从所述输电线位置中确定目标输电线位置，并将所述预设异物图像贴入所述目标输电线位置，得到初始异物数据；
基于所述初始异物数据使用预设图像和谐化神经网络进行和谐化，得到最终的异物数据。
从上述描述可知，本发明的有益效果在于：提取获取的输电线场景图像中的输电线，得到输电线位置，从输电线位置中确定目标输电线位置，并将预设异物图像贴入目标输电线位置，得到初始异物数据，基于初始异物数据使用预设图像和谐化神经网络进行和谐化，得到最终的异物数据，可通过获取各种不同的输电线场景图像，提取得到输电线位置，将预设异物图像贴入目标输电线位置，可实现在各种不同背景上的异物数据生成，且不限数量，最后基于初始异物数据使用预设图像和谐化神经网络进行和谐化，能够使最终得到的异物数据中的异物和场景融合的更好，提高异物数据的真实效果，以此有效增加特定输电线场景中异物数据的数量，丰富训练样本，避免训练和测试场景不同而导致的迁移性能下降问题。
进一步地，所述预设异物图像包括异物掩码标注；
所述获取输电线场景图像和预设异物图像之后包括：
根据所述异物掩码标注对所述预设异物图像进行数据增强，得到增强后的预设异物图像；
所述将所述预设异物图像贴入所述目标输电线位置，得到初始异物数据包括；
将所述增强后的预设异物图像贴入所述目标输电线位置，得到初始异物数据。
由上述描述可知，根据异物掩码标注对预设异物图像进行数据增强，能够使异物自身变换不同的形态，进而提高后续生成的异物数据的真实性。
进一步地，所述提取所述输电线场景图像中的输电线，得到输电线位置包括：
使用边缘提取算法对所述输电线场景图像进行边缘提取，得到图像边缘信息；
使用直线检测算法将所述图像边缘信息进行合并，得到输电线图像，并根据所述输电线图像确定输电线位置。
由上述描述可知，使用边缘提取算法对输电线场景图像进行边缘提取，使用直线检测算法将图像边缘信息进行合并，通过阈值的调整能够过滤掉输电线场景图像中的水印、云朵等绝大多数无关的线条，使得输出结果只有输电线本身图像，保证了输电线提取效果。
进一步地，所述从所述输电线位置中确定目标输电线位置包括：
从所述输电线位置中随机选择一待定输电线位置，判断所述待定输电线位置的实际大小是否小于或等于所述预设异物图像中异物的实际大小，若是，则将所述待定输电线位置确定为目标输电线位置，若否，则返回执行所述从所述输电线位置中随机选择一待定输电线位置步骤，直至从所述输电线位置中确定出所述目标输电线位置；
所述将所述增强后的预设异物图像贴入所述目标输电线位置，得到初始异物数据包括：
根据所述增强后的预设异物图像确定贴入状态；
获取所述目标输电线位置的纵坐标大小；
根据所述纵坐标大小对所述增强后的预设异物图像进行缩放操作，得到缩放后的预设异物图像；
将所述缩放后的预设异物图像按照所述贴入状态贴入所述目标输电线位置，得到初始异物数据。
由上述描述可知，确定目标输电线位置时，从输电线位置中随机选择一待定输电线位置，只要该位置的实际大小足够让预设异物图像中异物贴入，则将其确定为目标输电线位置，实现了异物的随机贴入，在异物图像贴入时，将缩放后的预设异物图像按照贴入状态贴入目标输电线位置，能够模拟出真实的输电线存在异物的场景，从而提高异物数据的真实效果。
进一步地，所述基于所述初始异物数据使用预设图像和谐化神经网络进行和谐化，得到最终的异物数据包括：
将所述初始异物数据进行裁剪，得到异物图像块，并获取所述异物图像块的初始尺寸，所述异物图像块包括所述初始异物数据中的预设异物图像；
将所述异物图像块与所述异物掩码标注输入预设图像和谐化神经网络进行和谐化，得到和谐化后的异物图像块；
将所述和谐化后的异物图像块恢复至所述初始尺寸，得到恢复后的异物图像块，并将所述恢复后的异物图像块与所述初始异物数据重新合成，得到最终的异物数据。
由上述描述可知，由于初始异物数据的前景和背景分别来自不同的图像，它们的分辨率、色调、光照等都是不一样的，需要对初始异物进行和谐化操作，而和谐化前景时参考的背景不宜过大，因此，先将初始异物数据进行裁剪，得到异物图像块，将异物图像块与异物掩码标注输入预设图像和谐化神经网络进行和谐化，将异物图像块输入网络后，其将被调整为预设尺寸，所以最后将和谐化后的异物图像块恢复至初始尺寸，将恢复后的异物图像块与初始异物数据重新合成，得到最终的异物数据，以此能够提高异物数据的质量，从而能够生成不限数量的输电线异物数据，它们有不同的背景、形态、大小和类别，大大增加了目标检测网络的鲁棒性，提高了目标检测网络在现实应用中对新碰见的异物的检测能力。
请参照图2，一种异物数据生成终端，包括存储器、处理器及存储在存储器上并可在所述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以下步骤：
获取输电线场景图像和预设异物图像；
提取所述输电线场景图像中的输电线，得到输电线位置；
从所述输电线位置中确定目标输电线位置，并将所述预设异物图像贴入所述目标输电线位置，得到初始异物数据；
基于所述初始异物数据使用预设图像和谐化神经网络进行和谐化，得到最终的异物数据。
从上述描述可知，本发明的有益效果在于：提取获取的输电线场景图像中的输电线，得到输电线位置，从输电线位置中确定目标输电线位置，并将预设异物图像贴入目标输电线位置，得到初始异物数据，基于初始异物数据使用预设图像和谐化神经网络进行和谐化，得到最终的异物数据，可通过获取各种不同的输电线场景图像，提取得到输电线位置，将预设异物图像贴入目标输电线位置，可实现在各种不同背景上的异物数据生成，且不限数量，最后基于初始异物数据使用预设图像和谐化神经网络进行和谐化，能够使最终得到的异物数据中的异物和场景融合的更好，提高异物数据的真实效果，以此有效增加特定输电线场景中异物数据的数量，丰富训练样本，避免训练和测试场景不同而导致的迁移性能下降问题。
进一步地，所述预设异物图像包括异物掩码标注；
所述获取输电线场景图像和预设异物图像之后包括：
根据所述异物掩码标注对所述预设异物图像进行数据增强，得到增强后的预设异物图像；
所述将所述预设异物图像贴入所述目标输电线位置，得到初始异物数据包括；
将所述增强后的预设异物图像贴入所述目标输电线位置，得到初始异物数据。
由上述描述可知，根据异物掩码标注对预设异物图像进行数据增强，能够使异物自身变换不同的形态，进而提高后续生成的异物数据的真实性。
进一步地，所述提取所述输电线场景图像中的输电线，得到输电线位置包括：
使用边缘提取算法对所述输电线场景图像进行边缘提取，得到图像边缘信息；
使用直线检测算法将所述图像边缘信息进行合并，得到输电线图像，并根据所述输电线图像确定输电线位置。
由上述描述可知，使用边缘提取算法对输电线场景图像进行边缘提取，使用直线检测算法将图像边缘信息进行合并，通过阈值的调整能够过滤掉输电线场景图像中的水印、云朵等绝大多数无关的线条，使得输出结果只有输电线本身图像，保证了输电线提取效果。
进一步地，所述从所述输电线位置中确定目标输电线位置包括：
从所述输电线位置中随机选择一待定输电线位置，判断所述待定输电线位置的实际大小是否小于或等于所述预设异物图像中异物的实际大小，若是，则将所述待定输电线位置确定为目标输电线位置，若否，则返回执行所述从所述输电线位置中随机选择一待定输电线位置步骤，直至从所述输电线位置中确定出所述目标输电线位置；
所述将所述增强后的预设异物图像贴入所述目标输电线位置，得到初始异物数据包括：
根据所述增强后的预设异物图像确定贴入状态；
获取所述目标输电线位置的纵坐标大小；
根据所述纵坐标大小对所述增强后的预设异物图像进行缩放操作，得到缩放后的预设异物图像；
将所述缩放后的预设异物图像按照所述贴入状态贴入所述目标输电线位置，得到初始异物数据。
由上述描述可知，确定目标输电线位置时，从输电线位置中随机选择一待定输电线位置，只要该位置的实际大小足够让预设异物图像中异物贴入，则将其确定为目标输电线位置，实现了异物的随机贴入，在异物图像贴入时，将缩放后的预设异物图像按照贴入状态贴入目标输电线位置，能够模拟出真实的输电线存在异物的场景，从而提高异物数据的真实效果。
进一步地，所述基于所述初始异物数据使用预设图像和谐化神经网络进行和谐化，得到最终的异物数据包括：
将所述初始异物数据进行裁剪，得到异物图像块，并获取所述异物图像块的初始尺寸，所述异物图像块包括所述初始异物数据中的预设异物图像；
将所述异物图像块与所述异物掩码标注输入预设图像和谐化神经网络进行和谐化，得到和谐化后的异物图像块；
将所述和谐化后的异物图像块恢复至所述初始尺寸，得到恢复后的异物图像块，并将所述恢复后的异物图像块与所述初始异物数据重新合成，得到最终的异物数据。
由上述描述可知，由于初始异物数据的前景和背景分别来自不同的图像，它们的分辨率、色调、光照等都是不一样的，需要对初始异物进行和谐化操作，而和谐化前景时参考的背景不宜过大，因此，先将初始异物数据进行裁剪，得到异物图像块，将异物图像块与异物掩码标注输入预设图像和谐化神经网络进行和谐化，将异物图像块输入网络后，其将被调整为预设尺寸，所以最后将和谐化后的异物图像块恢复至初始尺寸，将恢复后的异物图像块与初始异物数据重新合成，得到最终的异物数据，以此能够提高异物数据的质量，从而能够生成不限数量的输电线异物数据，它们有不同的背景、形态、大小和类别，大大增加了目标检测网络的鲁棒性，提高了目标检测网络在现实应用中对新碰见的异物的检测能力。
本发明上述的一种异物数据生成方法及终端适用于输电线场景下的异物检测，用于增加训练用的异物图片样本数据，以下通过具体实施方式说明：
实施例一
请参照图1、3、4，本实施例的一种异物数据生成方法，包括：
S1、获取输电线场景图像和预设异物图像；
其中，所述预设异物图像包括异物掩码标注，所述预设异物图像可以为多个，本实施例中，所述预设异物图像为200张预设异物图像，包括不同类型、不同形态的异物，如风筝、塑料袋等；
S2、根据所述异物掩码标注对所述预设异物图像进行数据增强，得到增强后的预设异物图像；
比如，根据异物mask(掩码标注)对预设异物图像进行随机的旋转、放大、缩小和/或投影变换，得到增强后的预设异物图像，以对异物自身变换不同的形态；
S3、提取所述输电线场景图像中的输电线，得到输电线位置，具体包括：
S31、使用边缘提取算法对所述输电线场景图像进行边缘提取，得到图像边缘信息；
具体的，使用Canny边缘提取算子对输电线场景图像进行边缘提取，得到图像边缘信息；
S32、使用直线检测算法将所述图像边缘信息进行合并，得到输电线图像，并根据所述输电线图像确定输电线位置；
具体的，设置直线检测算法(LSD，Line Segment Detector)中的合并阈值和距离后，使用LSD算法将图像边缘信息进行合并，得到输电线图像，并根据所述输电线图像确定输电线位置；
其中，还包括获取所述输电线场景图像中除所述输电线以外的最长长线条对应的长度；
根据所述长度确定合并阈值，所述合并阈值大于所述长度；
即所述合并阈值主要看输电线场景图像中无关物体形成的长线条中最长的长度大概是多少，将所述合并阈值设置为大于这个长度即可；
S4、从所述输电线位置中确定目标输电线位置，并将所述预设异物图像贴入所述目标输电线位置，得到初始异物数据，其中，预设异物图像为增强后的预设异物图像；如图3所示，具体包括：
S41、从所述输电线位置中随机选择一待定输电线位置，判断所述待定输电线位置的实际大小是否小于或等于所述预设异物图像中异物的实际大小，若是，则将所述待定输电线位置确定为目标输电线位置，若否，则返回执行所述从所述输电线位置中随机选择一待定输电线位置步骤，直至从所述输电线位置中确定出所述目标输电线位置；
其中，输电线位置的实际大小指输电线位置上输电线之间的距离，确保能够实现异物的卡入，使得生成的图片符合实际场景；
在一种可选的实施方式中，设置预设选择次数，从所述输电线位置中随机选择一待定输电线位置，判断所述待定输电线位置的实际大小是否小于或等于所述预设异物图像中异物的实际大小，若是，则将所述待定输电线位置确定为目标输电线位置，若否，则返回执行所述从所述输电线位置中随机选择一待定输电线位置步骤，直至达到预设选择次数；
如果超过预设选择次数都没有从输电线位置中确定出目标输电线位置，则丢弃本次的输电线场景图像；
S42、将所述预设异物图像贴入所述目标输电线位置，得到初始异物数据，如图3所示，具体包括：
S421、根据所述增强后的预设异物图像确定贴入状态；
其中，所述贴入状态包括stucking(卡住)状态和hanging(悬挂)状态，stucking状态表示异物整个卡在输电线上，hanging状态表示异物呈条状悬挂在输电线上；为不同类型的异物设定不同的贴入状态集合，如异物类型为风筝对应的贴入状态集合只包括stucking状态，异物类型为塑料袋的贴入状态集合只包括hanging状态；
比如，所述增强后的预设异物图像为风筝图像，则确定贴入状态为stucking状态，所述增强后的预设异物图像为塑料袋图像，则确定贴入状态为hanging状态，能够尽可能地模拟真实的异物存在场景；
S422、获取所述目标输电线位置的纵坐标大小；
S423、根据所述纵坐标大小对所述增强后的预设异物图像进行缩放操作，得到缩放后的预设异物图像；
比如，根据纵坐标大小确定该目标输电线位置，如图4所示，若获取的输电线场景图像为相对于输电线从下向上拍摄，则更靠近图像上端的意味着更近，增强后的预设异物图像应该稍大一些，对其进行放大操作，如果更靠近图像中间的意味着更远，增强后的预设异物图像应该稍小一些，对其进行缩小操作；
S424、将所述缩放后的预设异物图像按照所述贴入状态贴入所述目标输电线位置，得到初始异物数据；
S5、基于所述初始异物数据使用预设图像和谐化神经网络进行和谐化，得到最终的异物数据，如图3所示，具体包括：
S51、将所述初始异物数据进行裁剪，得到异物图像块，并获取所述异物图像块的初始尺寸，所述异物图像块包括所述初始异物数据中的预设异物图像；
S52、将所述异物图像块与所述异物掩码标注输入预设图像和谐化神经网络进行和谐化，得到和谐化后的异物图像块；
本实施例中，所述预设图像和谐化神经网络为DoveNet；
具体的，将异物图像块与异物mask输入DoveNet进行和谐化，得到和谐化后的异物图像块；
S53、将所述和谐化后的异物图像块恢复至所述初始尺寸，得到恢复后的异物图像块，并将所述恢复后的异物图像块与所述初始异物数据重新合成，得到最终的异物数据；
因为将图像输入神经网络时，网络会将输入图像调整至特定尺寸，因此网络输出和谐化后的异物图像块后，需要将其恢复至初始尺寸，以确保图像质量。
实施例二
请参照图2，本实施例的一种异物数据生成终端，包括存储器、处理器及存储在存储器上并可在所述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实施例一中的异物数据生成方法中的各个步骤。
综上所述，本发明提供的一种异物数据生成方法及终端，获取输电线场景图像和预设异物图像；提取所述输电线场景图像中的输电线，得到输电线位置；从所述输电线位置中确定目标输电线位置，并将所述预设异物图像贴入所述目标输电线位置，得到初始异物数据，确定目标输电线位置时，从输电线位置中随机选择一待定输电线位置，只要该位置的实际大小足够让预设异物图像中异物贴入，则将其确定为目标输电线位置，实现了异物的随机贴入，在异物图像贴入时，将缩放后的预设异物图像按照贴入状态贴入目标输电线位置，能够模拟出真实的输电线存在异物的场景，从而提高异物数据的真实效果；将初始异物数据进行裁剪，得到异物图像块，将异物图像块与异物掩码标注输入预设图像和谐化神经网络进行和谐化，将异物图像块输入网络后，其将被调整为预设尺寸，所以最后将和谐化后的异物图像块恢复至初始尺寸，将恢复后的异物图像块与初始异物数据重新合成，得到最终的异物数据，以此能够提高异物数据的质量，从而有效增加特定输电线场景中异物数据的数量，丰富训练样本，避免训练和测试场景不同而导致的迁移性能下降问题，大大增加了目标检测网络的鲁棒性，提高了目标检测网络在现实应用中对新碰见的异物的检测能力。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种异物数据生成方法，其特征在于，包括：
获取输电线场景图像和预设异物图像；
提取所述输电线场景图像中的输电线，得到输电线位置；
从所述输电线位置中确定目标输电线位置，并将所述预设异物图像贴入所述目标输电线位置，得到初始异物数据；
基于所述初始异物数据使用预设图像和谐化神经网络进行和谐化，得到最终的异物数据。
2.根据权利要求1所述的一种异物数据生成方法，其特征在于，所述预设异物图像包括异物掩码标注；
所述获取输电线场景图像和预设异物图像之后包括：
根据所述异物掩码标注对所述预设异物图像进行数据增强，得到增强后的预设异物图像；
所述将所述预设异物图像贴入所述目标输电线位置，得到初始异物数据包括：
将所述增强后的预设异物图像贴入所述目标输电线位置，得到初始异物数据。
3.根据权利要求1所述的一种异物数据生成方法，其特征在于，所述提取所述输电线场景图像中的输电线，得到输电线位置包括：
使用边缘提取算法对所述输电线场景图像进行边缘提取，得到图像边缘信息；
使用直线检测算法将所述图像边缘信息进行合并，得到输电线图像，并根据所述输电线图像确定输电线位置。
4.根据权利要求2所述的一种异物数据生成方法，其特征在于，所述从所述输电线位置中确定目标输电线位置包括：
从所述输电线位置中随机选择一待定输电线位置，判断所述待定输电线位置的实际大小是否小于或等于所述预设异物图像中异物的实际大小，若是，则将所述待定输电线位置确定为目标输电线位置，若否，则返回执行所述从所述输电线位置中随机选择一待定输电线位置步骤，直至从所述输电线位置中确定出所述目标输电线位置；
所述将所述增强后的预设异物图像贴入所述目标输电线位置，得到初始异物数据包括：
根据所述增强后的预设异物图像确定贴入状态；
获取所述目标输电线位置的纵坐标大小；
根据所述纵坐标大小对所述增强后的预设异物图像进行缩放操作，得到缩放后的预设异物图像；
将所述缩放后的预设异物图像按照所述贴入状态贴入所述目标输电线位置，得到初始异物数据。
5.根据权利要求2所述的一种异物数据生成方法，其特征在于，所述基于所述初始异物数据使用预设图像和谐化神经网络进行和谐化，得到最终的异物数据包括：
将所述初始异物数据进行裁剪，得到异物图像块，并获取所述异物图像块的初始尺寸，所述异物图像块包括所述初始异物数据中的预设异物图像；
将所述异物图像块与所述异物掩码标注输入预设图像和谐化神经网络进行和谐化，得到和谐化后的异物图像块；
将所述和谐化后的异物图像块恢复至所述初始尺寸，得到恢复后的异物图像块，并将所述恢复后的异物图像块与所述初始异物数据重新合成，得到最终的异物数据。
6.一种异物数据生成终端，包括存储器、处理器及存储在存储器上并可在所述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以下步骤：
获取输电线场景图像和预设异物图像；
提取所述输电线场景图像中的输电线，得到输电线位置；
从所述输电线位置中确定目标输电线位置，并将所述预设异物图像贴入所述目标输电线位置，得到初始异物数据；
基于所述初始异物数据使用预设图像和谐化神经网络进行和谐化，得到最终的异物数据。
7.根据权利要求6所述的一种异物数据生成终端，其特征在于，所述预设异物图像包括异物掩码标注；
所述获取输电线场景图像和预设异物图像之后包括：
根据所述异物掩码标注对所述预设异物图像进行数据增强，得到增强后的预设异物图像；
所述将所述预设异物图像贴入所述目标输电线位置，得到初始异物数据包括；
将所述增强后的预设异物图像贴入所述目标输电线位置，得到初始异物数据。
8.根据权利要求6所述的一种异物数据生成终端，其特征在于，所述提取所述输电线场景图像中的输电线，得到输电线位置包括：
使用边缘提取算法对所述输电线场景图像进行边缘提取，得到图像边缘信息；
使用直线检测算法将所述图像边缘信息进行合并，得到输电线图像，并根据所述输电线图像确定输电线位置。
9.根据权利要求7所述的一种异物数据生成终端，其特征在于，所述从所述输电线位置中确定目标输电线位置包括：
从所述输电线位置中随机选择一待定输电线位置，判断所述待定输电线位置的实际大小是否小于或等于所述预设异物图像中异物的实际大小，若是，则将所述待定输电线位置确定为目标输电线位置，若否，则返回执行所述从所述输电线位置中随机选择一待定输电线位置步骤，直至从所述输电线位置中确定出所述目标输电线位置；
所述将所述增强后的预设异物图像贴入所述目标输电线位置，得到初始异物数据包括：
根据所述增强后的预设异物图像确定贴入状态；
获取所述目标输电线位置的纵坐标大小；
根据所述纵坐标大小对所述增强后的预设异物图像进行缩放操作，得到缩放后的预设异物图像；
将所述缩放后的预设异物图像按照所述贴入状态贴入所述目标输电线位置，得到初始异物数据。
10.根据权利要求7所述的一种异物数据生成终端，其特征在于，所述基于所述初始异物数据使用预设图像和谐化神经网络进行和谐化，得到最终的异物数据包括：
将所述初始异物数据进行裁剪，得到异物图像块，并获取所述异物图像块的初始尺寸，所述异物图像块包括所述初始异物数据中的预设异物图像；
将所述异物图像块与所述异物掩码标注输入预设图像和谐化神经网络进行和谐化，得到和谐化后的异物图像块；
将所述和谐化后的异物图像块恢复至所述初始尺寸，得到恢复后的异物图像块，并将所述恢复后的异物图像块与所述初始异物数据重新合成，得到最终的异物数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111636113.7A CN114283385A (zh) | 2021-12-29 | 2021-12-29 | 一种异物数据生成方法及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111636113.7A CN114283385A (zh) | 2021-12-29 | 2021-12-29 | 一种异物数据生成方法及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114283385A true CN114283385A (zh) | 2022-04-05 |
Family
ID=80877931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111636113.7A Pending CN114283385A (zh) | 2021-12-29 | 2021-12-29 | 一种异物数据生成方法及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114283385A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108665464A (zh) * | 2018-04-03 | 2018-10-16 | 电子科技大学 | 一种基于形态学的高压电塔及高压电线的异物检测方法 |
| EP3457113A1 (en) * | 2017-09-19 | 2019-03-20 | Sugino Machine Limited | Foreign object inspection device and foreign object inspection method |
| CN110751630A (zh) * | 2019-09-30 | 2020-02-04 | 山东信通电子股份有限公司 | 基于深度学习的输电线路异物检测方法、装置及介质 |
| WO2021042682A1 (zh) * | 2019-09-03 | 2021-03-11 | 国网辽宁省电力有限公司电力科学研究院 | 变电站异物识别方法、装置、***、电子设备和存储介质 |
| CN112909824A (zh) * | 2021-03-24 | 2021-06-04 | 南方电网电力科技股份有限公司 | 一种输电线路悬挂异物的识别方法及装置 |
| CN113298077A (zh) * | 2021-06-21 | 2021-08-24 | 中国电建集团海南电力设计研究院有限公司 | 一种基于深度学习的变电站异物识别定位方法及装置 |
| CN113673514A (zh) * | 2021-08-11 | 2021-11-19 | 国网山东省电力公司微山县供电公司 | 一种输电线路异物侵入检测方法和*** |
| US20210383148A1 (en) * | 2020-06-09 | 2021-12-09 | Shandong University | Automatic data enhancement expansion method, recognition method and system for deep learning |
-
2021
- 2021-12-29 CN CN202111636113.7A patent/CN114283385A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3457113A1 (en) * | 2017-09-19 | 2019-03-20 | Sugino Machine Limited | Foreign object inspection device and foreign object inspection method |
| CN108665464A (zh) * | 2018-04-03 | 2018-10-16 | 电子科技大学 | 一种基于形态学的高压电塔及高压电线的异物检测方法 |
| WO2021042682A1 (zh) * | 2019-09-03 | 2021-03-11 | 国网辽宁省电力有限公司电力科学研究院 | 变电站异物识别方法、装置、***、电子设备和存储介质 |
| CN110751630A (zh) * | 2019-09-30 | 2020-02-04 | 山东信通电子股份有限公司 | 基于深度学习的输电线路异物检测方法、装置及介质 |
| US20210383148A1 (en) * | 2020-06-09 | 2021-12-09 | Shandong University | Automatic data enhancement expansion method, recognition method and system for deep learning |
| CN112909824A (zh) * | 2021-03-24 | 2021-06-04 | 南方电网电力科技股份有限公司 | 一种输电线路悬挂异物的识别方法及装置 |
| CN113298077A (zh) * | 2021-06-21 | 2021-08-24 | 中国电建集团海南电力设计研究院有限公司 | 一种基于深度学习的变电站异物识别定位方法及装置 |
| CN113673514A (zh) * | 2021-08-11 | 2021-11-19 | 国网山东省电力公司微山县供电公司 | 一种输电线路异物侵入检测方法和*** |
Non-Patent Citations (1)
| Title |
|---|
| WENYAN CONG ET AL.: "DoveNet: Deep Image Harmonization via Domain Verification", 《CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, 31 December 2020 (2020-12-31), pages 8391 - 8400 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103077521B (zh) | 一种用于视频监控的感兴趣区域提取方法 | |
| CN104036483B (zh) | 图像处理***和图像处理方法 | |
| CN105096347B (zh) | 图像处理装置和方法 | |
| WO2019071976A1 (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
| CN108986185B (zh) | 基于深度学习的图像数据扩增方法 | |
| CN110827312B (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
| CN108377374A (zh) | 用于产生与图像相关的深度信息的方法和*** | |
| CN107016682A (zh) | 一种自然图像显著对象自适应分割方法 | |
| RU2697627C1 (ru) | Способ корректировки освещенности объекта на изображении в последовательности изображений и вычислительное устройство пользователя, реализующее упомянутый способ | |
| CN105809673A (zh) | 基于surf算法和合并最大相似区域的视频前景分割方法 | |
| CN112734914A (zh) | 一种增强现实视觉的图像立体重建方法及装置 | |
| CN106447673A (zh) | 一种非均匀光照条件下的芯片引脚提取方法 | |
| CN114972646B (zh) | 一种实景三维模型独立地物的提取与修饰方法及*** | |
| Dhar et al. | An efficient real time moving object detection method for video surveillance system | |
| CN110751668B (zh) | 图像处理方法、装置、终端、电子设备及可读存储介质 | |
| CN105139368B (zh) | 一种可用于机器视觉的混合型色调映射方法 | |
| Bong et al. | Automatic road network recognition and extraction for urban planning | |
| CN110263604A (zh) | 一种基于像素级别分离行人图片背景的方法及装置 | |
| CN114283385A (zh) | 一种异物数据生成方法及终端 | |
| CN103618846A (zh) | 一种视频分析中抑制光线突然变化影响的背景去除方法 | |
| CN111369612A (zh) | 一种三维点云图像生成方法及设备 | |
| CN113766147B (zh) | 视频中嵌入图像的方法、平面预测模型获取方法和装置 | |
| KR20160039447A (ko) | 스테레오 카메라를 이용한 공간분석시스템 | |
| Li et al. | Haze removal from single images based on a luminance reference model | |
| Yadollahi et al. | Image segmentation for object detection |
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 |